随着水工建筑物安全管理自动化技术的发展，以丰富性、多样性、复杂性为特点的大数据逐渐成为水工建筑物安全监控体系的显著特征。常用安全监控数学模型（三大常规模型、浅层学习算法）难以从大量数据中自动提取深层次潜在信息，即浅层模型与大数据挖掘分析不相适应。深度学习算法由多重非线性映射层构成，能够逐层学习输入数据本质特征并完成高级抽象，但也存在工程适用性不佳等问题。为解决这方面的难题，本文总结安全监控大数据特性，引入长短期记忆深层网络（Long Short-Term Memory，LSTM），提出了适用于不同类型水工建筑物的安全监控深度分析模型，并对算法进行了优化。该模型以竞争学习机制为核心，采用数字滤波、限定区间、滚动迭代等策略，从前端处理、网络结构和外延预测三方面对 LSTM 算法进行了改进，并通过随机搜索和步进式验证实现了最优化建模。结合实际工程选取了多组不同效应量实测数据作为典型应用场景，通过仿真对比实验对所提方法的有效性进行了验证评估。结果表明，与常规、浅层模型相比，多数场景下深度模型更适合用于安全监控大数据处理，以期为水工建筑物安全运行提供决策支持。
