我国已建成大坝数量居世界首位,大坝作为最重要的水利设施之一,其安全运行关系到人民群众的生命和财产安全。大坝的变形监测及预测是掌握大坝安全运行状态的重要手段,而变形预测分析是其最关键的环节。传统大坝变形预测分析模型存在对监测数据要求高、参数设置困难等缺陷,因此必须继续探索更加合理有效的变形预测分析模型,本文开展了基于改进的鲸鱼算法优化GRU的大坝变形预测研究。首先,针对标准WOA算法提出三点改进策略。其一,针对WOA算法初始化种群分布不均匀,容易失去种群多样性,提出采用sobol序列初始化种群,使种群分布更加均匀;其二,针对WOA算法容易陷入局部最优,提出柯西变异准则,提升算法跳出局部最优的能力,实现全局最优;其三,针对WOA算法收敛速度慢,引入自适应权重和非线性时变因子更新方法,使算法前期减小目标猎物对位置更新的影响,增强算法全局开发能力,使算法后期加大目标猎物对位置更新的影响,加快算法后期收敛速度,从而提高算法的寻优能力和速度。根据上述三条策略改进标准WOA算法,从而构建IWOA算法,通过四个典型的基准函数测试IWOA与WOA算法性能,验证了IWOA算法的优越性。其次,提出基于IVMD降噪的数据预处理方法。针对VMD降噪的缺点提出两点改进策略,其一,针对VMD分解噪声分量和有用信号难以区分,设置相关系数R≤0.2且样本熵SE≥0.7的噪声分量判断标准;其二,针对VMD分解需预设模态数和二次惩罚因子(6,采用IWOA算法自适应寻找参数[,(6]最优组合。从而构建了IVMD降噪新方法,并利用仿真信号验证了IVMD降噪方法的可行性和高降噪率。IVMD降噪应用表明:在波峰和波谷处降噪效果明显,降噪效果评价指标平滑度、样本熵和降噪误差比分别为0.389、0.260、20.066,相对VMD降噪分别减少了13.4%、8.1%、5.9%,各项评价指标均优于VMD降噪,验证了基于IVMD降噪数据预处理的有效性。然后,构建了基于IWOA算法优化GRU的大坝变形预测模型。通过IWOA算法对GRU预测模型的输入层神经元数、隐藏层神经元数、学习率进行组合寻优,以GRU模型预测精度最高即均方根误差最小为目标任务,将IWOA算法超参数寻优结果带入GUR预测模型由此构建了IWOA-GRU大坝变形预测模型。最后,将构建的IWOA-GRU大坝变形预测模型进行变形预测应用。以龙羊峡大坝垂直位移监测点G640的监测数据为例。IWOA-GRU预测实验表明:模型预测精度评价指标平均绝对误差、均方根误差、平均绝对误差百分比由小到大依次排序为IWOA-GRU模型＜PSO-GRU模型＜GWO-GRU模型＜WOA-GRU模型＜ABC-GRU模型,IWOA-GRU模型三个指标分别为0.295mm、0.365mm、5.66%,所有指标均最小且远小于其他对照模型。IWOA-GRU模型与WOA-GRU模型比较三个指标分别减小了36.8%、40.8%、35.6%。五种大坝变形预测模型的指标平均值分别为0.431mm、0.554mm、8.22%,IWOA-GRU模型指标与该指标平均值比较分别减小了31.6%、34.1%、31.1%,IWOA-GRU模型表现出更高预测精度和更强稳定性,从而为大坝变形预测提供一种新方法。