基于深度自編碼器的混凝土壩變形異常檢測模型

關(guān)鍵詞：混凝土壩；變形監(jiān)測；異常檢測；自編碼器；深度學習中圖分類號：TV642 文獻標志碼：A doi：10.3969/j.issn.1000-1379.2025.07.022用格式：，，，等.基于深度自編碼器的混凝土壩變形異常檢測模型[J].人民黃河，2025，47（7）：137-143.

Concrete Dam Deformation Anomaly Detection Model Based on Deep Autoencoder

KANG Xinyu1，LI Yanlong'，ZHANGYe1，ZHOU Tao2，ZHONGWen’，YANG Tao3 （1.StateKeyLaboratoryofWaterEgineingEcologndEvoeninAridAra，XianUivesityofTcholog，Xianina; 2.Huanghe Hydropower DevelopmentCo.，Ltd.，Xining 810o0，China；3.ChinaYangtzePowerCo.，Ltd.，Yibin 644612，China） Abstract：Anunsupervisedanomalydetectionmodelbasedonadputoencoderwasproposedtoaddressanomalousreadingsinconcrete damdeformationmonitoring，withtheobjectiveofenhancingdetectionacuracyandautomation.Theautoencoderwas trainedinanusuper visedmaneronnoraldefomationdatatolearlow-dimensionalfeaturerepresentationsandwassubsequentlyemploedtorebuildcoming measurements.Measurementsexhitingsignificantdeviationsetwenobservedandrebuildvalueswereclasifiedasanomales.Teresult showsthat theproposedmodelachievesover97%accuracyianomalydetectionandisdemonstratedtoperforeliablyundervarioutesting conditions.Conseqentlytheeutocoderbdroachisableofectielydentigfoatiaolsioeda， exhibiting robust and precise detection capabilities.

Key words： concrete dam； deformation monitoring;anomaly detection；autoencoder; deep learning

0 引言

混凝土項具有卓越的承載能力、優(yōu)異的耐久性及良好的適應性，已成為水庫大壩建設的首選類型[1-4]然而，在混凝土壩長期服役過程中，外部荷載變化（如水位波動、氣溫變化等）與內(nèi)部物理化學侵蝕（如碳化、硫酸鹽侵蝕等）持續(xù)對壩體造成負面影響，威脅大壩的安全運行[5]。變形作為反映壩體結(jié)構(gòu)狀態(tài)變化的指標之一，易于監(jiān)測且具有較強的代表性[6-7]。然而，變形監(jiān)測數(shù)據(jù)在采集、傳輸與存儲過程中，常常受到設備、線路故障以及環(huán)境等多種因素干擾，不可避免產(chǎn)生異常測值[8-10]。這些異常數(shù)據(jù)若未能及時識別和處理，將嚴重影響后續(xù)的變形預測與風險預警[1]。因此，構(gòu)建高精度異常檢測模型，可為大壩的安全評估與風險預警提供可靠支持，具有重要的實際應用價值。

