极端复杂条件下水电站大坝变形的生成式智能分析

Generative Intelligence Analysis of Dam Deformation in Hydropower Stations Under Extremely Complex Conditions

摘要

针对地处高山峡谷的水力发电设施在长期运行过程中遇到极端复杂条件下结构变形的国际前沿问题，在对水电站大坝变形特性成因分析以及水电站大坝长期运行特性研究的基础上，结合近十年来多维度实时监测传感网络获取的水电站大坝基础设施变形数据，提出了一种基于大语言模型（LLM）与马尔可夫概率逻辑生成式神经网络相结合的生成式智能分析方法。利用大语言模型的强大语义理解和生成能力，优化了水电站大坝变形数据的特征提取和相关性分析，提升了模型对复杂条件下多因素相互作用的准确性。该方法应用于大渡河瀑布沟水电站大坝基础设施受极端天气、地质灾害及大渡河湍流突变等复杂条件影响下的大坝主体工程以及特殊骨架和大型装置的位移等潜在重大隐患问题的精准预测预报。大量实验验证表明，极端复杂条件下，结合大语言模型和知识图谱的马尔可夫概率逻辑生成式神经网络可以准确识别水电站大坝基础设施不均匀的变形特性，并能挖掘大坝各部位因内力相互作用在形变过程中的互相影响。通过与知识图嵌入方法进行比较，准确率存在较为明显的提升。该方法为我国后续水电站修建过程中结构设计以及各部位材料选取提供了参考。

Abstract

Aiming at the international frontier issue of structural deformation in hydropower facilities located in high mountains and valleys under extremely complex conditions during long-term operation, and based on the analysis of the causes of dam deformation characteristics and the study of the long-term operational characteristics of hydropower station dams, a generative intelligent analysis method combining large language models (LLMs) with Markov probabilistic logic generative neural networks has been proposed. This method leverages the powerful semantic understanding and generative capabilities of LLMs to optimize the feature extraction and correlation analysis of hydropower station dam deformation data, thereby enhancing the model accuracy in addressing the complex interactions of multiple factors under extreme conditions. This method was applied to the main project of the Dadu River Pubugou Hydropower Station dam infrastructure, which is affected by extreme weather, geological disasters, and sudden changes in turbulent flow of the Dadu River. It is used for the precise prediction and early warning of potential major hazards, such as the displacement of the dam’s main structure, special skeletons, and large-scale equipment. Extensive experimental verification has shown that under extremely complex conditions, the Markov probabilistic logic generative neural network combined with large language models and knowledge graphs can accurately identify the non-uniform deformation characteristics of hydropower station dam infrastructure and uncover the interrelationships between the deformation processes of various dam parts due to internal force interactions. Compared with the knowledge graph embedding methods, the overall accuracy of the results was significantly improved. This breakthrough provides a reference for the structural design and material selection of various parts for constructing of future hydropower stations in China.

关键词

大语言模型 / 知识图谱 / 马尔可夫概率 / 水电站基础设施 / 极端复杂条件 / 生成式智能 / 传感网络 / 知识图嵌入

Key words

large language model / knowledge graph / Markov probability / hydropower station infrastructure / extremely complex conditions / generative intelligence / sensor network / knowledge graph embedding

0　 引 言

能源安全是关系到我国国民经济健康有序发展的重要问题，水力发电基础设施的安全运行直接影响着能源安全，如何精准地预测水电站基础设施存在的安全隐患成为各国学术界研究的热点^[1]。

水电站基础设施变形特性分析方法是预测中常用的方法，它可分为两大类：一类是数值模拟计算方法，另一类是以深度学习为代表的人工智能方法。

基于数值模拟计算方法的水电站变形特性检测最早多采用人工方式，主要通过人工近距离目测方法^[2]。随着检测技术的发展，机器技术的应用更加广泛。如，智斌等^[3]研究了混凝土形变深度无损检测技术，该技术检测精度高、震源稳定，且检测过程不受缝中填充物、缝中充水以及混凝土中配筋等因素的影响，适用于深度较大的大体积混凝土坝。姜福田等^[4]讨论了使用超声波技术检测大坝混凝土表面形变深度的方法，证实了超声波检测方法的可靠性和准确性，在实际工程应用中为大坝安全检测提供了重要支持。程彬等^[5]讨论了利用数字图像处理技术测量混凝土结构表面裂缝宽度的方法，并验证了该方法可提高现场检测效率和数据精确性，特别适合于恶劣环境下的应用。数值模拟计算方法虽然可以对水电站基础设施变形特性进行预测，但需要大量的人工操作，且耗时较长，精度一般。

