基于APSO-GRNN-KPCA的拱坝变形预测及特征贡献分析OA

拱坝变形受到水压、温度及材料时效等多物理场耦合作用,呈现显著的非线性特征。传统HST模型难以精准捕捉这种复杂的非线性映射关系,而常规机器学习模型常因参数敏感性及“黑箱”特性,导致预测精度波动且缺乏物理可解释性。为此,研究提出了一种基于核主成分分析(Kernel Principal Component Analysis,KPCA)、自适应粒子群优化(Adaptive Particle Swarm Optimizafion,APSO)与广义回归神经网络(Generalized Regression Neural Network,GRNN)的耦合预测模型。通过KPCA提取非线性温度主成分以解决多重共线性,利用APSO算法自适应寻优GRNN光滑因子,并引入SHAP(SHapley Addifive exPlanatims)博弈论方法,从全局与局部维度对预测结果进行特征归因。以某特高拱坝为例,验证了模型的有效性;SHAP分析定量揭示了变形驱动机制随坝高变化的演变规律,验证了模型的物理一致性。该研究实现了拱坝变形的高精度预测与机理解析的统一,为复杂水工结构安全监控提供了科学依据。