基于霜冰优化算法和CNN-Attention-BiLSTM模型的尾矿坝位移预测:以云南省怒江州尾矿库为例

王泽业; 袁利伟; 杨四美; 李素敏; 和树华; 罗攀伟

doi:10.12404/j.issn.1671-1815.2507296

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (17) :7534-7544 DOI: 10.12404/j.issn.1671-1815.2507296

环境科学、安全科学

基于霜冰优化算法和CNN-Attention-BiLSTM模型的尾矿坝位移预测:以云南省怒江州尾矿库为例

王泽业 ¹ ,
袁利伟 ¹^,^* ,
杨四美 ² ,
李素敏 ³ ,
和树华 ² ,
罗攀伟 ²

作者信息 +

Prediction of Tailings Dam Displacement Based on RIME Optimization Algorithm and CNN-Attention-BiLSTM Model: Tailings Pond in Nujiang Prefecture, Yunnan Province

WANG Ze-ye ¹ ,
YUAN Li-wei ¹^,^* ,
YANG Si-mei ² ,
LI Su-min ³ ,
HE Shu-hua ² ,
LUO Pan-wei ²

Author information +

文章历史 +

摘要

为实现对尾矿坝位移的精准预测,针对目前预测中存在的数据预处理粗糙、特征选择不准确、模型参数欠优及组合模型预测效果较差的问题,提出一种基于霜冰优化算法(rime optimization algorithm,RIME)和卷积神经网络(convolutional neural network,CNN)-注意力机制(Attention)-双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)相结合的尾矿坝位移预测模型。首先运用自适应噪声完备集合经验模态分解算法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将坝体累计位移分解为趋势项位移和波动项位移,并利用优化高斯过程回归(improved Gaussian process regression,IGPR)模型预测趋势项位移;其次通过随机森林(random forest,RF)-斯皮尔曼(Spearman)融合的特征选择方法,筛选出4个关键特征因子作为使用RIME参数优化的CNN-Attention-BiLSTM模型的输入,波动项位移为输出;最后将IGPR趋势项预测结果与RIME-CNN-Attention-BiLSTM波动项预测结果叠加得到尾矿坝累计位移。以云南省某尾矿坝为例进行实例验证,结果表明:坝体累计位移预测结果R²为0.997,MAE为0.546 mm,RMSE为0.628 mm,与真实值基本一致,误差小。可见所提方法预测精度高,能够显著提高对坝体复杂位移变化情况的预测水平,为尾矿坝安全预警以及决策提供依据。

Abstract

To achieve precise prediction of tailings dam displacement and address existing issues such as rough data preprocessing, inaccurate feature selection, suboptimal model parameters, and poor prediction performance of combined models, a novel prediction model integrating the rime optimization algorithm (RIME) and the convolutional neural network (CNN)-Attention-BiLSTM model was proposed. Firstly, the cumulative displacement of the dam body was decomposed into trend and fluctuation displacements using the complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) algorithm. The trend displacement was then predicted using the improved Gaussian process regression (IGPR) model. Subsequently, four key feature factors were selected through a feature selection method combining random forest (RF) and Spearman correlation, and these factors were used as the input for the CNN-Attention-BiLSTM model optimized by RIME parameters, with fluctuation displacement as the output. Finally, the cumulative displacement of the tailings dam was obtained by superimposing the trend prediction results from IGPR and the fluctuation prediction results from the RIME-CNN-Attention-BiLSTM model. The model was validated using a tailings dam in Yunnan Province, China. The prediction results show that the coefficient of determination (R²) is 0.997, the mean absolute error (MAE) is 0.546 mm, and the root mean square error (RMSE) is 0.628 mm, indicating a high degree of consistency with the actual values and minimal error. These results demonstrate that the proposed method has high prediction accuracy and can significantly improve the prediction of complex displacement changes in the dam body, providing early warnings and decision-making support for tailings dam safety.

Graphical abstract

关键词

位移预测 / 霜冰优化算法(RIME) / 卷积神经网络(CNN) / 注意力机制(Attention) / 双向长短期记忆网络(BiLSTM)

Key words

displacement prediction / rime optimization algorithm (RIME) / convolutional neural network (CNN) / attention mechanism (Attention) / bidirectional long short-term memory (BiLSTM)

引用本文

引用格式 ▾

王泽业, 袁利伟, 杨四美, 李素敏, 和树华, 罗攀伟. 基于霜冰优化算法和CNN-Attention-BiLSTM模型的尾矿坝位移预测:以云南省怒江州尾矿库为例[J]. 科学技术与工程, 2026, 26(17): 7534-7544 DOI:10.12404/j.issn.1671-1815.2507296

WANG Ze-ye, YUAN Li-wei, YANG Si-mei, LI Su-min, HE Shu-hua, LUO Pan-wei. Prediction of Tailings Dam Displacement Based on RIME Optimization Algorithm and CNN-Attention-BiLSTM Model: Tailings Pond in Nujiang Prefecture, Yunnan Province[J]. Science Technology and Engineering, 2026, 26(17): 7534-7544 DOI:10.12404/j.issn.1671-1815.2507296