随着深度学习和图像识别技术的发展，现今水电站基础设施变形特性分析多基于深度学习方法展开研究。Prasanna等^[6]提出了STRUM算法，利用机器学习和鲁棒曲线拟合定位实现了高精度的混凝土裂痕检测。针对混凝土缝隙形变，Feng等^[7]利用深度卷积网络提出了一种像素级的检测方法,同时可以利用周禹宣等^[8]提出的时序数据预测方法来对形变趋势进行预测。黄贲等^[9]提出了一种基于深度学习图像识别的YOLO系列算法的混凝土坝形变实时检测方法YOLOX-DCD，利用无人机拍摄的大坝裂缝形变图像及视频，通过添加卷积注意力机制和使用完全交并比损失函数，提高了网络的检测性能和精度。欧斌等^[10]利用LSTM（Long Short-Term Memory）搭建混凝土坝变形预测模型，预测结果相较以往得以显著提升。陈波等^[11]提出严寒混凝土坝预测预报模型，将修正的凯文模型与边界元方法相结合，实现了在严寒地域大坝变形的综合分析。

目前，各种混凝土坝形变分析方法多为先预测后预警，此类方法虽然实现了较高的预测精度，但并未考虑形变成因的深层次分析，不能为水电站修建初期的结构设计以及材料选取等关键决策提供有效参考。结合大语言模型和神经网络的生成式方法在解决上述问题中具有显著优势。大语言模型能够进行深入的语义理解，捕捉形变与影响因素之间的复杂关系；而神经网络则能够通过大量历史数据进行有效的特征提取和模式识别。这种结合不仅可以更全面地分析变形成因，还能挖掘潜在的因果关系，为水电站的结构设计和材料选择提供更加科学的依据。然而由于数据需求高、计算复杂等问题这些模型应用于水电站领域的研究仍处于初级阶段。因此，本文从大渡河瀑布沟水电站实时监测网络提取不同时间大坝各个测点部位相较于基准点的形变以及水电站实时温度，针对水电站基础设施形变问题提出了结合大语言模型和马尔可夫概率逻辑生成式神经网络的生成式分析方法。该方法包含水电站大坝基础设施变形特性识别、变形范围预测以及关联关系隐藏三元组挖掘三大模块。不同于以往针对形变进行预测预警的方法，本文通过执果求因对水电站基础设施各测点形变特性关系进行识别，并对各测点形变之间的关系做出判断,为后续水电站针对大灾建立长效保护机制提供了参考。

1　 问题描述

我国近些年在西南地区开发了许多优质水能资源，一大批混凝土坝已投运或正在建设中，这些混凝土坝修建于高山峡谷中，地质条件复杂，使得建筑结构面临着高海拔大气压力变化、地质滑移等自然因素影响^[12]，且水电站设计寿命较长，在其长期运行过程中会受到环境侵蚀造成的材料结构老化以及长期高温所带来的热膨胀等问题，水电站大坝各部位会随时间推移产生形变。由于大坝所受种种自然环境影响时刻变化，是一个极其复杂的系统，故称水电站大坝处于极端复杂条件。通过对混凝土坝的变形特性进行分析，特别是分析当地高温等自然因素对大坝变形的影响，可以为大坝修建过程中结构设计以及各部位材料选取提供参考，给水电站长期稳定运行提供保障。

大渡河瀑布沟水电站大坝处于上述极端复杂条件下，本文将以该水电站监测系统的实时采集数据为基础，通过本文所提出的生成式神经网络识别瀑布沟水电站基础设施的形变特性，并挖掘大坝各部位因内力相互作用在形变过程中的互相影响关系。

