曹恩华，包腾飞，胡绍沛，袁荣耀，鄢 涛1，2，

(1.河海大学 水文水资源与水利工程科学国家重点实验室，南京 210098； 2.河海大学 水资源高效利用与工程安全国家工程研究中心，南京 210098； 3.河海大学 水利水电学院，南京 210098； 4.三峡大学 水利与环境学院，湖北 宜昌 443002)

1 研究背景

作为重要的基础设施，混凝土坝在发电、防洪、灌溉和供水等方面发挥了重要作用[1-2]，对其结构性态的准确预测是保障其安全运行的重要措施[3]。作为大坝结构性态最直观、最有效的反映，变形已经被广泛用作混凝土坝的主要监测指标[4-6]。基于变形监测数据建立可靠的预测模型，是大坝安全监控领域重要研究方向之一。

变形反映了在内、外部环境的影响下，大坝结构的非线性动态演化[7-8]。相关的监控模型主要分为3种：统计模型、确定性模型和混合模型[4，7，9-11]。确定性模型需要尽可能精确的材料参数、几何形状，以及大坝和地基的工作条件，这在实际工程中难以实现[11]。统计模型无需考虑大坝和坝基的物理特性，因此更易于实施[12]，它是大坝变形监测中最为常用的建模方法；但是，统计模型的泛化能力和预测时延性较差，使得此类模型在实际应用中效果并不理想[13]。

近年来，随着人工智能技术的发展，人工神经网络(Artificial Neural Network，ANN)和支持向量机(Support Vector Machine，SVM)等算法已广泛应用于大坝变形监控领域[14-18]。然而上述算法也存在一定的局限性，如收敛速度缓慢、容易陷入局部极小值以及核参数难以选择等。为了避免上述问题，本文选取极限学习机(Extreme Learning Machine，ELM)作为大坝变形的基础预测模型。……