用于高土石坝长期变形归因分析的可解释多分支时空融合网络

《ADVANCED ENGINEERING INFORMATICS》：Interpretable multi-branch spatiotemporal fusion networks for attribution analysis of high rockfill dam long-term deformation

　　

沉降变形是评价堆石坝行为的关键指标，也是结构健康监测的主要关注点。然而，由于高堆石坝长期变形的持续性特征，现有模型和工程经验往往无法定量解释这一现象。在基于物理先验知识解耦特征关系的同时准确预测变形并分析归因，仍然是一项具有挑战性的任务。针对这一问题，本研究提出了一种可解释的多分支时空融合网络，通过将变形解耦为具有不同物理含义的分量，并利用注意力机制输出各分量的贡献，从而量化长期变形的成因。首先，收集多点沉降变形、空间信息与环境特征作为初始数据，构建多分支输入图。随后，建立模型框架，每个时空分支由图卷积网络和长短期记忆网络组成。此外，在输入层嵌入双注意力机制，基于传感器位置生成空间注意力权重，基于多分支输入生成特征注意力权重，从而增强模型的可解释性。某高堆石坝的案例分析结果表明，所提模型在预测精度和鲁棒性方面具有显著优势。此外，通过多监测点的归因分析，模型从数据驱动的角度动态量化了不同环境因素在高堆石坝中的贡献，为工程决策提供了有价值的参考。

堆石坝凭借其固有的复杂地质条件适应性和经济性，已成为全球水电开发和水资源管理基础设施的关键组成部分[1][2][3]。这一类型的广泛应用体现于一系列世界级工程，包括已建成的大朝山水电站（247米）、两河口水电站（303米），以及在建的双江口水电站（315米）和鲁麦水电站（315米）。随着堆石坝高度和规模的增加，确保运行安全成为首要工程挑战[4]。在众多监测指标中，变形是对大坝结构健康与运行状态最直观、最全面的反映[5][6]。因此，精确监测和可靠分析变形行为对于确保这些巨型工程长期安全至关重要[7][8]。

随着传感器技术的快速发展，在水利工程领域利用结构监测系统收集的数据进行结构健康评估已成为普遍趋势[9][10]。然而，传统数据分析方法往往难以刻画高堆石坝变形，主要原因是其行为受水压、材料蠕变和环境波动等复杂非线性交互作用支配[11][12][13]。长期监测数据表明，对于大量堆石坝而言，即使运行多年，变形仍持续累积且无收敛迹象[14][15][16]。观测到的蠕变持续时间和幅度与稳定运行期的理论预期存在显著偏差，这与全球学者达成的共识相悖[17]。在复杂环境波动下，这种持续变形会导致大坝异常行为乃至潜在破坏，引发重大经济损失和生态环境灾难等严重后果[18][19][20][21]。因此，开展长期变形归因分析已成为揭示这种非收敛异常背后机理的紧迫任务。

变形分析方法的发展大致可归纳为三种范式：统计或物理模型、数据驱动模型以及物理-数据融合模型。早期，传统统计模型如水压-季节-时间（HST）模型[22]以及确定性有限元方法（FEM）[23][24]主导了该领域。虽然这些方法具有物理直观性，但过度依赖简化的线性假设或固定参数，往往无法捕捉高堆石坝的复杂非线性行为，导致变形拟合产生显著偏差[25][26][27][28][29]。随后，机器学习的进步，特别是深度学习，引入了数据驱动模型，其具有优越的特征提取能力，显著提高了变形预测精度[30][31][32][33][34][35][36]。然而，这些模型固有的不透明特性缺乏物理可解释性，引发了对物理一致性、机理可解释性和预测可靠性的担忧，从而阻碍了模型在安全决策中的可信度[37][38]。近期，物理-数据融合模型作为一种变革性范式应运而生，弥补了这些根本性局限[39]。通过建立将领域知识、物理定律和积累的科学见解直接融入数据驱动学习架构的原则性框架，这些模型能够阐明复杂的数据关系并提供合理解释[40][41][42][43]。

尽管物理-数据融合作为前景广阔的研究前沿已经出现，但该领域仍缺乏有效机制来实现领域知识与深度学习的结合。现有框架通常采用松耦合策略，即串行结构，其中神经网络仅用于补偿统计或物理模型的残差[44][45][46][47]。虽然这种策略提高了总体精度，但串行隔离将模型限制在单向信息流中，并将物理信号泄漏到残差中，不可避免地导致不纯的归因结果[26][48]。另一种有前景的方法涉及部署物理信息神经网络（PINNs），旨在将物理定律直接嵌入学习过程[49][50][51]。然而，对于此类非均质堆石材料，精确定义偏微分方程（PDEs）的复杂性严重阻碍了该方法的实际实施。此外，研究人员将有限元模拟结果作为物理约束集成到深度学习架构中[52]。通过显式考虑物理机理，这些混合模型实现了全面的结构分析，有助于精确识别堆石坝中的高风险区域[53][54][55]。然而，尽管具有严格的地质力学基础和边界条件，这些方法本质上仍受限于需要大量计算开销和累积误差的本构模型。为弥补这一差距，由机理引导的架构融合提供了一种 compelling 的替代方案，通过将经典的大坝变形原理映射到多分支神经架构上，有效地最小化了物理驱动因素之间的信息干扰，并提高了计算效率，从而在堆石坝变形归因分析方面具有巨大潜力[56]。

