基于CNN-Transformer混合模型的大型复杂构筑形变监测研究

Research on deformation monitoring of large and complex structures based on CNN-Transformer hybrid model

摘要

大型复杂构筑物的形变监测是保障其安全运营的核心难题，传统方法在捕捉复杂非线性形变和融合多源异质数据等方面面临挑战。本文提出一种物理动机驱动的CNN-Transformer混合深度学习模型。该模型通过双分支并联架构，分别捕捉形变场中应力集中导致的局部非线性特征与结构整体协调变形引发的全局长程时空依赖，并设计了基于注意力机制的多源特征融合模块，实现了地面传感器与InSAR数据的特征层面的优势互补。以西安奥体中心主体育场馆为例，利用其施工与运营期监测数据开展实验。结果表明：CNN-Transformer模型形变监测RMSE为0.82 mm，平均绝对误差（MAE）为0.63 mm，决定系数R²= 0.981，其性能在统计显著性水平上（p<0.01） 显著优于测量平差、SBAS-InSAR、单一CNN/Transformer及CNN-LSTM等对比模型（p<0.01）。本研究为大型基础设施的智能、高精度形变监测提供了一种行之有效的范式借鉴。

Abstract

Deformation monitoring of large-scale complex structures is crucial for operational safety. Traditional methods face challenges in capturing complex nonlinear deformations and integrating multi-source heterogeneous data. This paper proposes a physically motivated CNN-Transformer hybrid deep learning model， which employs a dual-branch parallel architecture to capture both the local nonlinear features induced by stress concentration in the deformation field and the global long-range spatiotemporal dependencies arising from the coordinated deformation of the overall structure. A multi-source feature fusion module based on an attention mechanism is also designed to achieve synergistic complementarity between ground-based sensors and InSAR data at the feature level. Taking the main stadium of Xi'an Olympic Sports Center as a case study， experiments are conducted using monitoring data during its construction and operation periods. The results show that the CNN-Transformer model achieves a root mean square error （RMSE） of 0.82 mm， a mean absolute error （MAE） of 0.63 mm， and a coefficient of determination （R²） of 0.981 for deformation monitoring， significantly outperforming comparison models such as measurement adjustment， SBAS-InSAR， standalone CNN/Transformer， and CNN-LSTM at a statistically significant level （p < 0.01）. This study provides an effective paradigm for intelligent and high-precision deformation monitoring of large-scale infrastructure.

Graphical abstract

关键词

形变监测 / 混合深度学习模型 / CNN-Transformer / 多源数据融合

Key words

deformation monitoring / hybrid deep learning modes / CNN-Transformer / multi source data fusion

随着我国基础设施建设事业的飞速发展，大型体育场馆、交通枢纽等大跨度复杂空间结构日益增多。这类结构在施工及运营期间，由于荷载变化、温度效应、材料老化等因素影响，易产生累积形变，威胁结构安全^［1-2］。2022年全国自然灾害综合风险普查数据显示，我国大型公共建筑中有近15%存在不同程度的结构安全隐患。为此，开展大型复杂构筑物的形变监测研究，对保障人民生命财产安全、延长构筑物使用寿命具有重要意义。

传统形变监测方法主要包括全站仪测量、水准测量、GPS测量等^［3-4］。这些方法虽精度较高，但存在监测周期长、成本高、难以实现实时连续监测等局限性^［4］。近年来，随着遥感技术的发展，合成孔径雷达干涉测量（InSAR）技术为广域形变监测提供了新的解决方案^［5-7］。然而，在大型复杂结构监测中，InSAR技术易受大气延迟、失相干等因素影响，且难以捕捉结构的局部独特变形细节^［8］。随着人工智能技术的迅猛发展，深度学习方法在测绘遥感领域展现出强大应用潜力^［9-10］。卷积神经网络（CNN）能够有效提取局部形变特征，但在捕捉长程依赖关系方面存在不足；Transformer模型凭借自注意力机制在建模全局上下文信息方面表现卓越，但对局部细节敏感度不足^［11］。目前，已有学者尝试将深度学习应用于形变监测，如高富强等^［5］利用深度神经网络进行InSAR局部形变异常监测，还有研究提出了基于地面三维激光扫描的混合变形模型^［8］。然而，纵观已有研究，将CNN与Transformer二者优势进行协同融合，以同时应对大型复杂结构形变监测中“局部精细特征捕捉”与“全局长程依赖建模”双重挑战的工作仍较为有限^［12-13］。近年来，虽有学者尝试将混合深度学习模型引入测绘领域，如刘舸等^［7］提出的多任务学习遥感影像建筑分割方法，兰州理工大学结构健康监测团队提出的视频压缩感知方法，以及基于边缘引导和动态可变形Transformer的遥感图像变化检测网络^［14-15］，但这些方法在物理机制融合与多源数据自适应互补方面仍有不足^［16］。同时，在形变监测领域，CORS网与时序InSAR融合的研究多为传统数据同化方法，缺乏深度学习框架下的特征级融合策略^［17］。

