摘要：水電站地下洞室圍巖變形數(shù)據(jù)具有變化不確定、序列樣本短等特點(diǎn)，傳統(tǒng)的異常識別方法漏識率、誤判率較高。隨著智能技術(shù)的發(fā)展，通過神經(jīng)網(wǎng)絡(luò)建立更加可靠的異常識別方法是目前研究的熱點(diǎn)，而傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)存在時序關(guān)聯(lián)性不強(qiáng)和計算模型龐雜等問題。為此，提出了基于時域卷積神經(jīng)網(wǎng)絡(luò)（TCN）及標(biāo)準(zhǔn)自適應(yīng)的地下洞室異常數(shù)據(jù)識別算法，該算法利用TCN技術(shù)，考慮序列的前后關(guān)系，建立了更為可靠的序列模型；同時針對地下洞室監(jiān)測數(shù)據(jù)特征，通過考慮誤差中位數(shù)、數(shù)據(jù)波動和儀器精度3個方面，突現(xiàn)自適應(yīng)匹配最優(yōu)識別準(zhǔn)則。將該算法應(yīng)用在葉巴灘水電站地下洞室圍巖變形的異常數(shù)據(jù)識別中，證明了其可有效避免梯度爆炸、消失，模型耗時較長等問題，極大地提高了異常值分析效率和識別率。相關(guān)經(jīng)驗可供類似工程異常監(jiān)測數(shù)據(jù)識別時借鑒。

關(guān) 鍵 詞：異常數(shù)據(jù)識別；地下洞室；深度學(xué)習(xí)；時域卷積神經(jīng)網(wǎng)絡(luò)；標(biāo)準(zhǔn)自適應(yīng)

中圖法分類號：TV698.1

文獻(xiàn)標(biāo)志碼：ADOI：10.16232/j.cnki.1001-4179.2024.08.029

0 引 言

在地下洞室圍巖施工過程中，安全監(jiān)測儀器為洞室安全穩(wěn)定分析提供了基礎(chǔ)數(shù)據(jù)，基于該數(shù)據(jù)調(diào)整設(shè)計和指導(dǎo)施工的一般方法為：先使用監(jiān)測數(shù)據(jù)通過反演分析獲得圍巖參數(shù)，然后利用圍巖參數(shù)進(jìn)行數(shù)值模擬分析，進(jìn)而預(yù)測其結(jié)構(gòu)變形發(fā)展趨勢和穩(wěn)定狀態(tài)^［1-2］。然而，異常數(shù)據(jù)會污染分析樣本，對地下洞室安全狀態(tài)決策評估的精準(zhǔn)性和可靠性造成影響^［3-4］，因此及時識別異常數(shù)據(jù)是地下洞室安全監(jiān)測的首要工作。

由于地下洞室結(jié)構(gòu)的復(fù)雜性，其變形數(shù)據(jù)具有非線性、不確定性、序列樣本短等特征，這會導(dǎo)致準(zhǔn)確識別異常值較為困難。傳統(tǒng)針對地下洞室監(jiān)測時序數(shù)據(jù)的異常識別方法主要基于統(tǒng)計學(xué)理論和數(shù)學(xué)模型^［5-6］發(fā)展而來，如基于統(tǒng)計學(xué)方法的控制圖^［7］、基于時間序列分析的ARIMA模型^［8］、基于密度或距離的方法^［9］等。這些方法已經(jīng)在實(shí)際工程中得到了廣泛應(yīng)用，但更適用于單一數(shù)據(jù)類型，在處理具有高維非線性特征的地下洞室變形數(shù)據(jù)方面存在一定的局限性，精度和泛化能力有待提高。為了解決數(shù)據(jù)的非線性問題，有學(xué)者提出采用回歸分析法^［10-11］來進(jìn)行預(yù)測分析，即對數(shù)據(jù)不進(jìn)行特性分析，只分析變量間的關(guān)系^［12］。然而，該方法并未充分考慮數(shù)據(jù)之間的相關(guān)性，且當(dāng)引起結(jié)構(gòu)變形的元素不可測時^［13］，會對預(yù)測結(jié)果產(chǎn)生一定的影響。