在追求模型透明度的过程中，研究努力已从事后解释发展到内在可解释性机制[37]。事后解释方法中，基于博弈论的SHapley加性解释（SHAP）被广泛用于量化环境因素对大坝的贡献[57][58]。然而，这些方法无法揭示模型内部逻辑，仅提供静态解释，难以捕捉水荷载随时间变化的影响，从而使得解释在安全评估中缺乏说服力。近年来，注意力机制作为一种优越工具脱颖而出，能够在神经网络中动态分配输入特征的权重，从而识别环境因素中的主导驱动因素，提供更加令人信服的解释[59]。然而，当前大坝监测中使用的标准注意力模块通常仅作用于单一尺度，缺乏同时解耦多个环境变量时空效应的能力。

综上所述，为提高高堆石坝变形预测精度并为大坝长期变形归因分析提供合理结果，本研究提出了一种可解释的多分支时空注意力网络（MBSTAN）。本文的主要贡献包括：
- 开发了一种新的预测框架MBSTAN，用于高堆石坝变形的安全监测。该模型为水压、老化、热效应等因素分配独立特征提取分支，以实现环境效应的显式解耦并确保物理驱动因素的独立表征。
- 构建了包含空间注意力和特征注意力的嵌入式双注意力机制，赋予模型内在可解释性。空间注意力机制捕捉监测点之间的空间依赖关系，而特征注意力层动态量化不同环境驱动因素的贡献权重。
- 开发了基于物理先验的时空融合模块，以挖掘高堆石坝变形中的时空依赖关系。通过将此机制嵌入所提框架，模型在高堆石坝案例研究中展现出优于现有基线的预测精度和可解释能力，证明了其在复杂工程安全监测中的实用价值。

本研究其余部分组织如下：第2节介绍MBSTAN的方法，包括多分支神经网络、时空融合、双注意力机制和模型框架；第3节提供项目条件和数据集准备；第4节呈现对比实验结果，讨论效果和指标；第5节概述所提模型的数据驱动可解释性结果，推进对大坝变形归因的理解；第6节总结本研究。

**物理解耦的多分支神经网络**

为增强可解释性结果与物理机理之间的一致性，本研究提出了物理解耦的多分支神经网络。其核心理念是将复杂非线性的大坝变形过程从单一映射解构为四个具有明确物理语义的并行子过程。该框架包含三个关键组件：物理特征路由模块、多分支时空编码模块以及物理分量聚合模块。

**项目概况**

SBY电站项目是清江梯级开发的核心枢纽，位于中国湖北省。它目前是全球最高的已建混凝土面板堆石坝（CFRD），最大坝高233米，坝顶高程409米，坝顶长674.66米，坝顶宽12米。坝体结构从上游到下游由五个主要填筑区组成：垫层区、过渡区、主堆石区、次堆石区和下游堆石区。

**不同模型性能对比**

为评估MBSTAN在高堆石坝变形预测方面的优越性，将其与四个基线模型进行对比：NeuralProphet、LSTM、GRU以及季节-趋势分解LSTM（STL-EMD）。此外，设计了消融研究以量化特定可解释性模块的贡献，引入了如去除特征注意力层的模型（MBST-SAN）、去除图注意力网络的模型（MBST-FAN）、使用传统HST作为输入的模型（HST-MBSTAN）等变体。

**特征归因分析**

为阐明环境驱动因素对大坝变形的动态归因，图13展示了2007年至2024年不同运行阶段各监测点特征注意力权重的时间演化。宏观来看，注意力机制展现出对全局物理状态的动态适应能力，在所有监测点持续将时间效应和上游水位识别为主要驱动力。

具体而言，水位起着主导作用……

**结论**

本文聚焦于高混凝土面板堆石坝（CFRD）的精确长期变形预测，同时阐明其背后的物理归因。通过融合多分支架构与双注意力机制，提出了一种新型可解释时空模型MBSTAN，有效协同了空间拓扑信息和环境驱动特征。MBSTAN的性能和可解释性通过在SBY项目中的应用得到验证。主要结论……

**CRediT作者贡献声明**

Zijian Wang：写作——审稿与编辑、写作——初稿、可视化、软件、方法学、调查研究、形式化分析、数据管理。Gang Ma：写作——审稿与编辑、监督、软件、项目管理、方法学、调查研究、经费获取、概念构思。Aodi Yang：写作——审稿与编辑、验证、数据管理。Qianru Ding：写作——审稿与编辑、验证。Kun Xiong：。Wei Zhou：资源、经费获取。

**利益冲突声明**

作者声明他们不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。

**致谢**

本工作得到了国家自然科学基金的资助（批准号：52322907，52579134，U23B20149）。本文中的数值计算是在武汉大学国家超算中心的超算系统上完成的。

Zijian Wang | Gang Ma | Aodi Yang | Qianru Ding | Kun Xiong | Wei Zhou