混凝土壩變形異常檢測可分為人工檢測和模型檢測兩種方式。傳統(tǒng)的人工檢測方法通常需要繪制多個相鄰測點的變形曲線，并根據(jù)工程經(jīng)驗分析這些測點的變形趨勢，從而識別并剔除異常值[12]。然而，人工檢測不僅工作量大、耗時費力，而且效率較低，難以滿足現(xiàn)代工程對異常檢測的高效性和準確性要求。因此，模型檢測逐漸成為主流。模型檢測可進一步細分為統(tǒng)計模型檢測和智能模型檢測。統(tǒng)計模型通?；诮y(tǒng)計分析和概率論的基本理論，假設數(shù)據(jù)符合標準正態(tài)分布，一般將數(shù)據(jù)點偏離均值超過3個標準差的情況視為異常值，例如Z-score模型將標準分數(shù)（Z-score）超出-3＼～3視為異常[13]。然而，混凝土壩變形數(shù)據(jù)往往具有分布復雜的特點，難以嚴格遵循標準正態(tài)分布，這使得統(tǒng)計模型在檢測輕微異常時存在局限性，通常只能識別出那些突變明顯的異常值。因此，統(tǒng)計模型在處理復雜分布的混凝土壩變形數(shù)據(jù)時，其檢測精度往往不夠理想[14]。而智能模型在處理混凝土壩變形數(shù)據(jù)方面具有顯著的優(yōu)勢，逐漸成為異常檢測領(lǐng)域的重要工具[15]，如孤立森林（Isolation Forest，IF）[16]、局部異常因子（Local Outlier Factor，LOF）[17]和支持向量機（SupportVectorMachine，SVM）[i8]等智能模型，能夠高效識別混凝土壩變形數(shù)據(jù)的異常情況。張海龍等[19]利用小波變換（WT）提取監(jiān)測數(shù)據(jù)中的趨勢成分，并對去除趨勢成分后的殘差項采用IF算法進行異常檢測。李明超等[20]提出改進LOF的密度分簇方法，通過計算異常可能性實現(xiàn)長周期監(jiān)測數(shù)據(jù)的野值識別。Salazar等[2i]通過對比隨機森林和SVM在異常檢測中的表現(xiàn)，發(fā)現(xiàn)SVM在異常檢測方面更具優(yōu)勢。Rong等[22]結(jié)合混凝土壩變形測點的時空相關(guān)性，提出了MP-LOF異常檢測模型，提高了檢測的準確性。

綜上所述，現(xiàn)有的混凝土壩變形異常檢測模型雖然在一定程度上能夠識別異常數(shù)據(jù)，但仍存在諸多局限性。傳統(tǒng)的統(tǒng)計分析方法多假設數(shù)據(jù)符合正態(tài)分布，這使得其在處理復雜變形數(shù)據(jù)時存在一定局限，尤其在識別非線性特征和復雜模式時表現(xiàn)較差。雖然基于機器學習的模型在處理復雜數(shù)據(jù)方面具有一定優(yōu)勢，但其結(jié)構(gòu)相對簡單，難以充分挖掘數(shù)據(jù)的深層次時空關(guān)聯(lián)性，且對微小異常的檢測敏感性較低。因此，現(xiàn)有方法在應對混凝土壩變形數(shù)據(jù)的復雜性和多樣性時，存在一定的識別盲區(qū)。為此，本文提出了一種基于深度自編碼器的混凝土壩變形異常檢測模型。深度自編碼器能夠自動學習數(shù)據(jù)的潛在特征，可避免傳統(tǒng)方法對數(shù)據(jù)分布的嚴格假設要求。該模型通過編碼器-解碼器結(jié)構(gòu)將輸入數(shù)據(jù)映射到低維隱空間，從而有效捕捉數(shù)據(jù)的復雜形式和潛在異常；在解碼階段，模型會重構(gòu)輸入數(shù)據(jù)，并與實際觀測值進行對比，若重構(gòu)誤差超過設定的閾值，則判定該數(shù)據(jù)為異常。與傳統(tǒng)方法相比，基于深度自編碼器的模型能夠更好地處理混凝土壩變形數(shù)據(jù)的非線性問題，具有更強的適應性和泛化能力。

1算法原理

1.1 深度自編碼器

深度自編碼器（Autoencoder，AE）是一種由編碼器f_e 和解碼器 f_d 組成的神經(jīng)網(wǎng)絡模型，由Rumellhart等[23]于1986年提出，常用于無監(jiān)督的數(shù)據(jù)降維任務。AE的核心思想是通過編碼器將輸人數(shù)據(jù) x 映射到一個低維隱空間，并通過解碼器從該隱空間重建出盡可能接近輸人數(shù)據(jù) x 的輸出數(shù)據(jù) x^′ ：

x^′=f_d[f_e（x）]