隨著計算機(jī)技術(shù)和數(shù)據(jù)挖掘技術(shù)的發(fā)展，基于機(jī)器學(xué)習(xí)的地下洞室異常數(shù)據(jù)識別方法逐漸受到研究者的關(guān)注^［14-16］，主要包括基于支持向量機(jī)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等模型的方法。相應(yīng)的研究成果也表明機(jī)器學(xué)習(xí)在地下洞室異常數(shù)據(jù)識別中的應(yīng)用較傳統(tǒng)方法而言具有高精度、強(qiáng)泛化能力和較好自適應(yīng)性^［17-18］等優(yōu)點(diǎn)，能夠更好地適應(yīng)地下洞室變形數(shù)據(jù)的高維非線性特征。但同時，這些模型針對序列預(yù)測空間的準(zhǔn)確性有待提高。

近年來循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）在序列問題上有著良好表現(xiàn)，但RNN在內(nèi)部設(shè)計上存在一個嚴(yán)重問題^［19-20］：由于網(wǎng)絡(luò)一次只能處理一個時間步長，后一步必須等前一步處理完才能進(jìn)行運(yùn)算，這意味著RNN不能像CNN那樣進(jìn)行大規(guī)模并行處理。2016年Lea等^［21］提出了時域卷積神經(jīng)網(wǎng)絡(luò)（TCN）算法，與以往的時間序列預(yù)測模型相比，其并行能力提升顯著且計算復(fù)雜度相對較低^［22］，因此使用TCN算法進(jìn)行建模能夠更好地對具有不確定性的地下洞室序列變形數(shù)據(jù)進(jìn)行預(yù)測。

針對具有高維非線性特征的地下洞室變形數(shù)據(jù)、序列預(yù)測空間的準(zhǔn)確性以及模型計算復(fù)雜程度，本文引入TCN算法建立地下洞室圍巖變形的預(yù)測模型，同時針對異常值識別中存在的崩潰點(diǎn)高、時間間隔不一致、識別范圍過窄等問題，提出考慮了誤差中位數(shù)、數(shù)據(jù)波動、儀器精度自適應(yīng)的最優(yōu)異常識別準(zhǔn)則，并通過在葉巴灘地下洞室圍巖變形異常數(shù)據(jù)識別中的應(yīng)用，驗證其效果和優(yōu)越性。

1 算法原理

1.1 地下洞室監(jiān)測時域卷積神經(jīng)網(wǎng)絡(luò)原理

TCN由相同輸入和輸出長度的擴(kuò)張、因果一維卷積層組成^［23］。和傳統(tǒng)的時間序列預(yù)測模型相比，輸入目標(biāo)序列將其各自輸入序列的最后一個元素作為第一個元素，位于輸入序列最后一個條目之后的輸出長度元素作為它的最后一個元素。這使其能預(yù)測的最大預(yù)測視界等于輸出長度，許多重疊的輸入和目標(biāo)序列可以創(chuàng)建出一個時間序列，具備更好的并行能力且計算復(fù)雜度相對較低。地下洞室監(jiān)測數(shù)據(jù)是時間的函數(shù)，設(shè)時間序列為X=x₀，x₁，…，x_t-1，x_t，Y為對應(yīng)的地下洞室輸出效應(yīng)量，Y=y₀，y₁，…，y_t－1，y_t，根據(jù)TCN原理把時間序列作為訓(xùn)練輸入層，把測值序列作為輸出層，并建立因果卷積和膨脹卷積。

