基于LSTM-PINN的堤防沉降多步预测精度影响因素研究

张波; 孟庆魁; 梁啟斌; 高发军; 姚杰森; 陈武奋

doi:null

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于LSTM-PINN的堤防沉降多步预测精度影响因素研究

由编辑部分配 | 更新时间：2026-09-16

- 基于LSTM-PINN的堤防沉降多步预测精度影响因素研究
- Influencing Factors of Multi-Step Prediction Accuracy of the LSTM-PINN Model for Embankment Settlement
- 人民珠江 2026年页码：1-12
- 作者机构：
  
  珠江水利委员会珠江水利科学研究院，广东广州 510611
- 作者简介：
  
  张波（1986—），男，硕士，高级工程师，主要从事水利信息化、智慧水利相关研究。
  孟庆魁（1995—），男，硕士，主要从事水利信息化、智慧水利相关研究。
- 基金信息：
- DOI：
  中图分类号： TV213.4
- 收稿：2026-06-29，
  
  修回：2026-08-10，
  
  录用：2026-09-01，
  
  网络首发：2026-09-16，
- 稿件说明：
移动端阅览
张波，孟庆魁，梁啟斌等.基于LSTM-PINN的堤防沉降多步预测精度影响因素研究［J］.人民珠江，DOI：10.3969/j.issn.1001-9235.XXXX.XX.001.

ZHANG Bo,MENG Qingkui,LIANG Qibin,et al.Influencing Factors of Multi-Step Prediction Accuracy of the LSTM-PINN Model for Embankment Settlement[J].PEARL RIVER,
张波，孟庆魁，梁啟斌等.基于LSTM-PINN的堤防沉降多步预测精度影响因素研究［J］.人民珠江，DOI：10.3969/j.issn.1001-9235.XXXX.XX.001. DOI：

ZHANG Bo,MENG Qingkui,LIANG Qibin,et al.Influencing Factors of Multi-Step Prediction Accuracy of the LSTM-PINN Model for Embankment Settlement[J].PEARL RIVER, DOI：10.3969/j.issn.1001-9235...001.

摘要

针对当前堤防工程沉降预测领域输入输出时间步长耦合作用机制不明晰，以及传统数据驱动模型存在长时序预测误差累积显著、物理机理一致性不足等行业共性难题，结合太沙基一维固结理论，构建一种物理信息长短期记忆网络（LSTM-PINN）沉降预测模型。基于广东省东莞市东莞大堤2024—2025年连续自动化监测数据，开展了5种历史观测窗口（12、24、48、72、96 h）与5种预测步长（3、6、12、24、48 h）的交叉对比实验，量化分析了输入输出步长比值、物理约束权重、数据噪声强度对模型性能的影响规律。研究结果表明：当输入输出步长比值保持在3：1~5：1时，模型可获得最佳预测精度；LSTM-PINN模型在长步长预测（>24 h）场景下优势显著，48 h预测的RMSE较LSTM降低41.2%；物理约束权重存在最优区间（0.05~0.2），在此区间内模型同时具备良好的数据拟合能力和物理一致性。研究表明，在本研究数据条件下，该模型能够较好地分离堤防固结沉降与潮汐弹性变形，在长时序预测中表现出一定优势。研究成果可为堤防沉降监测预警系统的参数优化提供参考依据。需指出的是，当前研究仅基于单一监测断面开展验证，模型在不同堤型、地质条件和工况下的适用范围有待进一步研究。

Abstract

In the field of embankment settlement prediction

the coupling mechanism between input and output time steps remains unclear

and traditional data-driven models suffer from significant error accumulation in long time-series prediction and insufficient consistency with physical mechanisms. To address these common problems

this study investigates the influencing factors of multi-step prediction accuracy for embankment settlement

aiming to provide a basis for selecting input-output time steps in settlement monitoring and safety early warning of embankments. A physics-informed long short-term memory (LSTM-PINN) model was constructed by embedding Terzaghi's one-dimensional consolidation equation into the loss function of a conventional LSTM network as a soft constraint. The model was trained and validated using continuous hourly automated monitoring data (17

520 valid samples) collected from the 26+200 cross-section of the Dongguan Levee in Guangdong Province from January 2024 to December 2025

covering crest settlement

upstream water level

air temperature

and rainfall. Cross-comparison experiments were conducted with five historical observation windows (12

and 96 h) and five prediction steps (3

and 48 h)

and LSTM-PINN was benchmarked against LSTM

GRU

and Transformer models. The effects of the physical constraint weight and data noise intensity on model performance were further quantified.

