迁移学习框架下高心墙堆石坝施工仿真参数IGOA-MLP动态预测模型

吕 菲，钟登华，余 佳，张 君，张雨诺

(1.天津大学 水利工程仿真与安全国家重点实验室，天津 300072；2.中国农业大学 水利与土木工程学院，北京 100083)

1 研究背景

施工仿真技术被认为是描述和分析高心墙堆石坝复杂施工过程、预测施工进度和优化施工方案的有效工具[1]。仿真模型的重要组成部分——仿真参数，在推进仿真时钟过程中被反复调用，是保证仿真结果准确性的关键[2-3]。现有研究多基于历史数据，采用非参数建模方法或机器学习方法预测仿真参数[2-4]，然而，高心墙堆石坝填筑过程中，层与层之间的施工存在差异，历史填筑层的施工情况难以完全代表新一层的情况；同时，在新一层(新工况)刚开始时又往往存在数据不足或缺失的问题，无法为基于机器学习方法的智能预测模型提供充足的训练数据。此外，施工过程中受到气象条件、机械运行状态等诸多因素的影响，仿真参数呈动态变化。因此，有必要充分利用未来工况与历史工况间的数据或模型的相似性，并同时考虑包括降雨、气温、设备型号等多种因素的动态影响，研究仿真参数动态预测方法，为仿真模型提供更准确的输入。

在传统的高心墙堆石坝施工仿真模型中，仿真参数多是根据类似工程经验选取或根据监控数据拟合成某种分布并在仿真中随机抽样[5-7]，难以动态及时地反映仿真参数的变化，对仿真结果的准确性造成了一定影响[2]。后来，有学者采用贝叶斯更新方法进行参数更新[8-9]，但仍需假设仿真参数服从某种特定形式的分布。少数学者提出基于Dirichlet 混合模型的建模方法[10]，也有学者创新性地采用贝叶斯场理论进行自适应建模[11]，但这些建模方法的计算过程相对复杂，并且未能综合考虑天气、施工机械等多种影响因素间的定量影响，对仿真参数长期预测的准确性造成了影响。

随着人工智能的发展，众多学者开始探索采用机器学习方法对仿真参数进行动态预测。肖尧等[12]提出了自适应混沌差分进化支持向量机方法，实现引水隧洞施工仿真参数动态更新；王国浩等[13]采用改进的长短期记忆神经网络预测了高拱坝施工仿真模型中缆机运行时间参数；张君等[13]提出了粒子群优化的多层感知机模型，对坝区气温进行时序预测并嵌入仓面精细化仿真模型中。以上研究均采用时序方法对仿真参数预测，缺乏考虑天气、施工机械等多种因素的动态影响。针对这一问题，Lv等[2]考虑车辆类型、气象条件等因素的影响，采用改进灰狼算法优化的XGBoost模型预测土方运输施工仿真模型中的行车速度。宋文帅等[4]考虑气象因素的影响建立了拱坝施工仿真参数概率预测模型。然而，这些研究均将全部历史数据作为同一数据库构建预测模型，并未考虑新工况与历史工况间存在的差异性。

在高心墙堆石坝施工过程中，仓面填筑方式为多分区平起上升，即分层分仓由低到高填筑，层与层间的施工存在差异，历史填筑层难以完全代表新一层的施工情况。采用已填筑完高程的数据来预测后续填筑层的施工参数，将影响到预测精度。迁移学习利用数据或模型的相似性建立源域和目标域，可以将历史工况(源域)学习到的知识迁移到新工况(目标域)，能够很好地解决新工况与历史工况间训练数据和预测模型的不一致性问题。迁移学习在跨领域或跨工况预测中已有较为广泛的应用，例如，Kimura 等[14]建立了基于迁移学习的深度神经网络模型，预测水库地表水温度；Hasan 等[15]提出基于卷积神经网络——迁移学习的轴承故障诊断方法，使得在一组工况下获得的特征知识能够诊断其他工况下发生的故障；殷仕明等[16]通过建立迁移学习的长短期记忆模型，实现了同流域和跨流域水文模型的迁移。因此，迁移学习具有可以把旧领域学习的模型应用于新的领域的特点，有利于本研究中无/少监控数据的仓块施工参数预测建模。