2　 方法原理

本节介绍了用于分析水电站异常情况的三个关键技术。首先是实时监测网络的搭建，通过分布于大坝不同部位的传感器和通信设备收集位移、形变等数据构建一个复杂的监测网络对大坝各部位实施状况进行监测；然后是马尔可夫概率逻辑生成式神经网络的结构和应用，通过将大坝位移、形变和地壳运动数据相结合，以三元组的形式进行联合分布建模，并通过变分期望最大化算法进行训练；最后是BERT（Bidirectional Encoder Representations from Transformers）模型在智能分析方法中的优化，通过大语言模型与水电站监测数据以及马尔可夫概率逻辑神经网络相结合，提高网络对变形数据的理解能力以及对复杂因素关联性的挖掘能力，为大坝形变分析提供更高精度的预测和推理支持。

2.1　实时监测网络的搭建

实时监测网络由大规模分布于大坝坝顶、坝体、尾水平台等主要监测目标的传感器以及网关和通信设备组成。针对大渡河水电站的每个监测单位，结合大坝的结构特点以及环境影响，以实际监测目标为基准纵向或横向均匀设置多个激光测点，以全方位精准地获取测点位置的大坝位移。考虑到监测传感器规模较大所带来的复杂性和数据量大的特点，在每个监测单位的监测点集中区域部署一个网关，收集传感器节点数据并将所收集数据输入数据中心，实现数据快速高效传输。

针对大渡河瀑布沟水电站地处高山峡谷所造成的地形复杂、环境恶劣等问题，实时监测网络的通信设施采用长距离传输能力强且功耗低的LoRaWAN，可有效解决通信距离远以及工作周期短的问题；LoRaWAN内置端到端加密，可以确保大坝数据的安全性。

在构造监测网络同时，进行了备份通信路径、增设网关节点等冗余设计，以确保某部分监测网络发生故障时整体系统可以正常运行。

2.2　马尔可夫概率逻辑生成式神经网络

马尔可夫概率逻辑生成式神经网络由马尔可夫概率网络（MLN）和知识图嵌入（KGE）联合组成，它定义了一组三元组的联合分布，使用马尔可夫逻辑网络关联每个逻辑规则与一个权重，并可以通过变分EM算法进行有效训练。在变分E步骤中，使用知识图嵌入模型对每个三元组进行独立建模，并通过均场近似和摊余推断估计其后验分布。在M步骤中，通过优化伪似然函数更新逻辑规则的权重，该伪似然函数定义在已观察到的三元组和预期推断的隐藏三元组上。在实际应用上，给定知识图(E,R,O),其中，E指代实体测点，包含坝体水压测点、水位测点、温湿度测点、大坝流量测点、位移测点、岩压测点等水电站各部位指标测点；R指代测点之间的关系集合，包含应力传递关系、应变传导关系、荷载转移关系、冲击效应等衡量测点之间存在的互相影响关系；O代表已观测到的三元组(h,r,t)集合，三元组(h,r,t)即为实体h与实体t之间存在关系r^[13]。

2.2.1　马尔可夫概率网络

在马尔可夫概率网络中，通过设计马尔可夫网络定义观察到的和隐藏的三元组的联合分布，其中势函数由一阶逻辑定义,一阶逻辑规则包含组成规则、逆规则和对称规则等。对于每一个规则l可以实例化为一个对应情况G_l，马尔可夫逻辑网络为每个规则l引入了一个权值w_l，所有三元组的联合分布如下：

p^{\mathrm{L}}(v_{\mathrm{O}},v_{\mathrm{H}})=\frac{\mathrm{1}}{z}\mathrm{e}\mathrm{x}\mathrm{p}(\sum _{l\in L}{w}_l{n}_l(v_O,v_H))(1)

其中，p^{\mathrm{L}}(v_{\mathrm{O}},v_{\mathrm{H}})是已观测实事v_{\mathrm{O}}和隐藏事实v_{\mathrm{H}}的联合概率分布；\frac{\mathrm{1}}{z}是规范化因子，确保所有概率值之和为1；n_l是基于v_{\mathrm{O}}和v_{\mathrm{H}}的逻辑规则真值。根据此规则，预测三元组可转变为推导后验分布p^{\mathrm{L}}(v_{\mathrm{O}}|v_{\mathrm{H}})。

