第４１卷第３期２０２３年３月水电能源科学ＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＰｏｗｅｒＶｏｌ．４１Ｎｏ．３Ｍａｒ．２０２３ＤＯＩ：１０．２００４０／ｊ．ｃｎｋｉ．１０００－７７０９．２０２３．２０２２０７４９基于全卷积神经网络的大坝变形监测数据粗差识别方法研究齐智勇１，孙辅庭２，３，毛延翩１，周建波２，张春辉１，李秋炎１（１．中国长江电力股份有限公司，湖北宜昌４４３００２；２．国家能源局大坝安全监察中心，浙江杭州３１１１２２；３．中国电建集团华东勘测设计研究院有限公司，浙江杭州３１１１２２）摘要：针对大坝变形监测数据普遍存在粗差的问题，采用全卷积神经网络（ＦＣＮ）模型对人工标记数据集进行表征学习的方法实现变形粗差数据识别的人工智能模拟；在此基础上，利用Ｐｙｔｈｏｎ和Ｔｅｎｓｏｒｆｌｏｗ框架构建了用于变形监测数据粗差识别的ＦＣＮ模型并以人工标注数据集进行模型训练；最后，以训练得到的最优模型对某重力坝变形监测数据进行粗差识别应用。结果表明，经训练的ＦＣＮ模型能够较准确地识别大坝变形监测数据中的粗差值，提高了大坝安全管理效率。关键词：监测；粗差；全卷积神经网络；大坝安全；人工智能中图分类号：ＴＶ６９７文献标志码：Ａ文章编号：１０００－７７０９（２０２３）０３－００８７－０４收稿日期：２０２２－０４－１５，修回日期：２０２２－０６－０６基金项目：国家重点研发计划（２０２１ＹＦＣ３０９０１００）作者简介：齐智勇（１９８５－），男，硕士、高级工程师，研究方向为大坝安全监测、诊断分析，Ｅ－ｍａｉｌ：ｑｉ＿ｚｈｉｙｏｎｇ＠ｃｔｇ．ｃｏｍ．ｃｎ1引言基于大坝安全监测数据开展大坝安全监控是及时发现大坝运行过程中潜在风险的重要手段，而保证大坝安全监测数据的可靠、准确是开展有效监控的重要前提［１］。大坝变形是安全监测中的重要项目，也是评判大坝运行性态是否正常的最重要指标，理想情况下大坝变形监测数据过程线的宏观形态应为连续光滑的，但由于受观测者、周边环境条件、仪器工作稳定性等因素的影响，可能导致少量监测数据与其他数据之间存在显著差异，这些非结构原因导致的显著差异即为粗差数据。粗差实际上为错误的数据，监测数据实时更新过程中准确快速识别这些粗差数据以保证所分析数据的可靠性是大坝安全监控的基础工作。通过人工评判方式进行监测数据粗差识别效果较好，但在海量实时数据面前这种做法不仅效率低，且无法满足实时...