在混凝土壩變形異常檢測中，AE的核心機制是基于正常樣本數(shù)據(jù)進行訓練，學習正常樣本的分布特

征。通過最小化輸入與輸出數(shù)據(jù)之間的重構(gòu)誤差，AE能夠高效提取數(shù)據(jù)的關(guān)鍵特征。常用的損失函數(shù)為均方誤差（ （E_MS） ，計算公式為

式中： x_i、x_i^′ 分別為第 i 個樣本的輸入、輸出數(shù)據(jù)， N 為樣本數(shù)量。

將AE應用于混凝土壩變形異常檢測的工作流程可分為學習正常樣本和檢測異常樣本兩個步驟

1）學習正常樣本。AE在訓練過程中主要處理混凝土壩的正常變形數(shù)據(jù) x_n ，它能夠準確捕捉混凝土壩正常變形數(shù)據(jù)的分布特征，同時忽略監(jiān)測數(shù)據(jù)中的噪聲或偶然異常，使模型在重構(gòu)正常樣本時具備較高的精度和穩(wěn)定性。編碼器將高維監(jiān)測數(shù)據(jù)映射到低維隱空間 z ，從中提取主要特征，解碼器則根據(jù)隱空間 z 重建輸入數(shù)據(jù)，得到重構(gòu)數(shù)據(jù) x_n^′ 。通過不斷優(yōu)化網(wǎng)絡參數(shù)，經(jīng)過訓練后的AE對正常變形樣本具有很強的適應性，能夠以較低的均方誤差 E_MS 準確還原輸入數(shù)據(jù)：

z=f_e（x_n）

x_n^′=f_d（z）

2）檢測異常樣本。當輸入異常變形樣本數(shù)據(jù) x_a 時，由于異常變形數(shù)據(jù)的分布特征偏離AE所學習的正常變形數(shù)據(jù)分布特征，因此編碼器難以生成合理的隱空間 z ，解碼器無法有效重構(gòu)異常數(shù)據(jù)，導致均方誤差 E_MS 顯著增大。異常變形通常反映壩體受外部環(huán)境或內(nèi)部結(jié)構(gòu)異常影響所引起的罕見或突發(fā)事件，其特征難以被模型準確捕捉和重現(xiàn)。通過設置適當?shù)闹貥?gòu)誤差閾值 χ_t ，AE能夠有效區(qū)分正常變形和異常變形。當均方誤差 E_MS 顯著大于閾值 χ_t 時，輸入數(shù)據(jù)可被判定為異常變形數(shù)據(jù)，從而實現(xiàn)對混凝土壩變形的精準檢測。

1.2 模型訓練

基于AE的混凝土壩變形異常檢測模型檢測流程如下。

1）數(shù)據(jù)采集。采集混凝土壩變形的長期監(jiān)測數(shù)據(jù)，確保數(shù)據(jù)的全面性和準確性。AE模型具有較強的普適性，能夠處理各種類型的混凝土壩變形數(shù)據(jù)。無論是水平位移還是垂直位移，都能作為異常檢測數(shù)據(jù)的輸入。混凝土壩的變形數(shù)據(jù)通常具有周期性變化特征，AE模型能夠自動學習周期性規(guī)律，從而適應不同類型的變形數(shù)據(jù)，無須針對特定監(jiān)測指標進行額外優(yōu)化。

2）數(shù)據(jù)處理。對采集到的變形數(shù)據(jù)進行預處理。首先采用極差化方法對數(shù)據(jù)進行歸一化處理，然后將數(shù)據(jù)劃分為訓練集和測試集。訓練集用于模型的訓練，必須包含正常變形數(shù)據(jù)，以便模型能夠充分學習正常變形數(shù)據(jù)的內(nèi)在特征；測試集用于模型性能評估，應包含正常數(shù)據(jù)和異常數(shù)據(jù)，以測試模型在不同情況下的表現(xiàn)。