2.2.2　知识图嵌入

与基于逻辑规则方法不同的，知识图嵌入方法利用观察到的事实v_{\mathrm{O}}学习实体和关系的嵌入，然后用学习到的实体和关系嵌入预测缺失的三元组。形式上，每个实体e\in E和关系r\in R与嵌入x_e和x_r关联，联合分布被定义如下：

p^{\mathrm{K}}(v_{\mathrm{O}},v_{\mathrm{H}})=\prod _{(h,r,t)\in O\bigcup U}\mathrm{B}\mathrm{e}\mathrm{r}(v_{(h,r,t)}|f(x_h,x_r,x_t))(2)

其中，\mathrm{B}\mathrm{e}\mathrm{r}代表伯努利分布，f(x_h,x_r,x_t)计算了三元组为真的概率，f(·,·,·)代表针对实体与关系嵌入的评分算法，该算法根据不同的知识图嵌入而不同。

2.2.3　变分EM

马尔可夫概率逻辑神经网络用马尔可夫逻辑网络制定了所有三元组的联合分布，该网络由变分EM算法训练，在变分E步骤和M步骤之间交替。在变分E步骤中，采用知识图嵌入模型推断缺失的三元组，在此过程中，逻辑规则所保留的知识可以有效地提取到学习到的嵌入中。在M步骤中，根据观察到的三元组值和知识图嵌入模型推断的权值对逻辑规则的权值进行更新，这样知识图嵌入模型就为权值学习提供了额外的监督。

给定一组一阶逻辑规则，使用一个马尔可夫逻辑网络对已观测和隐藏的三元组的联合分布进行建模：

p_w(v_{\mathrm{O}},v_{\mathrm{H}})=\frac{\mathrm{1}}{z}\mathrm{e}\mathrm{x}\mathrm{p}(\sum _l{w}_l{n}_l(v_O,v_H))(3)

p_w(v_{\mathrm{O}},v_{\mathrm{H}})表示在给定权重w的情况下，观测到的变量v_{\mathrm{O}}和隐藏变量v_{\mathrm{H}}的联合概率分布。该模型可以通过最大化已观测指标变量的对数似然值进行训练，即\mathrm{l}\mathrm{o}\mathrm{g}{p}_w(v_{\mathrm{O}})。但整合所有隐藏的指标变量v_{\mathrm{H}}不可行，故不能直接优化该对数似然值，因此对对数似然函数的证据下界(ELBO)进行优化，公式如下：

\mathrm{l}\mathrm{o}\mathrm{g}{p}_w(v_{\mathrm{O}})\ge E_{q_{\theta }(v_{\mathrm{H}})}[\mathrm{l}\mathrm{o}\mathrm{g}{p}_w(v_{\mathrm{O}},v_{\mathrm{H}})-\mathrm{l}\mathrm{o}\mathrm{g}{q}_w(v_{\mathrm{H}})](4)

其中，E_{q_{\theta }(v_{\mathrm{H}})}[\cdot ]是分布q_{\theta }(v_{\mathrm{H}})的期望。q_{\theta }(v_{\mathrm{H}})等于真实的后验分布p_w(v_{\mathrm{O}}|v_{\mathrm{H}})时该方程成立。利用变分EM算法有效地优化该下界。

2.2.4　变分E步骤

变分EM中的E步骤也被称作推理步骤，此步骤旨在推导后验分布p_w(v_{\mathrm{O}}|v_{\mathrm{H}})，因为该后验分布较难准确推导，故利用q_{\theta }(v_{\mathrm{H}})近似p_w(v_{\mathrm{O}}|v_{\mathrm{H}})。为了进一步改进推断，使用均场近似和摊余推断及知识图嵌入模型对q_{\theta }(v_{(h,r,t)})进行参数化。形式上，q_{\theta }(v_{\mathrm{H}})的推导公式如下：

q_{\theta }(v_{\mathrm{H}})=\prod _{(h,r,t)\in H}{q}_{\theta }(v_{(h,r,t)})=\prod _{(h,r,t)\in H}\mathrm{B}\mathrm{e}\mathrm{r}(v_{(h,r,t)}|f(x_h,x_r,x_t))(5)