迁移学习与神经网络模型结合是解决跨领域或跨工况预测问题的有效手段。多层神经网络模型已广泛应用于多种预测研究中[17-20]。其中，具有前馈多层神经网络结构的多层感知机(Multi-Layer Perceptron，MLP)也已经被成功应用于工程领域中坝区温度预测[13]、位移预测[21]和盾构速度预测[22]等研究。具有多个隐藏层的MLP模型能够定量地构建天气、施工机械等多种影响因素与仿真参数间的映射关系，且能够快速有效处理心墙堆石坝施工过程中碾压监控获取的海量数据，因此本研究采用MLP模型作为仿真参数预测的基础模型。由于MLP模型中神经元数量、学习率等参数是影响预测准确性的关键且手动调参存在效率低和难以保证最优的问题，故本文采用改进蝗虫优化算法(Improved Grasshopper Optimization Algorithm，IGOA)的高效全局最优搜索能力来优化MLP的超参数。

综上所述，针对高心墙堆石坝施工仿真参数在不同工况下存在差异，新工况下样本不足，且仿真参数受到机械类型、天气状况等因素影响动态变化这一特点，本文利用具有多个隐藏层的MLP模型构建多种影响因素与仿真参数间的回归预测模型，并利用IGOA的全局高效最优搜索能力来优化MLP的超参数，建立IGOA-MLP模型；进一步引入迁移学习策略，在MLP模型中增加自适应层以表征源域数据与目标域数据的差异性，将源域的知识(历史工况下的仿真参数)迁移到目标域(新工况下的仿真参数)；最终提出了迁移学习框架下改进蝗虫算法优化多层感知机模型(TL-IGOA-MLP)的高心墙堆石坝施工仿真参数预测方法，解决新工况下缺少数据和多因素影响下仿真参数动态变化的问题，为仿真模型提供更准确的输入。

2 研究框架

本文研究框架如图1所示，主要包括三个部分：

(1)数据采集及分析。基于智能碾压监控系统[6]和坝区气象监测站同步采集碾压数据和气象信息，剔除异常值和缺失值，并确定仿真参数影响因素，形成最终数据库。

(2)迁移学习框架下仿真参数预测IGOA-MLP模型的建立。首先，建立综合考虑气象条件、机械运行状态等因素的IGOA-MLP预测模型；其中利用非线性缩减因子和柯西-高斯混合变异模式改进蝗虫优化算法(IGOA)，并采用IGOA对MLP的超参数进行自动寻优，提高模型的运算效率和预测精度；其次，采用迁移学习构建源域和目标域，并在MLP模型的隐藏层中增加自适应层，从而实现不同填筑高程间仿真参数的迁移。

(3)工程应用。将本研究提出的TL-IGOA-MLP模型应用于我国西南某土石坝工程的施工仿真参数预测研究中，并将预测结果与传统MLP模型和不使用迁移学习的IGOA-MLP模型以及SVR、ELM等其他预测模型进行对比，验证了本文所提出方法的优越性和有效性。

3 碾压施工仿真参数影响因素分析

碾压机是大坝填筑过程中仓面施工的主要机械，其运行效率对大坝施工进度有直接影响，因此本研究以碾压施工效率这一仿真参数为例进行分析。碾压机速度一般要控制在2～3 km/h之间，其施工效率理论计算公式为：

Pr=(Wr-Or)×Tr×Vr×N×f

(1)

式中：Pr为碾压效率，m3/h；Wr为碾轮宽度，m；Or为搭接宽度，m；Tr为碾压厚度，m；Vr为碾压机速度，m/h；N为碾压遍数，f为时间利用系数。根据式(1)，碾压机械效率理论上也应相对固定，然而，在实际施工过程中，碾压机械受到管理安排，仓面施工状况，天气状态等多种因素的影响和干扰，碾压机械施工效率会与式(1)计算的理论值存在偏差。

首先基于智能碾压实时监控系统采集碾压机行进速度、碾压机型号、振动状态、所处坝块等信息；其次通过坝区气象监测站同步采集气象信息，将碾压监控数据和气象数据合并，剔除缺失和异常值。结合施工现场实际调研，工程师经验以及历史数据分析，最终确定了11种影响碾压机施工效率的影响因素，如表1所示。