基于此，本文的主要目的在于：（1）提出一个物理动机驱动的CNN-Transformer混合架构，其双分支设计明确对应于形变场的局部非线性与全局关联性物理规律。（2）设计了一个基于注意力机制的特征融合模块，从信息论角度实现了多源异类特征的优势互补。（3）从测绘学视角对模型结果进行了深入的误差分析与不确定性讨论，增强了模型在工程实践中的可信度。以期为大型复杂构筑物智能化变形监测提供科学参考。

1 模型算法

1.1 变形监测的物理背景与模型动机

大型体育场馆等空间结构的形变，是荷载、温度、材料等因素共同作用下的复杂时空过程^［18］。其形变场在空间上表现为：在节点、支座等关键部位存在应力集中导致的局部非线性变形；同时，由于结构的整体性，局部形变会通过构件传递和影响，形成长程的时空关联。传统单一模型难以同时刻画这两种效应。本文提出的CNN-Transformer并联混合模型，其架构设计的物理动机正是为了分别刻画“局部非线性”与“全局关联性”这两种核心物理机制。通过数据驱动的方式，利用多源监测数据训练模型，使其能够学习并再现这两种物理规律，从而实现更全面的形变场重建。

1.2 多源数据融合策略与坐标统一

本研究的核心在于融合地面传感器数据与空间InSAR数据。二者在采样率、基准、精度和敏感方向上均存在差异。为实现有效融合，采用了以下策略：（1）时空基准统一：将所有传感器数据与InSAR形变序列统一至WGS-84坐标系和UTC时间基准。随后，采用普通克里金插值法（选用球形变异函数模型，搜索半径为50 m）将点状传感器数据插值为与InSAR数据格网一致的面状数据，插值交叉验证的均方根误差为0.15 mm，满足精度要求。同时，环境温湿度数据作为重要的外部驱动因子，其时间序列被提取为特征向量，用于后续模型输入。（2）多层级融合：摒弃单一的数据级融合，采用“特征级-决策级”协同融合策略。CNN与Transformer分支首先在特征级分别处理两类数据的内在特征，随后在决策级通过融合模块进行综合研判。

1.3 物理引导的混合模型构架

CNN-Transformer混合模型中CNN分支采用ResNet50变体，其多层次卷积结构擅长捕捉钢构应力集中导致的局部非线性变形，对于局部效应区，通过设计关键节点区域的典型尺寸，使网络能够聚焦于连接节点、支座等易发生应力集中的部位^［19］。Transformer分支采用6层编码器结构，利用自注意力机制全面捕捉复杂钢结构整体协调变形所导致的长程时空关联。隐藏层维度设置为512，注意力头数设置为8，能够有效建模大跨度空间结构中力的传递路径和整体变形模式。两个分支的输出通过一个可解释的注意力门控机制进行融合，该机制不仅能动态评估不同区域、不同特征源的可信度，还引入了形变物理约束，确保融合结果符合结构变形的基本物理规律^［20］。与常规注意力机制相比，本模型的融合模块特别考虑了形变场在空间上的相关性及其物理意义，通过引入先验物理知识增强融合的合理性。

1.4 特征融合模块

为有效整合CNN分支的空间局部特征F_{\mathrm{c}\mathrm{n}\mathrm{n}}\in {\mathit{R}}^{C\times H\times W}与Transformer分支的全局上下文特征F_{\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{s}}\in {\mathit{R}}^D，本模型采用了一种基于注意力引导的特征融合策略^［9，21］。首先将F_{\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{s}}重塑并上采样至与F_{\mathrm{c}\mathrm{n}\mathrm{n}}相同的空间尺寸。随后，通过一个空间注意力模块（图3），计算一个注意力图A，用于权衡来自两个分支特征在每个空间位置上的重要性：