3）模型訓練。在訓練階段，AE通過編碼器將輸入數(shù)據(jù)映射到低維隱空間，并通過解碼器重構(gòu)輸人數(shù)據(jù)。AE在訓練過程中學習正常變形數(shù)據(jù)的特征，并最小化輸入與輸出數(shù)據(jù)之間的重構(gòu)誤差，通過反向傳播和優(yōu)化，不斷提高正常樣本數(shù)據(jù)的重構(gòu)精度，捕捉到正常變形數(shù)據(jù)的內(nèi)在規(guī)律。

4）異常檢測。訓練完成后，利用AE模型對測試集數(shù)據(jù)進行預測。當輸入異常樣本時，由于其分布特征與訓練集的正常樣本差異較大，因此導致重構(gòu)誤差顯著增大。通過設置合適的重構(gòu)誤差閾值，AE模型能夠有效區(qū)分正常與異常變形。重構(gòu)誤差超過閾值的數(shù)據(jù)被判定為異常數(shù)據(jù)，從而實現(xiàn)混凝土壩變形的異常檢測。

1.3 超參數(shù)設置

本文所有模型均是基于Python3.6軟件實現(xiàn)的。對比模型包括常見的統(tǒng)計模型 Z- score、IF模型、LOF模型、SVM模型以及AE模型。其中， Z- score本質(zhì)上是一種基于統(tǒng)計分布的異常檢測方法，它通過計算樣本與總體均值 （μ） 之間的差異，以標準差 （σ） 為單位來衡量數(shù)據(jù)點的離群程度： ，若 |z| 超過預先設定的閾值 ±3 ，則判定觀測值為異常。該方法所需的參數(shù)為數(shù)據(jù)的均值和標準差，來源于數(shù)據(jù)本身的統(tǒng)計特征，不需要人為設定。其他模型的超參數(shù)均通過網(wǎng)格搜索方法選取最優(yōu)配置，具體設置見表1。

1.4 評價指標

為了科學評估AE模型在混凝土壩變形異常檢測中的性能，選用精確率、召回率和F1分數(shù)3個常用的評價指標。精確率衡量模型檢測出的所有正常樣本中，真實正常樣本所占的比例，反映了模型對正常樣本的判斷準確性；召回率表示在所有真實正常樣本中，被模型成功檢測為正常樣本的比例，體現(xiàn)了模型對正常樣本的覆蓋能力； F1 分數(shù)是精確率與召回率的調(diào)和平均，可綜合評價模型在精確性和全面性上的性能表現(xiàn)這3個指標越接近1，表明模型異常檢測性能越優(yōu)越評價指標的計算公式分別為

式中： P 為精確率， R 為召回率， F₁ 為 F1 分數(shù)， T 為模型正確識別出的正常樣本數(shù)， F 為誤將異常樣本判定為正常的樣本數(shù)， F_N 為誤將正常樣本判定為異常的樣本數(shù)。

2 實例應用

2.1 工程背景

本文以黃河龍羊峽至青銅峽河段規(guī)劃中的第八座梯級水電站鹽鍋峽電站為例（見圖1）。壩頂高程1624.20m ，最大壩高 57.20m 。大壩為混凝土重力壩，由擋水壩段和溢流壩段組成，其中：擋水壩段布置在左岸，長度為 225m ;溢流壩段布置在右岸，長度為96m 。壩頂水平位移采用引張線遙測坐標儀測量，測點布置如圖2所示。溢流壩段劃分為6段（I～VI），每段各設置兩個測點;擋水壩段劃分為10段（Ⅰ＼～X），每段和隔墩壩段各設置一個測點。本文選取溢流壩段ⅡI的2個測點EX15和EX16的長期變形監(jiān)測數(shù)據(jù)，建立混凝土壩變形異常檢測模型，并驗證AE模型的有效性。

