来源：期刊VIP网 时间：
作者：王勇飞;薛一博;田凌云;
单位：国电大渡河流域水电开发有限公司;中国科学院自动化研究所;中国科学院大学人工智能学院;
摘要：针对地处高山峡谷的水力发电设施在长期运行过程中遇到极端复杂条件下结构变形的国际前沿问题，在对水电站大坝变形特性成因分析以及水电站大坝长期运行特性研究的基础上，结合近十年来多维度实时监测传感网络获取的水电站大坝基础设施变形数据，提出了一种基于大语言模型（LLM）与马尔可夫概率逻辑生成式神经网络相结合的生成式智能分析方法。利用大语言模型的强大语义理解和生成能力，优化了水电站大坝变形数据的特征提取和相关性分析，提升了模型对复杂条件下多因素相互作用的准确性。该方法应用于大渡河瀑布沟水电站大坝基础设施受极端天气、地质灾害及大渡河湍流突变等复杂条件影响下的大坝主体工程以及特殊骨架和大型装置的位移等潜在重大隐患问题的精准预测预报。大量实验验证表明，极端复杂条件下，结合大语言模型和知识图谱的马尔可夫概率逻辑生成式神经网络可以准确识别水电站大坝基础设施不均匀的变形特性，并能挖掘大坝各部位因内力相互作用在形变过程中的互相影响。通过与知识图嵌入方法进行比较，准确率存在较为明显的提升。该方法为我国后续水电站修建过程中结构设计以及各部位材料选取提供了参考。
关键词：大语言模型;;知识图谱;;马尔可夫概率;;水电站基础设施;;极端复杂条件;;生成式智能;;传感网络;;知识图嵌入
基金资助：国家能源集团项目(水电站安全态势主动预警技术创新应用)(GJNY-20-83-01)