A=\sigma (Con{v}_{\mathrm{1}x\mathrm{1}}(\left[F_{\mathrm{c}\mathrm{n}\mathrm{n}};F_{\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{s}}^{\mathrm{u}\mathrm{p}}\right]))（1）

式中：［；］表示通道拼接；σ为Sigmoid函数。最终融合特征：F_{\mathrm{f}\mathrm{u}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}}=A⨀F_{\mathrm{c}\mathrm{n}\mathrm{n}}+(\mathrm{1}-A)⨀F_{\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{n}\mathrm{s}}^{\mathrm{u}\mathrm{p}}。该自适应融合机制能使模型根据具体区域动态选择更可靠的特征源。

1.5 实验环境与数据准备

实验基于PyTorch 1.1.0框架，在NVIDIA RTX 3090 GPU（24GB显存）上完成。模型训练使用的数据集包括西安奥体中心2019年3月—2019年12月的监测数据，涵盖结构健康监测传感器数据、InSAR形变数据和同步记录的环境温湿度数据。温湿度数据被处理为与形变数据时间戳对齐的序列，作为额外的输入特征通道。将所有数据按7∶2∶1的比例划分为训练集、验证集和测试集。在实验硬件上，训练完成的最终模型对单帧形变场（256×256网格）的平均推理时间为28 ms，单次预测GPU显存占用约为1.2 GB，满足高频率（如每分钟一次）实时监测的响应速度要求。这为模型在边缘计算设备上的部署奠定了基础。

1.6 物理约束损失函数设计

为将物理机制深度融入模型，避免纯数据驱动可能产生的不符合物理规律的结果，我们在训练中引入了物理约束损失。考虑到大型钢结构形变场在空间上通常具有平滑、连续的特性（微小弹性变形范围内），我们将其简化为对预测形变场梯度的正则化约束。复合损失函数：

L_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}=L_{\mathrm{m}\mathrm{s}\mathrm{e}}+{\lambda }_{\mathrm{1}}*L_{\mathrm{p}\mathrm{h}\mathrm{y}\mathrm{s}\mathrm{i}\mathrm{c}\mathrm{s}}+{\lambda }_{\mathrm{2}}{L}_{tv}（2）

式中：L_{\mathrm{m}\mathrm{s}\mathrm{e}}=\mathrm{1}/N\sum (y_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}-y_{\mathrm{t}\mathrm{r}\mathrm{u}\mathrm{e}}{)}^{\mathrm{2}}，为标准均方误差损失，确保预测精度。L_{\mathrm{p}\mathrm{h}\mathrm{y}\mathrm{s}\mathrm{i}\mathrm{c}\mathrm{s}}=\mathrm{1}/N\sum {‖\nabla y_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}‖}^{\mathrm{2}}，为物理约束损失，惩罚预测形变场的过大梯度，鼓励平滑解，复合结构连续体力学的基本特征。\nabla表示空间梯度算子。L_{\mathrm{t}\mathrm{v}}=\mathrm{1}/N\sum (\left|{\nabla }_x{y}_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}\right|+|{\nabla }_y{y}_{\mathrm{p}\mathrm{r}\mathrm{e}\mathrm{d}}|)，为总变分函数，有助于在保持平滑的同时保留必要的边缘。{\lambda }_{\mathrm{1}}、{\lambda }_{\mathrm{2}}为权衡超参数，经网格搜索分别设置为0.01和0.001。该复合损失函数迫使模型在拟合数据的同时，其输出遵循预设的物理先验，增强了模型的可解释性与泛化能力。

2 案例分析

2.1 研究区概况

西安奥体中心主体育场为2021年第十四届全国运动会开、闭幕式及田径比赛的主场馆，是一座复杂大跨度空间钢桁架结构，总建筑面积15.63万m²，可容纳6万名观众。该结构造型复杂，主体由96根钢柱支撑，罩棚最大悬挑长度达40 m。结构跨度大、受力复杂，在施工和使用过程中易产生不均匀沉降和变形，因此对其进行精确形变监测至关重要（图4）。

本研究以西安奥体中心主体育场为实验区，收集了其施工阶段（2019年3月—2019年12月）和运营初期（2020年7月—2020年12月）的形变监测数据。监测点布局覆盖关键受力区域，包括主体桁架、悬挑罩棚和支座等部位，共计布置位移传感器48个，应变传感器126个。

