基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的大壩變形監(jiān)測(cè)模型預(yù)報(bào)

趙英男

（遼寧省白石水庫(kù)管理局，遼寧朝陽(yáng)122000）

基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的大壩變形監(jiān)測(cè)模型預(yù)報(bào)

趙英男

（遼寧省白石水庫(kù)管理局，遼寧朝陽(yáng)122000）

變形監(jiān)測(cè)是大壩安全運(yùn)行的重要保證，結(jié)合白石水庫(kù)混凝土壩真空激光X向位移資料進(jìn)行分析，提出應(yīng)用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)思想建立的安全監(jiān)測(cè)模型，結(jié)合對(duì)相關(guān)數(shù)據(jù)參數(shù)進(jìn)行系統(tǒng)性的研究，并與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練、預(yù)測(cè)結(jié)果對(duì)比，得出改進(jìn)的BP神經(jīng)網(wǎng)格模型優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型，具有一定抗差能力，能夠降權(quán)使用可疑值，相關(guān)系數(shù)較高，預(yù)測(cè)精度好，可在實(shí)際中廣泛運(yùn)用。

大壩監(jiān)測(cè)；變形；BP神經(jīng)網(wǎng)絡(luò)；預(yù)報(bào)

監(jiān)測(cè)和現(xiàn)場(chǎng)檢測(cè)在保證大壩工作安全中具有至關(guān)重要的意義，其中變形是大壩監(jiān)測(cè)工作中的主要效應(yīng)量和重要內(nèi)容，是對(duì)于當(dāng)前大壩安全狀態(tài)最直觀有效的反映，而變形監(jiān)測(cè)模型預(yù)測(cè)工作能準(zhǔn)確地觀測(cè)未來(lái)一定時(shí)期內(nèi)的變形值，隨著計(jì)算機(jī)等智能領(lǐng)域的迅猛發(fā)展和其良好發(fā)展前景，神經(jīng)網(wǎng)絡(luò)因其網(wǎng)絡(luò)化、智能化、仿真效果強(qiáng)大等特點(diǎn)將會(huì)呈現(xiàn)出更強(qiáng)競(jìng)爭(zhēng)力，利用MATLAB矩陣分析軟件中的改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)大壩變形進(jìn)行監(jiān)測(cè)，具有較好的預(yù)測(cè)效果，可在效應(yīng)量與自變量等環(huán)境復(fù)雜狀態(tài)運(yùn)用[1]，為大壩變形預(yù)測(cè)提供了一種全新的方式。

為實(shí)現(xiàn)對(duì)真空激光自動(dòng)化采集數(shù)據(jù)與周圍環(huán)境量的實(shí)時(shí)更新處理，需要對(duì)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)加以改進(jìn)，引入遺忘因子思想，特別針對(duì)白石混凝土重力壩真空激光準(zhǔn)直系統(tǒng)更新改造后，基準(zhǔn)值分期變化但保持平穩(wěn)變化規(guī)律情況的變化特征，建立遺忘矩陣，減弱系統(tǒng)更新改造位移資料得出路徑發(fā)生變化對(duì)于預(yù)測(cè)結(jié)果的影響。

1 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neutral Network）從結(jié)構(gòu)上來(lái)講是一種典型的多層前向型神經(jīng)網(wǎng)絡(luò)，具有一個(gè)輸入層(Input Layer)、多個(gè)可人為設(shè)定層數(shù)的隱含層(Hidden Layer)和一個(gè)輸出層(Output Layer)。是一種具有層間全連接，同層神經(jīng)元之間無(wú)神經(jīng)遞質(zhì)連接的模擬人腦思維結(jié)構(gòu)模式。隱含層中的神經(jīng)元通常采用S型傳遞函數(shù)的形式傳播，輸出層的神經(jīng)元大多采用線性算法傳遞函數(shù)。典型神經(jīng)網(wǎng)絡(luò)的指導(dǎo)思想為閾值與權(quán)值的擬合采用目標(biāo)誤差函數(shù)下降最快的方向即負(fù)梯度方向，學(xué)習(xí)方式采用誤差逆向傳播算法作為訓(xùn)練主導(dǎo)[2]。傳統(tǒng)的BP（Back Propagation）和RBF（Radical Basis Function）人工神經(jīng)網(wǎng)絡(luò)的性能主要由人工神經(jīng)絡(luò)的激勵(lì)函數(shù)、人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本的品質(zhì)和學(xué)習(xí)規(guī)則決定。