登录浏览全文

4963

注册一个新账户忘记密码

作为矿山生产的核心设施,尾矿坝的安全与下游生态环境和人民生命财产安全密切关联^[1]。位移是影响坝体安全的关键因素,直接反映出该尾矿坝的运行状态,因此构建可靠、高精度的尾矿坝位移预测模型对保障坝体安全运行具有重要意义。尾矿坝坝体位移呈现典型的多场耦合作用机制,受水文地质条件、材料特性及外部环境荷载等作用影响,是一个具有多尺度效应的非线性系统,增加了对其预测的难度^[2]。

目前基于多模型组合的深度学习位移预测主要聚焦于滑坡和边坡,曾子健等^[3]利用CRITIC(criteria importance though intercrieria correlation)赋权法-粒子群算法(partical swarm optimization,PSO)-支持向量回归(support vector regression,SVR)相结合的模型实现对滑坡位移的有效预测。Song等^[4]将经验模态分解(empirical mode decomposition,EMD)、改进PSO和长短期记忆神经网络(long short-term memory,LSTM)模型结合从而提高了滑坡位移的预测精度。许江波等^[5]提出了一种基于最大信息系数(maximal information coefficient, MIC)-极端梯度提升(extreme gradient boosting,XGBoost)-LSTM的组合模型,并成功准确预测了边坡的位移。Wang等^[6]将细菌觅食优化算法(bacterial foraging optimization algorithm,BFOA)结合最小二乘支持向量机(least squares support vector machine,LSSVM)的多变量时间序列预测模型应用于位移预测,结果表明预测结果准确,能够实现边坡风险的预测和预警。与滑坡和边坡的位移预测研究现状相比,针对尾矿坝的预测模型相对较少,且结构较为简单,难以适应尾矿坝位移预测所面临的复杂情况。近年来,开始有学者探索将多模型组合的深度学习预测模型应用在尾矿坝的位移上。杨玉好等^[7]提出结合多头注意力机制(multi-head attention mechanism,MHA)-双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)的位移预测模型。Liu等^[8]采用主成分分析(principal component analysis,PCA)和移动平均(moving average,MA)分别与LSTM相结合,得到LSTM-PCA和LSTM-MA两种耦合预测模型,研究结果表明多模型组合模型的预测效果较以往模型预测能力明显提高。使用复杂模型进行预测时模型参数的选择非常重要,因此朱明远等^[9]建立了粒子群优化算法结合支持向量机的深度学习模型,并应用在大坝的变形预测上。刘迪等^[10]将改进麻雀搜索算法(multi strategy improved sparrow search algorithm,MISSA)、卷积神经网络(convolutional neural networks,CNN)和BiLSTM 3种模型结合用来预测坝体位移。两位学者将优化算法结合到模型中提高了模型参数选择和预测的准确性。尾矿坝位移数据的预处理直接影响模型的最终预测效果,所以有学者引入算法对数据进行预处理。Zhu等^[11]提出基于EMD-LSTM-注意力机制(attention mechanism,Attention)的长期变形预测方法。唐宇峰等^[12]将改进自适应噪声完备集合经验模态分解算法(improved complete ensemble empirical model decomposition adaptive noise,ICEEMDAN)和麻雀搜索优化算法(sparrow search algorithm,SSA)-LSTM-Attention模型相结合,对尾矿坝位移进行预测。Hao等^[13]融合自适应噪声完备集合经验模态分解算法(complete ensemble empirical model decomposition adaptive noise,CEEMDAN)-鲸鱼优化算法(whale optimization algorithm,WOA)-Elman神经网络,得到一种混合区间预测模型。三位学者的研究都证明经过对数据预处理后再预测能够充分提高预测精度。上述学者都在尾矿坝位移预测方面取得了很好的进展,但是目前针对尾矿坝位移的预测仍普遍存在数据预处理粗糙、特征选择不准确、所选参数不能充分发挥模型能力、组合模型预测效果较差、没有同时兼顾上述不足等问题。

鉴于此,现首先针对数据预处理问题,使用CEEMDAN将坝体累计位移分解为趋势项位移和波动项位移,降低原始数据的复杂程度,并利用优化高斯过程回归(improved Gaussian process regression,IGPR)模型预测趋势项位移。因为模型的特征输入对预测结果的影响重大,所以为防止特征选择不准确,提出随机森林(random forest,RF)-斯皮尔曼(Spearman)相融合的特征选择方法,通过学习坝体位移和各特征因子之间复杂的非线性关系筛选出4个关键特征因子作为后续波动项位移模型的输入。深度学习模型参数的选取是最关键的环节,所以使用具有多方面优势的霜冰优化算法来选取模型各部分关键参数,以确保组合模型发挥最佳性能,组合模型搭建框架为CNN-Attention-BiLSTM。首先使用CNN模块进行输入特征的信息提取;最后连接Attention模块学习提取信息的重要性,聚焦关键部分并给予高权重后输入BiLSTM模块,该模块具有双向的强时序学习能力;使用RIME-CNN-Attention-BiLSTM组合模型对波动项位移进行预测,并将趋势项预测结果与波动项预测结果叠加得到尾矿坝累计位移。所提出分解-预测-重构的试验思路,兼顾目前位移预测中普遍存在的问题,并通过实例证明该方法的可行性和组合模型的适用性,以期实现对尾矿坝位移的精准预测,为尾矿坝安全提供预警以及决策提供依据。

