利用数据驱动方法实时区分土石坝中由水库蓄水引起的渗漏和由降雨引起的渗漏

《Journal of Hydro-environment Research》：Real-time separation of reservoir-induced and rainfall-induced seepage in earth-rock dams using data-driven methods

实时动态分离大坝渗漏的双源成分研究，提出基于降雨强度分段的1DGAN数据增强与CGO-TBA深度学习模型，有效识别9-12天关键滞后期，验证显示分离精度与有限元模拟高度一致。

　　

谢志文|陈亮|顾艳|刘瑞阳|罗汉轩

中国南京河海大学土木与交通工程学院，邮编210098

摘要

传统的土石坝渗流监测系统难以动态区分由水库水位变化引起的主渗流成分和由降雨引起的次渗流成分。在强降雨事件中，这通常会导致监测到的渗流值突然激增，使得数据无法有效用于评估大坝的渗流控制效果。本研究提出了一种数据驱动的实时分离框架：(1)根据降雨强度对监测数据进行分段；(2)使用1DGAN来缓解数据稀缺问题；(3)构建一个结合了CGO的TCN-BiLSTM-Attention模型（1DGAN-CGO-TBA），以建立水库水位与主渗流之间的映射关系；(4)利用SHAP可解释性分析确定关键滞后期（9-12天）。在丹江口水利枢纽的验证表明：(i)1DGAN生成的数据与原始分布高度吻合（平均JS散度=0.036，15/20个特征被评为“优秀”）；(ii)预测精度显著提高（WQE指标相比非增强模型有显著降低）；(iii)分离结果与有限元方法模拟结果高度一致（平均差异<0.031，LoA宽度通常<0.19）。该框架首次实现了降雨-水库耦合渗流成分的实时动态分离，为极端降雨条件下的大坝安全评估提供了新的范式。

引言

渗流是土石坝失稳的关键因素，因此对其监测对于大坝安全评估至关重要。现场观察表明，渗流包含两个不同的成分：由水库水位变化引起的主渗流，以及由降雨渗透引起的次渗流。主渗流起源于水库，并通过大坝的基础和内部区域形成相对稳定的流场。这一成分决定了大坝的长期稳定性，因为过高的渗流压力可能引发严重的破坏机制，如管涌或深层土壤和基础的内部侵蚀（Chi等人，2024年；Wang等人，2024年）。相比之下，次渗流源于雨水渗透到大坝表面和相邻的河岸。它主要影响表层和浅层区域，产生瞬态孔隙水压力和快速排水激增，尤其是在强降雨期间（Yu等人，2023年；Zhang等人，2025年）。这些瞬态条件可能引发短期不稳定性，包括浅层边坡失稳。

一个关键挑战是，传统的监测堰仅能捕捉到复合流的总排放量（Fang等人，2022年）。这种整合掩盖了各个成分的单独贡献，从而严重阻碍了评估水库引起的渗流对核心/基础性能及整个不透水系统效果的具体影响。方法上，当前研究主要关注三种方法：实验方法、数值模拟和机器学习。然而，在区分主渗流和次渗流方面仍存在重大局限。

在实验方法中，渗流路径的识别已达到厘米级精度。然而，主渗流与次渗流的分离仍然依赖于理想化的对比实验。Khalil等人（2024年）结合了自电位法和2D电法以及水位数据来定位Standing Rock大坝的主要渗流路径；Lee等人（2007年）使用15次示踪试验来确定Nakdong河流域填石坝中的优先渗流区域；Dong等人（2016年）利用多示踪剂交叉验证和挖掘证据确认Sanlizhuang大坝的泄漏点。Chen等人（2017年）提出了一种双管光纤布拉格光栅（FBG）分布式传感系统，提高了异质渗流场监测的空间分辨率。Unal等人（2007年）通过长期水文测量研究了土耳其大坝的泄漏情况，注意到泄漏量随水位的变化。尽管取得了这些进展，现有实验主要关注综合渗流效应，由于难以在野外环境中复制多因素相互作用，因此很少努力区分由水库水位变化或降雨引起的成分。

数值模拟显著推进了对渗流机制的理解。大坝渗流计算通常采用经典/改进的渗流理论结合数值/分析方法（Larese等人，2015年）。例如，有限元分析将渗流问题转化为可求解的公式（Johari和Heydari，2018年；Ye等人，2017年）。Chen等人（2011年）将Duncan-Chang模型与抛物线变分不等式相结合，模拟了水布垭混凝土面板填石坝的变形-渗流过程；Zhang和Chen（2006年）使用非饱和-饱和渗流理论重建了Gehou大坝的管涌侵蚀；Chen等人（2018年）开发了一种改进的节点虚拟流方法，用于高精度3D渗流建模。Feng等人（2025年）构建了一种改进的Sparrow Search算法–支持向量回归模型（ISSA-SVR）（Tian等人，2024年），将渗流系数反演误差降至5%以下。然而，仍存在固有的瓶颈：有限元方法和平滑粒子流体动力学方法（SPH）（Bui和Nguyen，2021年）需要精细的网格离散化，降低了计算效率（Johari和Talebi，2019年；Cheng等人，2020年；Tian等人，2017年；Leshchinsky等人，2015年；Xu等人，2005年；Moayedi等人，2011年），且水位波动的网格重建阻碍了水库/降雨引起的渗流的实时分离。