4 迁移学习框架下高心墙堆石坝施工仿真参数IGOA-MLP预测模型

针对碾压机械施工效率在诸多因素影响下呈现出动态非线性和局部波动性等特征，以及历史工况的数据难以完全反映下一个工况碾压机械效率实际情况的特点，本文采用迁移学习融合改进多层感知机的建模新思路，构建了迁移学习框架下的高心墙堆石坝施工仿真参数IGOA-MLP动态预测模型。首先将天气状态、设备类型等多种因素作为MLP模型的输入，建立因素与碾压机械效率间的定量映射关系，其中，利用IGOA优化算法对MLP的超参数进行自动寻优，进一步提高模型的运算效率和预测精度。并采用迁移学习构建源域和目标域，实现不同高程间碾压机械效率的迁移。

4.1 改进蝗虫算法优化的多层感知机模型(IGOA-MLP)多层感知机(Multi-layer Perceptron，MLP)是鲁棒性极强的一种网络模型，包含一个输入层，多个隐含层，和一个输出层，隐含层包含的多层神经元可以及大地增强模型输入与输出间的复杂映射能力[23]。现有研究表明，对于复杂映射问题，需要至少两个及以上的隐藏层[24]。隐藏层中各节点的输出值可表示为：

(2)

式中：Ii为输入向量，在本文中指第i组碾压设备施工效率影响因素样本数据；Wir为输入向量和神经元r之间的连接权重；m为输入样本的数量；j为隐藏层中神经元的个数；βr为第r个神经元的偏差项；φ为激活函数，用来实现神经元输入和输出间的非线性映射，包括Sigmiod函数、ReLU函数、Tanh函数等，本研究采用Sigmiod函数，表示如下：

(3)

MLP包括训练和推理两个阶段，网络结构如图2所示，其中x表示影响因素，y为预测值。通过神经网络对训练样本进行拟合，确定连接权重和偏差项的值，之后在推理阶段，训练好的MLP模型根据输入的影响因素样本由输出层输出碾压设备施工效率预测结果，再通过输出值与标签样本来构建损失函数，通过反向传播的梯度下降算法在连续迭代中修改权重和偏差，使预测值和真实值更接近。反向传播过程需要对Sigmoid 函数求导，即：

图2 多层感知机(MLP)基础模型网络结构图

(4)

针对MLP模型的超参数设置问题，本文采用IGOA优化MLP的超参数。蝗虫优化算法(Grasshopper Optimization Algorithm，GOA)是Mirjalili等人在2017年提出的一种新型群智能算法，通过模拟蝗虫群体捕食行为迭代搜索最优解，其中蝗虫成虫在前期进行全局搜索，蝗虫幼虫负责在后期对特定临近区域进行细致开发，第i个蝗虫在第d维的位置模型为[25]：

(5)

(6)

式中：t为迭代次数；Tmax为最大迭代次数；cmax和cmin为缩减因子c的上下界，本文设定cmax=2，cmin=0。

通过式(5)可以看出，控制参数c影响着整个寻优过程，公式内层c用来控制蝗虫群体的交互空间，减小排斥与吸引空间，外层c为比例因子，用来缩小搜索范围。在基本GOA中，c为由2到0的线性缩减过程，前期和后期下降过快，易在早期和末期陷入局部最优，中期下降慢则影响搜索速度，难以充分体现蝗虫群体的搜索特点。为了实现对蝗虫群体的动态调节，本研究采用控制参数自适应更新策略重构函数c(t)：

(7)

图3为重构函数c(t)与原始线性缩减函数的对比图。可以看出，重构函数c(t)的递减过程呈现出非线性特点，在搜索初期数值较大且下降缓慢，以保证全局搜索能力，中期下降速率较快，可提高搜索效率，末期数值较小下降缓慢，可增强局部探索能力。总体来讲，本文所采用的非线性缩减因子可有效平衡全局搜索和局部探索能力。

图3 函数c(t)变化过程

此外，针对上述提到的蝗虫个体在迭代寻找最优位置过程易陷入局部最优问题，本研究引入柯西-高斯混合变异模式，在迭代前期成虫全局寻优过程中通过柯西算子加大种群多样性，如图4所示，柯西分布峰值相对较小，两侧下降坡度较缓，为成虫提供了更长的搜索步长，扩大了种群初始搜索范围，有利于快速搜索全局最优解。柯西变异公式为：

图4 柯西-高斯概率分布图

Xi(new)=Xi⊕Cauchy(α)

(8)