1 方法与模型

1.1 基于时间序列的CEEMDAN分解

CEEMDAN是在EMD的基础上改进而来的信号分解方法,传统EMD方法易因不同频率分量混杂在同一本征模态分量(intrinsic mode function, IMF)中导致分解失真,而CEEMDAN通过引入自适应高斯白噪声和集成平均策略,有效抑制模态混叠并提高分解鲁棒性^[14]。其核心思想是:通过多次向原始信号添加自适应噪声并分解,对分解结果进行集成平均,从而消除噪声干扰并保留信号的真实特征。

1.2 霜冰优化算法(RIME)

RIME算法是Su等^[15]受自然界霜冰的形成和生长的启发而提出的优化算法,并将该算法与常见的鲸鱼优化算法、PSO算法等多达10余种优化算法比较,最后证明了RIME算法具有强大的全局优化和局部调整等性能方面的优势。以下是具体的步骤和公式原理。

步骤1 初始化霜冰种群阶段。首先,初始化霜冰种群的集合R,每个霜冰晶体S_i在被赋予一个初始位置和适应度后随机生成,代表一组待优化参数的候选解。

(1)R=$\left[\begin{array}{l}{S}_{1}\\ {S}_{2}\\ \mathrm{︙}\\ {S}_{I}\end{array}\right]$; S_i=[$\begin{array}{c}{x}_{i1},{x}_{i2},\dots,{x}_{ij}]\end{array}$

(2)R=$\left[\begin{array}{llll}{x}_{11}& {x}_{12}& \dots & {x}_{1j}\\ {x}_{21}& {x}_{22}& \dots & {x}_{2j}\\ \mathrm{︙}& \mathrm{︙}& \mathrm{ }& \mathrm{︙}\\ {x}_{i1}& {x}_{i1}& \dots & {x}_{ij}\end{array}\right]$

式中:i为霜冰晶体序号;j为霜冰颗粒序号;x_ij为霜冰晶体i中的第j个霜冰颗粒,即某个最优候选解中的一个参数。

步骤2 软霜冰搜索策略阶段。模拟现实中软霜冰在低风速条件下能够随机并广泛生长的特点,提出一种软霜冰搜索策略,该策略用于实现RIME算法的全局寻优,有助于在早期的迭代过程中快速覆盖整个解空间,降低陷入局部最优解的概率^[16]。霜体的位置更新原理如式(3)所示。

(3)$\left\{\begin{array}{ll}{R}_{ij}^{\mathrm{n}\mathrm{e}\mathrm{w}}={R}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t},j}+{r}_{1}\mathrm{\beta }\mathrm{c}\mathrm{o}\mathrm{s}\mathrm{\theta }\left[\mathrm{h}\right(U{\mathrm{b}}_{ij}-L{\mathrm{b}}_{ij})+L{\mathrm{b}}_{ij}]& \\ {r}_{2}<\mathrm{E}& \mathrm{ }\end{array}\right.$

式(3)中:${R}_{ij}^{\mathrm{n}\mathrm{e}\mathrm{w}}$为更新后粒子的新位置;R_best,_j为霜冰种群R中最佳霜冰晶体即最优候选解的第j个霜冰颗粒;r₁为取值(-1,1)的随机参数,cosθ为随着迭代次数而改变的参数,两者一起控制着霜冰颗粒的移动;β为代表外部影响因素的环境因子;h为(0,1)范围内的一个随机数,表示粒子黏附度,用来控制霜冰粒子之间的距离;Ub_ij和Lb_ij分别为霜冰粒子运动空间即解空间的上界和下界;r₂为取值(0,1)的随机参数;E为黏附系数,随着迭代次数的增加而增加,两者控制着霜冰粒子位置的更新。

步骤3 硬霜冰穿刺机制阶段。模拟现实中硬霜冰在强风速条件下能够快速向同一方向聚集,不同霜体间频繁交互霜粒的特点,提出一种硬霜冰穿刺机制,该机制用于实现RIME算法的局部搜索,让其在已知的最优解附近进行更精确的搜索。霜粒的交互原理如式(4)所示。

