多源扰动下基坑地下水位时空预测与预测性管理：一种数据驱动的深度学习途径

《Alexandria Engineering Journal》：Spatiotemporal prediction and predictive management of foundation Pit groundwater levels under multi-source disturbance: A data-driven deep learning approach

　　

研究人员提出了一种双通道卷积神经网络结合扰动感知的长短期记忆网络（CNN-DA-LSTM）模型，用于深基坑施工期地下水位的精准预测，尤其在随机不可预测的扰动事件影响下表现优异。通过对三种扰动因子——扰动突变强度（Δht）、局部波动能量（Et）及扰动发生概率（pt）的量化，模型构建了随机效应的结构化表征，并由辅助通道有效捕捉多种随机扰动的影响；主通道则专注于提取整体地下水位趋势及周期性特征。该模型进一步嵌入空间地下水位分布预测框架中，采用基于Dupuit理论优化的高斯加权插值法，有效解决了井群间的相互干扰问题。实验结果表明，该模型的扰动事件响应率达到91.65%，与传统方法相比，均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）分别降低52.33%、52.86%和25.73%。空间预测RMSE介于0.156至0.283之间，MAPE介于0.518至0.635之间。结合模型预测控制（MPC）策略后，该方法显著提升了预测精度，为复杂工程环境下的智能降水系统决策提供了有力的技术支持。

该研究发表于《Alexandria Engineering Journal》，针对城市地铁车站深基坑施工中地下水控制面临的非线性、强不确定性和监测稀疏性问题展开。当前基坑降水多采用经验公式或数值模拟，难以实时响应降雨、设备故障等随机扰动，且监测点有限导致空间分布难以精确获取，易引发地面沉降、建筑倾斜甚至坍塌风险。为此，研究人员以沈阳某地铁站基坑182天监测数据为基础，构建了融合扰动感知的双通道CNN-DA-LSTM时空预测模型，并耦合Dupuit理论优化的高斯加权插值法实现空间分布预测，最终结合分布式随机模型预测控制（D-SMPC）形成闭环调控体系。

关键技术方法包括：（1）基于LOWESS方法进行缺失值填补与Daubechies小波阈值去噪，消除高频微幅振荡；（2）构建扰动因子向量D_t，包含突变强度Δh_t、局部波动能量E_t和扰动概率p_t，由滑动窗口差分与统计极值分析实现量化；（3）设计双通道CNN-LSTM结构，主通道提取水位趋势与周期特征，辅助通道学习扰动时序特征，通过门控融合机制自适应整合；（4）基于Dupuit理论推导单井影响半径R并优化高斯权重标准差σ，实现稀疏监测点的空间插值；（5）建立D-SMPC框架，引入井间耦合矩阵D_ij描述水力相互作用，将随机扰动建模为零均值独立噪声，采用二次规划求解最优泵功率。

研究结果如下：

3. 时间序列预测

通过LOWESS填补与Daubechies小波去噪，有效去除传感器噪声与高频干扰，保留真实突变信号。构建的CNN-DA-LSTM在DSW-10、DSW-11、DSW-13三口监测井的测试中，RMSE分别为0.098、0.301、0.116，MAE分别为0.075、0.263、0.100，MAPE分别为0.255%、1.04%、0.387%，扰动响应率（DRR）达91.65%，显著优于支持向量回归（SVR）与传统CNN-LSTM。残差分析显示93%的自相关系数落在置信区间内，符合白噪声特性，无系统性偏差。

4. 空间分布预测

结合Dupuit理论优化的高斯加权插值法，利用已知井点数据预测未监测区域水位。在DSW-10区域，预测值与实测值的RMSE为0.171，MAPE为0.579%；DSW-11区域RMSE为0.283，MAPE为0.635%；DSW-13区域RMSE为0.156，MAPE为0.518%。留一法交叉验证显示空间泛化能力稳定（RMSE<0.15 m），滚动时间窗验证表明各阶段误差波动小于±0.05 m。

5. 基于分布式随机模型的基坑水位预测与控制

提出的D-SMPC框架将基坑划分为多个水力耦合子区，每个子区控制器独立求解二次规划问题，计算耗时约0.35秒，满足30分钟控制周期的实时性要求。通过引入井间耦合矩阵D_ij（随距离线性衰减，超过影响半径R_c置零），实现了多井协同调控，可在降雨、设备故障等扰动下维持水位在安全范围内。

6. 结论

研究证实：（1）扰动因子量化与双通道结构显著提升了对随机突变的识别能力，DRR达91.65%；（2）相比传统模型，RMSE、MAE、MAPE分别降低52.33%、52.86%、25.73%；（3）空间预测误差控制在工程允许范围内，解决了监测稀疏性问题；（4）D-SMPC框架可实现闭环智能调控，有效规避降水风险。该方法为复杂水文地质条件下的基坑智能降水提供了可推广的技术范式。