考虑高寒低温影响的高心墙堆石坝仓面施工仿真模型研究

张 君，余 佳，任炳昱，王晓玲，俞 澎，林威伟

（天津大学 水利工程仿真与安全国家重点实验室，天津 300072）

1 研究背景

随着我国心墙堆石坝向300 m 级发展，心墙堆石坝建设逐渐向高寒、高海拔地区推进。低温环境下心墙堆石坝仓面施工可能会面临土料冻融问题，进而对碾压质量造成不利的影响［1-2］。为了保障工程质量，仓面施工在低温条件下会停工，并增设在停工前覆盖保温层（覆膜），在温度回升后揭膜等保温工序，进而影响施工进度。此外，由于寒冷气温的变化趋势具有不确定性，这对心墙堆石坝冬季施工进度的准确分析带来了极大的挑战［3］。为了充分考虑高寒地区低温条件对施工进度的影响，合理安排施工组织，迫切需要研究寒区的温度变化规律，结合高寒高心墙堆石坝冬季施工的特殊工序和控制要求，开展高寒高心墙堆石坝仓面施工仿真研究。

近年来，国内外学者对于堆石坝仓面施工仿真的研究取得了较为丰富的成果。由于施工仿真模型是对现实世界施工过程原型的模拟，施工仿真研究致力于充分挖掘实际施工经验与施工数据，建模各种影响因素，以提高仿真模型与真实世界的一致性。赵晨生等［4］通过分析质量因素对堆石坝施工进度的影响机制，构建耦合质量要素的高心墙堆石坝施工仿真数学逻辑模型，以开展耦合质量要素的高心墙堆石坝施工仿真理论与应用研究，从而提高堆石坝仓面施工仿真结果的准确性。钟登华和翟海峰等［5-8］将碾压过程实时监控引入心墙坝仓面碾压施工仿真模型，通过数理统计方法将碾压施工数据转换为仿真参数，以准确模拟心墙堆石坝仓面碾压过程的不确定性因素，并据此分析了堆石坝施工进度风险。杜荣祥等［9］利用实时监控系统中的铺料厚度信息建立了考虑仓面实时监控厚度影响的堆石坝仓面施工仿真模型。Du 等［10］和Zhang 等［11］考虑了心墙堆石坝施工过程中仓面划分因素的影响，提出了基于分期分区优化的心墙堆石坝施工仿真方法，一方面提高了仿真模型的准确性，另一方面给出了高心墙堆石坝分期分区方案的优化建议。钟登华院士团队结合系统仿真技术、数据库技术、可视化技术、系统集成技术和实时监控技术，构建了高堆石坝施工过程的仿真与优化系统［12］。上述研究均为堆石坝仓面施工仿真在考虑各种影响因素以提高仿真模型与真实世界的一致性方面所做出的有益探索，在影响堆石坝施工进度的因素中，天气是最重要的影响因素之一［13-14］。因此，国内外学者围绕考虑天气影响的施工仿真开展了大量的研究。Shahin 等［15］在2011年提出了一个考虑极端天气影响的仿真框架，采用数理统计方法拟合天气时间序列，进而基于预测的天气变量在管道施工仿真中考虑天气对进度的影响。Marzouk 和Hamdy［16］提出了一个预测天气影响下生产力损失的框架，采集历史气温数据作为影响变量，结合模糊集技术和系统动力学仿真模型预测生产力损失。2014年，Shahin 等［17］提出了一种用于施工仿真的通用天气生成器，采用不同的数理统计组件随机生成降雨、风、霜、气温等天气参数，并将其应用到考虑寒冷天气条件的隧洞施工仿真模型中［18］。Jung 等［19］提出了一种能够考虑随高程变化的气温条件来构造气温延迟的仿真模型，以分析垂直气温变化的程度对高层建筑施工的影响。Ballesteros 等［20］于2017年提出了一种新的随机模型，用于处理和模拟组合天气变量的时空变化；又于2018年［21］使用正弦波曲线将气温的影响纳入施工进度计划和管理中。Zhang等［13］提出了一种考虑随机降雨影响的堆石坝施工仿真模型，提出改进的期望最大算法预测随机降雨量。然而，上述考虑天气影响的研究多基于概率和数理统计方法建立未来的天气序列，这些方法大多关注气温的长期特征，预测结果趋于平均值，难以准确预测短期具有非线性特征的寒区天气变化规律［22］，从而无法为短期仓面施工仿真提供准确参数。此外，现有研究未在仿真中考虑高寒低温条件下停工以及揭膜、覆膜等特殊工艺对堆石坝施工过程的影响，限制了仓面施工仿真在工程实际中的应用。因此，有必要建立有效反映高寒地区气温随时间变化规律的气温预测模型，并在高寒地区施工仿真中考虑低温条件对堆石坝施工进度的影响。