2.2 对比方法与评价指标

为全面评估模型性能，设置以下对比组：

（1）Group A：传统/经典方法：包括测量平差方法、小基线集（SBAS-InSAR）技术（使用GAMMA软件处理同期Sentinel-1A数据）。

（2）Group B：单一深度学习模型：包括CNN、Transformer。

（3）Group C：混合模型：包括CNN-LSTM、图卷积网络（GCN，将传感器网络拓扑关系建模为图，使用PyTorch Geometric实现），以及本文模型（CNN-Transformer）。

为了进一步评估CNN-Transformer模型的预测性能，本文采用平均绝对误差（MAE）、均方根误差（RMSE）、决定系数（R²）共计3个指标展开对CNN-Transformer模型预测精度展开评价。

MAE=\frac{\mathrm{1}}{n}{\sum }_{i=\mathrm{1}}^n|{\widehat{y}}_i-y_i|（3）

RMSE=\sqrt[]{\frac{\mathrm{1}}{n}{\sum }_{i=\mathrm{1}}^n({\widehat{y}}_i-y_i{)}^{\mathrm{2}}}（4）

R^{\mathrm{2}}=\mathrm{1}-\frac{{\sum }_{i=\mathrm{1}}^n(y_i-{\widehat{y}}_i{)}^{\mathrm{2}}}{{\sum }_{i=\mathrm{1}}^n(y_i-{\overline{y}}_i{)}^{\mathrm{2}}}（5）

式中：n代表数据个数；y_i为第i个数据实测值；y_i表示第i个数据的预测值。MAE、RMSE的值越小，R² 的值越接近1，表明模型预测精度越高。

2.3 实验设计

实验分为三个部分：首先，对比不同模型在测试集上的整体性能；其次，分析模型在不同形变模式（均匀沉降、不均匀沉降、翘曲变形）下的表现；最后，进行消融实验，验证混合模型中各组件（CNN分支、Transformer分支、数据预处理、复合损失函数）的作用。所有实验均采用相同的数据集和划分方式，在相同硬件环境下进行，以确保结果的可比性。

3 结果与分析

3.1 不同模型性能对比

各模型在测试集上的性能对比如表2所示。本文提出的CNN-Transformer混合模型在所有评价指标上均表现最佳，RMSE低至0.82 mm，MAE为0.63 mm，平均精度达到96.2%，R²为0.981，为检验性能优势的统计显著性，我们对本文模型与各对比模型在测试集上产生的预测误差序列进行了独立样本t检验。结果表明，本文模型的预测误差显著低于所有对比模型（p<0.01），证明了其性能优势的非偶然性。引入环境温湿度数据后，模型在温度骤变日期的预测稳定性提升了约7%，表明多源信息融合对提升模型鲁棒性具有积极意义。

从表2可以看出，深度学习方法整体优于传统测量平差方法，证明深度学习在捕捉复杂非线性形变关系方面的优势。在单一模型对比中，Transformer模型表现优于CNN模型，这可能是因为自注意力机制能更有效地捕捉形变场中的长程依赖关系。CNN-LSTM混合模型性能优于单一模型，但仍不及本文提出的CNN-Transformer混合模型，这表明并行混合架构在特征提取方面更具优势。

3.2 不同形变模式下的性能分析

为进一步验证模型在不同形变模式下的性能，将测试集划分为均匀沉降、不均匀沉降和翘曲变形三种典型模式，分别评估各模型表现，如表3所示，结果表明：所有模型在均匀沉降模式下表现最佳，而在翘曲变形模式下误差最大，这与翘曲变形的复杂性一致。本文提出的混合模型在三种形变模式下均表现最优，特别是在不均匀沉降和翘曲变形模式下，RMSE比次优模型分别降低22.3%和22.2%，证明混合模型能有效应对复杂形变模式。

3.3 消融实验分析

为验证混合模型中各组件的贡献，设计了消融实验，结果如表4所示，结果表明：移除CNN分支或Transformer分支均会导致性能下降，其中移除CNN分支使RMSE增加45.1%，移除Transformer分支使RMSE增加74.4%，证明两个分支在模型中都发挥重要作用，且Transformer分支贡献略大于CNN分支。移除复合损失函数中的物理约束项（L_physics）或总变分项（L_tv），RMSE分别上升至0.95 mm和0.89 mm，特别是物理约束项的移除导致在形变梯度较大区域出现非物理振荡，这印证了物理先验嵌入的有效性与必要性。此外，数据预处理和复合损失函数也对模型性能有积极影响。