2.2 監(jiān)測數(shù)據(jù)描述

本文使用的變形監(jiān)測數(shù)據(jù)時間跨度為2012年3月16日至2023年10月8日。數(shù)據(jù)來源于自動化監(jiān)測系統(tǒng)，采樣頻率為每日一次，總計4224組觀測值。其中：2012年3月16日至2017年7月25日采集的1958組數(shù)據(jù)作為模型的訓練集，用于學習混凝土壩的正常變形特征；2017年7月26日至2023年10月8日采集的2266組數(shù)據(jù)作為測試集，用于評估模型在異常檢測中的實際效果。EX15和EX16測點的變形曲線見圖3。從圖3可以看出，變形監(jiān)測數(shù)據(jù)中存在異常值。異常值的出現(xiàn)通常由多種因素引起，包括監(jiān)測設備和線路老化（如線路接觸不良、傳感器因高濕度或腐蝕而損壞、電氣系統(tǒng)因絕緣老化或超負荷運行而導致的短路跳閘等），網(wǎng)絡設備受到信號干擾、硬件故障或帶寬不足的影響而導致數(shù)據(jù)傳輸不穩(wěn)定，環(huán)境荷載的變化、結(jié)構(gòu)材料的老化和人為干預等因素。

2.3 結(jié)果分析

將AE模型與常見的4種異常檢測模型（統(tǒng)計模型Z-score和機器學習模型IF、LOF、SVM）的檢測結(jié)果進行對比，見表2。由表2可知，AE模型在EX15和EX16測點均表現(xiàn)出色，精確率超過 97% 且召回率和F1分數(shù)均處于較高水平，展現(xiàn)了較強的異常檢測能力。AE模型在3個評價指標上的均衡表現(xiàn)明顯優(yōu)于其他4種對比模型。Z-score在異常檢測過程中存在較大漏檢問題，在兩個測點均表現(xiàn)較差。IF和LOF模型在EX15測點的表現(xiàn)接近，雖然兩者的召回率均為1.000，但在精確率方面有所欠缺，IF模型的精確率僅為0.505，LOF模型為0.805，顯示出較高的誤報率。SVM模型在兩個測點的整體表現(xiàn)相對較差，表明其在處理復雜異常檢測任務時，特別是對極端異常值的檢測能力較弱。為了保證一致性，上述3種機器學習模型與AE模型采用相同的訓練方式，僅使用正常數(shù)據(jù)進行訓練。這種策略可能導致模型在異常檢測任務中的效果不佳，由于模型未能充分學習異常數(shù)據(jù)的特征，因此在測試階段出現(xiàn)較高的誤判和漏判率。

為了直觀比較上述5種模型在異常檢測方面的性能差距，繪制了EX15、EX16測點不同模型的混淆矩陣，分別見圖4和圖5（圖中0代表正常標簽，1代表異常標簽；混淆矩陣左上角表示將異常數(shù)據(jù)誤判為正常數(shù)據(jù)，左下角表示將正常數(shù)據(jù)正確識別為正常數(shù)據(jù)，右上角表示將異常數(shù)據(jù)正確識別為異常數(shù)據(jù)，右下角表示將正常數(shù)據(jù)誤判為異常數(shù)據(jù)）。混淆矩陣左下角值和右上角值越大、左上角值和右下角值越小，表明模型的異常檢測性能越好。由圖4可知，AE模型僅出現(xiàn)7次錯誤識別，而Z-score、IF、LOF、SVM模型分別出現(xiàn)30、45、30和80次錯誤識別。由圖5可知，AE模型僅有3次錯誤識別，而Z-score、IF、LOF、SVM模型的錯誤識別次數(shù)分別為33、57、55和230。AE模型的誤判和漏判樣本數(shù)量均明顯少于其他模型，能夠更準確地區(qū)分正常測值和異常測值，表明其異常檢測精度明顯高于其他模型。