1.1.1 因果卷積

因果卷積與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的不同之處在于，因果卷積不能看到未來的數(shù)據(jù)，它是單向的結(jié)構(gòu)。這種輸入輸出上的響應(yīng)關(guān)系被稱為因果約束，它是一種嚴(yán)格的時間約束模型，因此被稱為因果卷積。地下洞室?guī)r體結(jié)構(gòu)復(fù)雜，具有瞬變和持續(xù)流變特征，為此可根據(jù)巖體結(jié)構(gòu)特征采用式（1）所列的直線型、對數(shù)型、指數(shù)型函數(shù)將時間序列修正為G（X）。將G（X）作為洞室模型的時間輸入，根據(jù)數(shù)據(jù)序列的長度設(shè)置3層隱藏層，每層隱藏層根據(jù)輸入序列長度進(jìn)行卷積，最后輸出對應(yīng)預(yù)測值y_t，結(jié)構(gòu)形式如圖1所示。

式中：c_i為時效因子回歸系數(shù)；θ為觀測日至始測日的累計天數(shù)t除以100；θ₀為建模所用資料序列第一個測值日至始測日的累計天數(shù)t₀除以100；c為系數(shù)，取0.005。

1.1.2 膨脹卷積

雖然TCN網(wǎng)絡(luò)中的因果卷積模塊擁有強(qiáng)大的時序序列處理能力，但其仍然存在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，即建模時間的長短受到卷積核大小的限制。如果想獲得更長的依賴關(guān)系，需要線性堆疊更多層。為了解決此問題，設(shè)置膨脹卷積，如圖2所示。根據(jù)地下洞室數(shù)據(jù)長短不同，膨脹卷積對輸入時間序列G（X）進(jìn)行間隔采樣，并且采樣率由圖中的d控制。底層的d=1表示在輸入的過程中對每個點(diǎn)進(jìn)行采樣，中間層的d=2表示在輸入過程中對每2個點(diǎn)采樣一次作為輸入。一般來說，層級越高，d的數(shù)值越大。因此，膨脹卷積使有效窗口的大小隨著層數(shù)呈指數(shù)型增長。通過這種方法，卷積網(wǎng)絡(luò)可以僅使用較少的層就獲得大的感受野。

假設(shè)過濾器為F=（f₁，f₂，…，f_k），對于一個輸入序列s，將其時間序列修正為GX∈R_n后，在G（x_t）處膨脹系數(shù)等于d的膨脹卷積計算公式為

式中：s為輸入序列；G（X）為輸入時間序列；d為膨脹系數(shù)，d=1，2，4；K為卷積核大小，K=3。

1.1.3 殘差連接

當(dāng)給定一個地下洞室圍巖變形數(shù)據(jù)序列，TCN可以并行處理序列數(shù)據(jù)，并不需要像RNN那樣順序處理。TCN其感受野的大小由層數(shù)、卷積核大小、擴(kuò)張系數(shù)確定，可以根據(jù)不同的任務(wù)、不同的特點(diǎn)進(jìn)行靈活定制。為了避免隨著網(wǎng)絡(luò)結(jié)構(gòu)加深出現(xiàn)梯度消失和梯度爆炸等問題，TCN網(wǎng)絡(luò)設(shè)計了殘差模塊。殘差連接被證明是訓(xùn)練深度網(wǎng)絡(luò)的有效方法，它允許網(wǎng)絡(luò)以跨層方式傳輸信息。假設(shè)因果卷積經(jīng)過一系列卷積操作后輸出為F（x），模塊輸入為x，則每個殘差塊中都引入跨層連接，允許網(wǎng)絡(luò)以跨層方式傳輸信息，其數(shù)學(xué)表達(dá)式為

y=F（x）+x（3）

1.2 標(biāo)準(zhǔn)自適應(yīng)

地下洞室圍巖變形異常數(shù)據(jù)識別準(zhǔn)則通常采用殘差3σ作為評判標(biāo)準(zhǔn)^［24］，該準(zhǔn)則認(rèn)為測值服從正態(tài)分布^［25］，然而洞室環(huán)境復(fù)雜，異常點(diǎn)往往嚴(yán)重偏離正態(tài)分布，而標(biāo)準(zhǔn)差由于崩潰點(diǎn)為0，容易導(dǎo)致評判標(biāo)準(zhǔn)3σ偏離或崩潰，進(jìn)而造成誤判和漏判。為此采用殘差四分位間距IQR（σ）代替σ，IQR（σ）為上四分位Q₃與下四分位Q₁的差，同時根據(jù)定義，四分位間距是σ的1.349 0倍，因此用IQR（σ）/1.349 0代替σ。由于四分位間距IQR（σ）崩潰率為0.5，因此具有更好的魯棒性。