3.4 可视化分析与启示

图5（a）展示的变形实际监测值，特别是物理约束项的移除导致在形变梯度较大区域出现非物理振荡，这印证了物理先验嵌入的有效性与必要性。可以看出，模型成功预测了该区域在2023年3月至5月期间的累计沉降模式（图5（b）），最大形变发生在悬挑端部为-9.565 mm，与实际监测值高度一致（图5（c））。残差分析（图5（d））表明，模型预测误差主要集中在结构边缘区域，这些区域形变梯度较大，且监测数据相对稀疏。而在结构主体区域，预测残差普遍低于0.5 mm。同时发现，高注意力权重显著集中在悬挑端部、与主体桁架连接处等关键受力部位。这直观表明，模型在决策时“学会”了重点关注这些力学敏感区域，其内部工作机制与结构工程经验相符，极大增强了模型的可解释性与工程人员的信任度。

3.5 混合模型优势分析

CNN-Transformer混合模型性能卓越，其内在机理可归结于：第一，物理引导的并联架构精准对应了大型结构形变的物理本质。消融实验（表4）显示，Transformer分支的贡献度（移除后RMSE增加74.4%）大于CNN分支（移除后RMSE增加45.1%），这印证了对于西安奥体中心此类大跨度空间结构，形变场的全局关联性是比局部非线性更为主导的物理机制，而Transformer模型在此方面具有天然优势。其二，模型具备强大的非线性建模能力。传统形变分析方法往往依赖于线性或经验模型，难以准确描述复杂环境耦合作用下的结构响应。而深度学习模型通过多层次非线性变换，能够建立从多源监测数据到形变场的复杂映射关系，提高预测精度。其三，模型具有良好的泛化能力。训练完成后，模型可快速对新监测数据进行形变预测，如前所述，单次推理时间仅28ms，满足分钟级甚至更高频率的实时监测需求。结合现有的物联网（IoT）架构，本模型可部署于场站边缘服务器或云端。一个可行的工程部署方案是：边缘端（如现场工控机）负责数据采集、预处理与模型轻量化推理，实现快速预警；云端负责模型再训练、更新与大数据分析。未来通过模型剪枝、量化等技术，可进一步压缩模型，适配资源受限的边缘设备。

4 结论

（1） 提出的CNN-Transformer混合模型，通过物理引导的双流架构与自适应注意力融合，有效统一了形变监测的“局部精细特征捕捉”与“全局长程依赖建模”双重需求，在西安奥体中心案例中实现了亚毫米级监测精度（RMSE=0.82mm），性能显著优于所有对比方法。

（2） 本研究实践了“物理先验+数据驱动”的智能测绘模型构建范式，为解决类似复杂时空反演问题提供了新技术路径。

（3） 该技术框架具备向桥梁、大坝等重大基础设施安全运维领域推广的潜力。CNN-Transformer的混合架构为解决测绘遥感中普遍存在的“局部-全局”特征权衡问题提供了普适性思路，可推广至地质灾害识别、城市沉降监测等场景。

本研究不仅验证了一个高效模型，更展示了一种“多源数据+混合AI”的智能测绘新范式。模型成功地将不同时空分辨率的InSAR与传感器数据进行融合，证明了异质测绘数据在AI框架下可实现互补与增强。未来需引入时序Transformer或3D CNN，实现对动态荷载（如风振、人群活动）下结构动力响应的实时感知。将平衡微分方程作为约束引入损失函数，通过迁移学习验证模型在不同结构类型间的泛化能力。

参考文献

[1] 祝安龙，答子虔，刘建友，等.京张高铁八达岭长城站结构安全智能监测技术［J］.铁道标准设计，2020，64（1）：94-98.

[2] ZHU Anlong， Ziqian DA， LIU Jianyou， et al. Intelligent monitoring of structural safety of badaling Great Wall Station on Beijing-Zhangjiakou High-speed Railway［J］. 2020， 64（1）： 94-98.

[3] 刘彦伟，彭洁，任连伟，等.基于CEEMDAN-SSA-ELM-LSTM模型的地铁车站深基坑支护桩水平变形预测［J］.防灾减灾工程学报， 2025， 45 （1）： 34-46.