設(shè)置網(wǎng)絡(luò)輸出層為x，中間隱含層輸出為z，網(wǎng)絡(luò)輸出層為y。其中輸入層與輸出層各含有m個(gè)與n個(gè)神經(jīng)元。假設(shè)Xα(α=1,2,3,4…,Δ)為某神經(jīng)元輸入量，各隱含層神經(jīng)輸出量為：

依照順序ψ(x)為激發(fā)函數(shù)；μαβ為隱含層神經(jīng)元α與輸入層神經(jīng)元β的連接權(quán)重；λα為隱含層神元的閥值；所得網(wǎng)絡(luò)輸出為：

其中，ηα為隱含層和輸出層神經(jīng)元β的權(quán)值，將網(wǎng)絡(luò)輸入樣本xα(α=1,2,3,4…,Δ)和網(wǎng)絡(luò)向量B設(shè)定完畢后，可通過(guò)（1）、（2）公式得出輸出量Y（m），經(jīng)過(guò)對(duì)于實(shí)際目標(biāo)量ρ（m）對(duì)比，得出誤差量：

此時(shí)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目標(biāo)為差值平方和最小化的權(quán)值η，訓(xùn)練樣本數(shù)量為M，得出：

2 引進(jìn)遺忘因子的改進(jìn)算法

大壩安全監(jiān)測(cè)BP神經(jīng)網(wǎng)絡(luò)模型作為一種新的預(yù)報(bào)方法，其核心是建立對(duì)學(xué)習(xí)與預(yù)報(bào)的性能具有重要的影響的具有滿足其精度的模型[3]。其靈活而有效的學(xué)習(xí)及訓(xùn)練方式、完美的非線性特征、和其完全分布的存儲(chǔ)結(jié)構(gòu)在預(yù)測(cè)過(guò)程中可以顯示出絕對(duì)優(yōu)勢(shì)。而引進(jìn)了遺忘因子的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)具備一定的結(jié)構(gòu)學(xué)習(xí)能力，解決了傳統(tǒng)BP網(wǎng)絡(luò)預(yù)測(cè)模型在算法上直接而多步的預(yù)測(cè)中不能漸進(jìn)計(jì)算的問(wèn)題。但BP算法是在積累了一定容量樣本后，一種期望輸出與實(shí)際輸出之間的差值為驅(qū)使且不斷最小化的典型的監(jiān)督學(xué)習(xí)方法，這是傳統(tǒng)經(jīng)典BP神經(jīng)網(wǎng)絡(luò)的弊端。而引進(jìn)了遺忘因子的BP神經(jīng)網(wǎng)絡(luò)模型可以根據(jù)新樣本漸進(jìn)地調(diào)整網(wǎng)絡(luò)參數(shù)。通過(guò)引入一個(gè)與連接權(quán)值成正比的常數(shù)衰減項(xiàng)，具有遺忘因子的BP算法是成為了一個(gè)使網(wǎng)絡(luò)中的多余權(quán)閾值迅速衰減，減少占用網(wǎng)絡(luò)資源空間的合理的網(wǎng)絡(luò)結(jié)構(gòu)，傳統(tǒng)的BP網(wǎng)絡(luò)所得誤差平方和引入修正函數(shù)ε(t)，計(jì)算誤差函數(shù)：

取εβtβ=ζ（tO-tm），ζ（t）為遺忘因子，可修正改進(jìn)BP網(wǎng)絡(luò)模型訓(xùn)練誤差，在訓(xùn)練和學(xué)習(xí)的過(guò)程中，該引進(jìn)了遺忘因子ζ（t）的BP網(wǎng)絡(luò)模型以目標(biāo)函數(shù)：

