一种动态图神经网络驱动的高拱坝时空变形预测方法

本发明涉及大坝运行安全监测与管理，尤其是涉及一种动态图神经网络驱动的高拱坝时空变形预测方法。

背景技术：

1、由于体积大、高度大、水位波动范围大，以及受荷时复杂的变形时空分布，超高拱坝是一个极其复杂的非线性静态不定结构。对于这类高拱坝，工程中多布设大量监测点，形成了长期、多测点、连续的变形监测数据。高拱坝变形监测模型是大坝安全监测的重要组成部分，准确预测测点变形有助于识别异常趋势、辅助安全评估和运行管理。

2、现有高拱坝变形预测方法已从传统统计模型逐渐发展到深度学习模型方法，但在多测点协同预测和在线应用方面仍存在不足。早期研究多基于水压-温度-时效模型及其改进形式开展坝体变形解释与预测，这类方法具有较好的工程解释性，能够反映水位、温度和时效等因素对坝体变形的影响，但多数仍以单测点建模为主，难以充分刻画高拱坝不同坝段、不同高程和不同测点之间的协同变形关系。

3、随着机器学习和深度学习方法的发展，lstm、gru、注意力机制、组合预测和残差修正等方法被广泛用于坝体变形预测。这些方法增强了模型对非线性时间依赖和复杂环境响应的学习能力，但其主要目标仍是提高单点或少量测点的时间序列预测精度，对于多测点之间的空间关联、响应相似性和结构传递关系考虑仍然不足。

4、针对单测点建模难以反映坝体整体响应的问题，近年来多测点协同预测逐渐成为高拱坝变形监测研究的重要方向。但现有方法多依赖聚类分区、相关系数、空间距离或经验设定来表达测点关系，测点间关联通常在建模前被固定，难以适应不同水位阶段、温度作用阶段和运行状态下空间相关性的动态变化。

技术实现思路

1、本发明的目的是提供一种动态图神经网络驱动的高拱坝时空变形预测方法，以解决背景技术中提到的问题。

2、为实现上述目的，本发明提供了一种动态图神经网络驱动的高拱坝时空变形预测方法，包括：

3、s1、收集并对高拱坝变形及环境量监测数据进行野值清洗与缺值插补预处理，结合拱坝时空变形跟踪预测模型基本原理，确定上下游水位和温度等环境荷载与测点变形响应关系，构建高拱坝变形跟踪预测数据集，并按8:1:1的比例划分为训练集、验证集和预测集；

4、s2、动静结合邻接矩阵构建：依托训练集测点三维空间坐标与历史变形响应数据学习静态空间关联，生成静态候选邻接矩阵；再基于当前输入窗口的测点节点特征，通过交叉注意力机制动态修正边关联强度，输出动态邻接矩阵；

5、s3、时空预测网络离线训练：以动态邻接矩阵为图结构约束，采用图卷积网络gcn聚合测点空间耦合特征，采用mamba网络捕捉单测点变形长时序依赖关系，搭建gcn-mamba时空变形预测模型；以预测值与真实变形值的误差构建损失函数迭代更新网络参数，保存验证集效果最优模型作为在线预测阶段的初始模型；

6、s4、在线实时预测与增量微调：将现场实时采集的监测数据输入已训练完成的最优初始模型，在动态邻接矩阵约束下输出各测点变形预测结果；对比实测变形值计算在线预测损失，采用小学习率对模型部分网络参数做增量更新，实现模型自适应更新。