[4] LIU Yanwei， PENG Jie， REN Lianwei， et al. Horizontal deformation prediction of retaining piles for deep foundation pit of subway station based on CEEMDAN-SSA-ELM-LSTM Model ［J］. Journal of Disaster Prevention and Mitigation Engineering， 2025， 45（1）： 34-46.

[5] 于瀚洋，蓝朝桢，王龙号，等.多模态遥感影像匹配的深度学习研究进展与趋势［J］. 地球信息科学学报， 2025， 27 （8）： 1896-1919.

[6] YU Hanyang， LAN Chaozhen， WANG Longhao， et al. Research progress and trends in deep learning for multi-modal remote sensing image matching ［J］. Journal of Geo-information Science， 2025， 27（08）： 1896-1919.

[7] 宋锦焘，安辰策，杨杰，等.基于GNSS和深度学习融合的水利工程边坡变形预测方法研究［J］.水资源与水工程学报， 2025， 36 （1）： 129-137.

[8] SONG Jintao， AN Chence， YANG Jie， et al. A deformation prediction method for hydraulic engineering slopes based on the fusion of GNSS and deep learning ［J］. Journal of Water Resources and Water Engineering， 2025， 36（1）： 129-137.

[9] 高富强，刘文举.基于激光扫描和深度学习的锚杆群受力测量原理与技术［J］.煤炭学报，2026，51（2）：994-1006.

[10] GAO Fuqiang， LIU Wenju. Laser scanning and deep learning-based measurement methods and techniques for forces of rock bolt groups［J］. Journal of China Coal Society，2026，51（2）：994-1006..

[11] 杨鑫，潘妍靓，陈慧建，等.三维激光扫描在地铁结构病害治理及变形监测中的应用分析［J］.测绘与空间地理信息， 2025 （9）：175-177.

[12] YANG Xin， PAN Yanliang， CHEN Huijiang， et al. Application analysis of 3D laser scanning in disease treatment and deformation monitoring of subway structures［J］. Geomatics & Spatial Information Technology， 2025 （9）： 175-177.

[13] 刘舸，邓兴升.结合深度学习和图割法的遥感影像建筑物检测［J］. 测绘通报， 2019 （11）： 69-73.

[14] LIU Ge， DENG Xingsheng. Building detection from remote sensing images combining deep learning and graph cuts ［J］. Bulletin of Surveying and Mapping， 2019 （11）： 69-73.

[15] 刘玲，王国锋，李建成，等.基于对象分析策略的航空激光扫描数据建筑物自动提取方法［J］.长安大学学报（自然科学版），2015，35（S1）：135-139.

[16] LIU Ling， WANG Guofeng， LI Jiancheng， et al. Building extraction method of airborne laser scanning based on object analysis strategy［J］. Journal of Chang' an University （Natural Science Edition）， 2015， 35（S1）：135-139.

[17] 欧祝明，蒋陆乐，谢剑，等.基于迁移学习的深基坑变形预测模型［J］. 浙江工业大学学报， 2025， 53 （4）： 392-398.

[18] Zhuming OU， JIANG Lule， XIE Jian， et al. A deformation prediction model for deep foundation pits based on transfer learning ［J］. Journal of Zhejiang University of Technology， 2025， 53（4）： 392-398.

[19] 苏晓军，许增光，张野，等.基于深度学习模型的混凝土坝变形预测研究［J］.人民黄河， 2025， 47 （7）：144-149，155.

[20] SU Xiaojun， XU Zengguang， ZHANG Ye， et al. Research on concrete dam deformation prediction based on deep learning model ［J］. Yellow River， 2025， 47（7）：144-149，155.

[21] 黄雨，刘侃侃，程天笑，等.基于时间融合Transformer的港池基坑开挖诱发形变的智能预测模型［J］. 应用基础与工程科学学报， 2025， 33（5）： 1287-1296.

[22] HUANG Yu， LIU Kankan， CHENG Tianxiao， et al. Intelligent prediction model for deformation induced by excavation of harbor foundation pit based on temporal fusion transformer［J］. Journal of Basic Science and Engineering， 2025， 33（5）： 1287-1296.

[23] 钟桥俊，赵二峰，胡灵芝，等.基于ACNN-VAR的特高拱坝变形深度学习预测模型［J］. 水电能源科学， 2025， 43 （4）： 163-167.