(4)$\left\{\begin{array}{l}{R}_{ij}^{\mathrm{n}\mathrm{e}\mathrm{w}}={R}_{\mathrm{b}\mathrm{e}\mathrm{s}\mathrm{t},j}\\ {r}_{3}<{F}^{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}\mathrm{r}}\left({S}_{i}\right)\end{array}\right.$

式(4)中:r₃为取值(-1,1)的随机参数;F^normr(S_i)为当前霜体经过归一化后的适应度值,即第i个霜体被选中的概率。

步骤4 正贪婪选择机制阶段。为了提高RIME算法全局解的质量,确保霜冰种群在每次更新中都朝着最优的方向演变,提出了一种正贪婪选择机制。具体原理为对比迭代前后霜冰晶体的适应度,若迭代后的适应度优于迭代前,则发生替换,使用迭代后的值。

1.3 卷积神经网络(CNN)

CNN是由Hubel等^[17]提出的一种目前广泛使用的深度前馈神经网络模型。因为CNN能进行卷积计算,所以具备强大的数据特征提取与整合的能力,核心思想是通过卷积核的权值共享与局部感知的能力,充分学习输入变量间的内在关系并聚焦显著特征。其结构包括输入层、卷积层、激活层、池化层和输出层,核心部分为卷积层。

1.4 注意力机制(Attention)

注意力机制的发明来源于人类的视觉注意力系统,其允许模型在处理输入数据时,自动识别并聚焦于对当前任务最重要的元素,而非对所有输入数据一视同仁,通过为每个输入元素动态分配权重,反映其对任务的相关性,从而实现对输入数据的加权处理^[18]。这种选择性关注的能力在处理长序列数据时尤为关键,因为它不仅能够减轻计算负担,还能显著提高模型的效率和预测的准确性。

1.5 双向长短期记忆网络(BiLSTM)

LSTM由循环神经网络(RNN)改进而来,其结构包括输入门、输出门和遗忘门,正是由于这些独特的门结构使得LSTM有效地解决了RNN中的存在的梯度消失和爆炸的问题^[19]。LSTM在处理数据序列时仅使用前向传播的方式,存在一定的弊端,所以扩展出了BiLSTM模型。BiLSTM由两个方向的LSTM模型组成,分别按照正向和逆向处理序列,因此能够充分读取过去和未来数据信息,更全面捕获数据中的时序特征,增强预测的准确性。

1.6 模型评价指标

为评估预测模型的性能,采用平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R²)3种指标来评价模型的拟合效果和预测精度。这些指标分别从不同的角度评估预测值与真实值间的差异和一致性,能够全面反映模型的性能表现。计算公式如下。

(5)MAE=$\frac{1}{n}\sum _{i=1}^{n}\left|{y}_{i}-{y}_{i}^{\mathrm{*}}\right|$

(6)RMSE=$\sqrt{\frac{1}{n}\sum _{i=1}^{n}({y}_{i}-{y}_{i}^{\mathrm{*}}{)}^{2}}$

(7)R²=1-$\frac{\sum _{i=1}^{n}({y}_{i}-{y}_{i}^{\mathrm{*}}{)}^{2}}{\sum _{i=1}^{n}({y}_{i}{-\stackrel{-}{y})}^{2}}$

式中:y_i为第i个样本的实际值;${y}_{i}^{\mathrm{*}}$为第i个样本的预测值;$\stackrel{-}{y}$为实际值的平均值;n为样本总数。

2 模型构建与数据获取

2.1 模型网络结构

提出了RIME-CNN-Attention-BiLSTM的复杂模型,各模块的具体结构不同。RIME模型:用来寻找使模型充分发挥性能的超参数,包括学习率、批量大小、CNN中的卷积核大小以及滤波器的数量、BiLSTM单元数、Dropout率;两个CNN模型:每个CNN依次包括卷积层、批量归一化层、激活层、池化层;Attention模型:包括注意力层、扁平层;两个由BiLSTM层和Dropout层交替组成的BiLSTM模型;全连接层。CNN-Attention-BiLSTM的模型的总体结构如图1所示。

2.2 研究区与数据来源

以云南省怒江州某尾矿库为工程背景,对模型进行试验与性能验证。该尾矿库属于山谷型尾矿库,筑坝方式选用上游式,堆存方式为湿式堆存,库区地貌属构造剥蚀中等切割中山地貌,现状如图2所示。相关设计参数如下:初期坝为土石坝,高54 m,堆积坝高105 m,设计总坝高159 m。总库容5 548.97万 m³,有效库容4 439.17万 m³,库区面积1.45 km²,汇水面积12.05 km²,主要构筑物为2级,属二等库,服务年限约25年。此尾矿库已建立完善的在线监测系统,监测方法和项目分别为:使用渗压计监测浸润线,使用雷达液位计监测库水位、使用雨量计监测降雨量、使用全球导航卫星系统(global navigation satellite system,GNSS)监测位移。其中降雨量和库水位各设置1个监测点,浸润线设置3个监测点,监测点名称依次为浸润线1、浸润线2、浸润线3,坝体位移一共设置8个GNSS位移监测点,1~3号挡水坝各设置1个,回水坝设置1个以及主坝上设置4个,主坝4个监测点名称依次为1-1、2-1、2-2、2-3。为更好地对坝体进行预测,选取有效数据最多、监测时间最长的主坝2-2位移监测点详细分析,并从监测系统中提取2022年5月1日—2024年12月12日时间段的位移、浸润线、库水位和降雨量共933条数据作为试验数据,部分原数据如表1所示。因为GNSS数据存在一定误差,所以对明显偏离数据进行剔除,后采用分段三次Hermite插值(piecewise cubic Hermite interpolating polynomial, PCHIP)方法^[20]对空缺数据进行补充,共插值补全24条数据。