7、优选的，步骤s1中高拱坝变形跟踪预测数据集包括上游水位、时效因子、温度因子、空间三维坐标以及高拱坝各测点自动化监测的径向变形。

8、优选的，步骤s2内容如下：

9、s21、利用gru和mlp分别提取各测点的历史响应嵌入信息和空间位置嵌入信息；

10、s22、通过双通道pairwise edge scorer直接学习任意两测点之间的连接强度并利用自适应top-k稀疏化得到静态候选邻接矩阵；

11、s23、在构建静态候选邻接矩阵的基础上，采用交叉注意力机制根据当前窗口的监测状态，对候选边关联强度进行动态调整，得到动态邻接矩阵。

12、优选的，步骤s21具体为：

13、对于第i个测点，其在训练阶段的历史变形序列为，通过gru对该历史变形序列进行编码，将测点长期变形演化特征压缩为历史响应，最终得到历史响应嵌入信息：

14、；

15、将测点空间坐标输入坐标编码mlp，得到空间位置嵌入信息：

16、。

17、优选的，步骤s22包括：

18、将测点、的gru历史响应嵌入信息、mlp空间位置嵌入信息送入双通道pairwiseedge scorer，直接学习两测点之间的连接强度，融合双通道得分后得到测点和测点之间的静态关联强度，满足：

19、；

20、其中，；表示sigmoid激活函数，将输入映射到(0,1)区间，用来生成权重系数；表示由传感器读数特征，计算得到，代表测点传感器测量值之间的关联信息；表示代表测点空间位置之间的关联信息；

21、对静态关联强度进行top-k稀疏化，对于每个测点

i，去除自连接后选择连接强度最高的

k个测点作为候选邻居：

22、；

23、并最终得到静态候选邻接矩阵：

24、。

25、优选的，步骤s23具体内容为：

26、交叉注意力机制则根据当前滑动窗口中的监测状态，对候选边的关联强度进行动态调整：

27、 ；

28、；

29、其中，为当前滑动窗口得到的动态节点表示；为动态监测状态查询；,为静态先验键和值；为由静态先验信息得到的节点结构表示；,,分别为可学习参数矩阵；为静态候选邻居集合；为隐向量维度；为可学习参数，用于自适应调节静态先验得分在动态图更新中的影响程度。

30、优选的，步骤s3具体包括：

31、设某一时间步的节点特征矩阵为，动态邻接矩阵为，为保留节点自身信息，先对动态邻接矩阵增加自连接，再对动态邻接矩阵进行归一化处理：

32、；

33、；

34、其中，为单位矩阵；为的度矩阵；为归一化后的动态邻接矩阵；为添加自连接后的动态邻接矩阵；

35、基于归一化的动态邻接矩阵，图卷积层表示为：

36、；

37、其中，为第

l层节点表示，为可学习权重矩阵，为非线性激活函数；

38、经图卷积处理后得到融合空间关联信息的节点时序表示，将时序数据按测点维度重排，得到单测点独立时序序列输入 mamba模块；

39、对于输入序列，mamba根据当前输入生成时间步长、输入映射和输出映射：

40、；

41、；

42、其中，表示当前时间步的离散化步长；和表示输入的相关映射参数；表示以为输入的可学习非线性映射网络；

43、在选择性参数确定后，连续状态被离散化为：

44、；

45、；

46、第

k个时间步的选择性状态递推为：

47、；

48、；

49、其中，为当前时间步的隐状态，为mamba输出表示；d表示mamba选择性状态空间模型中的输入映射矩阵，将输入特征直接映射输出，作为输出分支的直接输入项；

50、随后mamba接收动态图卷积后的空间增强序列：

51、；

52、其中，；取最后一个时间步的输出表示作为当前窗口的时间状态表征，并通过预测层得到未来变形预测值：

53、；

54、其中，表示该时间窗口下mamba模块最后一个时间步的输出特征表示。

55、因此，本发明采用上述一种动态图神经网络驱动的高拱坝时空变形预测方法，具备以下有益效果：

56、（1）面向高拱坝多测点变形预测问题，提出动态图gcn-mamba模型，实现空间关联、动态关系和长时序特征的联合建模。

57、（2）设计静态邻接矩阵学习与动态邻接生成机制，避免完全依赖人工设定测点连接关系，提高模型对坝体测点复杂关联的表达能力。

58、（3）构建离线训练与在线更新相结合的预测流程，并在小湾拱坝多测点监测数据上与lstm、gru、mamba、gru-gcn等模型进行对比验证。为运行期大坝变形响应智能精准预测提供了一种新的思路。

59、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。