歷史測值的波動范圍代表測值可能的波動程度，建模預(yù)測是通過對現(xiàn)有時間序列與因變量關(guān)系的概化，再根據(jù)已知時間點(diǎn)對因變量進(jìn)行預(yù)測，這種預(yù)測具有不確定性。從數(shù)據(jù)變化的角度來看，當(dāng)預(yù)測值與實(shí)際值之差在歷史波動范圍之內(nèi)，測值也應(yīng)是合理的，為此引入離散度四分位差作為標(biāo)準(zhǔn)。計算步驟如下：

（1）首先獲取測值的日波動序列Δyt_i：

式中：d_ti－ti－1為測值間的間隔天數(shù)，y（t_i）為監(jiān)測日至起測日累計天數(shù)t_i對應(yīng)的測值，y（t_i-1）為監(jiān)測日至起測日累計天數(shù)t_i-1對應(yīng)的測值。

（2）計算日波動四分位間距IQR（f），為了尺度統(tǒng)一，同前文以IQR（f）/1.349 0為標(biāo)準(zhǔn)。

（3）根據(jù)評判數(shù)據(jù)距上一個數(shù)據(jù)的間隔天數(shù)d_tm－tm－1，計算yt_i評判準(zhǔn)則，計算式為IQRf·d_tm－tm－1/1.349 0。

測量精度是儀器本身可能造成的測量偏差，控制標(biāo)準(zhǔn)小于儀器測量精度顯然是不合理的，因此同時取測量精度d作為標(biāo)準(zhǔn)。

最后選三者最大值作為評判標(biāo)準(zhǔn)C，公式如下：

C=max［IQR（σ），IQR（f），d］（5）

2 識別效果驗證

2.1 驗證數(shù)據(jù)樣本

將本文提出的算法應(yīng)用在葉巴灘地下廠房施工期圍巖變形異常數(shù)據(jù)識別。葉巴灘地下廠房位于河道右岸，地下廠房水平埋深270～540 m，主廠房從山里至山外依次布置安裝間、主機(jī)間及副廠房。主機(jī)間長183.80 m，安裝間長59.20 m，副廠房長25.00 m。地下洞室共設(shè)有995個監(jiān)測點(diǎn)，包含多點(diǎn)位移計、錨桿應(yīng)力計、錨索測力計、測縫計。本文選取測點(diǎn)80%的監(jiān)測數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練并構(gòu)建模型，然后用剩余20%的監(jiān)測數(shù)據(jù)作為測試集，驗證訓(xùn)練好的模型的適用性。

2.2 模擬效果

為了分析擬合效果，本文選用決定系數(shù)（R²）、均方誤差（MSE）、均方根誤差（RMSE）、平均絕對誤差（MAE）等4個指標(biāo)對模型應(yīng)用于實(shí)測值的模擬效果進(jìn)行評價。從葉巴灘地下洞室圍巖變形監(jiān)測數(shù)據(jù)的模擬結(jié)果來看，時域卷積網(wǎng)絡(luò)具有較穩(wěn)定的效果，R²在0.80以上，MSE值除R2rZB4-02測點(diǎn)外均小于1、RMSE值和MAE值也較小，說明該模型能夠較好地擬合地下洞室數(shù)據(jù)。典型測點(diǎn)的擬合結(jié)果見表1，擬合效果最好和最差的兩個測點(diǎn)的擬合圖形見圖3～4。