3 尾矿坝位移预测

3.1 位移数据分解

尾矿坝累积位移具有显著的非线性和非平稳性特征,直接对原始数据进行预测易受高频噪声与低频趋势的干扰,导致预测精度不足。为此,采用CEEMDAN对位移序列进行分解,以分离出表征坝体结构长期趋势的残差项和反映外界环境波动的多个IMF,从而降低数据复杂度。

尾矿坝位移数据进行CEEMDAN分解后得到1个残差项和8个IMF项,将残差项作为趋势项位移,IMF项之和作为波动项位移,如图3所示。

3.2 趋势项位移预测

尾矿坝趋势项位移反映了坝体在长期地质力学作用下的累积变形特征,其演化过程受坝体材料蠕变、基础沉降等时变因素的综合影响,表现出明显的线性变化特征。针对趋势项位移演化特性,提出一种优化高斯过程回归的预测方法,其在原高斯过程回归方法的基础上引入了滞后特征,提高了模型捕捉线性变化的能力^[21],原理如式(8)所示。

(8)f(x)~GP[m(x),k(x,x^*)]

式(8)中:f(x)为随机变量;GP(·)为高斯过程;m(x)为均值函数;k(x,x^*)为协方差函数(核函数)。

优化高斯过程回归预测模型训练集与测试集比例为8∶2,滞后阶数为14,预测结果决定系数R²为0.997 7,MAE为0.219 7,RMSE为0.260 2,如图4所示。

为体现优化模型优势,给出未优化模型与优化模型的预测结果对比图,如图5所示。未优化模型预测结果决定系数R²为0.972 7,MAE为0.718 7,RMSE为0.924 8。添加滞后特征后的预测模型较优化前R²提高了0.25,MAE和RMES分别降低0.499 0和0.664 6,可见优化后的模型能更加精准地预测尾矿坝的趋势项位移变化。

3.3 波动项位移预测

3.3.1 特征因子选择

输入特征对模型的预测效果有着重大影响,输入的特征因子冗余易使模型过拟合,而输入特征因子过少或与输出相关性弱则会导致模型难以捕捉到数据间的潜在关系,从而欠拟合。为了解决此类问题,提出了一种基于随机森林(random forest,RF)和斯皮尔曼(Spearman)相结合的特征因子选择方法,原理为先计算某特征的RF重要性系数和Spearman相关系数,并运用式(9)分别对其进行标准化,后取两个标准化系数的平均得到作为判断该特征重要性的综合标准化特征重要性系数。

(9)X_norm=$\frac{\left|{r}_{i}\right|}{\sum _{i=1}^{m}\left|{r}_{i}\right|}$

式(9)中:X_norm为标准化后的重要性系数;r_i为第i个特征因子标准化前的重要性系数;m为特征因子的个数。

随机森林由Leo Breiman提出,其在特征选择方面能够综合评估特征在决策树中的分裂程度、节点位置分布及预测贡献度等多维指标^[22]。运用RF进行特征因子选择时,其通过观测引入随机扰动前后特征的袋外数据误差的变化幅度来评价特征因子的重要性,重要性计算基准为MSE,各个特征因子的重要性数值越高表示该特征因子对波动性位移的贡献度越大,影响越深。原理如式(10)所示。

(10)X_importance=$\frac{1}{N}\sum _{i=1}^{N}\left|{E}_{ij}-{E}_{j}\right|$

式(10)中:X_importance为特征因子X的重要性系数;N为决策树样本数;E_ij为扰动后的袋外数据误差;E_j为扰动前的袋外数据误差。

斯皮尔曼特征选择法相较于传统的皮尔逊、肯德尔相关系数等分析方法,具有对数据是否服从正态分布不作要求、对数据异常值有更强鲁棒性、捕捉非线性但单调关系时表现更好等特点^[23]。Spearman相关系数值域位于[-1,1],正值表明正相关,负值表明负相关,数值越大表面关联性越强。原理如式(11)所示。