根据柯西累积分布公式，即公式(9)，最优个体柯西变异数学模型为：

F(x)=π(-1)arctan(x)+0.5

(9)

Xi(new)=Xi(1+tan(π(r- 0.5)))

(10)

式中：Xi(new)为柯西变异后的最优个体位置；Xi为变异前最优个体位置；r为(0，1)间的随机数。

而在迭代后期，为使幼虫开展更细致的局部探索，引入高斯算子[26]，高斯概率密度图如图4所示，其峰值较高，尾部较窄，有利于幼虫以更小的搜索步长在搜索空间的每个角落开展探索，并提供相对更快的收敛速度，高斯变异位置更新公式为：

Xi(new)=Xi⊕Gaussian(α)

(11)

根据高斯密度函数公式(12)，修正后的高斯变异位置更新数学模型为：

(12)

(13)

4.2 迁移学习框架下碾压机效率预测IGOA-MLP模型迁移学习设定有源域(source domain)和目标域(target domain)，迁移学习的过程即将源域的知识转移到目标域的过程，从而解决目标域知识不足，模型精度不够等问题。其实现过程为：设D={Φ，P(X)}为领域，Φ表示特征空间，P(X)为边缘概率分布，X={x1，x2，…，xn}∈Φ；M={Y，f(·)}为任务，其中Y={y1，y2，…，yn}表示标签空间，f(·)为目标函数。设定源域Ds、目标域Dt以及相应的学习任务Ms和Mt(Ds≠Dt，Ms≠Mt)，寻找Ds和Dt之间的相似性，用Ds和Ms的知识来提高f(·)对Dt的学习效果，从而实现对目标域的建模。

基于迁移学习原理，在4.1节建立的多层感知机模型中增加一个针对目标域数据(即新工况下少量数据)的输入部分，如图5所示，使网络的输入层变为源域(历史工况数据)输入层和目标域(新工况数据)输入层两部分，源域数据集和目标域数据集分别通过各自的输入层进入网络；此外，在隐层后增加一层表征源域(历史工况数据)与目标域(新工况数据)差异性的自适应层，即得到了迁移后的新网络。

图5 基于迁移学习的多层感知机(MLP)碾压效率预测模型

(14)

式中：H为希尔伯特空间(RKHS)；F(·)为映射，表示把原变量映射到再生核RKHS(X→H)。将公式展开成矩阵乘法形式，则可得到核化等式：

(15)

(16)

式中：γ表示MMD_loss在总损失函数Loss中的权重，可根据样本数据特征进行相应的设定，本文取0.3；MES_loss为均方误差损失。

4.3 迁移学习框架下IGOA-MLP碾压机效率预测流程迁移学习框架下IGOA-MLP碾压机效率预测模型算法流程共包括数据预处理、IGOA-MLP模型构建和迁移学习三部分，具体步骤如图6所示。

图6 迁移学习框架下IGOA-MLP碾压机效率预测模型构建流程

(18)

(19)

(20)

(21)

5 工程实例

以我国西南地区某高心墙堆石坝为研究对象，采用迁移学习框架下的IGOA-MLP模型进行碾压效率预测。

5.1 数据采集和预处理数据采集来源包括高心墙堆石坝智能碾压监控系统和坝区小型气象站两部分。智能碾压实时监控系统可实时记录包括碾压机行进速度，碾压机型号，振动状态，所处坝块等信息；坝区小型气象站可对施工现场的气象要素进行全天候精准测量，并通过移动通讯设备将气象数据传输到中心计算机。选取坝体填筑第2年6月至第3年5月共12个月的数据作为训练集和测试集，第3年6月份的数据作为验证集。首先剔除数据异常值，并将气象数据与碾压监控数据合并。再根据式(1)计算每条数据对应的碾压机效率，最后得到一个包含1.4万条数据信息的数据库。将高程小于2680 m的监控数据(1.2万条数据)作为源域数据集，将高程大于等于2680 m的监控数据(0.2万条数据)作为目标域数据集，对目标域数据集按照50%训练集、50%测试集划分。

