作为大坝安全监测系统的重要组成部分,大坝变形预测方法的研究成为学者关注的热点,而大坝变形数据存在非线性关系强和影响因素复杂等问题,传统的预测模型由于参数设置复杂,预测性能不稳定等缺点已经难以满足当前水库大坝等水利工程的精度要求。因此,本文将机器学习中的极限学习机（ELM）应用到大坝变形预测领域,提出一种基于改进蝙蝠算法（IBA）优化ELM参数的大坝变形预测模型。同时构建了基于蝙蝠算法（BA）和遗传算法（GA）优化ELM参数的大坝变形预测模型,对比验证IBA算法的优化效果;构建了基于梯度下降法的BP神经网络大坝变形预测模型,对比验证极限学习机预测性能的优越性。标准BA算法每次迭代时,蝙蝠个体总是会逐渐朝着当前最优的个体位置靠近,最终整个蝙蝠群体局限在同一个区间中。BA算法在求解低维问题时这个问题还并不明显,但在现实中面临的往往是高维空间的求解问题,因此实际运用时容易导致蝙蝠种群多样性较差,蝙蝠个体容易陷入局部最优值,降低最终的收敛精度。针对BA算法当前存在的问题,本文将GA算法中的交叉变异机制融入BA算法寻优过程中,来提升BA算法寻优时的种群多样性,增强蝙蝠个体在迭代过程中突破局部最优值的能力。基于IBA算法优化ELM初始网络连接权值和阈值构建了IBA＿ELM大坝变形预测模型。把IBA＿ELM模型预测值和实测值的最小误差作为IBA算法的求解问题,以此构造以极限学习机网络连接权值和阈值为自变量的IBA＿ELM模型。将模型预测结果与实测值的均方差作为IBA算法的适应度函数公式,通过IBA算法求解ELM网络最佳参数,赋值ELM网络建立了IBA＿ELM大坝变形预测模型。将模型应用于工程实例,通过对利山水库大坝监测点SZ4的沉降数据预测分析,验证IBA＿ELM模型、BA＿ELM模型、GA＿ELM模型和IBA＿BP模型预测结果,并利用平均绝对误差、平均绝对百分比误差、均方根误差三项精度评价指标进行精度评价。实验结果表明,四种模型的预测值与实测值的平均绝对误差MAE分别是0.286mm、0.332mm、0.543mm、0.396mm,平均绝对百分比误差MAPE分别为0.361%、0.418%、0.684%、0.499%,均方根误差RMSE分是0.360mm、0.406mm、0.630mm、0.484mm。从各项指标来看,各模型预测精度排行为IBA＿ELM>BA＿ELM>IBA＿BP>GA＿ELM,其中IBA＿ELM模型的预测精度明显高于另外三种模型,表明IBA＿ELM模型能有效提高大坝变形预测能力,为大坝变形监测提供决策依据。同时利用IBA＿ELM模型对大坝监测点SZ2和SZ6的沉降数据预测分析,实验结果表明该模型在其他两个点位上的预测效果较好,证明该模型具有较强的泛化能力。