(11)r_s=1-$\frac{6\sum _{i=1}^{n}{d}_{i}^{2}}{n({n}^{2}-1)}$

式(11)中:r_s为斯皮尔曼相关系数;d_i为第i对观测值的等级差;n为观测值的对数。

运用RF-Spearman特征选择法从浸润线1、浸润线2、浸润线3、降雨量、上月降雨量、库水位、上月库水位共7个特征因子中选择对尾矿坝波动项位移影响最大的4个特征因子作为预测模型的输入,结果如图6和表2所示。从图6和表2中可看出,最终选择输入最终模型预测坝体波动项位移的4个特征因子依次为:浸润线2、浸润线3、库水位、上月库水位。浸润线埋深和库水位对坝体波动项位移影响非常显著,浸润线埋深改变会直接导致坝体有效应力重新分布,从而引起位移,库水位重要性则来自其对坝体的双重作用机制。降雨量相关特征因子重要性较低,分析其原因可能是由于降雨具有随机性,且降雨量监测位置与坝体位移监测位置存在偏离。

3.3.2 模型建立与参数选取

首先,将筛选出的4个特征因子作为RIME-CNN-Attention-BiLSTM模型的输入,尾矿坝波动项位移作为输出,训练集与测试集之比为8∶2。为消除不同数据间数值相差较大的影响,引入了Z-Score(zero-mean normalization)方法对数据进行标准化。Z-Score主要优势在于消除量纲差异,为数据分析和建模提供统一尺度,满足统计和深度学习算法的要求^[24],原理如式(12)所示。

(12)Z_i=$\frac{{X}_{i}-\mu }{\sigma }$

式(12)中:Z_i为标准化后的数据;X_i为原始数据;μ为原始数据均值;σ为原始数据标准差。

预测全程使用MATLAB2024构建多算法耦合模型,模型从开始到结束依次为输入层、两层CNN、注意力层、两层BiLSTM、全连接层以及输出层。训练模型优化器选用Adam,RIME优化算法的霜冰种群数量设置为25,最大迭代次数设置为30。RIME算法优化的参数及上下界分别为:学习率[0.000 1,0.01]、批量大小[16,128]、两层CNN的卷积核大小[1,6]、两层CNN的滤波器数量[8,128]、两层BiLSTM的单元数[8,256]、Dropout率[0.05,0.5],参数寻优结果如表3所示,将优化参数用于构建最终的深度学习模型,并对尾矿坝的波动项位移作出预测。

3.3.3 预测结果对比分析

运用构建好的RIME-CNN-Atteention-BiLSTM模型对尾矿坝的波动项位移进行预测,同时为了验证模型性能,选取了贝叶斯优化(BOA)-CNN-Atteention-BiLSTM、RIME-CNN-Atteention、RIME-CNN-Atteention-LSTM、RIME-CNN-BiLSTM 4个模型对比分析,结果如图7和表4所示,结果显示RIME-CNN-Atteention-BiLSTM模型的预测结果最贴近真实值,两个误差评价指标值在所有模型中最低,R²最高,整体效果最好,表明该模型更能胜任对尾矿坝的波动项位移进行预测和安全分析。各模型之间对比可发现所选模型各个模块的优势,如RIME-CNN-Attention-BiLSTM和RIME-CNN-BiLSTM对比能够表明添加注意力层模块的必要性。

3.3.4 模型广泛性验证

为验证模型的广泛性,按照上述预测流程,对主坝2-1和主坝2-3的波动项位移进行预测,结果如图8、图9所示。主坝2-1预测结果MAE为0.299,RMSE为0.358,R²为0.998,主坝2-3预测结果MAE为0.450 mm,RMSE为0.545 mm,R²为0.995。结果图直观展示了模型预测位移与真实位移之间的高度重合性,结合优异的评价指标充分表明该模型能够准确预测坝体不同位置的波动项位移,验证了模型在处理同类尾矿坝问题上的广泛适用性和鲁棒性。

3.4 累积位移预测

尾矿坝的累计位移由趋势项位移和波动项位移相加所得。为了证明对位移进行分解后再预测的优势,将分解后预测得到的累计位移与运用RIME-CNN-Attention-BiLSTM模型直接对累计位移预测的结果作出对比,如图10所示。分解后的预测结果MAE为0.546 mm,RMSE为0.628 mm,R²为0.997,直接预测的结果MAE为1.015 mm,RMSE为1.194 mm,R²为0.989,表明先分解再预测的结果更精确。

由优化高斯过程回归模型预测的趋势项位移和RIME-CNN-Attention-BiLSTM模型预测的波动项位移叠加所得到坝体累计位移结果如图11和表5所示。从图11和表5可看出尾矿坝累计位移的预测值与真实值误差很小,结果基本一致,证实所用预测方法整体预测精度高,能够显著提高对尾矿坝复杂位移变化情况的预测水平。

4 结论

(1)采用CEEMDAN算法将尾矿坝累计位移分解为趋势项位移和波动项位移,并分别建模预测的方法显著提升了预测精度。其中使用添加滞后特征的IGPR模型对趋势项位移进行预测的结果决定系数R²高达0.998,MAE较传统GPR降低69.4%,有效捕捉了尾矿坝长期变形趋势。