5.2 迁移学习框架下基于IGOA-MLP的碾压效率预测

5.2.1 模型参数设置 本研究采用2层MLP模型，输入神经元数为自变量数11，输出神经元数为1，隐藏层1(H1)的神经元数为15，隐藏层1的权重是一个(行数=输入层神经元数)×(列数=隐藏层1神经元数)的矩阵，其初始值服从平均值为0、方差为1的正态分布。隐藏层2(H2)的神经元数为10，隐藏层2的权重是一个(行数=隐藏层1神经元数)×(列数=隐藏层2神经元数)的矩阵，其初始值服从平均值为0、方差为1的正态分布。输出层的权重是一个(行数=隐藏层2神经元数)×(列数=输出层神经元数)的矩阵，其初始值服从平均值为0、方差为1的正态分布。隐藏层1的偏差项是一个(行数=训练样本数)×(列数=隐藏层1神经元数)的矩阵，其初始值服从(0，1)的均匀分布。隐藏层2的偏差项是一个(行数=训练样本数)×(列数=隐藏层2神经元数)的矩阵，其初始值服从(0，1)的均匀分布。输出层的偏差项是一个(行数=训练样本数)×(列数=输出层神经元数)的矩阵，其初始值服从(0，1)的均匀分布。针对迭代次数、隐藏层神经元数、初始随机权重等超参数，本研究采用IGOA对MLP模型参数进行寻优。IGOA算法种群规模设置为20，最大迭代次数设置为30。IGOA算法得到的MLP模型参数如表2所示。

表2 IGOA算法寻优得到的模型参数

基于以上模型参数，采用MMD_loss函数在隐藏层2后再增加一层自适应层，构建迁移学习框架下的领域自适应IGOA-MLP神经网络。自适应层神经元数为10，与隐藏层2神经元数相等。在自适应层中，源域数据Ds和目标域数据Dt流经隐层2后的输出值均为一个向量(维度=训练样本数)，MMD_loss在总损失函数中的权重常数γ设置为0.3。通过引入包含了均方误差损失函数MSE_loss的总损失函数Loss，建立最终预测模型。

5.2.2 碾压效率预测结果分析 采用5.1节处理好的数据库对迁移学习框架下的IGOA-MLP模型进行训练和验证，得到碾压效率预测结果，如图7所示。图中粉色线条代表预测值，蓝色线条为真实值，可以看出，迁移学习框架下的IGOA-MLP模型得到的碾压效率预测值与真实值的拟合效果较好，线条走向接近，整体波动趋势一致，说明本文所提出的TL-IGOA-MLP模型通过建立源域和目标域之间的相关关系，进行知识迁移，解决了新工况下缺少数据的问题，具有较好的预测性能。为进一步评价预测效果，根据4.3节给出的公式计算得到模型评价指标，结果如表3所示，可以看出MAE、MAPE、RMSE、MSE各项指标的计算结果均令人满意，表明模型预测效果较好。

表3 TL-IGOA-MLP模型结果评价指标

图7 迁移学习框架下IGOA-MLP模型预测结果

5.3 对比分析与讨论

5.3.1 MLP模型与其他机器模型对比分析 将MLP模型与当下较为流行的支持向量回归(SVR)、BP神经网络(BPNN)、随机森林(RF)、极限学习机(ELM)等机器学习模型进行比较分析。评价指标对比结果如图8所示，评价指标的均值如表4所示。可以看出，MLP模型的MAE、MSE、RMSE、MAPE五折均值分别为0.532、1.006、0.991、0.203，均小于其他模型，表明本文所选取的MLP模型在处理碾压效率这一仿真参数的预测问题时预测精度最高，拟合效果最好，同时，模型指标五折标准差也在可接受范围内。因此，MLP模型能够用于高心墙堆石坝施工仿真参数预测研究。

表4 不同基础模型预测性能评价指标均值对比分析

图8 不同基础模型预测性能评价指标对比分析

5.3.2 改进蝗虫算法对MLP优化效果分析 对IGOA-MLP进行五折交叉验证，计算模型的MAE、MSE、RMSE、MAPE来分析其预测性能，并与GOA-MLP、粒子群优化算法(PSO)优化的MLP和未优化的MLP进行比较。各指标五折交叉验证结果的均值与方差对比结果如图9所示。

图9 不同算法评价指标均值方差对比结果

结果表明，IGOA-MLP各项指标的均值和方差均小于未优化的MLP和GOA、PSO优化的MLP，说明IGOA优化的MLP模型具有更好的预测精度和更高的鲁棒性，预测性能更加稳定，且总体预测效果更好，能够有效地预测仿真参数。