随着人工智能的发展，机器学习方法［23-24］由于能够有效地预测具有非线性和时变特性的时间序列，为建立准确的天气预测方法提供了有效的技术手段。其中，人工神经网络被成功应用于气温预测领域［25-27］，具有前馈神经网络结构的多层感知器（MLP）［28-29］作为最受欢迎的人工神经网络之一，也已经被成功用于气温预测领域。但是，传统MLP 方法中常用的小批量梯度下降算法存在局部优化和训练低效的不足；此外，网络中学习率、学习动量等结构参数和隐藏层中神经元的数量等超参数往往难以确定［30-31］。针对上述问题，本文提出了基于PSOMLP 的寒区气温预测方法，利用PSO 的高效搜索和全局最优能力来优化MLP 的超参数，以避免小批量梯度下降算法优化MLP 陷入局部最优的缺陷，提高MLP 的训练效率和精度；基于获得的气温时间序列确定低温停工参数，并在仿真模型中考虑高寒地区低温条件下揭膜、覆膜等保温工序，建立考虑高寒低温影响的高心墙堆石坝仓面施工仿真模型，实现对高海拔高寒地区堆石坝仓面施工过程的准确模拟分析。

2 考虑高寒低温影响的高心墙堆石坝仓面施工仿真模型

2.1 考虑高寒低温影响的高心墙堆石坝仓面施工仿真问题与需求现有高堆石坝施工仿真中对气温影响的考虑主要采用工程经验或者统计分析方法获得有效施工时长等参数从而间接反映气温对施工过程的影响。例如，高心墙堆石坝施工仿真研究中考虑冬季低温影响最常见的做法是降低冬季施工的日有效施工时长，正常天气条件下的日有效施工时长设定为20 h，对于受到低温影响的11月至1月，每日有效施工时长设定为12 h。这种做法主要存在两个问题：（1）高寒地区的气温变化存在较大的不确定性，设定一个恒定的有效施工时长将影响仿真结果的准确性。由于这种通过有效施工时长间接考虑天气影响的方式无法确定准确的低温停工时刻和停工时长，所以无法进行更精细的仓面施工组织，可能会导致人力物力的浪费；（2）缺乏对高寒施工条件下特殊工艺的考虑。随着对高寒冬季施工工艺的研究越来越深入，一系列较为完善的冬季施工主被动综合防控措施被提出，但是现有仿真研究对这些特殊保温工艺的考虑较为缺乏，限制了仿真在实际施工中的应用。

上述问题对高寒低温环境影响下的心墙堆石坝仓面施工仿真模型提出了新的需求：（1）需要准确量化由于高寒低温带来的停工影响，确定准确的停工时长和停工时刻，从而提高仓面施工仿真模型的准确性；（2）需要有效考虑高寒环境中高心墙堆石坝施工的特殊工艺，例如覆盖保温层、揭保温层等相关工序，给出具有实际指导意义的施工组织建议。

为了满足上述需求，本文提出一个新的考虑高寒低温影响的高心墙堆石坝仓面施工仿真模型，该模型通过建立一个高精度的短期寒区气温预测方法以准确获取停工时长和停工时刻，并在模型中建立了高寒地区低温条件下揭膜、覆膜等保温工序，以提高仿真模型的准确性和在工程实际中的应用效果。所提出的模型主要包含气温预测和仿真方法两个子方法，在数学模型中详细定义了模型的输入输出以及两个子方法的逻辑关系，如图1所示。

