基于ACO-BP神經(jīng)網(wǎng)絡(luò)的土石壩垂直變形監(jiān)測模型研究

侯超新，李向峰

(德州市水文中心，山東 德州 253000)

1 研究背景

大壩被視為“含有危險力量的設(shè)施”，潰壩危害是災(zāi)難性的。大壩服役年限越長，其發(fā)生災(zāi)難性潰壩的可能越高。位移變形是反映大壩運行狀態(tài)的最直觀表征，通過對位移變形數(shù)據(jù)的監(jiān)測分析，可以為大壩服役工況診斷與變形性態(tài)研究提供有力技術(shù)資料支撐。由于受壩體結(jié)構(gòu)、自然條件、環(huán)境等因素的影響，大壩變形位移系統(tǒng)中既存在確定性，又存在一定隨機性，數(shù)據(jù)具有明顯的非線性特性，很難采用單一模型進行準確預(yù)測分析。近年來，許多研究學(xué)者和工程應(yīng)用人員針對大壩變形位移的安全監(jiān)測、預(yù)測模型進行了深入研究，并取得良好理論研究和工程應(yīng)用效果。寧昕揚等采用改進果蠅算法(Improved Fruit Fly Optimization Algorithm， IFOA)對土石壩施工期變形位移的灰色神經(jīng)網(wǎng)絡(luò)(Grey Neural Network， GNN)模型進行優(yōu)化，獲得全局最佳的初始化參數(shù)并應(yīng)用于土石壩施工期位移預(yù)測實踐。梁嘉琛等采用人工魚群算法(Artificial Fish Swarm Algorithm，AFSA) 優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network，RBFNN)，模型輸出與平板壩水平位移變化趨勢和規(guī)律具有很好的耦合性，且預(yù)測數(shù)據(jù)精度高。羅浩等在文獻[6]中提出基于隨機森林算法的拱壩變形監(jiān)測預(yù)報模型，對大壩運行狀態(tài)進行安全預(yù)測評估。本文基于文獻[7]中季威等提出的大壩新多測點BP神經(jīng)網(wǎng)絡(luò)(BP Neural Network， BPNN)變形位移監(jiān)測模型，采用蟻群算法ACO(Ant Colony Optimization)對神經(jīng)網(wǎng)絡(luò)模型的連接權(quán)值和閾值進行全局尋優(yōu)，構(gòu)建蟻群算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的土石壩變形位移預(yù)測模型，并驗證該模型的有效性和準確性。

2 土石壩位移監(jiān)測因子

土石壩變形監(jiān)測主要包括表面位移監(jiān)測和內(nèi)部位移監(jiān)測兩大類，工程中針對表面位移監(jiān)測主要采用表面觀測墩進行監(jiān)測，測量方法常規(guī)且成熟；而內(nèi)部位移監(jiān)測由于其影響因子多，加上傳統(tǒng)監(jiān)測設(shè)備其適應(yīng)性和針對性存在較大差異，應(yīng)用范圍及功能參差不齊。土石壩內(nèi)部任一點位移主要表現(xiàn)為豎直沉降位移(δ豎)，其是在水壓力、揚壓力和環(huán)境溫度等荷載綜合作用下產(chǎn)生，按成因其函數(shù)表達為：

δ豎=F(δH，δT，δθ)=f(δH)+f(δT)+f(δθ)

(1)

式中，δH—庫水壓力因子；δT—溫度因子；δθ—時效因子。

(1)庫水壓力因子δH

土石壩蓄水運行后，上游水體會對壩面產(chǎn)生壓力，可分為水平分力Px和垂直分力Pz，而豎直沉降變形位移主要由垂直分力引起，即：

(2)

式中，H—觀測日的壩前凈水深；H0—模型預(yù)測日的水深，此處選擇3d為一個預(yù)測周期，即：i=1～3；ai—庫水壓力因子δH的關(guān)聯(lián)系數(shù)。

(2)溫度因子δT

(3)

式中，βi—溫度因子δT的關(guān)聯(lián)系數(shù)。

(3)時效因子δθ

時效因子是在庫水壓、大壩自重等荷載作用下引起的壩體沉降變形，是一個隨著大壩服役時間增長而影響度增加的不可逆因子，其函數(shù)表達為：

δθ=c1θ+c2lnθ

(4)

式中,θ—觀測日至模型預(yù)測系列起始日的大壩服役時長百分比；c1、c2—時效因子δθ的關(guān)聯(lián)系數(shù)。

將庫水壓因子δH、溫度因子δT和時效因子δθ代入到式(1)中，建立土石壩沉降變形位移分析模型的函數(shù)表達為：

(5)

