近日，Engineering Applications of Artificial Intelligence在线发表了水利土木工程学院岳强教授题为Dynamic health prediction of plain reservoirs based on deep learning algorithms的研究论文。山东农业大学岳强教授为通讯作者，我校硕士研究生张志成等参与此项研究，王少杰教授给与了指导帮助，合作单位有中国水利水电研究院。

水库健康运行对于实现各种类型的水库功能、避免对人类和河流生态的危害十分重要。针对平原水库健康预测中样本分布不均衡引起的模型泛化能力差、诊断精度低的问题，提出了结合变分自编码器(VAE)和条件生成对抗网络(CGAN)的VAE-CGAN样本增广模型和基于卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的CNN-BiLSTM样本分类模型，旨在动态、准确地预测即将发生的平原水库运行健康状况。首先，将样本数据输入VAE-CGAN模型，通过交替训练编码网络、生成网络和判别网络，学习真实样本的数据分布，从而实现故障样本的增广；然后用增广后的均衡数据样本训练CNN-BiLSTM分类模型，完成平原水库健康识别。在中国二个平原水库中评估了所提方法的性能，试验对比结果表明，与其他三种流行的深度学习模型相比，所提方法在处理不同程度的不均衡监测数据时表现出更强的鲁棒性，取得0.94的最高准确率和良好的泛化能力。即使在数据不均衡率为1:20的情况下，样本增广后，准确率由0.80提高到0.93。研究有助于动态感知和理解平原水库运行健康状况，从而显著提高风险缓解决策的可靠性。

原文链接：https://doi.org/10.1016/j.engappai.2025.110378