图1 数学模型

数学模型包括3 个部分：①输入：定义模型输入参数，主要可以分两个参数集合，PPM为气温预测的参数集，包括输入参数如历史气温时间序列IHT，粒子群优化算法参数IPSO，多层感知机参数IMLP；PCO为MCO的参数集，包括输入参数如仿真工序ISIM，仿真逻辑IR，大坝体积参数IDV，机械配置IM，机械运行参数ICV，仓面施工单元划分方案IS，低温停工参数IBT，其中，IBT由低温仿真工序（如揭膜、覆膜工序等）WSIM、停工时刻TST和停工时长TIST构成。②模型：定义模型方法主要包含模型方法集和方法之间的逻辑关系，M表示方法集，包括CYCLONE 离散事件仿真方法MCO、基于PSOMLP 的寒区气温预测方法MPM；函数f反映了方法之间的逻辑关系，即根据气温预测模型的输出可以得到仿真模型的低温停工参数；③输出：定义模型输出结果，主要可以分为两类，气温预测方法输出结果为预测气温时间序列OFT；仿真模型输出结果为施工进度OS、总工期OT和施工强度OQ。

基于PSOMLP 的寒区气温预测方法本节主要介绍提出的基于PSOMLP 寒区气温时间序列预测方法。相关研究表明，高寒地区气温变化具有非平稳时变特征［22］，神经网络较好的非线性和自学习能力可以较好地预测短期气温变化，但存在容易陷入局部最优，收敛速度慢，隐含层单元数目等超参数难以确定等问题［29-30］。针对上述问题，本文提出基于PSOMLP 的寒区气温时序预测方法，该方法采用PSO 优化基于小批量梯度下降算法的MLP，以提高MLP 的训练速度，确定MLP 的最优结构参数，从而实现对仓面施工时间内寒区气温变化规律的准确模拟。本节内容共分为两小节，首先，在2.2.1小节中介绍了多层感知机的基本原理，其次，在2.2.2 小节中介绍了所提出的寒区气温预测PSOMLP方法与流程。

2.2.1 多层感知机（MLP）基本原理 MLP 是一种具有单向误差传播的多层前馈网络模型，是迄今为止最流行的前馈网络架构。MLP 可有效解决寒区气温这类非线性时间序列预测问题，相比于确定性模型或一般线性统计方法具有更好的预测结果［29］。MLP 由输入、隐藏和输出层组成，所有这些层均由相似的神经元组成。研究表明具有单个隐藏层的MLP 可以近似于具有任意精度的非线性系统，因此本研究使用单隐藏层MLP 来进行寒区气温预测。

MLP 层与层之间是全连接的。MLP 的每个节点都具备两个功能函数：求和函数和激活函数。隐藏层上的求和函数用于计算第j个神经元的输入，如式（1）所示：

式中：Netj为求和函数；n为输入单元的个数；Ii为第i个输入历史气温变量；βj为一个偏重项；wij为连接权重。

激活函数用于计算神经元的输出，通过激活函数可以实现神经元的输入和输出之间非线性化。本研究中全连接层上使用Tanh 激活函数，也称为双正切函数：

相比于Sigmiod、ReLU 等激活函数，Tanh 函数可以有效解决梯度弥散和无法携带负值信息的问题，在特征相差明显时的效果会很好，在循环过程中会不断扩大特征效果。

因此，第j个神经元的输出，也即预测气温值为：

2.2.2 寒区气温预测PSOMLP 方法与流程 确定了MLP 的结构后，需要对MLP 神经网络的权重和偏差进行调整和优化，这个过程被称为多层感知机的训练（学习）过程。MLP 的权重和偏差的合理设置直接影响着MLP 预测结果的精度和效率，常用的MLP 权重偏差设置方法有批量梯度下降法（Batch Gradient Descent，BGD）、随机梯度下降法（Stochastic Gradient Descent，SGD）和小批量梯度下降法（Mini-Batch Gradient Descent，MBGD）三种［29］。其中，相比于每次迭代使用所有样本更新梯度的BGD算法和每次迭代中使用一个样本更新梯度的SGD 算法，MBGD 是BGD 和SGD 的一个折衷，每次迭代中使用部分样本更新梯度，大幅减小收敛所需要的迭代次数，同时又不易陷入局部最优，从而克服BGD 训练速度慢、SGD 易陷入局部最优的缺陷。因此，本文选用MBGD 优化MLP 的权重和偏差，选用MBGD 优化MLP 的过程中存在几个重要参数，会对优化结果起决定性作用，即学习速率α、小批量梯度下降动量θ以及隐含层神经元个数m［30］。

