人民黄河

作者：苏晓军, 许增光, 张野, 钟雯, 周涛, 杨淘, 黎康平

单位：1.西安理工大学 旱区水工程生态环境全国重点实验室，陕西 西安 710048；2.黄河上游水电开发有限责任公司，青海 西宁 810000；3.中国长江电力股份有限公司，四川 宜宾 644612；4.中国电建集团 西北勘测设计研究院有限公司，陕西 西安710065

关键词：混凝土坝；异常值识别；数据转换；深度学习；CWT；SVM

基金：<p class=\MsoNormal\>\r\n\t<span>国家重点研发计划项目</span>(2022YFC3004403)<span>；国家自然科学基金资助项目（</span><span>52379135</span><span>）；陕西省自然科学基础研究计划引汉济渭联合基金资助项目（</span><span>2022JC-LHJJ-14</span>&l

混凝土坝变形监测数据的异常值识别是结构健康诊断中的关键环节，然而传统方法普遍存在检测精度不高、特征提取能力有限以及人工诊断效率低下等问题。为此，提出一种基于多维数据转换的混凝土坝异常值智能识别方法，旨在提高异常值识别的精度和效率。该方法首先将混凝土重力坝的变形监测数据划分为正常测值和突跳型、台阶型、台坎型、振荡型4类典型异常测值；然后采用连续小波变换（CWT）将一维变形时序数据转换为具有时频联合特征的二维图像，从而将异常值识别问题转化为高维特征空间的图像分类问题，并结合Inception-ResNet-v2深度学习图像预训练模型，提取图像中的异常特征；最后利用支持向量机（SVM）构建混凝土坝异常测值识别模型。实例应用表明，该方法在异常值识别任务中表现出卓越的性能，其准确率、精确率、召回率及F1分数分别为97%、98%、96%和97%，均高于对比模型。研究证实了时频图像表征对变形异常特征的增强作用、深度学习在工程监测数据挖掘中的优势，可作为混凝土坝变形异常检测的智能化、高效化解决方案。

来源：2025年第7期

《人民黄河》期刊编辑部

查看人民黄河杂志2025年第7期