Dams are critical infrastructures that require continuous monitoring in order to prevent dramatic failures. The deployment of numerous monitoring instruments on dams has fostered the development of data-driven predictive models for this purpose. Moreover, advances in machine learning have introduced sophisticated models that arouse growing interest in dam safety research. However, they lack further investigation of their practical integration in a real-world monitoring program.

This work explores the use of machine learning for the monitoring of one of Fortum’s hydropower dams, aiming to provide practical conclusions for future operational integration. To this end, various aspects of predictive modelling are studied, including prediction accuracy, anomaly detection performance and model behavior interpretation. Specifically, the potential of Gradient Boosted Regression Trees (GBRT) is compared to the traditional Hydrostatic-Seasonal-Time (HST) model and other linear methods using leakage measurements from an earthfill dam.

The study finds that the GBRT model outperforms linear methods in terms of prediction accuracy on all three targets. It also demonstrates superior overall performance for anomaly detection, even though results vary depending on operational conditions and anomaly types. Despite these variations, the investigated detection procedure enhances the prevention of dam failure and the detection of sensor anomalies. Furthermore, the SHAP method reveals that the model’s behavior aligns with engineering knowledge of the dam and improves the operational handling of anomalies. These findings support the utility of advanced models for understanding and monitoring dam behavior.

Vattenkraftdammar utgör kritiska delar av kraftverksanläggningar och kräver kontinuerlig övervakning för att tidigt upptäcka problem och i förlängningen förhindra dramatiska haverier. Användningen av ett större antal givare av olika typ på dammarna, har främjat utvecklingen av datadrivna prediktiva modeller för detta ändamål. Framsteg inom maskininlärning har dessutom lett till sofistikerade modeller som väcker allt större intresse inom dammsäkerhetsforskningen. Det saknas dock undersökningar för hur de praktiskt kan integreras i ett verkligt övervakningssystem. 

I detta arbete undersöks användningen av maskininlärning för övervakning av en av Fortums vattenkraftdammar, i syfte att tillhandahålla praktiska metoder för en framtida integration i sådana övervakningssystem. För detta ändamål studeras olika aspekter av prediktiv modellering, inklusive prediktionsnoggrannhet, anomalidetekteringsprestanda och tolkning av modellbeteende. Specifikt jämförs potentialen hos Gradient Boosted Regression Trees (GBRT) med den traditionella HST-modellen (Hydrostatic-Seasonal-Time) och andra linjära metoder, med hjälp av data från läckagemätningar för en verklig jordfyllningsdamm. 

Denna studie visar att GBRT-modellen överträffar linjära metoder, när det gäller prediktionsnoggrannhet för de tre utvalda läckagegivarna. Den uppvisar också överlägsna övergripande prestanda för anomalidetektering, även om resultaten varierar beroende på driftförhållanden och anomalityper. Trots dessa variationer förbättrar det undersökta detektionsförfarandet förebyggandet av dammbrott och upptäckten av givaravvikelser. SHAP-metoden visar dessutom att modellens beteende stämmer överens med teknisk kunskap om dammar i allmänhet och den studerade dammen i synnerhet och förbättrar den löpande uppföljningen av avvikelser. Dessa resultat stöder användbarheten av avancerade modeller för att förstå och övervaka dammars beteende.