EX15、EX16測點5種模型的混凝土壩變形異常檢測效果分別見圖6和圖7（圖中紅色虛線表示異常檢測閾值，灰色陰影代表模型識別錯誤）。AE模型采用自適應閾值，通過輸入實時監(jiān)測數(shù)據(jù)的重構(gòu)誤差，并根據(jù)歷史數(shù)據(jù)分布動態(tài)調(diào)整異常判定標準，從而靈活反映不同數(shù)據(jù)特征?；趯X15和EX16測點重構(gòu)誤差的統(tǒng)計分析，選擇重構(gòu)誤差的98分位數(shù)（0.442）作為閾值，可有效地識別大多數(shù)異常數(shù)據(jù)，同時避免對正常數(shù)據(jù)的過度敏感。Z-score模型設定正常測值在-3到3之間，超出該范圍即為異常。IF模型的閾值設為0.6，旨在減少漏判的同時保持較高的靈敏度，以便有效檢測異常數(shù)據(jù)。依據(jù)已有研究成果[17]，LOF模型的閾值設為1.5，以確保模型的可靠性。SVM模型采用0作為閾值（0表示正常數(shù)據(jù)，1表示異常數(shù)據(jù)），符合其二分類模型的基本結(jié)構(gòu)，當某一時刻的測值超過設定的閾值時，該測值被判定為異常。圖中灰色陰影區(qū)域代表異常檢測結(jié)果出現(xiàn)錯誤，包括漏判異常測值為正常測值以及誤判正常測值為異常測值。灰色陰影的分布和密集程度為評估各模型異常檢測精度的重要參考，灰色陰影的數(shù)量和范圍越大，表明該模型的異常檢測效果越差。

由圖6可知，在EX15測點的變形異常檢測中，AE模型的表現(xiàn)最佳。AE模型成功識別出大部分異常測值（共37處），但未能有效識別出第一處突跳型異常測值。此外，AE模型對第三處振蕩變化的異常測值識別存在局限，僅能識別數(shù)據(jù)振蕩增長部分，漏檢了數(shù)據(jù)振蕩下降部分。Z-score模型識別出16處異常，但相比之下漏檢現(xiàn)象更加嚴重，不僅忽略了第一處突跳型異常測值，而且未能識別第三處振蕩變化的異常測值以及第六處臺階型異常測值。IF模型雖然成功識別了所有的異常測值（共46處），但頻繁出現(xiàn)誤判現(xiàn)象，多次將正常測值誤判為異常。LOF模型同樣成功識別了所有的異常測值（共46處），且比IF模型誤判次數(shù)少。SVM模型的表現(xiàn)與IF模型類似，雖然成功識別了所有異常測值（共46處），但誤判次數(shù)更多、異常檢測效果更差。因此，從整體表現(xiàn)來看，AE模型的異常檢測性能優(yōu)于其他4種模型。

由圖7可知，在EX16測點的變形異常檢測中，AE模型同樣效果最佳，該模型成功識別了大多數(shù)異常測值（共34處），并且未出現(xiàn)誤判的情況；然而，AE模型在識別第二處臺階型異常測值時有所欠缺，未能準確識別該異常測值的前端部分，且未能識別最后一處突跳型異常測值。相比之下，Z-score模型僅識別出3處異常，漏檢了多個異常測值，包括第一處和最后一處突跳型異常測值、第二處和第六處所有臺階型異常測值。IF 模型雖然成功識別了大部分異常測值（共35處），但頻繁出現(xiàn)誤判現(xiàn)象，將多處正常測值誤判為異常值。LOF模型與IF模型類似，共識別35處異常測值，且誤判次數(shù)較少。SVM模型雖然成功識別了所有異常測值（共36處），但是誤判的次數(shù)更多，導致其異常檢測效果更差。因此，AE模型在異常測值識別準確性方面優(yōu)于其他模型。

