平陸運河航道水深預測及施工輔助系統應用研究

關鍵詞：平陸運河；LSTM模型；水深預測；施工航道運輸；施工運輸輔助系統中圖分類號：U612.33 文獻標識碼：A DOl：10.13282/j.cnki.wCcst.2025.03.061文章編號：1673-4874（2025）03-0217-04

0 引言

平陸運河跨線工程建設的過程中，施工水上運輸的安全性和效率是影響項目施工進度的重要因素之一。然而，該區域受潮汐變化影響顯著，施工運輸需充分利用漲潮時海水倒灌帶來的短暫水位上升，以確保達到所需的運輸深度。上述因素的制約使傳統水上運輸方式在此類區域面臨嚴峻挑戰，因此迫切需要對潮汐水深進行精確預測與管理，以確保運輸過程的順利進行。

目前，國內外在航道水深預測領域開展了廣泛的研究，并取得了一些進展。劉青松等1提出了一種基于人工神經網絡（RNN）的水深預測模型，利用歷史水深數據對未來水深進行預測。但該方法在處理長時間序列數據時，RNN仍然存在較大的誤差。李雪等2則采用了支持向量機（SVM）模型進行水深預測，但其在動態環境中的適應性和實時性較差。近年來，由于基于深度學習的長短期記憶網絡（LSTM）[3]能夠有效捕捉長期依賴關系，避免傳統神經網絡中的梯度消失問題，因此逐漸成為水深預測領域的研究熱點。然而，現有研究大多集中在水深預測模型的精度提升上4，少有研究將其與監控系統相結合，為實時輔助施工決策和優化施工組織方案提供實時監控和可視化解決方案。因此，如何將LSTM模型應用于航道水深預測，并結合施工輔助系統以優化施工過程具有重要的意義。

鑒于此，本文提出了一種基于LSTM模型的平陸運河航道水深預測方法，并結合施工輔助系統進行應用研究。基于LSTM模型建立了以關鍵點水文站預測值、流速為特征參數，以現場上下游水位值為標簽的復雜非線性映射關系模型。該模型實現了在豐、平、枯水期等不同水文條件下全天候的水深監測和未來365d的水深預測。研發了主航道運輸智能輔助平臺，該平臺集成了運輸窗口期、環境監測、三維地形、實時水深變化等核心模塊，可提前根據未來施工窗口期優化施工組織計劃。通過智能輔助平臺，項目顯著提升了現場施工的安全性、質量與效率，實現了航道運輸的智能化和數字化管理。

工程背景及LSTM預測模型

1. 1 工程背景

本文依托工程位于濱海淺灘水域，全長 1.5km ，航道水深較淺且不屬于常規水運航道，因此大型船舶無法通行。施工過程中，受到潮汐的顯著影響，需要充分利用漲潮時海水倒灌的特性，以確保在合適的時段達到必要的運輸水深，如圖1所示。整個運輸作業共分為四個主要工序：拱肋翻身、拱肋裝船、拱肋運輸及拱肋橋址起吊，如圖2所示。施工運輸的關鍵難點在于潮汐水位變化規律的準確總結與預測，以及精準把握運輸窗口期的時機，以確保作業的順利進行。

1.2基于LSTM水深預測模型

為實現對施工現場水深的精確預測和動態監控，在施工區域安裝了水深檢測設備。通過在航道的上下游關鍵位置布設水深傳感器，實時監測水位變化情況。水深監測設備通常采用帶有太陽能板的壓力水深測試儀，其具有快速響應、穩定性強的特點，能夠在不同的水文環境下提供準確的水深測量結果，如圖3所示。該設備所采集的水深數據不僅能為工程提供實時的水深信息，也能為后續的水深預測模型提供數據支持。

基于前述水深監測設備采集的現場實時水深數據，以及上下游水文站提供的水位預測信息，本研究進一步構建了一個基于LSTM（長短期記憶網絡）模型的水深預測模型。LSTM是一種專門處理時序數據的深度學習模型，因其獨特的門控機制能夠有效解決傳統遞歸神經網絡（RNN）在長時間序列學習過程中常見的梯度消失問題，適合用于捕捉水深數據中的長期依賴關系[5。為了充分利用水深變化的非線性特征，本研究將關鍵水文站的預測值、流速等動態特征參數作為輸入，并結合現場上下游水深數據作為標簽，建立了一個復雜的非線性映射關系模型：

X_t=[x_1，t，x_2，t]

式中： x_1，t 關鍵水文站在時刻t的水位預測值/m；x_2，t 一時刻t對應的流速值 ′m?s 模型的輸出為現場上下游水深值/m。

y_t=f（X_t，θ）

式中： f（?） 一 -LSTM網絡的映射函數；y_t 一 模型的輸出水深值；θ 一一模型的參數集合，包括權重矩陣和y_t 偏置項。

為了保證模型的泛化能力，訓練集和測試集進行了劃分，將數據集的 80% 作為訓練集， 20% 作為測試集。訓練集用于模型的參數優化，測試集用于評估模型的泛化性能。在訓練過程中，為了評估模型的預測精度，本研究采用均方根誤差（RMSE）和決定系數 （R²） 作為評價指標：

