侯超新，李向峰

(德州市水文中心，山东 德州 253000)

1 研究背景

大坝被视为“含有危险力量的设施”，溃坝危害是灾难性的。大坝服役年限越长，其发生灾难性溃坝的可能越高。位移变形是反映大坝运行状态的最直观表征，通过对位移变形数据的监测分析，可以为大坝服役工况诊断与变形性态研究提供有力技术资料支撑。由于受坝体结构、自然条件、环境等因素的影响，大坝变形位移系统中既存在确定性，又存在一定随机性，数据具有明显的非线性特性，很难采用单一模型进行准确预测分析。近年来，许多研究学者和工程应用人员针对大坝变形位移的安全监测、预测模型进行了深入研究，并取得良好理论研究和工程应用效果。宁昕扬等采用改进果蝇算法(Improved Fruit Fly Optimization Algorithm， IFOA)对土石坝施工期变形位移的灰色神经网络(Grey Neural Network， GNN)模型进行优化，获得全局最佳的初始化参数并应用于土石坝施工期位移预测实践。梁嘉琛等采用人工鱼群算法(Artificial Fish Swarm Algorithm，AFSA) 优化径向基函数神经网络(Radial Basis Function Neural Network，RBFNN)，模型输出与平板坝水平位移变化趋势和规律具有很好的耦合性，且预测数据精度高。罗浩等在文献[6]中提出基于随机森林算法的拱坝变形监测预报模型，对大坝运行状态进行安全预测评估。本文基于文献[7]中季威等提出的大坝新多测点BP神经网络(BP Neural Network， BPNN)变形位移监测模型，采用蚁群算法ACO(Ant Colony Optimization)对神经网络模型的连接权值和阈值进行全局寻优，构建蚁群算法与BP神经网络结合的土石坝变形位移预测模型，并验证该模型的有效性和准确性。……