如前所述，在采用MBGD 优化MLP 的过程中，学习速率α、小批量梯度下降动量θ以及隐含层神经元个数m是影响MLP 神经网络训练速度及训练精度的关键参数。传统依靠人为确定这些参数时，如果参数选取不当会造成模型训练收敛速度缓慢、精度不高的缺陷。PSO 是一种基于群体智能的寻优算法，其基本思想来源于生物群体在进化过程中的信息共享机制，即通过群体中各粒子间的协作与群体信息共享来实现寻优搜索。本文利用PSO 算法计算机制简单、易于实现、收敛速度快、优化性能良好等优势，将其用于优化MLP 的学习速率α、小批量梯度下降动量θ以及隐含层神经元个数m三个参数，所提出的PSO 优化MLP 原理如图2所示。

图2 PSO 优化MLP

基于PSOMLP 的寒区气温预测方法流程具体步骤如下：

第一步：气温重构。由于仿真需要连续气温时间序列来判断仓面施工停工时刻和停工时长，所以需要对气温时间序列进行重构，采用多步预测的方式建立预测方法。在划分样本时采用t时刻前m个历史数据（yt-m，…，yt）预测后n个数据（yt+1，…，yt+n），预测时间窗口n即为可以获得的气温预测时间序列长度。通过滑动窗口来划分数据集样本，滑动窗口指的是用指定的单位长度来框住时间序列，从而学习窗口内的序列规律，每划分一个训练样本，滑动窗口向后移一个数据点；划分测试集时，每划分一个测试样本，滑动窗口向后移n个数据点，其示意图如图3所示。

图3 滑动窗口多步预测示意图（以m=4，n=2 为例）

图3 中，对于一个长度为N的气温的时间序列{y1，y2，……，yN}，重构后的气温数据集如下：

式中：y为气温数据点；X为预测方法的输入；Y为预测结果的训练集。

第二步：初始化PSO 参数，生成初始种群。种群中的每个粒子都具有初始化的位置和速度，其中粒子位置是一个3 维向量代表MLP 的学习速率α、小批量梯度下降动量θ以及隐含层神经元个数m三个超参数；

第三步：评估每个粒子的适应度函数。基于重构的气温数据样本对带有小批量梯度下降算法的MLP 进行初始化的训练和测试，其中超参数根据粒子位置设置。

然后，选择均方根误差（RMSE）指标作为基于PSO 进行MLP 超参数优化的适应度函数，即PSO 的目标函数。其计算公式如下：

第四步：适应度值比较与粒子位置、速度更新。每个粒子的位置和速度可以根据全局最优解和当前最优解进行更新，所有粒子都在由目标函数引导的方向上移动，从而可以计算最终的全局最优解。若粒子种群由m个粒子组成，在三维搜索空间中，向量表示第i个粒子的空间位置，也即MLP 的三个超参数设置；向量表示第i个粒子的速度；表示第i个粒子搜索到的最优超参数设置；表示整个粒子群搜索到的最优参数设置。每次迭代粒子的速度及位置更新方程为：

式中：ω为惯性权重，其作用是用于调整全局搜索和局部搜索能力的平衡；c1、c2为学习因子，分别表示粒子自我学习和向群体中优秀个体学习的能力，本文取c1=c2=2、η为［0，1］之间符合均匀分布的随机数；t表示当前进化代数。

第五步：判断是否满足终止条件，如不满足则进入下一循环。

2.3 基于PSOMLP 寒区气温预测的高寒高心墙堆石坝仓面施工仿真模型在低温条件下，砾石土容易发生冻结、冻融现象，造成其压实性明显变差，无法满足设计要求。为了保证施工质量，当日最低气温小于低温限值ymin时，需要在土料冻融之前完成仓面碾压，增设覆盖保温层工序（覆膜工序），覆膜后停止施工，在温度恢复ymin以上后，增加揭保温膜（揭膜工序）、仓面清理工序，清理后开始卸料、铺料、压实和质检工序。然后基于以上低温停工参数和约束，建立考虑低温影响的高寒高心墙堆石坝仓面施工仿真模型，如图4所示。