3 工程實(shí)例

3.1 樣本輸入量

大壩受多種監(jiān)測(cè)和非監(jiān)測(cè)環(huán)境量綜合擾動(dòng)，其中變形量主要受水頭、溫度、時(shí)效、降雨、兩側(cè)山體巖石結(jié)構(gòu)及性狀、施工混凝土性能等多種因素的綜合影響[4]。

根據(jù)混凝土壩變形模型，主要考慮水頭、溫度、時(shí)效、三種環(huán)境輸入量。

庫(kù)水位、上、下游水頭變化影響壩體側(cè)向壓力及山體滲流和揚(yáng)壓力系數(shù)變化均會(huì)對(duì)大壩變形產(chǎn)生直接影響。水壓因子與上游水頭H的冪次方呈比例關(guān)系，共取五個(gè)因子。

t為建基日到測(cè)值發(fā)生日累計(jì)天數(shù)。當(dāng)蓄水后，大壩的溫度場(chǎng)會(huì)隨邊界溫度的改變呈現(xiàn)年周期性的變化。溫度變化可導(dǎo)致的混凝土干縮變形和自體積變形，溫度與降雨量疊加作用可導(dǎo)致混凝土含水量發(fā)生變化，引起濕度變形，與自體積變形相比，濕度變形相對(duì)變形系統(tǒng)影響較小。

以建基日為1，每增加1天，θ增加0.01，為時(shí)效因子，時(shí)效因子反應(yīng)了壩體與壩基混凝土和巖石基礎(chǔ)的長(zhǎng)期應(yīng)力所導(dǎo)致的徐變以及壩基的節(jié)理、裂隙和其他軟弱夾層構(gòu)造在荷載作用下發(fā)生的壓縮和塑性變形等作用對(duì)于大壩的影響。

則本模型樣本輸入量為H1、H2、H3、H4、H5

3.2 模型分析

白石水庫(kù)混凝土重力壩真空激光準(zhǔn)直系統(tǒng)位于大壩右岸，共31個(gè)測(cè)點(diǎn)，系統(tǒng)分為X向、Z向相對(duì)位移和絕對(duì)位移，建模過(guò)程中，選取7#壩段2016年實(shí)際自動(dòng)化監(jiān)測(cè)數(shù)據(jù)作為樣本，共有536組數(shù)據(jù)，其中取前516組數(shù)據(jù)作為已知數(shù)據(jù)輸入，剩余20組數(shù)據(jù)作為預(yù)測(cè)樣本，其中此次模型選擇7#測(cè)點(diǎn)X向相對(duì)位移數(shù)據(jù)資料進(jìn)行分析[5]，用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)與改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)思想分別建立安全監(jiān)測(cè)統(tǒng)計(jì)模型，模型結(jié)構(gòu)共計(jì)11個(gè)輸入層因子，隱含節(jié)點(diǎn)數(shù)取2×11+1=23個(gè)。樣本輸量516組，測(cè)試樣本數(shù)量為1，絡(luò)輸入維度為11。網(wǎng)絡(luò)噪聲強(qiáng)度為0.01，最多訓(xùn)練次數(shù)5000。學(xué)習(xí)速度為0.045，目標(biāo)誤差為.65×10-3。進(jìn)行分析，具體計(jì)算結(jié)果如表1所示。

在訓(xùn)練和預(yù)測(cè)的過(guò)程中可知，改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法可以對(duì)混凝土大壩的狀態(tài)變化進(jìn)行更新，誤差范圍在0.13%~33.03%之間，與實(shí)際值和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)變形監(jiān)測(cè)模型預(yù)報(bào)值相對(duì)比，有著較好的預(yù)測(cè)精度與擬合效果，能夠概括反映大壩位移的相關(guān)趨向及變化數(shù)值。由圖1可以看出，與傳統(tǒng)BP網(wǎng)絡(luò)模型預(yù)測(cè)值相對(duì)比，引進(jìn)遺忘因子的改進(jìn)BP網(wǎng)絡(luò)模型預(yù)測(cè)值更接近實(shí)測(cè)值，經(jīng)過(guò)前不斷訓(xùn)練學(xué)習(xí)，改進(jìn)的BP網(wǎng)絡(luò)預(yù)測(cè)模型后期數(shù)據(jù)與實(shí)測(cè)值更為接近，整體預(yù)測(cè)精度有著明顯提高，誤差趨于平穩(wěn)且小于開(kāi)始。