通过最小化变分分布q_{\theta }(v_{\mathrm{H}})与真实后验p_w(v_{\mathrm{O}}|v_{\mathrm{H}})之间的KL散度，最优的q_{\theta }(v_{\mathrm{H}})由不动点条件给出：

\mathrm{l}\mathrm{o}\mathrm{g}{q}_{\theta }(v_{(h,r,t)})=E_{q_{\theta }(v_{\mathrm{M}\mathrm{B}(h,r,t)})}[\mathrm{l}\mathrm{o}\mathrm{g}{p}_w(v_{(h,r,t)}|v_{\mathrm{M}\mathrm{B}(h,r,t)})](6)

其中\mathrm{M}\mathrm{B}(h,r,t)是(h,r,t)的马尔可夫毯。以p_w(v_{\mathrm{O}}|v_{\mathrm{H}})为目标更新q_{\theta }，有以下目标函数：

O_{\theta ,U}=\sum _{(h,r,t)\in O}{E}_{p_w(v_{(h,r,t)}|v_{MB}(h,r,t))}[\mathrm{l}\mathrm{o}\mathrm{g}{q}_{\theta }(v_{(h,r,t)})](7)

其中，O_{\theta ,U}用于优化隐藏三元组集合H上的近似后验分布q_{\theta }(v_{(h,r,t)})的参数\theta。以已观测三元组为实例增强模型，有以下目标函数：

O_{\theta ,L}=\sum _{(h,r,t)\in O}\mathrm{l}\mathrm{o}\mathrm{g}{q}_{\theta }(v_{(h,r,t)}=\mathrm{1})(8)

O_{\theta ,L}用于强化模型对已知事实的学习。最终目标函数为O_{\theta }=O_{\theta ,U}+O_{\theta ,L}。

2.2.5　变分M步骤

变分EM中的M步骤也称为学习步骤，在此步骤中将修正q_{\theta }，并通过最大化对数似然函数更新逻辑规则w的权值，即E_{q_{\theta }(v_H)}。但由于需要处理配分函数，直接优化对数似然函数较困难，因此转而优化条件分布期望E_{q_{\theta }(v_H)}[\mathrm{l}\mathrm{o}\mathrm{g}{p}_w(v_{(h,r,t)}|v_{\mathrm{M}\mathrm{B}(h,r,t)})]。

利用梯度下降算法优化w，对于每个条件分布期望E_{q_{\theta }(v_H)}[\mathrm{l}\mathrm{o}\mathrm{g}{p}_w(v_{(h,r,t)}|v_{\mathrm{M}\mathrm{B}(h,r,t)})]，假设v_{(h,r,t)}通过一系列规则与v_{\mathrm{M}\mathrm{B}(h,r,t)}相交互，每个规则l的导数w_l计算如下：

{\nabla }_{w_l}{E}_{q_{\theta }(v_H)}[\mathrm{l}\mathrm{o}\mathrm{g}{p}_w(v_{(h,r,t)}|v_{\mathrm{M}\mathrm{B}(h,r,t)})]\cong y_{(h,r,t)}-p_w(v_{(h,r,t)}=\mathrm{1}|v_{\mathrm{M}\mathrm{B}(h,r,t)})(9)

其中，{\nabla }_{w_l}是关于逻辑规则l的权重w_l的梯度。通过比较模型预测值和观测值，逐步调整规则权重，从而在变分推断过程中增强模型对逻辑规则和数据的综合建模能力。

2.3　BERT模型在智能分析方法中应用与优化

2.3.1　模型概述

BERT是一个基于Transformer架构的预训练语言模型，通过对上下文的双向编码完成语义理解、信息提取等任务。BERT的核心特性是通过双向注意力机制捕捉到上下文间的深层关系，因此可以完成文本分类、实体识别、系统问答等自然语言处理任务。

2.3.2　BERT模型与水电站监测数据的结合

在水电站变形监测中，传感器提供了包括位移、温度、湿度等大量的多模态数据，利用BERT模型的双向编码能力对这些多模态数据进行处理，通过其上下文捕捉能力识别传感器数据中的非线性变化趋势，协助模型更好地理解数据的潜在模式。

