基于GWO优化多模块融合模型的尾矿坝位移预测方法OA

针对尾矿坝位移受降雨、库水位和浸润线等多因素耦合影响,传统预测模型在局部特征提取和时序依赖建模方面存在兼顾不足的问题,提出一种基于灰狼优化算法(GWO)的CNN-BiLSTM-Self-Attention尾矿坝位移预测模型。首先,采用皮尔逊相关性分析并结合尾矿坝位移演化机理筛选输入变量;其次,利用卷积神经网络提取多源监测数据的局部特征,利用双向长短期记忆网络表征位移演化的双向时序依赖关系,并引入自注意力机制强化关键时间步信息;最后,采用GWO对模型关键超参数进行联合优化。以亮子沟尾矿库监测数据为例开展验证。结果表明:所构建模型的预测结果与实测值吻合较好,测试集决定系数R^(2)达到0.9952,均方根误差RMSE为0.05677 mm。与其他对比模型相比,该模型在趋势跟踪、峰值捕捉和整体稳定性方面表现更优。消融实验和交叉验证结果进一步表明,CNN与Self-Attention模块均能有效提升模型对位移突变阶段的识别能力与泛化稳定性。研究结果可为尾矿坝安全监测与预警提供参考。