表1 真空激光X向位移實(shí)測(cè)與網(wǎng)絡(luò)輸出精度對(duì)比單位：mm

從表2得和，就兩種模型間擬合效果而言，改進(jìn)的BP算法優(yōu)于傳統(tǒng)BP算法模型，可優(yōu)先考慮采用。

圖1真空激光X向位移模型預(yù)測(cè)過(guò)程線

表2 模型均方差比較

4 結(jié)語(yǔ)

本文結(jié)合實(shí)測(cè)白石水庫(kù)混凝土壩真空激光X向變形數(shù)據(jù)資料，運(yùn)用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法對(duì)其位移監(jiān)測(cè)點(diǎn)建立模型，通過(guò)MATLAB 9.0矩陣分析軟件中改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行大壩變形監(jiān)測(cè)模型預(yù)報(bào)，采用經(jīng)過(guò)算法優(yōu)化所得權(quán)值與閾值作為模型初始權(quán)值與閾值，加快了網(wǎng)絡(luò)的收斂速度，大幅減少了系統(tǒng)的計(jì)算次數(shù)。從大壩變形的發(fā)展趨勢(shì)來(lái)看，目前白石水庫(kù)混凝土壩處于相對(duì)穩(wěn)定趨勢(shì)，而采該變形監(jiān)測(cè)預(yù)報(bào)模式也可成為一種探究大壩安全穩(wěn)定的新方式。

[1]趙英男.宮正.韓衛(wèi).基于BP網(wǎng)絡(luò)的大壩揚(yáng)壓力預(yù)報(bào)模型[J].水與水技術(shù)，2016,(06):70-73.

[2]張曉春,徐暉,鄧念武,陳仁喜.徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在大壩安全監(jiān)測(cè)數(shù)據(jù)處理中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)(工學(xué)版),2003,(02):33-36.

[3]吳云芳,李珍照.改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型在大壩安全監(jiān)測(cè)預(yù)報(bào)中的應(yīng)用[J].水電站設(shè)計(jì),2002,(02):21-24.

[4]李富強(qiáng).大壩安全監(jiān)測(cè)數(shù)據(jù)分析方法研究[D].浙江大學(xué),2012.

[5]楊杰,吳中如,顧沖時(shí).大壩變形監(jiān)測(cè)的BP網(wǎng)絡(luò)模型與預(yù)報(bào)研究[J].西安理工大學(xué)學(xué)報(bào),2001,(01):25-29.

Model Prediction of Dam Deformation Monitoring Based on Improved BP Neural Network

Zhao Yingnan
（Baishi water reservoir management bureau in Liaoningprovince Chaoyang122000,Liaoning）

Deformation monitoring is an important guarantee for safe operation of the dam.The article is based on analysis of the vacuum laser X-displacement data of the concrete dam of Baishi Reservoir,proposes a safety monitoring model by the improved BP neural network,and the relevant data parameters are systematically studied.And compared with the traditional BP neural network model training and prediction results,it is concluded that the improved BP neural network model is superior to the traditional BP neural network model,and has some ability of reducing the risk,using the suspicious value,the correlation coefficient is high,the prediction accuracy Well,can be widely used in practice.

Dammonitoring；tobe deformed；BP neural network and toforecast

TV698.11

B

1673-9000（2017）03-0113-03

2017-02-17

趙英男（1989-），女，遼寧朝陽(yáng)人，助理工程師，主要從事水利工程大壩監(jiān)測(cè)工作。