基于機器學習的重力壩變形監測統計模型及應用

田紫圓，何佳楠，吳震宇，周 弭，孫 燕

(1.四川大學 水利水電學院 水力學與山區河流開發保護國家重點實驗室，四川 成都 610065；2. 國網四川甘孜州電力有限責任公司康定市供電分公司，四川 康定 626000)

1 概述

大壩安全監測是保證水庫安全運行，掌握大壩性態，及時診斷工程運行現狀的必要手段[1]。重力壩是水庫大壩常用壩型之一。變形監測是監控重力壩長期運行安全的重要手段，而構建重力壩變形監測模型，對于重力壩變形[2]規律分析和結構異常性態[3]的診斷以及評估重力壩安全風險[4- 5]具有重要意義。

在重力壩變形監測模型中，基于機器學習算法的監測模型愈加受到關注和應用。極限學習機(ELM)是一種具有單層隱藏節點的前饋神經網絡，連接輸入的權值隨機分配。與使用反向傳播算法訓練的網絡相比，該模型具有良好的泛化性能和學習速度，能夠簡單有效地用于混凝土壩結構行為預測監測模型的建立。胡德秀[6]以土石壩監測測點的水平位移作為輸出值，以上下游水位、壩區氣溫、對數時效因子作為輸入值，構建基于穩健估計極值學習機(M-ELM)的變形監測模型，具有較高的擬合和預測精度；戴波[7]以重力壩測點水平位移為例，結合混沌理論和極限學習機建立變形監測統計模型，其預測效果優于傳統的重力壩統計模型；Kang[8]采用ELM算法對豐滿重力壩的壩頂水平位移進行監測模型的構建，并且與BP神經網絡模型、MLR模型和SR模型相比，ELM模型對該工程的位移具有更好的預測性能且訓練速度較快。……