高拱壩施工期垂直向溫度分布智能動態預測

唐騰飛，黃耀英，周宜紅，郝 鵬，王 飛

(1.中國電建集團貴陽勘測設計研究院有限公司，貴州貴陽550081；2.三峽大學水利與環境學院，湖北宜昌443002)

高拱壩施工期垂直向溫度分布智能動態預測

唐騰飛1，黃耀英2，周宜紅2，郝 鵬1，王 飛1

(1.中國電建集團貴陽勘測設計研究院有限公司，貴州貴陽550081；2.三峽大學水利與環境學院，湖北宜昌443002)

針對當前特高拱壩施工期混凝土溫控采取分區分時段通水冷卻難以實時掌握并準確預測垂直向溫度分布的問題，利用分布式光纖實時在線監測采集數據量大的優勢，發掘其線空間內的數據關系，基于廣義回歸神經網絡建立隱式垂直向溫度分布模型，并對某處于建設期的高拱壩垂直向溫度分布進行動態預測分析。結果表明，建立的垂直向溫度預測模型的預測溫度與實測溫度之間存在良好的相關性，能很好地反映各溫控因素與監測數據的非線性關系，能夠準確、合理地預測垂直向溫度。

高拱壩；施工期；廣義回歸神經網絡；垂直向溫度分布；智能動態預測

0 引 言

目前特高拱壩的典型溫降過程和分區冷卻方案的最大特點就是，在溫度控制上按“小溫差，早冷卻，緩慢冷卻”[1]指導思想將溫度峰值出現后的降溫分為若干段降溫和控溫過程，在高度方向分別設擬灌區、同冷區、過渡區和蓋重區，自上而下形成動態溫度梯度。計算結果表明，二期水冷時的溫差大于14 ℃時，會出現超標拉應力。因此，二期水冷時的降溫幅度要嚴格控制，上下層溫差應控制在14 ℃以下[2]，上下層溫差問題引起的裂縫則可通過合理控制溫降過程和設置上下層溫度梯度來解決[3]。在高拱壩施工期安全監測中，垂直向溫度分布是大壩整體施工進度、仿真分析、溫控措施調整優化的基本點。因此，對大壩施工期的垂直向溫度過程進行動態監測十分必要。

目前國內外大壩安全監測中現有監測模型一是基于統計方法建立的回歸分析模型，二是基于模糊數學或灰色系統理論建立的監控模型，三是基于優化算法和人工智能技術建立的智能監控模型[4]。由于大壩施工期工作條件復雜，溫度影響因素眾多，無法用確切的定量關系描述，因此很難建立考慮各因素的非線性數學監測模型。模糊數學模型需要對各項指標賦予不同的權值，而權值的選取不可避免地帶有一些主觀性和隨意性，容易導致結果失真。王利杰[5]等建立了施工期混凝土壩垂直向溫度分布模型，可以采用逐步回歸分析法回歸確定式中的各系數，該模型本質上來說是統計模型，雖然簡單易行，但存在著非線性映射不強等問題，不能充分反映各影響因素序列中的非線性特性，有時甚至不能保證預測精度；此外統計模型需要做一定的假設和事先已知確定因子。而神經網絡模型具有處理高度非線性問題的能力，且采用隱性表達式，不必像統計模型需要假設和事先已知確定因子，在理論上可以實現任意函數的逼近[6- 7]。本文采用人工神經網絡建立各輸入量與垂直向溫度分布之間的非線性關系，動態預測未來N天的溫度信息。

1 基于廣義回歸神經網絡垂直向溫度分布模型

1.1 廣義回歸網絡理論[8]

廣義回歸神經網絡由輸入層、模式層、求和層、輸出層4層組成。

(1) 輸入層神經元的數目等于學習樣本中輸入向量的維數k，各神經元直接將輸入變量傳遞給模式層。

(2) 模式層神經元數目等于學習樣本的數目，各神經元對應不同的樣本，模式層神經元的傳遞函數為

(1)

式中，X為網絡輸入變量；Xi為第i個神經元對應的學習樣本；σ為光滑因子。

1.2 垂直向溫度分布的隱式模型

高拱壩垂直向溫度分布的預測建模問題可歸結為建立垂直向溫度與其影響因素之間非線性輸入輸出關系，所以，高拱壩垂直向溫度分布預測問題可概括為建立多輸入、多層的網絡結構。混凝土澆筑倉垂直向溫度分布是一個復雜多因素問題，涉及到混凝土澆筑倉的空間布置、澆筑時機、混凝土水泥水化反應、通水冷卻、表面保溫等方面。從場論出發，應用冪級數的處理方法，并結合大體積混凝土的熱傳導理論，在建立神經網絡模型時，采用4個周期項sin(2πt/365)、cos(2πt/365)、sin(4πt/365)、cos(4πt/365)作為環境氣溫的影響因子，兩個指數函數1-e-0.318t，1-e-0.295t作為水化熱溫升和通水冷卻的影響因子，垂直向高程Z構成的處理樣本數為網絡的輸入，其相應的溫度T作為單一的輸出建立網絡模型，構建混凝土澆筑倉垂直向溫度分布的隱式網絡模型如圖1所示。

