自适应多灾害建模预测降雨驱动的坝体失效：一项案例研究

这对生活在大坝附近的人为何重要

在全球范围内，许多大型大坝仍在建设中或正在提高坝高以储存更多水。在这些未完工阶段，结构可能出人意料地脆弱，尤其是在强降雨季节。该研究聚焦于一座埃塞俄比亚大坝——在从未蓄满库水之前就遭受了严重的边坡破坏——并提出了一种能够提前数周预测此类问题的新方法。该方法可帮助工程师从在裂缝和滑动出现后被动应对，转向在其威胁下游人员和基础设施之前予以预防。

降雨、弱土与脆弱的坝体

梅格奇大坝位于埃塞俄比亚北部，是一座土石填筑坝，通过一层层黏土和岩石堆筑而成，而非整体混凝土。资金和施工的延误使其在数年内处于部分完工状态，仍留有供河流通过的大开口。在这种状态下，大坝存在裸露的边坡、不完全的排水系统以及尚未被满库水覆盖的填筑层。2020 年和 2021 年的异常强降雨从上方和下方浸湿了结构，使黏土心墙和基底饱和。水在上游凹陷处积聚，沿裂缝渗透，并逐渐削弱坝体内部的一条带状区，导致拉应力裂缝、表面滑动，甚至有一块 24 米深的整块材料沿坡面下移。

立体观察坝体内部

为理解这些失效为何发生，研究人员首先在计算机中对大坝进行了详尽的重建。他们结合设计图纸、测量点和现场检查建立了流域、基底和部分完工的堤体的三维数字地形。对黏土和岩石样品的实验室测试揭示了不同带区的强度、密实度和渗透性。通过将这些性质映射到坝体中，他们识别出一条特别脆弱的带域——高黏土含量、更高渗透性的小孔隙以及显著的膨胀潜力与观测到的裂缝和滑坡相一致。先进的数值模型随后模拟了降雨水在坝体内的流动、孔隙水压在深部的累积过程以及随着结构饱和内部应力的变化。

让模型同时向物理规律和数据学习

传统的坝体计算机模拟可以非常精确，但运行缓慢且耗时，不适合在新的监测数据到来时每周重复执行。纯数据驱动的工具，如标准神经网络，虽更快，但常忽略潜在物理机制，并在可用观测年限较短时表现欠佳。因此团队构建了一个混合系统以结合双方优势。一部分基于有限元方法，捕捉在不同水情下坝体的物理行为，生成应力、应变和内部水压的分布图。第二部分是一个循环神经网络，用于追踪随时间变化的过程，学习孔隙水压与位移如何逐周演变。第三部分是一个较简单的神经网络，用来学习土体随应变并持续潮湿时强度如何逐渐下降。一个“注意力”机制突出了对即将发生不稳定最重要的过去数周，使预测对工程师更具可解释性。

提前数周发现隐患

该混合模型在梅格奇大坝两年的每周监测数据上进行了训练和测试——涵盖降雨、内部水压和地面位移——并结合了基于物理的坝体状态描述。与支持向量机、随机森林或独立神经网络等常见机器学习方法相比，新框架对大坝安全系数的预测更准确，并且关键的是更早发现风险。它能够在强降雨季节推进时捕捉到稳定性下降的趋势，并在达到临界条件前大约提前三周半发出可靠预警。注意力组件自动标记了工程师后来在现场识别为最危险的相同期段，这确认了模型学到的是有意义的前兆而非随机模式。

这对大坝安全意味着什么

简言之，这项研究表明将基于物理的模拟与现代学习算法相结合，能够将零散的监测数据转化为针对在建土坝的降雨驱动失效的早期预警系统。通过捕捉水如何缓慢渗入、内部水压如何累积以及土体如何逐步失去强度，该框架帮助工程师在隐性弱点变为可见的裂缝和滑坡之前发现它们。尽管研究仅在单座大坝上进行演示，但该方法被设计为可适配到其他工程，为在最脆弱的几年内实现更主动、考虑气候影响的大坝安全管理提供了一条路径。

引用: Nasser, M., Assefa, E., Assefa, S.M. et al. Adaptive multihazard modeling predicts rainfall-driven dam failure: a case study. Sci Rep 16, 11012 (2026). https://doi.org/10.1038/s41598-026-36927-y

关键词: 大坝安全, 降雨诱发的滑坡, 预警系统, 物理知晓的人工智能, 土石坝