Findings

The input time window has an optimal value: prediction accuracy improves as the window extends from 12 h to 72 h and declines beyond 72 h due to redundant information and noise. At the 72 h window

LSTM-PINN achieves the minimum RMSE of 0.137 mm

reducing RMSE by 17.4%

22.0%

and 26.9% relative to LSTM

GRU

and Transformer

respectively. Prediction accuracy declines with increasing prediction step

but LSTM-PINN degrades much more slowly; for 24 h and 48 h predictions

its RMSE is reduced by 28.5% and 41.2% compared with LSTM

respectively

and its error growth rate is only 58.3% of that of the data-driven models. The optimal input-output step ratio ranges from 3:1 to 5:1; for example

the combinations of an input 12 h window with a 3 h prediction step and an input 72 h window with a 24 h prediction step are recommended for real-time and medium-to-long-term early warning

respectively. The physical constraint weight has an optimal interval of 0.05–0.20

with the best overall performance at 0.1. Under a noise intensity of 0.3 mm

the accuracy degradation of LSTM-PINN is 27.9%

markedly lower than the 46.8% of LSTM. Moreover

the settlement rate predicted by LSTM-PINN agrees well with the measurements (correlation coefficient of 0.996)

reproducing the semi-diurnal tidal fluctuation superimposed on the long-term consolidation trend. Under the data conditions of this study

the proposed model can separate consolidation settlement from tidal elastic deformation to a reasonable extent and exhibits clear advantages in long time-series prediction. The findings can provide references for parameter optimization of embankment settlement monitoring and early warning systems. Since the validation was performed on a single monitoring cross-section

the applicability of the model to different embankment types

geological conditions

and working conditions needs further investigation.

关键词

Keywords

references

张慧 . 从大数据看我国洪涝30年演变，揭秘哪里易受洪灾影响［J］. 生命与灾害， 2022 （ 5 ）： 22 - 23 .

Zhang Hui . Analysis on the 30-year evolution of flood disasters in China based on big data and identification of flood-prone areas ［J］. Life & Disaster ， 2022 （ 5 ）： 22 - 23 . （in Chinese）

康立芸，杨晓茹，马朋坤，等 . 我国大江大河堤防现状与建设对策建议［J］. 中国水利， 2023 （ 14 ）： 4 - 7 .

Kang Liyun ， Yang Xiaoru ， Ma Pengkun ， et al . Current situation and construction countermeasures of major river embankments in China ［J］. China Water Resources ， 2023 （ 14 ）： 4 - 7 . （in Chinese）

江超，肖传成 . 我国水库大坝安全监测现状深度剖析与对策研究［J］. 水利水运工程学报， 2021 （ 6 ）： 97 - 102 .

Jiang Chao ， Xiao Chuancheng . In-depth analysis and countermeasure research on safety monitoring of reservoirs and dams in China ［J］. Hydro-Science and Engineering ， 2021 （ 6 ）： 97 - 102 . （in Chinese）

蒋水华，陈颖霞，熊威，等 . 堤防工程险情风险评估与管控研究进展［J］. 人民珠江， 2024 ， 45 （ 11 ）： 1 - 13 . doi: 10.3969/j.issn.1001-9235.2024.11.001 http://dx.doi.org/10.3969/j.issn.1001-9235.2024.11.001

Jiang Shuihua ， Chen Yingxia ， Xiong Wei ， et al . Research progress on risk assessment and management of dangerous conditions in dike engineering ［J］. Pearl River ， 2024 ， 45 （ 11 ）： 1 - 13 . （in Chinese）

刘学智，朱少坤，张学林，等 . 基于ABAQUS的复合式堤防渗流稳定分析［J］. 人民珠江， 2022 ， 43 （ S1 ）： 86 - 91，96 .

Liu Xuezhi ， Zhu Shaokun ， Zhang Xuelin ， et al . Seepage stability analysis of composite dikes based on ABAQUS ［J］. Pearl River ， 2022 ， 43 （ S1 ）： 86 - 91，96 . （in Chinese）

李广春，戴吾蛟，杨国祥，等 . 时空自回归模型在大坝变形分析中的应用［J］. 武汉大学学报（信息科学版）， 2015 ， 40 （ 7 ）： 877 - 881 .

Li Guangchun ， Dai Wujiao ， Yang Guoxiang ， et al . Application of space-time autoregressive model in dam deformation analysis ［J］. Geomatics and Information Science of Wuhan University ， 2015 ， 40 （ 7 ）： 877 - 881 . （in Chinese）

张鹏，邵东国，黄显峰 . 堤防管理信息化面临的问题及对策［J］. 水利发展研究， 2004 （ 8 ）： 47 - 49 .

Zhang Peng ， Shao Dongguo ， Huang Xianfeng . Problems and countermeasures of embankment management informatization ［J］. Water Resources Development Research ， 2004 （ 8 ）： 47 - 49 . （in Chinese）

花胜强，李永红，高磊，等 . 基于离差和改进的大坝变形监测粗差判别方法［J］. 水电能源科学， 2020 ， 38 （ 6 ）： 67 - 69 .

