Ante las deficiencias de las estrategias existentes de incrustación de grafos de conocimiento, como la débil interacción de características y la representación de conocimiento latente, se sugiere un método único de incrustación de grafos de conocimiento hidráulico. El método propuesto incorpora características de posición espacial en el proceso de incrustación de entidad-relación, mejorando así la capacidad de representación del conocimiento latente. Además, utiliza una red neuronal convolucional de múltiples capas para fusionar características en diferentes niveles, capturando efectivamente información semántica más abundante. Además, el método emplea núcleos de convolución dilatados de múltiples escalas para capturar características de interacción explícita ricas en diferentes escalas de espacio. En este estudio, la efectividad del modelo propuesto se validó en la tarea de predicción de enlaces. Los resultados experimentales demostraron que, en comparación con el modelo ConvE, el modelo propuesto logró una mejora significativa del 14,8% en términos de rango recíproco medio (MRR) en conjuntos de datos públicos. Además, el modelo sugerido superó al modelo ConvR en el conjunto de datos hidráulicos, lo que llevó a un aumento del 10,1% en MRR. Los resultados indican que el enfoque propuesto muestra una buena aplicabilidad y rendimiento en la tarea de complementación de grafos de conocimiento hidráulico. Esto sugiere que el método tiene el potencial de ofrecer una asistencia significativa para la investigación y aplicación de conocimiento en el campo de la hidráulica.