CN117787504B 一种凌汛期堤防渗流险情演化过程预测方法 （天津大学）

一种凌汛期堤防渗流险情演化过程预测方法本发明公开了一种凌汛期堤防渗流险情演凌汛期堤防渗流险情演化过程预测应用。第一据双驱动实现凌汛期堤防渗流险情演化过程预2步骤2、辨识凌汛期堤防渗流险情随时间的演化机制：采析气温变化对土体冻融深度的影响，结合步骤2所得的凌汛期堤防渗流险情随时间的演化建立凌汛期不同冻土条件下堤防渗流稳定性流固耦合测的典型凌汛洪水与堤防渗流险情变化过程的对比计算结果与步骤3的原型监测数据分析滑塌即边坡位移险情以及安全系数的时空(x,y,t)演化特征，基于原型监测与数值模拟构基于物理机制仿真结果构建的堤防渗流险情演化预测样本集合{X,Y}作为数据驱动，运用时空图卷积神经网络对多因子耦合驱动下堤防渗流险情演化机制进行学习训练和深度识3采用基于注意力机制优化的时空图卷积神经网络实现堤防剖面渗流险情短时变化特步骤8、凌汛期堤防渗流险情演化过程预测应用：按照述步骤1中，采用重标极差分析法R/S计算凌汛期堤防渗流险情相关时间序列的Hurst指数述基于注意力机制优化的时空图卷积神经网络包括两部分：(1)时空图卷积神经网络4态生成的对应于三组空间特征提取组件SAtt-时间特征提取组件TAtt的不同连接权重t-1t-1]+bu)t-1]+br)-1)]+bc)t5演化过程的智能预测模型实现凌汛期堤防渗流险情演6化分析气温变化对土体冻融深度的影响，结合步骤2所得的凌汛期堤防渗流险情随时间的性分析建立凌汛期不同冻土条件下堤防渗流稳定性流固耦型监测的典型凌汛洪水与堤防渗流险情变化过程的对比计算结果与步骤3的原型监测数据同涨落梯度洪水变化过程与不同冻土条件即冻土深度及分层渗透系数的多种组合计算方侧边坡滑塌即边坡位移险情以及安全系数的时空(x,y,t)演化特征，基于原型监测与数值[0016]步骤7、建立基于物理一数据双驱动的凌汛期堤防渗流险情演化过程智能预测模运用时空图卷积神经网络对多因子耦合驱动下堤防渗流险情演化机制进行学习训练和深[0017]采用基于注意力机制优化的时空图卷积神经网络实现堤防剖面渗流险情短时变7件X格式要求，准备凌汛期堤防渗流险情对应的关键驱动因子数据，将其作为模型输入条流险情原型监测数据规范整理堤防险情数据，所述堤防险情数据包括浸润线与边坡位移、征是不同时间不同空间区域里所表现的不同的特征，即指标值/特征值受到时间与空间差应的险情变化特征，通过n个堤段的特征对比或者Hurst指数和分形维数D的对比，找出差8骤2所得的凌汛期堤防渗流险情演化时间机制进行分析，揭示凌汛期堤防渗流险情多指标时间序列互动性差异特征及其动态变化规律，进一步明确堤防险情演化的关键驱动因子，SEEP/W模块是基于非饱和土力学理论的岩土工程和岩土环境数值模拟软件Geo_studio中9导曲线等可自定义也可使用软件内置典型土壤参数。SIGMA/W模块是Geo_Studio应力变形地基应力应变问题；SLOPE/W模块(Geo_Slope/W)是边坡稳定性计算方面的专业分析软件，以对不同土体类型、复杂地层和滑移面形状的边坡中的孔隙水压力分布状况进行建模分过原型监测的典型凌汛洪水与堤防渗流险情变化过程的对比计算结果与步骤3的原型监测时空(x,y,t)演化特征，从而基于原型监测与数值模拟构建凌汛期堤防渗流险情演化过程[0048]步骤7、建立基于物理_数据双驱动的凌汛期堤防渗流险情演化过程智能预测模运用时空图卷积神经网络对多因子耦合驱动下堤防渗流险情演化机制进行学习训练和深关性的能力，由此建立基于物理-数据双驱动的凌汛期堤防渗流险情时空演化过程的智能t-1t-1[0050]采用基于注意力机制优化的时空图卷积神经网络(ASTGCN)实现堤防剖面渗流险件X格式要求，准备凌汛期堤防渗流险情对应的关键驱动因子数据，将其作为模型输入条