Hua Shengqiang ， Li Yonghong ， Gao Lei ， et al . Gross error identification method for dam deformation monitoring improved based on deviation sum ［J］. Water Resources and Power ， 2020 ， 38 （ 6 ）： 67 - 69 . （in Chinese）

王晓玲，梁羽翎，王佳俊，等 . 耦合注意力机制大坝变形改进LSTM序列到序列预测模型［J］. 天津大学学报（自然科学与工程技术版）， 2023 ， 56 （ 7 ）： 702 - 712 .

Wang Xiaoling ， Liang Yuling ， Wang Jiajun ， et al . Improved Seq2Seq LSTM model coupled with attention mechanism for dam deformation prediction ［J］. Journal of Tianjin University （Science and Technology）， 2023 ， 56 （ 7 ）： 702 - 712 . （in Chinese）

卢文欣，张雷，刘波，等 . 基于EMD-MGWO-LSTM的大坝沉降预测模型［J］. 科学技术与工程， 2024 ， 24 （ 35 ）： 15224 - 15232 .

Lu Wenxin ， Zhang Lei ， Liu Bo ， et al . Dam settlement prediction model based on EMD-MGWO-LSTM ［J］. Science Technology and Engineering ， 2024 ， 24 （ 35 ）： 15224 - 15232 . （in Chinese） DOI： 10.12404/j.issn.1671-1815.2307501 http://dx.doi.org/10.12404/j.issn.1671-1815.2307501

郝泽嘉，施玉群，成博超，等 . 基于PSO-LSTM的大坝变形组合预测模型［J］. 长江科学院院报， 2025 ， 42 （ 5 ）： 208 - 214 .

Hao Zejia ， Shi Yuqun ， Cheng Bochao ， et al . Combined prediction model of dam deformation based on PSO-LSTM ［J］. Journal of Yangtze River Scientific Research Institute ， 2025 ， 42 （ 5 ）： 208 - 214 . （in Chinese）

刘天翼，艾星星，张九丹 . 基于MLR-DE-LSTM的大坝变形串联组合预测模型［J］. 中国农村水利水电， 2025 （ 2 ）： 207 - 212 .

Liu Tianyi ， Ai Xingxing ， Zhang Jiudan . Serial combined prediction model of dam deformation based on MLR-DE-LSTM ［J］. China Rural Water and Hydropower ， 2025 （ 2 ）： 207 - 212 . （in Chinese）

Raissi M ， Perdikaris P ， Karniadakis G E . Physics-informed neural networks： a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations ［J］. Journal of Computational Physics ， 2019 ， 378 ： 686 - 707 .

李博，刘宇翔，陈建国，等 . 基于物理信息神经网络的长距离顶管施工顶力预测［J］. 人民长江， 2025 ， 56 （ 1 ）： 147 - 155 .

Li Bo ， Liu Yuxiang ， Chen Jianguo ， et al . Jacking force prediction of long-distance pipe jacking construction based on physics-informed neural network ［J］. Yangtze River ， 2025 ， 56 （ 1 ）： 147 - 155 . （in Chinese）

王飞龙，胡挺，肖扬帆 . 基于物理信息神经网络的水库调度研究［J］. 水电能源科学， 2025 ， 43 （ 4 ）： 219 - 222 .

Wang Feilong ， Hu Ting ， Xiao Yangfan . Research on reservoir operation based on physics-informed neural network ［J］. Water Resources and Power ， 2025 ， 43 （ 4 ）： 219 - 222 . （in Chinese）

Feng Dongyu ， Tan Zelin ， He Qizhi . Physics-informed neural networks of the Saint-Venant equations for downscaling a large-scale river model ［J］. Water Resources Research ， 2023 ， 59 （ 2 ）： e2022WR033168 .

刘浩博，王彦辉，徐波，等 . 地下水污染物运移过程的物理信息神经网络模型［J］. 武汉理工大学学报， 2025 ， 47 （ 3 ）： 59 - 64 .

Liu Haobo ， Wang Yanhui ， Xu Bo ， et al . Physics-informed neural network model for groundwater contaminant transport ［J］. Journal of Wuhan University of Technology ， 2025 ， 47 （ 3 ）： 59 - 64 . （in Chinese）

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

低空无人机遥感与GIS技术在鲁布革水库风险调查中的应用

库区水面光伏物理-LSTM协同预警算法模型

峨山水文站“无人值守”建设示例探讨

基于规范运行管理的鱼类增殖放流站提质增效路径研究

滇中地区水面蒸发变化特征及其受气象要素影响研究