图4 基于PSOMLP 气温预测的高寒高心墙堆石坝仓面施工仿真模型

为了量化高寒低温条件对施工仿真的影响，基于提出的PSOMLP 寒区气温预测结果判断心墙堆石坝施工状态，统计日有效施工时间。首先收集心墙气象站的气温数据，构造施工环境气温时间序列；其次，采用PSOMLP 方法预测未来气温变化；依据预测的气温数据，判断当日最低气温是否小于ymin，如果大于ymin，则按照非受限仓面施工仿真模型进行当日施工仿真计算；如果小于ymin，则基于PSOMLP 气温预测结果，确定停工时刻、停工时长，增设覆盖保温膜、揭保温膜及仓面清理工序，进行低温条件下仓面施工受限状态仿真。最后合并仿真成果，统计仿真成果指标。

3 工程实例

以中国西南部正在建设的寒区某大型高心墙堆石坝项目为研究对象，开展考虑高寒低温影响的高心墙堆石坝仓面施工仿真模型研究。该心墙堆石坝处于季节冻土区边缘，冬季气候寒冷干燥，极端最低气温可达-15.9℃，易发生土料冻融现象。工程冬季施工时段主要集中为1月至2月及11月下旬至12月。

3.1 气温数据采集和重构堆石坝心墙选取小型气象站（Little Smart System，LSS）对气象要素进行全天候现场精确测量，同时GPRS 移动通讯将数据传输到中心计算机气象数据库中，用于统计分析和处理。选取该工程施工第三年11月1 号0 时至第四年1月23日23 时的气温数据作为训练样本训练模型，第四年1月24日0 时至第四年2月23日0 时的气温数据作为验证集进行验证。上述气温数据采样频率为每小时，针对其中的缺失值，采取线性插值的方法进行补全。为了获得一个仿真时段内的气温预测结果，对历史数据进行重构，选取历史数据窗口长度为48，预测数据窗口大小为24 以实现多步预测。然后滑动窗口3 次，获得第四年1月24日0 时至1月26日24 时气温预测结果。

3.2 基于PSOMLP 的寒区气温预测

3.2.1 PSOMLP 参数设置 采用PSO 算法优化基于最小梯度下降法的MLP 模型的超参数。首先，初始化粒子群算法，粒子种群大小设置为20，最大迭代次数设置为30，随机确定每个粒子的初始速度和位置。由于有3 个参数（学习率，小批量梯度下降算法的动量以及MLP 模型的隐藏层中的神经元数量）需要确定，因此将速度和位置的维数设置为3。其次，设置MLP 模型的初始参数：隐藏层数量设置为1；最小批量梯度下降的学习率和动量的变化范围分别设置为0.001～0.2 和0.05～0.95。隐藏层中神经元的数量范围设置为5～55。最后，基于3.1 节介绍的数据集对PSOMLP 模型进行训练和测试。

在算法开始时，PSO 初始化为一群随机粒子（随机解），如图5（a）所示。随着算法的迭代，粒子逐渐向最优解迭代，当算法达到最大迭代次数时，算法终止，选择最优粒子的位置作为MLP 模型的超参数设置。图5（b）显示了第29 代粒子群的迭代位置，可以看出粒子群基本收敛。经PSO 优化的MLP 的最优参数设置为：学习率0.005，学习动量0.68，隐层神经元数为12。

图5 粒子群收敛过程

3.2.2 寒区气温预测结果 基于PSOMLP 的寒区气温预测结果如图6所示。由图可知，预测温度和实测温度趋势一致，在该时间段内的负温施工时段为第四年1月24日2 时至第四年1月24日11 时，第四年1月25日2 时至第四年1月25日11 时，第四年1月26日3 时至第四年1月26日11 时。由此可以设置三仓的停工时长分别为9 h、9 h 和8 h，停工时刻分别设置为1月24日2 时、1月25日2 时和1月26日3 时。

