基于Mamba的新框架：具备增强的泛化能力，用于多任务大坝响应重建

《Results in Engineering》：Novel Mamba-Based Framework with Enhanced Generalization Ability for Multi-Task Dam Response Reconstruction

大坝健康监测中基于Mamba模型的多任务响应重建方法，提出融合时空关联的新型框架，通过构建包含温度、水位及噪声干扰的基准数据集，系统比较Mamba与TCN、LSTM、BiLSTM等模型的重建精度（R2达98%）、噪声抑制能力及计算效率，验证Mamba在长序列建模中具有线性复杂度优势，MAE低于0.18mm，适用于复杂非线性响应数据的精准重建。

　　在现代社会，大坝作为重要的基础设施，承担着防洪、抗旱以及水资源调控等关键功能。然而，随着大坝运行时间的延长，其健康监测数据往往会受到数据丢失和环境噪声的影响，从而影响结构安全评估的准确性。为了解决这一问题，近年来，研究者们开始探索利用深度学习技术进行大坝数据的重建，以提高数据的完整性与可靠性，进而支持灾害预警和工程管理。然而，由于不同数据重建方法之间的有效比较尚不充分，缺乏统一的模型选择标准，因此在实际工程应用中，如何选择最适合的模型架构仍然面临挑战。本文提出了一种基于Mamba模型的创新多任务数据重建框架，旨在为大坝健康监测提供一种高效且准确的解决方案。

大坝健康监测数据的完整性与可靠性是确保其结构安全评估的基础。然而，长期运行的大坝往往面临数据丢失的问题，这种数据缺失通常是由于实际运行环境中的噪声干扰和传感器故障等因素造成的。数据重建的准确性对于灾害预警和工程管理至关重要。尽管深度学习技术在这一领域展现出巨大潜力，但目前缺乏对不同模型性能的系统性评估，使得模型选择成为一种具体工程问题。此外，不同模型在特征提取、重建精度和泛化能力方面的表现尚未形成一致的结论。因此，本文提出了一种基于Mamba模型的多任务重建框架，旨在解决上述问题，并提供一种新的数据重建方法。

本文的研究目标在于建立一个包含多种耦合因素的大坝响应数据集，并通过系统比较Mamba模型与其他主流深度学习模型在大坝数据重建任务中的表现，为多任务响应重建提供模型选择依据。Mamba模型以其独特的状态空间结构和线性计算复杂度，展现出优于其他模型的重建精度和泛化能力。在重建具有复杂非线性响应的数据时，Mamba模型表现出更强的鲁棒性，能够高效捕捉长期依赖关系。实验结果显示，Mamba模型在重建任务中实现了高达98%的R2值和低于0.18 mm的MAE值，显示出在结构响应重建中的高精度和强抗噪能力。这一成果为大坝健康监测提供了新的思路和方法。

为了实现这一目标，本文首先构建了一个综合的大坝响应数据集，该数据集涵盖了温度、水位以及噪声耦合等多种因素。该数据集的构建基于一个三维有限元模型，该模型反映了实际大坝的几何特征和材料属性。通过对模型进行精细调整和模拟，数据集能够准确捕捉大坝结构在多因素耦合条件下的响应特征。随后，本文对Mamba模型和其他六种主流深度学习模型进行了系统比较，分析了它们在特征提取、抗噪能力和泛化性能方面的差异，从而为模型选择提供了可重复的决策依据。通过构建标准化的测试场景，研究明确了不同模型在时空关联建模和多源数据融合任务中的适用边界。

Mamba模型是一种最近提出的深度学习架构，其结构设计旨在解决传统深度学习模型在处理长序列数据时的局限性。与其他模型相比，Mamba模型能够高效处理长序列数据，并在数据重建任务中展现出卓越的性能。研究中采用的模型包括TCN、LSTM、BiLSTM及其带有注意力机制的变体。通过在不同的噪声和异常值条件下对这些模型进行测试，本文评估了它们在数据重建中的表现，并比较了Mamba模型与其他模型之间的差异。结果显示，Mamba模型在多种评估指标中均优于其他模型，尤其是在数据具有复杂非线性特征时，其重建精度和鲁棒性表现突出。

此外，本文还探讨了滑动窗口大小对模型性能的影响，以优化数据重建过程。通过分析不同窗口大小对训练效率和重建精度的影响，研究确定了窗口大小为20时，能够实现模型精度与训练效率之间的最佳平衡。这一窗口大小不仅能够有效捕捉短期趋势，还能在一定程度上减少因窗口边界导致的异常值影响，从而提高数据重建的稳定性。

在工程应用方面，本文以中国西南部金沙江上的一个混凝土重力坝为案例，展示了Mamba模型在实际大坝监测中的应用效果。研究采用了包含四个监测点的监测数据，结合环境因素如水位变化和温度波动，对Mamba模型的重建能力进行了验证。结果表明，Mamba模型在监测点PL6-2和PL6-4的数据重建中均表现出色，实现了接近100%的R2值和低于0.1 mm的MAE值。这些结果验证了Mamba模型在多任务数据重建中的有效性，并展示了其在实际工程应用中的潜力。

研究还指出，尽管Mamba模型在数据重建任务中表现出色，但其性能仍需在其他大坝数据集或更长的数据序列中进行进一步验证。未来的研究可以考虑收集更多不同类型大坝的长期监测数据，以评估模型在不同环境和操作条件下的鲁棒性和准确性。此外，研究还建议进一步提升模型的多模态数据处理能力，通过整合应变和位移等数据，以更好地解释物理机制并满足实际工程需求。同时，探索深度学习网络在复杂多任务处理中的共享信息分布机制，也有助于充分利用大坝响应的时空相关性，提升模型在实际应用中的表现。

综上所述，本文通过构建一个包含多种耦合因素的大坝响应数据集，提出了基于Mamba模型的多任务数据重建框架，并系统评估了其在不同条件下的性能。研究结果表明，Mamba模型在数据重建任务中表现出色，能够高效捕捉复杂非线性响应，并展现出良好的抗噪能力。这一成果不仅为大坝健康监测提供了新的方法，也为深度学习模型在结构监测领域的应用奠定了基础。未来，随着研究的深入，Mamba模型有望在更广泛的工程场景中得到应用，并为大坝安全评估和灾害预警提供更加可靠的数据支持。