從典型測點(diǎn)結(jié)果可以看出：時域卷積網(wǎng)絡(luò)（TCN）回歸對于趨勢性增長的M4CF4-03測點(diǎn)數(shù)據(jù)的擬合效果最好，且預(yù)測準(zhǔn)確度最高，R²高達(dá)0.960，MSE值為0.813，RMSE值為0.902，MAE值為0.790；其次為先平緩變化后趨勢性增長的M4ZB2-01測點(diǎn)數(shù)據(jù)，R²為0.929，MSE值為0.327，RMSE值為0.571，MAE值為0.405；對于呈緩慢上升趨勢的R2rZB4-02測點(diǎn)數(shù)據(jù)擬合效果最低，R²為0.811，MSE值卻為6.313，RMSE值為2.513，MAE值為2.058，但整體均滿足地下洞室模型擬合預(yù)測需求。

為了驗證該方法的優(yōu)越性，將其與循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）進(jìn)行了比較，結(jié)果見圖5～6。從結(jié)果來看，對于同一測點(diǎn)的數(shù)據(jù)，TCN算法的擬合效果最優(yōu)，LSTM算法次之，均明顯優(yōu)于RNN算法。同時TCN、LSTM模擬結(jié)果均較為穩(wěn)定，有效避免了模型梯度爆炸、消失問題，而RNN存在陷入局部最優(yōu)問題。TCN相較于LSTM花費(fèi)時間更短，可以達(dá)到秒級，滿足工程實(shí)時評價需求。

2.3 異常值識別驗證

將3σ準(zhǔn)則和自適應(yīng)標(biāo)準(zhǔn)同時應(yīng)用于葉巴灘地下洞室安全監(jiān)測數(shù)據(jù)可靠性的評估，對比分析其適用性，典型測點(diǎn)異常數(shù)據(jù)識別結(jié)果如圖7～10所示。

可以看出，正常類型的數(shù)據(jù)采用這兩種方法設(shè)置的閾值上下限接近，均可以準(zhǔn)確識別異常突變數(shù)據(jù)，如圖7～8所示。震蕩型數(shù)據(jù)采用3σ準(zhǔn)則無法準(zhǔn)確識別異常數(shù)據(jù)，而使用本文提出的自適應(yīng)標(biāo)準(zhǔn)可以準(zhǔn)確識別出，如圖9～10所示。這主要是因為：雖然通過TCN回歸得到了較為理想的模型，然而大量異常值的存在使得剩余標(biāo)準(zhǔn)差偏離實(shí)際值，測點(diǎn)的殘差序列并不服從正態(tài)分布，采用3σ準(zhǔn)則獲得的閾值控制限較寬，在-3.93～3.93 mm之間，以至于無法識別某些突跳值。相比之下，標(biāo)準(zhǔn)自適應(yīng)的閾值可以減小由歷史異常值引起的擴(kuò)大的預(yù)警控制限，在-3～3 mm之間，降低震蕩型數(shù)據(jù)的漏判率，得到更好的識別效果。

3 結(jié) 論

本文提出了一種基于時域卷積神經(jīng)網(wǎng)絡(luò)及標(biāo)準(zhǔn)自適應(yīng)的水電地下洞室圍巖變形異常數(shù)據(jù)識別算法。該算法利用時域卷積神經(jīng)網(wǎng)絡(luò)（TCN）對水電圍巖數(shù)據(jù)進(jìn)行序列模型的學(xué)習(xí)，提高了模型的分析效率和準(zhǔn)確性，同時采用標(biāo)準(zhǔn)自適應(yīng)方法進(jìn)行自適應(yīng)識別，避免了誤識別和漏識別的問題，主要得到如下結(jié)論：

（1）引入時域卷積神經(jīng)網(wǎng)絡(luò)對圍巖變形數(shù)據(jù)進(jìn)行序列模型的學(xué)習(xí)，提高了模型的分析效率和準(zhǔn)確性，通過葉巴灘地下廠房監(jiān)測數(shù)據(jù)建模擬合，時域卷積神經(jīng)網(wǎng)絡(luò)的決定系數(shù)（R²）均可達(dá)到0.8以上，MSE除R2rZB4-02測點(diǎn)外均小于1，RMSE、MAE也較小。相較于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM），TCN不僅有更好的穩(wěn)定性，可避免梯度爆炸、消失等問題，還有更好的計算效果。