[24] ZHONG Qiaojun， ZHAO Erfeng， HU Lingzhi， et al. A deep learning prediction model for ultra-high arch dam deformation based on ACNN-VAR ［J］. Water Resources and Power， 2025， 43（4）： 163-167.

[25] 伊廷婧汶，黄才生，覃勇，等.基于北斗监测数据的高陡边坡变形Transformer-CNN预测模型［J］.重庆大学学报，2025，48（10）：81-94.

[26] YI Tingjingwen， HUANG Caisheng， QIN Yong， et al. Transformer-CNN prediction model of high and steep slope deformation based on Bedidou detection data［J］. Journal of Chongqing University， 2025，48（10）：81-94.

[27] 詹涛，黄浩.基于盾构施工进程与时空因素的临近建筑物沉降预测研究［J］.土木工程学报，2024，57（S1）：117-121.

[28] ZHAN Tao， HUANG Hao. Research on settlement prediction of adjacent buildings based on shield construction process and space-time factors［J］. China Civil Engineering Journal， 2024，57（S1）：117-121.

[29] 艾星星，刘兴阳，仇建春，等.考虑动态时空关联特性的混凝土坝变形深度学习模型［J］.中国农村水利水电， 2025， （12）： 47-54.

[30] AI Xingxing， LIU Xingyang， QIU Jianchun， et al. A deep learning model for concrete dam deformation considering dynamic spatiotemporal correlation Characteristics ［J］. China Rural Water and Hydropower， 2025， （12）： 47-54.

[31] 刘红波，杨智锋，周婷，等.基于Revit二次开发与深度学习的钢框架节点智能审图［J］.建筑结构学报，2024，45（7）：43-55.

[32] LIU Hongbo， YANG Zhifeng， ZHOU Ting，et al. Intelligent drawing review of steel frame structure joints based on revit secondary development and deep learning［J］. Journal of Building Structures， 2024，45（7）：43-55.

[33] 向镇洋，包腾飞，白妍丽，等. 基于混合注意力机制和深度学习的大坝变形预测模型［J］. 水利水电科技进展， 2023， 43 （2）： 96-101.

[34] XIANG Zhenyang， BAO Tengfei， BAI Yanli， et al. A dam deformation prediction model based on hybrid attention mechanism and deep learning ［J］. Advances in Science and Technology of Water Resources， 2023， 43（2）： 96-101.

[35] 贾培军，樊改荣.某大型体育场馆开合屋盖变形监测及分析［J］.山西建筑，2018，44（1）：57-59.

[36] JIA Peijun， FAN Gairong. Deformation monitoring and analysis of the retractable roof of a large stadium ［J］. Shanxi Architecture， 2018， 44（1）： 57-59.

[37] 蔡桉，郑东健.基于自适应分解与时序特征融合的大坝变形智能预测模型［J］.南水北调与水利科技（中英文），2026，24（1）：261-272 .

[38] CAI An， ZHENG Dongjian. Intelligent prediction model for dam deformation based on adaptive decomposition and temporal feature fusion［J］. South-to-North Water Transfers and Water Science & Technology，2026，24（1）：261-272.

[39] 张玉民，王恩东.基于可解释性的大坝变形监控模型对比分析［J］.水利科技与经济， 2025， 31 （8）： 79-83，90.

[40] ZHANG Yuming， WANG Endong. Comparative analysis of dam deformation monitoring models based on interpretability ［J］. Water Conservancy Science and Technology and Economy， 2025， 31（8）： 79-83，90.

[41] 刘桓辰，朱静，郭梦京. 融合特征因子筛选的拱坝变形深度学习预测模型［J］. 水利水电技术（中英文）， 2025， 56 （3）： 123-134.

[42] LIU Huanchen， ZHU Jing， GUO Mengjing. A deep learning prediction model for arch dam deformation integrating characteristic factor screening ［J］. Water Resources and Hydropower Engineering， 2025， 56（3）： 123-134.

[43] 高涛 ．融合降噪处理与深度学习的边坡变形混合预测模型研究［J/OL］．施工技术（中英文）. （2024-5-16）［2025-10-31］.

[44] GAO Tao. Hybrid prediction model for slope deformation by integrating gaussian-filter and deepAR［J/OL］.Construction Technology， （2024-5-16）［2025-10-31］.

基金资助

国家自然科学基金(51608419)

陕西省自然科学基金(2025JC-YBMS-316)