进一步分析IGOA的寻优效果，本研究采用传统GOA算法和PSO算法作为对比，分别对MLP模型进行参数寻优。IGOA算法与GOA、PSO算法的适应度函数曲线如图10所示。可以看出，相比于另外两种算法，IGOA适应度值最小，曲线下降速度更快，说明在对MLP超参数寻优时，IGOA 比GOA和PSO具有更强的全局搜索能力和更快的收敛速度，能够快速跳出局部最优，具有更好的寻优性能。因此，选取IGOA寻找到的最优参数作为模型的最终参数。

图10 不同优化算法适应度函数曲线图

5.3.3 迁移学习效果分析 通过对比基于迁移学习的IGOA-MLP模型和不使用迁移学习的IGOA-MLP模型的预测结果，分析迁移效果。基于迁移学习的IGOA-MLP预测模型根据4.3节所示流程开展实验，不使用迁移学习的IGOA-MLP模型采用源域数据对模型进行训练，目标域数据进行验证。为进一步分析模型性能，引入皮尔逊相关系数(PCC)：

(22)

采用迁移学习和未迁移的模型PCC值及MAE、MAPE、MSE、RMSE对比雷达图如图11所示。可以看出，迁移学习后的各项评价指标均小于迁移前，说明模型预测性能和可信度均较之前有所提升，而PCC值大于迁移前的模型，说明迁移学习后真实值与预测值的相关性更高，预测结果更准确，预测精度更高。总体来讲，本文提出的迁移学习策略通过构建目标域与源域之间的相似性，将知识从源域迁移到目标域，进一步提高了模型的预测性能。

图11 迁移学习和未迁移学习评价指标雷达图

基于迁移学习框架下的IGOA-MLP模型的最终预测结果及迁移前的预测结果对比如图12所示。对比结果表明，相较于未迁移的IGOA-MLP模型，TL-IGOA-MLP预测结果最为准确，真实值与预测值的拟合效果最好。说明本文所提出的TL-IGOA-MLP模型通过建立源域和目标域之间的相关关系，进行知识迁移，解决了新工况下缺少数据的问题，提升了模型的预测性能。总体来讲，本文所提出的预测模型在模型优化、预测精度、和对非线性变化的模拟方面均具有更大的优越性。

图12 迁移学习框架下碾压效率预测结果对比

5 结论

施工仿真参数的准确预测是确保施工进度仿真准确性的关键。针对新工况下缺少数据和受天气、设备类型等多因素动态影响的问题，本文采用迁移学习融合多层感知机的建模新思路，构建了基于迁移学习的高心墙堆石坝施工仿真参数IGOA-MLP动态预测模型，取得了如下成果：

(1)考虑天气、机械特性等多种因素对碾压机械施工效率的定量影响，基于智能碾压监控系统和气象监测站实时采集的监控数据构建了IGOA-MLP模型，将多种因素作为模型输入，建立了因素与碾压机械效率间的定量映射关系，并利用非线性缩减因子和柯西-高斯混合变异模式改进的蝗虫优化算法(IGOA)来优化MLP的超参数，进一步提高了模型的运算效率和预测精度。

(2)采用迁移学习构建源域(历史工况数据)和目标域(新工况数据)，通过增加表征源域数据与目标域数据差异性的MMD_loss自适应层，进而构建了迁移学习框架下的高心墙堆石坝施工仿真参数预测模型，实现不同高程间仿真参数的知识迁移，解决了新旧工况间存在差异且新工况下数据量少的问题。由此提出了基于TL-IGOA-MLP模型的高心墙堆石坝施工仿真参数预测方法，从而为仿真模型提供更准确的输入。

(3)将上述方法应用于我国西南某高心墙堆石坝工程实例中，实现了对高心墙堆石坝施工仿真参数的高精度预测分析(MAE=29.989、RMSE=71.050、MAPE=0.092、MSE=5048.052和PCC=0.881)。此外，从MLP模型与其他机器模型对比、IGOA与其他优化算法对比、模型迁移前后对比等方面开展对比分析，证明了所选择的MLP模型、改进蝗虫优化算法和迁移学习的优越性。多方面结果表明，本文提出的TL-IGOA-MLP模型够解决新工况下缺少数据导致模型构建不准确的问题，并同时考虑了天气、设备类型等多种因素对仿真参数的动态影响，为高心墙堆石坝施工仿真预测提供了新思路。