(2)提出RF-Spearman融合的特征选择方法筛选出影响波动项位移的关键特征因子,结合RIME算法对模型参数的全局优化,有效增强了模型的拟合能力,充分发挥模型效能。CNN与Attention结合可以充分学习数据的特征信息并对重要特征赋予高权重,再结合BiLSTM的高效时序处理能力从而能够显著提高对坝体波动项位移的预测能力,有利于后续的风险决策。

(3)由优化高斯过程回归模型预测的趋势项位移和RIME-CNN-Attention-BiLSTM模型预测的波动项位移叠加所得到的坝体累计位移预测结果R²为0.997,MAE为0.546 mm,RMSE为0.628 mm,与真实值误差很小,结果基本一致,证实本文所用方法预测精度高,在尾矿库的灾害风险预警和保证下游生态环境方面有较高工程应用价值。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	王昆, 杨修志, 王迪, 等. 尾矿坝溃坝分析模拟方法研究动态与发展趋势[J]. 有色金属(中英文), 2025, 15(8): 1396-1407.

[2]	Wang Kun, Yang Xiuzhi, Wang Di, et al. Research progress and development trend of tailings dam failure analysis and simulation methods[J]. Nonferrous Metals (Chinese Edition), 2025, 15(8): 1396-1407.

[3]	胡军, 邱俊博, 栾长庆, 等. 基于PSO-ELM的尾矿坝变形预测[J]. 水电能源科学, 2021, 39(8): 116-119.

[4]	Hu Jun, Qiu Junbo, Luan Changqing, et al. Tailings dam deformation prediction based on PSO-ELM[J]. Hydro-Energy Science Journal, 2021, 39(8): 116-119.

[5]	曾子健, 肖慧, 徐哈宁, 等. 基于CRITIC赋权法与PSO-SVR模型的滑坡地表位移预测[J]. 科学技术与工程, 2024, 24(35): 14940-14946.

[6]	Zeng Zijian, Xiao Hui, Xu Haning, et al. Landslide surface displacement prediction based on CRITIC weight method and PSO-SVR model[J]. Science Technology and Engineering, 2024, 24(35): 14940-14946.

[7]	Song K, Yang H, Liang D, et al. Step-like displacement prediction and failure mechanism analysis of slow-moving reservoir landslide[J]. Journal of Hydrology, 2024, 628: 16.

[8]	许江波, 侯鑫敏, 吴雄, 等. 基于MIC-XGBoost-LSTM模型的边坡位移预测研究[J]. 中国公路学报, 2024, 37(10): 38-48.

[9]	Xu Jiangbo, Hou Xinmin, Wu Xiong, et al. Slope displacement prediction based on MIC-XGBoost-LSTM model[J]. China Journal of Highway and Transport, 2024, 37(10): 38-48.

[10]	Wang X, Bai Z, Lu Y, et al. Displacement prediction of tunnel entrance slope based on LSSVM and bacterial foraging optimization algorithm[J]. Scientific Reports, 2024, 14(1): 25819.

[11]	杨玉好, 杨斌, 胡军, 等. 基于MHA-BiLSTM的尾矿坝位移预测[J]. 有色金属工程, 2024, 14(10): 147-157.

[12]	Yang Yuhao, Yang Bin, Hu Jun, et al. Prediction of tailings dam displacement based on MHA-BiLSTM[J]. Nonferrous Metals Engineering, 2024, 14(10): 147-157.

[13]	Liu W, Pan J, Ren Y, et al. Coupling prediction model for long -term displacements of arch dams based on long short -term memory network[J]. Structural Control and Health Monitoring, 2020, 27(7): 15.

[14]	朱明远, 吴艳, 阮新民, 等. 基于PSO-SVM的碾压混凝土坝变形预测模型[J]. 水力发电, 2022, 48(3): 64-69.

[15]	Zhu Mingyuan, Wu Yan, Ruan Xinmin, et al. Deformation prediction model of roller compacted concrete dam based on PSO-SVM[J]. Hydropower Engineering, 2022, 48(3): 64-69.

[16]	刘迪, 杨辉, 卢才武, 等. 基于MISSA-CNN-BiLSTM模型的尾矿坝位移预测[J]. 中国安全科学学报, 2024, 34(9): 145-154.

[17]	Liu Di, Yang Hui, Lu Caiwu, et al. Prediction of displacement of tailings dams based on MISSA-CNN-BiLSTM model[J]. China Safety Science Journal, 2024, 34(9): 145-154.

[18]	Zhu Y, Gao Y, Wang Z, et al. A tailings dam long-term deforma tion prediction method based on empirical mode decomposition and LSTM model combined with attention mechanism[J]. Water, 2022, 14(8): 1229.

[19]	唐宇峰, 陈星红, 蔡宇, 等. 基于时序分解和SSA-LSTM-Attention模型的尾矿坝位移预测[J]. 科学技术与工程, 2023, 23(29): 12753-12759.