图6 气温预测结果

3.3 考虑高寒低温影响的高心墙堆石坝仓面施工仿真根据工程现场施工要求，寒区最小防冻温度tmin为0℃，当日最小气温大于0℃时，日有效施工时长为18 h；当日最小气温小于0℃时，需要在低于0℃的时间段内停工，在进入0℃以下之前，增加覆盖保温膜工序，在温度恢复0℃以上后，增设揭开保温膜以及仓面清理工序。仿真中采用Bootstrap 方法对覆膜和揭膜工序的时长进行抽样，绘制直方图如图7所示。

图7 覆膜和揭膜清理工序时长统计直方图

在以524 ～ 526 三层仓面为研究对象，传统仿真仓面流水作业关键工序包括卸料、铺料、碾压、质检四个工序，配置26 t 自行式凸块振动碾4 台、SD22S 湿地型推土机2 台。分别进行考虑低温影响的寒区心墙堆石坝仓面施工仿真和传统的心墙堆石坝施工仿真［32］，两种仿真条件如表1所示，两种仿真各计算100 次，统计三层仓面仿真工期箱型图结果如图8所示。

图8 工期结果箱型图

表1 两种仿真模型条件

基于PSOMLP 气温预测的高寒高心墙堆石坝仓面施工仿真方法，第524、525、526 仓仿真施工工期的中位数分别为15.77 h、13.41 h 和14.36 h；按照传统仿真方法，第524、525、526 仓仿真工期的中位数分别为11.27 h、9.40 h 和13.85 h；实际的仓面工期分别为15.8 h、13.2 h 和14.1 h。统计三个仓面的仿真工期与实际工期的平均相对误差，传统仿真方法平均相对误差为19.74%，本文提出的高寒高心墙堆石坝仓面施工仿真方法平均相对误差仅为1.21%，可见所提出的基于PSOMLP 的气温预测寒区堆石坝仓面施工仿真结果相比于传统的施工仿真结果更加符合工程实际。

为了进一步说明本文所提方法的有效性，绘制寒区仿真、传统仿真和实际工期的横道图如图9所示。从整体工期结果看，第526 层仓面实际于第四年1月26日晚22 时完成覆膜工作，常温施工仿真未考虑覆膜以及揭膜工序，于第四年1月25日晚23 时完工，与实际施工相差较大；高寒仓面施工仿真基于温度预测结果，考虑了覆膜以及揭膜工序，设置了低温停工条件，仿真结果于第四年1月26日23 时完工，仿真结果与实际情况更为符合。

图9 仿真结果横道图

3.4 对比和讨论分析

3.4.1 气温预测方法对比 为了验证PSOMLP 气温预测方法的有效性和优越性，将所提出的PSOMLP方法与常用的气温预测方法自回移动平均模型（ARIMA）、支持向量机（SVM）、多层感知机（MLP）、长短时记忆网络（LSTM）基准模型进行比较。ARIMA 模型首先经过ADF 检验确定序列平稳，然后使用BIC（Bayesian Information Criterion）准则来确定模型阶数p、q的最佳值（0，0，1）。其次，对设置各模型的参数如下，SVM 选用RBF 核函数，惩罚参数设置为c=1；对于MLP，惩罚参数设置为10-4，采用三层结构，隐层神经元个数设置为8，使用小批量梯度下降法来优化连接权值；对于LSTM 模型，Dropout Rate 设置为0.2，同样采用Adam 优化器对模型进行训练，设定seed=7 以避免随机性带来的影响。在以上时间序列预测模型中，由于预测窗口长度为12 h，仿真需要时间序列长度为36 h，在预测过程中采用滑动预测的方法将窗口向右平移三次。

采用三个性能指标-均方误差（RMSE）、平均绝对误差（MAE）与对称平均绝对百分比误差（SMAPE）来评价各方法的预测结果。由图10 可知，PSOMLP 气温预测方法的均方根误差（RMSE）为1.16、平均绝对误差（MAE）为0.84、对称平均绝对百分比误差（SMAPE）为0.27，均低于其他几种气温预测方法，证明了所提方法的优越性。