5種模型在異常檢測中的表現(xiàn)差異主要源于各自的算法機制和適應能力。AE模型作為一種深度學習模型，通過對輸人數(shù)據(jù)進行重構(gòu)學習，能夠自動捕捉數(shù)據(jù)的潛在特征和規(guī)律。AE模型異常檢測機制是通過重構(gòu)誤差來判斷異常，當輸入數(shù)據(jù)的變形模式偏離了正常模式時，AE模型能夠靈活地識別出這些異常波動，因此在大多數(shù)情況下能夠準確檢測出異常值。特別是AE模型的自適應閾值機制，能夠根據(jù)歷史數(shù)據(jù)的分布和實時變形情況調(diào)整判定標準，靈活應對不同類型的異常，有效提高檢測精度。相比之下，Z-score模型異常檢測效果受到數(shù)據(jù)符合標準正態(tài)分布假設的限制，而IF、LOF和SVM等機器學習模型雖然能夠處理較為復雜的數(shù)據(jù)形式，但它們往往依賴預先設定的特征和閾值，難以動態(tài)適應數(shù)據(jù)的細微變化。IF和LOF模型檢測波動性較大或非線性特征的變形數(shù)據(jù)效果較差，容易出現(xiàn)誤判：SVM模型雖能識別出大部分異常，但在檢測波動性較大的數(shù)據(jù)時難以精準判斷正常與異常的邊界，因此誤判情況更為嚴重。綜上所述，AE模型在混凝土壩變形異常檢測中，展現(xiàn)出較強的適應性和較高的準確性，較傳統(tǒng)方法具有明顯優(yōu)勢，能夠有效提高對混凝土壩變形異常測值的識別能力。

3結(jié)論

1）本文提出的基于AE的混凝土壩變形異常檢測模型，可充分發(fā)揮自編碼器在數(shù)據(jù)重構(gòu)和異常判別中的優(yōu)勢。通過自適應閾值機制，能夠?qū)崟r調(diào)整異常檢測標準，針對不同的變形數(shù)據(jù)作出靈活響應，從而有效提高檢測的準確性和適應性。

2）與傳統(tǒng)的統(tǒng)計模型（如Z-score）及經(jīng)典機器學習模型（如IF、LOF、SVM）相比，AE模型在混凝土壩變形異常檢測中表現(xiàn)出顯著優(yōu)勢。通過5個模型在大壩兩個測點變形異常檢測中的效果比較，發(fā)現(xiàn)AE模型異常檢測精度最高（精確率超過 97% ），成功識別了大多數(shù)異常測值，并減少了誤報與漏報現(xiàn)象

本文的混凝土項變形異常檢測研究仍存在進一步改進的空間。未來應獲取更多大壩監(jiān)測數(shù)據(jù)，進一步探討異常測值出現(xiàn)的原因，并將該模型擴展應用于混凝土壩滲流、應力應變等的監(jiān)測上，以提高模型的綜合檢測能力。

參考文獻：

[1]周蘭庭，柳志坤，徐長華.基于WA-LSTM-ARIMA的混凝土壩變形組合預測模型[J].人民黃河，2022，44（1）：124-128.

[2]原佳帆，李丹楊，李佳霖，等.基于 TimeGAN 和CNN-BiL-STM-Attention的大壩變形預測混合模型［J].人民黃河，2024，46（12） ：127-130，143.

[3]KANG F，LI JJ，ZHAO S Z，et al.Structural Health Monitoringof Concrete Dams Using Long-Term Air Temperature forThermal Efect Simulation[J]. Engineering Structures， 2019，180：642-653.

[4]LIU M K，WEN Z P，SU H Z.Deformation Prediction Basedon Denoising Techniques and Ensemble Learning Algorithmsfor Concrete Dams[J]. Expert Systems with Applications，2024，238：122022.