[20]	Tang Yufeng, Chen Xinghong, Cai Yu, et al. Prediction of tailings dam displacement based on time series decomposition and SSA-LSTM-Attention model[J]. Science Technology and Engineering, 2023, 23(29): 12753-12759.

[21]	Hao T, Xu K, Zheng X, et al. A tailings dam displacement interval prediction model based on time series decomposition and an improved Elman neural network model[J]. Stochastic Environmental Research and Risk Assessment, 2025, 39: 5959-5976.

[22]	徐嘉远, 邹磊, 张利平, 等. 基于CEEMDAN-FESC-OVMD-Transformer耦合模型的长江上游月径流预测[J]. 水资源保护, 2025, 41(4): 197-209.

[23]	Xu Jiayuan, Zou Lei, Zhang Liping, et al. Monthly runoff prediction in the upper reaches of the Yangtze River based on the CEEMDAN-FESC-OVMD-Transformer coupling model[J]. Water Resources Protection, 2025, 41(4): 197-209.

[24]	Su H, Zhao D, Ali A H, et al. RIME: a physics-based optimization[J]. Neurocomputing, 2023, 532: 183-214.

[25]	朱婷, 颜七笙. 基于模态分解和RIME-CNN-BiLSTM-AM的风速预测方法[J]. 科学技术与工程, 2025, 25(20): 8514-8525.

[26]	Zhu Ting, Yan Qisheng. Wind speed prediction based on modal decomposition and RIME-CNN-BiLSTM-AM[J]. Science Technology and Engineering, 2025, 25(20): 8514-8525.

[27]	Hubel D H, Wiesel T N. Receptive fields of single neurones in the cat’s striate cortex[J]. Journal of Physiology-London, 2009, 587(12): 2722-2732.

[28]	李诗婉, 袁明道, 徐云乾, 等. 基于注意力机制的CNN-LSTM土石坝渗流量预测模型[J]. 科学技术与工程, 2025, 25(21): 9102-9108.

[29]	Li Shiwan, Yuan Mingdao, Xu Yunqian, et al. CNN-LSTM seepage quantity prediction model of earth-rock dam based on attention mechanism[J]. Science Technology and Engineering, 2025, 25(21): 9102-9108.

[30]	向汶强, 邵伟, 罗少辉, 等. 基于LSTM模型的青藏高原冻土区土壤水分模拟[J]. 科学技术与工程, 2025, 25(31): 13236-13245.

[31]	Xiang Wenqiang, Shao Wei, Luo Shaohui, et al. Simulation of soil moisture in permafrost region of Qinghai-Tibet Plateau based on LSTM model[J]. Science Technology and Engineering, 2025, 25(31): 13236-13245.

[32]	邱红胜, 杨雨, 李东健, 等. 基于等时距处理和IOWHA算子的路基沉降预测[J]. 科学技术与工程, 2022, 22(20): 8884-8892.

[33]	Qiu Hongsheng, Yang Yu, Li Dongjian, et al. Subgrade settlement prediction based on equidistance processing and IOWHA operator[J]. Science Technology and Engineering, 2022, 22(20): 8884-8892.

[34]	宋超, 赵腾远, 许领. 基于贝叶斯高斯过程回归与模型选择的岩石单轴抗压强度估计方法[J]. 岩土工程学报, 2023, 45(8): 1664-1673.

[35]	Song Chao, Zhao Tengyuan, Xu Ling. Estimation method of rock uniaxial compressive strength based on Bayesian Gaussian process regression and model selection[J]. Chinese Journal of Geotechnical Engineering, 2023, 45(8): 1664-1673.

[36]	沈赋, 张微, 徐潇源, 等. 基于随机森林和最大互信息系数关键特征选择的配电网拓扑辨识研究[J]. 电力系统保护与控制, 2024, 52(17): 1-11.

[37]	Shen Fu, Zhang Wei, Xu Xiaoyuan, et al. Research on distribution network topology identification based on random forest and maximum information coefficient key feature selection[J]. Power System Protection and Control, 2024, 52(17): 1-11.

[38]	Spearman C. The proof and measurement of association between two things[J]. International Journal of Epidemiology, 2010, 39(5): 1137-1150.

[39]	李浩, 赵青, 崔辰州, 等. 基于CNN与LSTM复合深度模型的恒星光谱分类算法[J]. 光谱学与光谱分析, 2024, 44(6): 1668-1675.

[40]	Li Hao, Zhao Qing, Cui Chenzhou, et al. Classification algorithm of stellar spectra based on CNN and LSTM composite deep model[J]. Spectroscopy and Spectral Analysis, 2024, 44(6): 1668-1675.

基金资助

国家自然科学基金(52364020)

PDF (11335KB)

访问

被引

详细

导航

Received	Published	Revised
2025-10-18	2026-06-18	2025-12-16
Online Date
2026-08-04

摘要