基于人工神經網絡的大壩變形監測研究

蘇建偉

(黑龍江省水利水電勘測設計研究院，哈爾濱 150080)

0 引言

通過分析大壩的原型觀測資料，建立大壩的安全監控模型，然后對大壩進行安全評價，不僅可以發現異?，F象，及早推測大壩的未來狀態和發展走勢，阻止塌壩的發生，保護人民群眾生命財產安全。還可以檢驗大壩設計的準確性，從而對設計、施工、管理的技術水平進一步提升，使各安全監測項目更加完善。

近年來，對大壩觀測數據處理與分析方面的研究方法越來越多，有人工神經網絡算法、模糊數學與神經網絡方法的有機結合等等，為相關領域方面的研究都提供了可靠的保障。趙斌2008年通過對比模糊系統和神經網絡的優缺點，建立了大壩安全監測的模糊神經網絡算法的模型；何勇軍2002年應用人工神經網絡技術研究了大壩監測數據的分析方法，建立了基于自學習神經元的自學習即網絡監控模型，為大壩安全監控模型的建立和預測開辟了新的前景[1]；鄧興升、王新洲2005年[2]以東江大壩12個測點的變形歷史水平位移為例，進行了模糊神經網絡模型的建立，得出模糊神經網絡模型的預報精度更高；閆濱學者，在大壩的安全監控預報和安全評價領域，研究了一種把BP神經網絡和其他智能算法相融合的方法，從而建立起相應的智能神經網絡模型，并取得了可觀的效果[3-6]。

文章通過分析現有的大壩監測數據，運用神經網絡算法來預報大壩未來的變形規律，并建立相應的神經網絡模型，為未來大壩的安全評估和分析評價提供了一種有效的方法。

1 研究方法

人工神經網絡是一種運算方法，它是由大量的神經元按照一定的連接模式互連構成的網絡，包括輸入層、影層和輸出層三個部分，是基于模仿生物大腦的結構和功能而形成的一種計算機信息處理系統。

1.1 人工神經元模型

圖1 單個人工神經元模型圖

單個的神經元模型是由n個輸入分量組成的，它包括三個部分：

1)一組連接(對應于神經元上的突觸)，各連接上的權值表示其連接強度，正值說明是激活，負值說明是抑制。

2)一個得到各輸入信號加權和的求和單元。

3)一個非線性激活函數，它主要用于非線性映射，并限制神經元的輸出幅度(一般限定在(0，1)或(-1，1)之間)。

此外還有一個偏差，即閾值θ[4]。

1.2 神經網絡的學習

BP網絡的學習過程分為兩個階段：

1)首先，鍵入己知的學習樣本，先設置好網絡結構，把前一次迭代的權值、閾值，從輸入層經過隱含層，最后到達輸出層，稱之為前向傳播。

2)其次，從輸出層到隱含層，最后到輸入層，依次調節隱含層到輸出層的權重和偏置，輸入層到隱含層的權重和偏置，稱之為誤差的反向傳播。

以上兩個過程反復交替，直到達到收斂為止。

2 基于人工神經網絡算法的大壩變形數據分析

2.1 數據整理

采用的數據為位于四川省甘孜藏族自治州康定縣境內的金康電站，該電站共有10個觀測站點，本次選用的是位于首部樞紐閘壩引張線水平位移和豎直位移中的前5個站點，其中有大致分為三部分：

1)選取了20組其他站點的豎直位移數據作為自變量，而采取另一組豎直位移為因變量，觀察其相鄰站點及歷史站點數據之間的關系；

2)選取了31組同一站點的水平位移和豎直位移數據，通過人工神經算法分析其兩者之間的關系；

3)通過算法對歷史數據進行預測，不斷修正其精度，對未來數據進行預測。

通過近年來的數據比較，由于部分年限的數據缺失及波動較大，最后選取了07年一月份的豎直數據進行使用，然后對此數據進行歸一化處理。數據的歸一化處理目前采用較多的是將數據通過處理使其集中在[-1,1]之間，然后作此分析。其經驗公式如下：

(1)

式中：X為原始數據；Xmax，Xmin分別為原始數據的最大值和最小值；T為變換后的數據，也稱目標數據；Tmax，Tmin為目標數據的最大值和最小值，它們的取值通常為0.1-0.2和0.8-0.9。