（2）由于地下洞室的數(shù)據(jù)殘差不符合3σ準(zhǔn)則，且異常點(diǎn)容易導(dǎo)致模型崩潰，因此識別效果不佳，而本文針對地下洞室提出的標(biāo)準(zhǔn)自適應(yīng)方法，綜合考慮了誤差中位數(shù)、數(shù)據(jù)波動和儀器精度，能夠更好地獲取最佳識別區(qū)間，保障標(biāo)準(zhǔn)的穩(wěn)健性，極大地改善了誤識別和漏識別的問題。

參考文獻(xiàn)：

［1］傅志浩，呂彬.地下工程安全監(jiān)測數(shù)據(jù)預(yù)處理技術(shù)研究［C］∥中國大壩工程學(xué)會水庫大壩智慧化建設(shè)與高質(zhì)量發(fā)展論文集，2023.

［2］甘文娟.地下工程結(jié)構(gòu)變形預(yù)測及安全評估模型研究［D］.西安：長安大學(xué)，2021.

［3］王晨陽，張子新，黃昕，等.地下工程多時間序列監(jiān)測數(shù)據(jù)異常檢測算法［J］.現(xiàn)代隧道技術(shù)，2022，59（增1）：171-179.

［4］李曉軍，洪弼宸，楊志豪.盾構(gòu)隧道結(jié)構(gòu)健康監(jiān)測系統(tǒng)設(shè)計及若干關(guān)鍵問題的探討［J］.現(xiàn)代隧道技術(shù)，2017，54（1）：17-23.

［5］胡珉，白雪，徐偉，等.多維時間序列異常檢測算法綜述［J］.計算機(jī)應(yīng)用，2020，40（6）：1553-1564.

［6］鄧乙丁，李艷玲，徐穎，等.大壩安全監(jiān)測數(shù)據(jù)異常識別模型簇研究［J］.人民長江，2024，55（4）：230-238.

［7］楊關(guān)平，李登華，丁勇.深度學(xué)習(xí)法檢測大壩安全監(jiān)測異常數(shù)據(jù)［J］.水利水運(yùn)工程學(xué)報，2024（10）：87-93.

［8］張磊，巨能攀，何朝陽，等.滑坡裂縫計時序數(shù)據(jù)實(shí)時異常檢測分析［J］.巖石力學(xué)與工程學(xué)報，2024，43（1）：206-215.

［9］趙建龍，曲樺，趙季紅.基于k-近鄰域中心偏移的魯棒性異常檢測算法［J］.北京郵電大學(xué)學(xué)報，2017，40（4）：54-59.

［10］STOJANOVIC B，MILIVOJEVIC M，IVANOVIC M，et al.Adaptive system for dam behavior modeling based on linear regression and genetic algorithms［J］.Advances in Engineering Software，2013，65：182-190.

［11］吳亞蘭，顧華梁，郭健寶.回歸線性預(yù)測模型在結(jié)構(gòu)健康監(jiān)測中的應(yīng)用研究［J］.中國水運(yùn)，2013，13（10）：86-87.

［12］ARMSTRONG J S，GREEN K C，GRAEFE A.Golden rule of forecasting：Be conservative［J］.Journal of Business Research，2015，68（8）：1717-1731.

［13］XUE Y G，ZHANG X L，LI S C，et al.Analysis of factors influencing tunnel deformation in loess deposits by data mining：a deformation prediction model［J］.Engineering Geology，2018，232：94-103.

［14］LI J B，PEDRYCZ W，JAMAL I.Multivariate time series anomaly detection：a framework of hidden markov models［J］.Applied Soft Computing，2017，60：229-240.

［15］GUO J，DING L Y，LUO H B，et al.Wavelet prediction method for ground deformation induced by tunneling［J］.Tunnelling and Underground Space Technology，2014，41：137-151.

