Page 177 - 新时期水利工程设计与施工管理

第七章 智慧水利

效性差等问题。随着人工智能技术和交叉学科的发展，研究者开始探索利用人工
智能技术提高水利工程结构安全监测的水平和效率。以大坝安全监测为例。传统
的大坝安全监测数学模型主要有统计模型、确定性模型和混合模型三类。其中统

计模型是通过数理统计间接判断大坝监测值变化规律的数学方程；确定性模型是
通过确定环境自变量与大坝形变量之间的确定性因果关系判断大坝监测值变化的
数学模型；将以上两种模型结合便得到混合模型。以上三种传统模型都是将形变
量看成环境量函数的线性组合，但大坝坝体的形变量往往和环境因素存在着非线

性关系，因此传统模型难以有效反映坝体形变与环境之间的关系。人工智能模型
的出现为大坝安全监测提供了新思路，机器学习、神经网络等新的理论与方法逐
渐被引入大坝安全监测分析中，并取得了良好的效果。目前，人工智能的方法在

大坝变形监测数据处理与分析预测领域的应用日益增多。
（三）中小流域水文预报
水文预报是防汛抗旱决策、水资源合理利用、生态环境保护以及水利水电工
程运行管理的重要依据。传统的水文预报方法多采用基于过程驱动的水文模型结
合水力学模拟复杂的物理过程，但是高质量的物理数据、复杂的数学工具和大量

简化的假设给校准和验证带来了挑战。随着人工智能技术和交叉学科的发展，许
多研究者对人工智能水文预报模型展开了深入研究。机器学习是实现人工智能的
基本途径，其中人工神经网络（ANN）是最具代表性的机器学习算法之一，此外，

支持向量机（SVM）、决策树（DT）和随机森林（RF）等许多机器学习算法同
样具有处理非线性和不确定性的强大能力，在水文预报领域得到广泛的应用，但
仍存在泛化性能弱、预见期较短等问题。因此，一些深度学习方法相应出现，例
如长短时记忆神经网络（LSTM）、门控循环单元（GRU）以及采用编码－解码
（ED）结构的 LSTM 深度学习模型。人工智能的持续发展使其在预报业务中的

需求逐渐增长，特征可视化或反映降雨径流响应规律的可解释性深度学习、量化
预报不确定性的概率深度学习、用于缺资料流域的区域深度学习和多任务集成深
度学习等研究均得到水文学者的广泛关注，为提高水文预报的预测精度以及确保

预测结果的准确性和可靠性提供了新的思路。
（四）河湖管理
河湖管理是水资源保护和利用的重要内容，涉及水环境治理、水生态修复、
水灾害防控等多个方面。传统的河湖管理多依赖人工巡检，耗时、耗力、效率低

163