模型利用其独有的语义理解能力可以生成三元组推断未知关系，并通过上下文信息增强知识图谱，为马尔可夫概率逻辑生成式神经网络提供支持。在构建三元组时，通过BERT上下文建模能力识别水电站各监测点的位移、温度等多维度信息之间的潜在因果关系，利用其独有的语义理解能力协助生成三元组，推断未知关系。同时为了处理BERT模型生成三元组与事实不符导致的幻觉问题，在模型生成内容后，通过与历史三元组进行交叉核对协助验证生成三元组信息的准确性^[14]。给定监测点i的多模态数据X_i，通过BERT编码生成隐藏表示h_i=\mathrm{B}\mathrm{E}\mathrm{R}\mathrm{T}(X_i)，基于编码表示h_i和其他监测点表示h_j，定义三元组评分函数如下：

s(h_i,r,h_j)=f(h_i,r,h_j)=||h_i+r-h_j|{|}_{\mathrm{2}}(10)

其中，f(h_i,r,h_j)为三元组的得分。利用Sigmoid激活函数将评分值转化为概率p(h_i,r,h_j)=\sigma (s(h_i,r,h_j))，概率值越高，三元组成立的可能越大。在马尔可夫概率逻辑网络中通过引入BERT模型可以更准确地捕捉监测数据的深层语义特征，从而改善隐变量的优化过程，提高网络对复杂条件下水电站基础设施变形的预测和推理能力。

3　 实验及结果分析

3.1　数据及实验参数

本文实验数据集为水电站大坝的坝顶激光、水准、坝体垂线、测缝计等监测仪器的历年监测数据，共两个数据集。数据集1采用大坝各项目测点2013―2022年间每10天采集一次的数据，数据集2采用各项目测点2013―2022年间每年6月至9月汛期高温情况下逐日采集的数据。由于汛期伴随的强降雨、洪水和潜在的地质灾害，这些自然因素对大坝的结构安全产生重大影响，同时高温天气对建筑材料的热膨胀和老化效应也会加剧基础设施的变形问题，逐日的高频监测能够详细记录这些极端条件下的细微变化，因此数据集2所采集的数据具备极端复杂条件。利用此数据集分析各个项目之间以及项目与温度之间的皮尔逊相关系数以度量其关联关系强弱，基于大坝项目实体之间的皮尔逊系数构造三元组作为马尔可夫概率逻辑神经网络的训练数据集。本文使用的操作系统为Linux，GPU选用NVDIA RTX A5000，深度学习框架为pytorch1.7.0。马尔可夫概率逻辑生成式神经网络由马尔可夫网络和知识图嵌入两种模型方法融合构成，模型参数采用梯度下降法进行更新。本文的实验参数如表1所示。

3.2　实验结果及对比实验分析

分别采用基于TransE、DisMult、ComplEx三种KGE方法的马尔可夫概率逻辑神经网络进行训练，模型评估指标为MR(平均排名)、MRR(平均倒数排名)、Hit@1(前1命中率)、Hit@3(前3命中率)、Hit@10(前10命中率)，训练结果如表2所示。从表2中可以发现，两个数据集上采用DisMult知识图嵌入方法的马尔可夫概率逻辑神经网络相较于另外两种基于知识图嵌入的方法有着较好的平均排名和平均倒数排名，在预测质量上表现最好；在数据集1中，三种命中率指标方面，基于ComplEx的方法性能最好，说明该方法在预测准度和扩大搜索范围上存在优势。通过对比基于三种知识图嵌入方法的马尔可夫概率逻辑神经网络在数据集1和数据集2上训练的实验结果可以发现：模型在高温汛期极端复杂条件下的表现性能相较于正常情况下的性能会下滑，但三种命中率实验结果大部分大于50.0，说明本文所提出的马尔可夫概率逻辑神经网络有着较强的鲁棒性，可以适应外界自然地理复杂条件。