［16］LI R Y，RUAN Y F，LI S S，et al.Study on deformation prediction of landslide based on grey theory and BP neural network［J］.Applied Mechanics and Materials，2012，204-208：520-525.

［17］李川洲.基于關(guān)聯(lián)規(guī)則和機(jī)器學(xué)習(xí)的大壩監(jiān)測異常數(shù)據(jù)自適應(yīng)識別方法研究［D］.重慶：重慶交通大學(xué)，2023.

［18］LAI J X，QIU J L，F(xiàn)ENG Z H，et al.Prediction of soil deformation in tunnelling using artificial neural networks［J］.Computational Intelligence and Neuroscience，2016，42：169452.

［19］ZHANG S Z，WU Y H，CHE T，et al.Architectural complexity measures of recurrent neural networks［J］.Advances in Neural Information Processing Systems，2016，29：1412-1426.

［20］YIN W，KANN K，YU M，et al.Comparative study of CNN and RNN for natural language processing［J］.preprint arXiv：1702.01923，2017.

［21］LEA C，F(xiàn)LYNN M D，VIDAL R，et al.Temporal convolutional networks for action segmentation and detection［C］∥IEEE Conference on Computer Vision and Pattern Recognition，Honolulu，2017：1003-1012.

［22］胡晨彬.基于時域卷積神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電場功率預(yù)測研究［D］.成都：電子科技大學(xué)，2023.

［23］BAI S，KOLTER J Z，KOLTUN V.An empirical evaluationof generic convolutional and recurrent networks for sequence modeling［J］.preprint arXiv：1803.01271，2018.

［24］周元春，甘孝清，李端有.大壩安全監(jiān)測數(shù)據(jù)粗差識別技術(shù)研究［J］.長江科學(xué)院院報，2011，28（2）：16-20.

［25］朱斯楊，李艷玲，盧祥，等.基于隸屬云的安全監(jiān)測異常數(shù)據(jù)識別方法研究［J］.人民長江，2021，52（2）：197-200.

（編輯：胡旭東）

Abnormal data recognition for surrounding rock deformation of underground caverns

based on TCN and criterion adaptation

WU Zhongming¹，LI Tianshu²，ZHANG Bo²，ZHOU Ming²，ZHANG Han^3，4，ZHOU Jingren^3，4

（1.Zhejiang Huadong Surveying，Mapping and Engineering Safety Technology Co.，Ltd.，Hangzhou 311122，China; 2.PowerChina Huadong Engineering Corporation，Hangzhou 311122，China; 3.China State Key Laboratory of Hydraulics and Mountain River Engineering，Sichuan University，Chengdu 610065，China; 4.College of Water resource and Hydropower，Sichuan University，Chengdu 610065，China）

Abstract：The deformation data of surrounding rock in underground caverns of hydropower stations have the characteristics of uncertain changes and short sequence samples，the traditional abnormal data recognition method has high missed recognition rate and misjudgment rate.With the development of intelligent technology，it is a hot topic to establish a more reliable abnormal data recognition method through neural network.However，the traditional neural network has some problems，such as weak temporal correlation and complex calculation.Therefore，an abnormal data recognition algorithm for surrounding rock deformation of underground caverns based on time-domain convolutional neural network （TCN） and criterion adaptation was proposed in this paper.The algorithm considered the relationship between the front and back of the monitoring data sequence，and used TCN technology to establish a more reliable sequence model.At the same time，according to the characteristics of monitoring data of underground caverns，the optimal recognition criterion of adaptive matching was realized by considering three aspects of error median，data fluctuation and instrument accuracy.The algorithm was applied to recognition of abnormal data of surrounding rock deformation of underground cavern in Yebatan Hydropower Station.It was proved that the algorithm can effectively avoid the problems of gradient explosion，disappearance and time-consuming，which greatly improved the efficiency and recognition rate of abnormal value analysis.Relevant experiences can be used as reference in the recognition of abnormal monitoring data of similar projects.

Key words：abnormal data recognition; underground cavern; deep learning; temporal convolutional network （TCN）; criterion adaptation