陈守开 蒋海峰 史海波 张俊峰

摘要：针对堤坝渗压值的动态变化特征与静态神经网络模型的不足，建立了基于时序数据的循环神经网络模型（recurrent neural network，RNN）。该模型考虑水位、降雨与温度在孔隙水压力变化中的滞后作用并将其纳入模型的训练过程，实现了渗压值的动态预测。以面板堆石坝渗流监测数据为例进行验证分析，通过灰色关联法可确定影响渗压值的主要因素，并进行了RNN模型与遗传算法优化的支持向量机模型（GA-SVM）的对比分析。结果表明：两种模型的预测精度均在允许范围内，表明渗压值数据之间具备可预测性;RNN模型的平均相对误差仅为11.343%，相比于GA-SVM模型，RNN模型预测精度更高，由此表明渗压值的动态变化特征对渗压值预测影响较大，在建立预测模型时需协同考虑。

关 键 词：

渗压值; 动态模型; 静态模型; 动态变化特征; RNN模型; GA-SVM模型

中图法分类号： TV91

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2021.05.027

1 研究背景

滲流分析一直是堤坝工程安全稳定研究的重点，对于渗流渗漏引起的堤坝工程破坏失稳现象，诸多学者对其成因开展了针对性的研究[1-4]，目前已确定的影响因素主要有水位变化、降雨、温度变化及历时等[5-7]。实测渗压计数据（渗压值）的神经网络模型预测及相关改进方式亦有相关的报道[8-11]。如缪长健[8]等采用云模型改进人工鱼群算法用以优化BP神经网络的权值和阈值，构建CM-AFSA-BP预测模型并进行了渗流压力的预测。陈端[9]等采用广义回归神经网络模型预测了堤坝坝基处的渗流情况。……