图10 不同模型预测误差指标结果对比

3.4.2 仿真结果讨论 仓面仿真结果的准确性除了可以体现在施工时长上，还体现在工序与实际的一致性中。仿真工序与实际工序一致，可以更好地辅助施工组织和方案优化。所以在表2 中进一步统计了3.3 节所述传统仿真与所提出的仿真方法的三个仓面停工时长、揭膜工序时长、覆膜工序时长以及工序不一致比例。工序不一致比例定义为在仿真总时段内，仿真工序与实际施工工序不同的时长占比。可以看出根据PSOMLP 寒区气温时序预测得到的停工时长准确度有了大幅度提高，停工时长的准确量化和揭膜、覆膜工序的考虑能够较好地减少工序不一致比例，提高仓面施工仿真模型的准确性。

表2 仿真工序一致性比较（单位：h）

3.4.3 模型应用 根据以往高寒高坝施工经验，高寒地区堆石坝冬季填筑施工根据存在施工效率低、防控保温措施被动等难题。所提出的考虑高寒低温影响的高心墙堆石坝仓面施工仿真模型由于可以有效预测高寒气温变化规律，为合理安排人力物力和提高保温措施的主动性提供了新的思路和手段。为了说明本文所提方法的有效性，以第四年第3 周堆石坝仓面填筑施工为例，基于施工经验和基于本仿真模型分别给出的计划方案对比如图11所示。根据施工实际调研，施工单位最详细的计划单位为周计划，每周计划较为粗糙地给出本周计划计划进度和排班，无法针对高寒施工特殊工序给出预防措施。与之对应地，基于本文所提出的方法，一方面可以根据预测的寒区气温变化规律给出详细的揭膜覆膜工序安排，提高保温措施的主动性，提前主动进行揭膜覆膜工作，以防止土料受冻，提高施工效率。另一方面，基于本文所提出的仿真计算结果，可以给出每天的详细填筑计划，获得相对精细的机械排班时间，以减少人力物力的浪费。

图11 计划方案对比

4 结论

针对目前的施工仿真主要采用工程经验或者统计分析方法获得有效施工时长等参数以间接反映气温对施工过程的影响，难以准确量化高寒条件下低温停工对施工进度的影响，且缺乏考虑高寒施工环境下的保温工序，无法保证寒区堆石坝仓面施工仿真的准确性且限制了仿真模型在实际施工中的应用的不足，提出了考虑高寒低温影响的高心墙堆石坝仓面施工仿真模型，取得了以下结果：

（1）提出了基于PSOMLP 的寒区气温预测方法。运用粒子群优化算法的高效搜索和全局最优能力来优化多层感知机的超参数，克服了传统MLP 确定参数容易陷入局部最优的缺陷，提高了MLP 的训练效率和精度，从而实现对非线性寒区气温的准确预测。

（2）构建了考虑高寒低温影响的高心墙堆石坝仓面施工仿真模型。首先，基于提出的PSOMLP 气温时序预测结果，确定低温停工时长以及揭膜、覆膜等保温工序的开始时刻；其次，基于Bootstrap方法抽样低温环境下仓面施工揭膜、覆膜工艺仿真活动时长，构建高寒地区高心墙堆石坝仓面施工仿真模型。

（3）采用所提的方法应用于西南某高寒地区高心墙堆石坝工程，获得了该工程冬季仓面施工阶段内的温度变化规律，以及低温条件下的仓面施工进度。首先，通过与4 种常用的气温预测方法对比分析验证了本文提出的气温预测方法的准确性；其次，通过与传统施工仿真结果相比，表明本文所提出的考虑高寒低温影响的高心墙堆石坝仓面施工仿真模型的仿真结果更吻合实际进度，证明了所提仿真方法的准确性与优越性；最后，依据本文提出方法预测的气温时间序列给出了详细的揭膜覆膜工序安排，可以提高保温措施的主动性，同时给出了精细的填筑计划和排班计划以减少人力物力的浪费。

本文提出的考虑高寒低温影响的高心墙堆石坝仓面施工仿真模型能够为高寒地区高心墙堆石坝施工进度分析和管理提供一种新的思路和手段。此外，随着天气预报技术的不断发展，未来将可能获得更加精细和准确的天气预报信息［33］，可以基于其建立更准确的天气预测方法，并引入仿真模型中，进一步提高仿真模型的准确性。

致谢：余佳对本文的贡献与第一作者相同。