机器学习提供了一个有前景的范式。其毫秒级的响应速度和多源特征分离能力符合主渗流与次渗流分离的需求，但应用仍主要停留在理论阶段。Xu和Wu（2022年）结合了主成分分析（PCA）和非支配排序遗传算法II（NSGA-II）来提高非饱和渗流参数的识别精度；Rehamnia等人（2024年）展示了具有周期性因素的通用回归神经网络（GRNN）（Kim等人，2025年）能够实现高精度的渗流预测；Zhou等人（2024年）通过混沌雀算法优化了径向基函数神经网络（RBFNN），将渗透率映射到孔隙水压力。Ishfaque等人（2024年）使用循环神经网络（RNNs）挖掘水文时间相关性以进行动态渗流预测。此外，可以通过滞后函数建模水库/降雨对渗流的影响（Wei等人，2018年），以提高预测精度（Zhang等人，2021年）。He等人（2021年）应用贝叶斯网络研究土石坝渗流；Shi等人（2020年）开发了一个基于径向基函数（RBF）的建模系统，明确考虑了时间滞后效应；Ren等人（2020年）使用果蝇算法优化了SVM超参数，用于量化滞后的渗流分析。然而，现有的机器学习研究主要集中在渗流预测、参数反演或异常检测上，忽略了水库/降雨引起的成分的动态分离——特别是结合时间序列分解和多源输入（水位/降雨/地下水位）的实时分离模型。

文献分析显示，传统实验受到物理条件的限制，数值方法存在计算效率低的问题，阻碍了渗流的实时分离。虽然机器学习在相关任务中显示出潜力，但其应用于动态分离的研究尚未充分探索。为了解决这个问题，本研究根据降雨强度/持续时间对大坝渗流进行分段，并利用低降雨期数据。1D生成对抗网络（1DGAN）缓解了分段后的数据稀缺问题。时间卷积网络（TCN）、双向LSTM（BiLSTM）、注意力机制和混沌博弈优化（CGO）被集成在一起，构建了一个主渗流预测模型，通过深度学习实现主渗流/次渗流成分的实时分离。

在这一引言之后，第2节描述了所提出框架的方法论。第3节介绍了案例研究和模型实现。第4节讨论了所提出方法的通用性和更广泛的应用性。最后，第5节总结了本研究的结果。

章节摘录

主渗流与次渗流分离方法

从土石坝监测堰测得的排放量主要受上游水库水位控制；然而，由于降雨强度和持续时间的不同，会出现突然的激增。降雨的影响表现出显著差异：在轻降雨或短持续时间事件中，测量值不受影响，而在强降雨或长时间降雨期间，排放量会显著增加（Su等人，2021年）。

堰测量数据分为两组：受降雨影响和不受降雨影响的

项目概况和监测数据

丹江口水利枢纽位于湖北省丹江口市，大约在汉江和丹江交汇点下游800米处，管理着95,200平方公里的流域。这一关键基础设施实现了防洪、供水、发电和通航功能。作为南水北调中线工程的主要水源，丹江口水库是一个大型（I型）水库，其储水量为

关于通用性的讨论

尽管本研究以丹江口土石坝为具体案例，但所提出的1DGAN-CGO-TBA框架具有内在的通用性，适用于其他类型的大坝和多样的水文条件。本节旨在阐明该框架的普遍原理及其可能的扩展方向。

该框架的核心优势在于其模块化设计，每个子模块都解决了岩土工程中的常见问题

结论

渗流监测对于土石坝的安全评估至关重要，可以定量评估渗流的安全性能；然而，由于下游堰测量中同时存在主渗流和次渗流，分析变得复杂。本研究提出了一种数据驱动的方法，用于实时分离主渗流和次渗流，通过数据分段建立了1DGAN-CGO-TBA主渗流预测模型。然后通过

CRediT作者贡献声明

谢志文：撰写 – 审稿与编辑，撰写 – 原始草稿，方法论。陈亮：资金获取，数据管理。顾艳：撰写 – 审稿与编辑。刘瑞阳：可视化。罗汉轩：可视化。

利益冲突声明

作者声明没有利益冲突。

致谢

感谢国家自然科学基金联合基金项目（项目编号U24A20171）的支持。