考虑空间分异性的土石坝变形安全分区评价指标拟定模型

摘要

针对传统大坝安全评价指标仅表征整体结构安全状态而忽略了变形测点空间分布差异性与类聚性，由此导致其无法揭示坝体局部安全状况的问题，本研究提出了基于改进算数优化算法优化注意力双向门控循环单元自编码器、凝聚型层次聚类(AHC)与超阈值(POT)理论的土石坝变形安全分区评价指标拟定模型．首先，本文建立一种有效的序列数据降维模型，通过引入注意力机制耦合双向门控循环单元自编码器，解决了传统单向门控循环单元序列信息提取不完整及数据降维过程中的信息丢失问题．其次，设计了一种混沌搜索策略改进的算数优化算法，显著提升了网络超参数的优化效率，有效避免了深度学习模型超参数优化易陷入局部最优解的问题．随后，采用基于曼哈顿距离的AHC方法，有效实现了坝体变形监测数据的空间分区，并在空间分区基础上结合POT理论进行安全诊断指标拟定．实际土石坝工程案例分析结果表明：本文所提方法的聚类性能优异，聚类评价轮廓系数高达0.886，戴维斯-鲍丁指数低至0.151，显著优于现有方法；安全诊断指标考虑了坝体结构的空间分异性，合理性显著提高．本研究所提方法提升了大坝变形监测数据挖掘的深度与精度，为大坝安全监测与评价指标研究提供了新思路．

关键词

土石坝 / 安全评价指标拟定 / 算数优化算法 / 双向门控循环单元 / 自编码器 / 注意力机制 / 凝聚型层次聚类 / 超阈值模型