为了验证本实验所采用模型的有效性，在数据集1和数据集2基础上，使用本文基于TransE知识图嵌入方法的马尔可夫概率逻辑生成式神经网络与其他单独知识图嵌入模型进行比较，实验结果如表3所示。由表3所示，在大部分评测指标上，本文的生成式分析方法的结果数据优于另外5种单独知识图嵌入模型。本文所提模型实验结果在平均排名和平均倒数排名指标上表现优秀，命中率显著提升。对比这些模型在数据集1和数据集2上的实验结果可以发现：虽然在高温汛期极端复杂条件下这些模型的性能均有所下滑，但本文所提模型的下滑幅度明显更小且下滑后性能优于对比模型，说明本实验所采用模型的有效性和鲁棒性，本文所提方法更适用于水电站变形分析的实际应用场景。

4　 结 论

针对水电站基础设施长期运行中的变形特性问题，结合本文所提出的基于大语言模型和马尔可夫概率逻辑生成式神经网络的生成式智能分析方法，在对大坝坝顶激光、水准、坝体垂线、测缝计等监测仪器的历年监测数据进行生成式分析的基础上，所得结论如下：

1） 极端复杂条件下，本文所提出的结合大语言模型和马尔可夫概率逻辑神经网络的生成式智能分析方法可以准确识别水电站基础设施不均匀的变形特性，且具有较强的韧性。

2） 本文所提出的生成式分析方法相较于对比方法具有较好的预测质量和预测精度，在高温汛期等环境恶劣的情况下性能虽有所下滑但仍在理想范围内，具有较好的鲁棒性。

3） 实验结果表明，针对水电站基础设施变形特性分析，本文所提方法的准确率有着较大的提升。该方法为从形变成因分析的角度协助建设水电站的长效保护机制，为我国后续水电站修建过程中结构设计以及各部位材料选取提供了参考。

参考文献

[1] 王少伟， 包腾飞. 特高混凝土坝变形时变效应特征分析［J］. 常州大学学报（自然科学版）， 2018， 30（6）： 79-86. DOI： 10.3969/j.issn.2095-0411.2018.06.012 .

[2] WANG S W， BAO T F. Characteristic analysis of deformation time-varying effect of super high concrete dams［J］. Journal of Changzhou University （Natural Science Edition）， 2018， 30（6）： 79-86. DOI： 10.3969/j.issn.2095-0411.2018.06.012（Ch ）.

[3] 黄朝君， 杨小云， 夏杰. 丹江口初期工程大坝上游面水上裂缝检查与处理［J］. 人民长江， 2015， 46（6）： 45-48.DOI： 10.16232/j.cnki.1001-4179.2015.06.014 .

[4] HUANG C J， YANG X Y， XIA J. Inspection and treatment of overwater crack of upstream surface of first-stage project of Danjiangkou Dam［J］. Yangtze River， 2015， 46（6）： 45-48. DOI： 10.16232/j.cnki.1001-4179.2015.06.014（Ch ）.

[5] 智斌， 赵文波， 邓中俊，等.混凝土裂缝深度稳态表面波检测技术［C］//中国水利学会2019学术年会论文集第三分册， 2019： 241-245. DOI：10.26914/c.cnkihy.2019.097156 .

[6] ZHI B， ZHAO W B， DENG Z J， et al. Detection technology for concrete crack depth using steady-state surface waves ［C］//Proceedings of the 2019 Annual Conference of the Chinese Hydraulic Engineering Society， Volume 3. 2019： 241-245. DOI：10.26914/c.cnkihy.2019.097156（Ch ）.

[7] 姜福田， 陈冠明. 超声波检测大坝混凝土表面裂缝深度［J］. 水利水电技术， 1981， 12（8）： 55-58.

[8] JIANG F T， CHEN G M. Ultrasonic detection of crack depth on dam concrete surface［J］. Water Resources and Hydropower Engineering， 1981， 12（8）： 55-58 （Ch）.

[9] 程彬， 闫艺元. 基于数字图像处理的表面裂缝宽度测量［J］. 赤峰学院学报（自然科学版）， 2018， 34（10）：96-98. DOI：10.13398/j.cnki.issn1673-260x.2018.10.032 .

[10] CHENG B， YAN Y Y. Measurement of surface crack width based on digital image processing［J］. Journal of Chifeng University （Natural Science Edition）， 2018， 34（10）：96-98. DOI：10.13398/j.cnki.issn1673-260x.2018.10.032（Ch ）.