[5]ZHANG Y，ZHANG W W，LI Y L，et al.AF-OS-ELM-MVE： ANew Online Sequential Extreme Learning Machine of DamSafetyMonitoring Model for Structure Deformation Estimation[J].Advanced Engineering Informatics，2024，60：102345.

[6]歐斌，吳邦彬，袁杰，等.基于LSTM的混凝土壩變形預測模型[J].水利水電科技進展，2022，42（1）：21-26.

[7］宋蕾，雷兆星.基于Inception 模塊與改進GRU 的混凝土壩變形預測模型[J].水利水電科技進展，2024，44（6）：100-105.

[8]劉鶴鵬，李登華，丁勇.基于IF-Encoder 的大壩監(jiān)測異常數(shù)據(jù)檢測算法[J].人民黃河，2024，46（10）：148-153.

[9]鄭霞忠，陳國梁，鄒韜.考慮時間序列關(guān)聯(lián)的大壩監(jiān)測異常數(shù)據(jù)清洗[J].水力發(fā)電，2020，46（4）：111-114，125.

[10] YUAN D Y，WEI B W，XIE B，et al.Modified Dam Deform-ation Monitoring Model Considering Periodic ComponentContained in Residual Sequence[J].Structural Control andHealth Monitoring，2020，27（12） ：e2633.

[11] 魏博文，徐文博，袁冬陽，等.基于觀測數(shù)據(jù)可靠性辨識與挖掘的混凝土壩位移時序預測方法［J].應用基礎與工程科學學報，2024，32（4）：1049-1066.

[12]SONG JT，CHEN Y C，YANG J.A Novel Outlier DetectionMethod of Long-Term Dam Monitoring Data Based on SSA-NAR[J].Wireless Communications and Mobile Computing，

[13] 謝中凱，王良，蘇玉杰，等.考慮不確定性的大壩監(jiān)測信息異常診斷方法及應用[J].水電能源科學，2020，38（10） ：59-62.

［14］鄭付剛.基于局部異常系數(shù)的混凝土壩變形異常分析方法[J].水電能源科學，2016，34（6）：103-105，31.

[15] 宋錦燾，葛佳豪，楊杰，等.基于時空聚類和深度學習的混凝土壩變形異常值識別方法[J].水利水電科技進展，2024，44（4） ：65-71.

[16]CHEN Y，ZHAO Z Y，WU H Z，et al.Fault Anomaly Detec-tion of Synchronous Machine Winding Based on IsolationForest and Impulse Frequency Response Analysis [J].Measurement，2022，188：110531.

[17] YANGJ，QU XD，HUD X，et al.Research on SingularValueDetection Method of Concrete Dam Deformation Mo-nitoring[J].Measurement，2021，179：109457.

[18]VOS K，PENG Z X，JENKINS C，et al.Vibration-Based A-nomaly Detection Using LSTM/SVM Approaches [J].Me-chanical Systems and Signal Processing，2022，169：108752.

[19] 張海龍，范振東，陳敏.孤立森林算法在大壩監(jiān)測數(shù)據(jù)異常識別中的應用[J].人民黃河 2020，42（8）：154－157，168.

[20] 李明超，李明昊，任秋兵，等.基于密度分簇的長周期監(jiān)測數(shù)據(jù)異常識別方法[J].水力發(fā)電學報，2021，40（3）：124-133.

[21]SALAZAR F，CONDE A，IRAZABAL J，et al.Anomaly De-tection in Dam Behaviour with Machine Learning Classifica-tion Models[J].Water，2021，13（17） ：2387.

[22] RONG Z，PANG R， XU B，et al.Dam Safety MonitoringData Anomaly Recognition Using Multiple-Point Model withLocal Outlier Factor[J].Automation in Construction，2024，159：105290.

[23]RUMELLHART D E，HINTON G E，WILLIAMS R J. LearningInternal Representations by Error Propagation[J].ParallelDistributed Processing：Explorations in the Microstructure ofCognition，1986，1：319-362.【責仟編輯張華興】