2.2 訓練參數的確定

訓練參數包括輸入組數、隱含節點數、訓練次數、訓練精度等參數的確定。

2.2.1 輸入元組數的確定

由于所研究的是豎直位移的歷史性和其鄰近站點數據的關系，因此選取的數據包括其站點歷史數據和臨近站點數據。此次選取的數據為5號站點，采用1-4號站點為臨測站點。經過多方查閱資料，最終選取歷史數據為31，加上之前選擇的臨近站點的4個數據，所以其輸入元為35。

表1 文章采用的部分垂直數據一覽表 mm

2.2.2 隱含節點數的選擇

Jc=(0.43mn+0.12n2+2.54m+0.77n+0.35)0.5+0.51(m為輸入節點數，n為輸出節點數)

由以上計算的隱含節點數Jc=6，由于試驗發現這個并非最優隱含節點數，因此需要通過其他方法來確定最優隱含節點數。這里我們采用了‘0.618分割選取法’，具體步驟計算如下：

1)以Jc=6作為隱含層節點數的初始值

2)建立35-I-1的3層數值優化BP網絡其中X=2kJc(k=0,1，..)。選取前1個月的位移數據作為學習樣本進行訓練，初始權值隨機產生，設定訓練目標精度為0.0001并對10次訓練結果數據取平均值。找出誤差下降最快的范圍為[6，24]，因此在[6,24]區間上采用0.618分割法尋找較優的隱含層節點數見表2。

表2 0.6l8分割結果

由以上算法得到Jc=20。

2.2.3 訓練次數和精度

訓練次數選為1000次，訓練精度選為10-2。此次我把訓練數據分成三個方面，訓練網絡、驗證網絡、測試網絡。其中訓練網絡為70%，驗證網絡為15%，測試網絡為15%。運行結果如圖2、圖3所示。

圖2 訓練參數一覽表 圖3 訓練過程圖

由上圖顯知輸入單元為35組，而隱含節點數為20個，輸出單元為1個。與原假定一致。

2.3 基于人工神經網絡算法的大壩變形數據分析

采用matlabR2010神經網絡工具箱進行計算，其誤差分布圖如圖4所示。由圖可知：誤差分布均勻，除中間有些許誤差除外，其余誤差均可忽略不計，說明誤差極小。

訓練數據、輸出數據與測試數據關系圖如圖5所示。

圖4 誤差分布矩陣圖

圖5 訓練數據、輸出數據和測試數據的關系

通過圖5可以看出測試數據與理想數據擬合狀況良好，而訓練數據與驗證數據誤差較小，穩定在10-2之內，符合精度要求。因而可以認為此次訓練過程運作良好，即豎直位移與其歷史站點和臨近站點相關性顯著。

水平位移的計算方法與豎直位移的計算方法一樣，計算結果也表明水平位移與其歷史站點和臨近站點相關性顯著。進一步分析水平和豎直位移的關系時，將Jc值取為50，得到的運行結果為圖6，誤差為圖7。

圖6 驗證數據、測試數據、訓練數據和理想數據的擬合圖

圖7 均方差與梯度誤差趨勢圖

由上述分析可得出以下結論：

1)壩體豎直位移間存在著緊密的關系，具體包括：壩體豎直位移的歷史性關系，即在允許較小誤差范圍情況下，壩體的豎直位移隨著時間的變化而呈現有規律的變化；臨近站點間的位移變化存在著密切的關系，即各站點的位移對臨近站點間的位移變化有著顯著的影響。

2)水平位移與豎直位移間存在著顯著的相關性，即水平位移對豎直位移的影響十分顯著。

3 結 論

從大壩變形分析與預測的現狀著手，通過對人工神經網絡的介紹和學習，研究了BP 神經網絡模型在大壩變形預測中的應用。其研究成果如下：在對人工神經網絡介紹和學習的基礎上，深入研究了BP 神經網絡模型的結構和算法。通過人工神經網絡算法在大壩變形監測方面的應用，更加明晰了大壩位移間的關系，也進一步加深了對人工神經網絡的理解。

BP算法作為目前網絡訓練最常見的學習方法，經學者的研究表明它有著兩個明顯的劣處，即收斂的速度慢和可能會收斂到局部極小點。由于時間和個人知識水平的限制，仍有這兩個問題有待于進一步研究和擴展。期望今后有機會可以另加深入研究，讓這個方法更加成熟。取得更加廣泛的應用。