[11] PRASANNA P， DANA K J， GUCUNSKI N， et al. Automated crack detection on concrete bridges［J］. IEEE Transactions on Automation Science and Engineering， 2016， 13（2）： 591-599. DOI：10.1109/TASE.2014.2354314 .

[12] FENG C C， ZHANG H， WANG H R， et al. Automatic pixel-level crack detection on dam surface using deep convolutional network［J］. Sensors， 2020， 20（7）： 2069. DOI：10.3390/s20072069 .

[13] 周禹宣， 黄勃， 虞益军， 等. 域信息自增极端随机树模型应用于时序数据预测［J］. 武汉大学学报（理学版）， 2025，71（2）： 253-265. DOI：10.14188/J.1671-8836.2023.0183 .

[14] ZHOU Y X， HUANG B， YU Y J， et al. Domain information self-augmenting extreme random tree model applied to time series data prediction［J］. Journal of Wuhan University （Natural Science Edition）， 2025，71（2）： 253-265. DOI：10.14188/J.1671-8836.2023.0183（Ch ）.

[15] 黄贲， 康飞， 唐玉. 基于目标检测的混凝土坝裂缝实时检测方法［J］. 清华大学学报（自然科学版）， 2023， 63（7）： 1078-1086. DOI： 10.16511/j.cnki.qhdxxb.2023.26.013 .

[16] HUANG B， KANG F， TANG Y. A real-time detection method for concrete dam cracks based on an object detection algorithm［J］. Journal of Tsinghua University （Science and Technology）， 2023， 63（7）： 1078-1086. DOI： 10.16511/j.cnki.qhdxxb.2023.26.013（Ch ）.

[17] 欧斌， 吴邦彬， 袁杰， 等. 基于LSTM的混凝土坝变形预测模型［J］. 水利水电科技进展， 2022， 42（1）： 21-26. DOI： 10.3880/j.issn.10067647.2022.01.003 .

[18] OU B， WU B B， YUAN J， et al. LSTM-based deformation prediction model of concrete dams［J］. Advances in Science and Technology of Water Resources， 2022， 42（1）： 21-26. DOI： 10.3880/j.issn.10067647.2022.01.003（Ch ）.

[19] 陈波， 陈伟楠， 龚学贤， 等. 考虑滞后与削减效应的寒区混凝土坝变形预测预报模型［J］. 岩土工程学报， 2021， 43（12）： 2315-2322. DOI： 10.11779/CJGE202112019 .

[20] CHEN B， CHEN W N， GONG X X， et al. Prediction model for deformation of concrete dams in cold regions considering hysteresis and reduction effects from environment［J］. Chinese Journal of Geotechnical Engineering， 2021， 43（12）： 2315-2322. DOI： 10.11779/CJGE202112019（Ch ）.

[21] 何金平. 大坝安全监测理论与应用［M］. 北京： 中国水利水电出版社， 2010. DOI: 10.4028/www.scientific.net/amm.36.182 .

[22] HE J P. Theory and application of dam safety monitoring［M］. Beijing： China Water & Power Press， 2010（Ch）. DOI: 10.4028/www.scientific.net/amm.36.182 .

[23] QU M， TANG J. Probabilistic logic neural networks for reasoning［C］//Proceedings of the 33rd International Conference on Neural Information Processing Systems. New Yoek： ACM， 2019： 7712-7722. DOI： 10.5555/3454287.3454980 .

[24] 黄勃， 吴申奥， 王文广， 等. 图模互补： 知识图谱与大模型融合综述［J］. 武汉大学学报（理学版）， 2024， 70（4）： 397-412. DOI： 10.14188/j.1671-8836.2024.0040 .

[25] HUANG B， WU S A， WANG W G， et al. KG-LLM-MCom： A survey on integration of knowledge graph and large language model［J］. Journal of Wuhan University （Natural Science Edition）， 2024， 70（4）： 397-412. DOI： 10.14188/j.1671-8836.2024.0040（Ch ）.

基金资助

国家能源集团项目（水电站安全态势主动预警技术创新应用）(GJNY-20-83-01)