均方根誤差（RMSE）[6]：

決定系數 （R²）^[7] ：

式中： y_t^true # 真實水深值；ypred -LSTM模型的預測值；（204號 T 一 -訓練樣本數。

1.3模型訓練誤差分析

為驗證LSTM模型在航道水深訓練中的精度，模型的時間步長選擇10，LSTM層數設置為3層，每層單元數為64，批量大小設置為32，訓練輪次（Epochs）設置為500，并保證模型在損失函數收斂的基礎上避免過擬合。訓練結果如圖4所示，由圖4（a）可知，訓練損失值下降較快，并在100個Epoch之后趨于平穩，最終在1000個Epoch時收斂至 0.006 ，說明模型參數在優化過程中不斷收斂并取得較低的訓練誤差，具有較好的擬合能力。由圖4（b）可知，預測值能夠較好地跟隨實際值的變化趨勢，特別是在多數樣本點上，兩者的波動基本一致。這表明LSTM模型成功捕捉到了水深變化的動態規律和非線性特征，具有較強的預測能力。

2 工程應用分析

2.1航道運輸智能輔助系統

在本工程中，自主研發的航道運輸智能輔助平臺將訓練好的LSTM模型嵌入系統中，實現了水深預測的自動化功能。平臺通過運行訓練好的LSTM模型，對現場水深進行實時預測，并結合現場測點的水深數據與全航道各測點之間的深度綁定關系，推算出全航道每時每刻的水深分布。此外，該輔助平臺集成了多種核心功能模塊，包括運輸窗口期分析、環境監測、三維地形建模和實時水深變化預測等。通過多模塊協同工作，該系統在施工安全、質量控制及效率提升方面發揮了重要作用，實現了航道運輸的全面智能化與數字化管理，如圖5所示。

2.2預測值與實際值對比

為驗證LSTM模型在航道實際預測過程的適用性和準確性，本文對2024-11-17至2024-11-1824h水位進行樣本預測與實際值對比，如表1所示。由表1可知，實際值與預測值的絕對誤差偏差值較小，滿足航道運輸的精度要求。以現場運輸船吃水深度1.2m為例，運輸耗時4h，11月17日的運輸窗口期為02：30—11：30（共計9h）滿足運輸通航需求。其次，11月18日的運輸窗口期為03：30一12：00（共計8.5h）同樣滿足運輸通航需求。需要說明的是，按照預測的運輸窗口期和實際通航耗時，1d可吊運至少2節段拱肋，根據現場統計情況，與未采用本文模型與系統相比，運輸效率提高了 200% ，大大提高了運輸效率，降低了施工工期和人工成本。

3現場運輸航道水深分析

在航道運輸過程中，水深分布的準確預測對船舶的安全通行和施工的有序組織至關重要。為了更直觀地展示航道不同區域的水深分布特點，并識別潛在的淺水危險區域，以便項目對危險地段進行標識和提前疏浚，對航道水深進行了全局建模與可視化分析。結合LSTM模型預測的動態水深數據，繪制了航道水深分布示意圖，如圖6所示。由圖6（a）可知，當現場處于枯水期（基準水位0.1m）時，航道大部分區域水深 ，整體呈現出中心水深較大、兩側水深較淺的特點。其中，在頂部拐彎處和土圍堰位置，水深普遍 lt;1mm ，說明當現場處于枯水期時，整體航道均不適合施工運輸。反之，由圖6（b）可知，當現場處于豐水期（基準水位1.6m）時，航道全部區域水深均 gt;2m ，滿足現場運輸船最低吃水深度要求。因此，當現場基準水位為1.6m時，整體航道水深均滿足不同類型的運輸船需求。

綜上可知，結合LSTM模型的水深預測能力，能夠實現對航道水深的全局動態監測，為施工窗口期的規劃提供科學依據，并為危險區域的應急管理與調整方案提供有力支持。這種可視化水深分析方法顯著提升了航道管理的精準性與可靠性，為工程施工和航道運輸的智能化管理提供了重要的技術支撐。

4結語

本文通過基于LSTM模型的水深預測和施工輔助系統研究，結合實際工程需求，旨在提升平陸運河航道施工運輸的安全性、效率與精確性。研究得出以下結論：

（1）基于LSTM模型構建的水深預測方法，能夠實現全天候、多水文條件下的高精度水深預測。模型預測值與實際值的誤差 ?0.2m ，表明其具有較好的預測能力，能夠適應不同潮汐和水文環境。

（2）與未采用本文模型與系統的運輸時段相比，本文所提的方法1d可吊運至少2節段拱肋，運輸效率提高了200% ，優化了施工組織計劃。

（3）本文所研究的航道運輸智能輔助系統在實際施工中為運輸組織提供了科學依據，同時降低了運輸過程的安全風險。

參考文獻

L1劉青松，嚴華，盧文龍.基于AR-RNN的多變量水位預測模型研究LJ.人民長江，2020，51（10）：94-99

[2]李雪，蔡孝燕，林妙麗，等.基于機器學習的長江航道水位集合概率預報模型[J].水運工程，2024（10）：158-163.

[3]黃穎，許劍，周子祺，等.高效長序列水位預測模型的研究與實現[J].電子科技大學學報，2023，52（4）：595-601.

[4]呂海峰，冀肖榆，丁勇.基于splice-LSTM的多因素西江水位預測模型研究LJ].人民長江，2023，54（7）：81-88.

[5]王永強，張森，謝帥，等.基于深度學習的三峽未來壩前最大最小水位預測研究[J].長江科學院院報，2024，41（12）：9-14.

[6]倪漢杰，蔣仲廉，初秀民，等.基于DWT-LSTM的航道水位智能預測模型研究[J].中國航海，2021，44（2）：97-102

[7]湯文強.基于LSTM模型的響洪甸水庫旱警水位預測與效果檢驗[J].云南水力發電，2023，39（7）：339-342