圖1 混凝土垂直向溫度分布的隱式模型

1.3 混凝土澆筑倉垂直向溫度分布的智能動態預測模型

根據當前垂直向溫度分布信息，通過隱式模型訓練當前溫控信息數據并預測未來N天的垂直向溫度分布，通過分析預測的未來N天的垂直向溫度數據，評價當前溫控措施下未來時刻的垂直向溫度分布是否滿足設計條件(即上下層容許溫差，冷卻水與混凝土容許溫差等)，如滿足，可繼續實施當前溫控措施；如不滿足，可根據分析結果，調整當前溫控措施，使其未來時間段內的垂直向溫度分布向設計值靠攏直至滿足要求。待監測到未來N天垂直向溫度分布信息實測值后，更新預測模型輸入輸出數據，重復上述流程，即可達到動態更新歷史數據、動態訓練隱式網絡模型、動態預測未來N天垂直向溫度分布、動態評價未來N天垂直向溫度分布、動態調控當前溫控措施的效果。混凝土澆筑倉垂直向溫度分布的動態預測模型見圖2。

圖2 混凝土澆筑倉垂直向溫度分布的動態預測模型

2 工程實例

2.1 工程背景

以西南某建設中的混凝土雙曲拱壩為例，在5、15、16、23號4個典型壩段埋設分布式光纖監測混凝土澆筑塊溫度場，實時在線采集了大量的壩體混凝土內部溫度數據。本文基于這些實測溫度數據分析壩體垂直向溫度分布的相關規律。

表1 隱式網絡模型部分訓練樣本

sin2πt365coσ2πt365sin4πt365cos4πt3651-e-0.318t1-e-0.295t高程/m溫度/℃0.03440.99940.06880.99760.47060.4457441.312.00000.03440.99940.06880.99760.47060.4457444.311.91600.03440.99940.06880.99760.47060.4457447.311.54100.03440.99940.06880.99760.47060.4457450.311.95200.03440.99940.06880.99760.47060.4457453.311.72300.03440.99940.06880.99760.47060.4457489.319.64200.03440.99940.06880.99760.47060.4457492.319.88500.03440.99940.06880.99760.47060.4457495.320.59900.03440.99940.06880.99760.47060.4457498.321.8770

2.2 光纖布置和樣本數據選擇

該拱壩典型壩段(15號壩段)在基礎約束區的澆筑倉厚1.5 m，脫離基礎約束區后，澆筑倉厚為3.0 m。為監測該壩段溫度狀態，從該壩段澆筑第一倉混凝土開始，就在每個澆筑倉中間層均埋設分布式光纖實時在線測溫。采用分布式光纖測溫主機進行監測時，將測溫系統的空間分辨率設置為1.0 m，采樣頻率為2 h/次，采樣空間間隔設置為1.0 m，這樣可保證沿分布式光纖傳感網絡每米即獲得一個溫度測值。將光纖測溫數據上傳至大壩信息管理系統時，從外到內依次選取10個光纖測點的溫度作為該混凝土澆筑倉的溫度數據。多個光纖測點的平均溫度作為該澆筑倉混凝土的當前實測溫度。

選取15號壩段440～500 m高程范圍內20個混凝土澆筑倉2011- 11- 20～2012- 01- 13分布式光纖實測溫度作為垂直向溫度分布信息，在此時間段的初始時刻48～51號倉處于二期控溫階段，52～56號倉處于二期冷卻階段，57～62號倉處于中期冷卻階段，63～67號倉處于一期冷卻階段，此后這些混凝土澆筑倉溫度由于溫控措施的影響發生動態變化，隨之其溫控階段也不斷調整變化。選2011- 11- 20～2012- 12- 31實測數據作為隱式模型的訓練值，2012- 1- 1～2012- 01- 14數據用來預測檢驗。隱式網絡模型部分訓練樣本見表1。

2.3 訓練預測和結果分析

以2011- 11- 20～2012- 12- 31分布式光纖實測溫度信息作為訓練樣本預測此后7d的溫度信息，即以前39個時刻的溫度數據作為樣本，預測接下來7d共140個數據點(2011- 12- 31～2012- 01- 06)的垂直向溫度；隱式網絡擬合效果見圖3a，預測效果見圖3b。以2011- 11- 20～2012- 01- 06分布式光纖實測溫度信息作為訓練樣本預測此后7d的溫度信息，即以前46個時刻的溫度數據作為樣本，預測接下來7d共140個數據點(2012- 01- 07～2012- 01- 13)的垂直向溫度；隱式網絡擬合效果見圖4a，預測效果見圖4b。

圖3 混凝土澆筑倉垂直向溫度分布隱式模型的擬合預測效果

圖4 混凝土澆筑倉垂直向溫度分布隱式模型的動態訓練預測

(1)從圖3可以看出，垂直向溫度分布廣義回歸隱式網絡模型能夠很好地完成對未來溫度的預測，未來7d預測值最大誤差為0.19 ℃，模型擬合數據、預測數據與實測溫度數據的復相關系數均在0.99以上。計算結果表明建立的垂直向溫度分布隱式模型預測精度能夠滿足工程實際要求。

(2)對比圖3、4可知，將隱式模型預測時刻(2011- 12- 31～2012- 01- 06)的溫度實測值作為動態預測模型的歷史數據，更新輸入樣本，構建隱式動態預測模型，進預測未來7 d(2012- 01- 07～2012- 01- 13)垂直向溫度，預測溫度最大誤差為0.24 ℃，滿足預測精度的要求，且能為動態分析評價線空間內的溫度分布提供數據支撐。

3 結 論

(1)在建立神經網絡模型時，從場論出發，應用冪級數的處理方法，并結合大體積混凝土的熱傳導理論，采用4個正余弦周期項作為環境氣溫的影響因子，兩個指數函數作為水化熱溫升和通水冷卻的影響因子，垂直向高程Z坐標構成的數據樣本作為隱式網絡模型的輸入，實測溫度作為輸出。實踐表明，建立的隱式模型預測精度較高，能夠滿足工程實際需要。

(2)鑒于處于施工期的高拱壩各混凝土澆筑倉在不同的溫控階段采取不同的溫控措施，導致垂直向分布時刻處于變化中，結合動態控制的理念，在建立的隱式模型基礎上，構建了施工期高拱壩垂直向溫度分布的智能動態預測模型，能為動態分析評價線空間內的溫度分布提供數據支撐。

[1]朱伯芳. 小溫差早冷卻緩慢冷卻是混凝土壩水管冷卻的新方向[J]. 水利水電技術. 2009， 40(1)： 44- 50．

[2]張國新， 趙文光. 特高拱壩溫度應力仿真與溫度控制的幾個問題探討[J]. 水利水電技術. 2008， 39(10)： 36- 40．

[3]劉有志， 張國新， 劉毅. 特高拱壩施工期裂縫成因分析與溫控防裂方法新思路[C]∥北京力學會第17屆學術年會論文集， 2011．

[4]楊杰， 吳中如， 顧沖時. 大壩變形監測的BP網絡模型與預報研究[J]. 西安理工大學學報， 2001， 17(1)： 25- 29．

[5]WANG Lijie， HUANG Yaoying， ZHOU Yihong， et al. Primary vertical temperature distribution model of a concrete dam during construction based on distributed optical fiber measuring temperature[J]. WIT Transactions on the Built Environment， 2013(140)： 353- 359 ．

[6]韓力群. 人工神經網絡教程[M]. 北京： 北京郵電大學出版社， 2006： 39- 41．

[7]戴奎. 神經網絡實現技術[M]. 北京： 國防科技大學出版社， 1998： 303- 309．

[8]史峰， 王小川. 郁磊. matlab神經網絡30個案例分析[M]. 北京： 北京航空航天大學出版社， 2010．

(責任編輯焦雪梅)

Intelligent Dynamic Prediction about the Vertical Temperature Distribution of High Arch Dam during Construction Period

TANG Tengfei1, HUANG Yaoying2, ZHOU Yihong2, HAO Peng1, WANG Fei1

(1. PowerChina Guiyang Engineering Corporation Limited, Guiyang 550081, Guizhou, China;2. College of Hydraulic & Environmental Engineering, Three Gorges University, Yichang 443002, Hubei, China)

The concrete temperature control in construction period of high arch dam always adopts water cooling in different time and space, but it is difficult to grasp and predict the vertical temperature distribution. By using abundant online monitoring data obtained from distributed optical fiber, the relationship of data in line space is explored based on generalized regression neural network to set up an implicit expression model about the vertical temperature distribution. The model is used to predict the vertical temperature distribution of a high arch dam in construction period. The results show that the predicted temperature of model has a good relation with actual online monitor temperature and it can reflect the non-linear relationship between temperature control factors and monitoring data. The model can accurately and reasonably predict vertical temperature distribution．

high arch dam; construction period; generalized regression neural network; vertical temperature distribution; intelligent dynamic prediction

2015- 01- 26

國家自然科學基金(51079079，51209124)

唐騰飛(1987—)，男，湖北荊州人，碩士，從事水利水電工程設計工作．

TV698.1;TV642.4

A

0559- 9342(2015)12- 0054- 04