3 ACO-BP神經(jīng)網(wǎng)絡(luò)變形預(yù)測模型

3.1 ACO-BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和復(fù)雜數(shù)據(jù)無限線性逼近能力，能在沒有明確映射關(guān)系的條件下實現(xiàn)輸入—輸出間的耦合線性映射。但由于BP神經(jīng)網(wǎng)絡(luò)是反向迭代傳播學(xué)習(xí)訓(xùn)練，在學(xué)習(xí)樣本數(shù)據(jù)和優(yōu)化目標函數(shù)相對較復(fù)雜時，較容易陷入“超前”或“滯后”的局部最優(yōu)，導(dǎo)致神經(jīng)元間連接權(quán)值和閾值最優(yōu)解尋優(yōu)中不能包含所有設(shè)置區(qū)域且收斂速度較慢。蟻群算法用螞蟻群體行走路徑來構(gòu)成網(wǎng)絡(luò)連接值優(yōu)選的解空間，根據(jù)每天路徑上的信息素濃度的反饋作用，搜尋待優(yōu)化區(qū)域的最優(yōu)解。將螞蟻算法引入到BP神經(jīng)網(wǎng)絡(luò)中構(gòu)建ACO-BP神經(jīng)網(wǎng)絡(luò)模型，通過螞蟻路徑信息素的反饋迭代，可實現(xiàn)全域范圍神經(jīng)元間連接權(quán)值和閾值的反向傳播調(diào)整尋優(yōu)，最終完成BP網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練。針對土石壩沉降變形影響因子的非線性特性，建立基于蟻群算法迭代調(diào)整輸入—輸出間線性映射關(guān)系的ACO-BP神經(jīng)網(wǎng)絡(luò)模型，如圖1所示。

圖1 土石壩沉降變形位移ACO-BP神經(jīng)網(wǎng)絡(luò)模型

將訓(xùn)練樣本實際輸出值與期望值間的誤差作為蟻群算法路徑信息素濃度判定依據(jù)，通過對輸出誤差ek進行反復(fù)迭代運算直至滿足誤差要求時獲得的信息素路徑，進而對BP神經(jīng)網(wǎng)絡(luò)內(nèi)部關(guān)聯(lián)路徑行迭代動態(tài)調(diào)整，搜尋全域范圍內(nèi)連接權(quán)值和與閾值的最佳值，獲得ACO-BP神經(jīng)網(wǎng)絡(luò)模型的初始化參數(shù)。

3.2 ACO-BP神經(jīng)網(wǎng)絡(luò)算法流程

將神經(jīng)元間連接權(quán)值和閾值的定義域，按照等長區(qū)間劃分為S等分。前面分析可知，土石壩沉降變形位移分析模型共關(guān)聯(lián)3個影響因子中的10個分析元，設(shè)置隱含層神經(jīng)元為10個。每個學(xué)習(xí)樣本Pi(i=1，2，…，n)在S等分取值范圍內(nèi)對應(yīng)輸出集Ipi(1≤i≤m)，即為輸入學(xué)習(xí)樣本Pi的線性輸出可能取值，再經(jīng)蟻群算法不斷迭代調(diào)整，最終獲得在全域范圍內(nèi)的最佳輸出值Ipi。ACO-BP算法流程如圖2所示。

圖2 ACO-BP算法流程

(1)參數(shù)初始化。設(shè)定螞蟻數(shù)為m，S等分定義域，路徑初始信息濃度Q置零，將學(xué)習(xí)樣本輸入和輸出集合[Pi，Ipi]((1≤i≤m)置于蟻巢；設(shè)置神經(jīng)元最大迭代次數(shù)Cmax和網(wǎng)絡(luò)全域誤差e。

(2)連接權(quán)值和閾值迭代調(diào)整。模型啟動蟻巢中任意一只螞蟻k(1，2，…，m)，依據(jù)概率公式(6)在S等分區(qū)域搜尋路徑信息素，并完成網(wǎng)絡(luò)參數(shù)的一次迭代求解：

(6)

(3)蟻群隨機方向?qū)?yōu)。神經(jīng)元間連接權(quán)值和閾值學(xué)習(xí)樣本輸出誤差最優(yōu)解Emin與網(wǎng)絡(luò)區(qū)域誤差要求值e進行對比，如果達到蟻群運算誤差e要求則轉(zhuǎn)到(5)，否則進入(4)進行信息素調(diào)節(jié)后進入(2)進行下一次迭代訓(xùn)練和尋優(yōu)。

(4)信息素調(diào)節(jié)。當?shù)\算后輸出值誤差不在允許范圍，需要對S定義域中的信息素進行調(diào)節(jié)，即：

τj(Ipi)(t+n)=ρ·τj(Ipi)(t)+Δτj(Ipi)

(7)

(8)

(5)全域迭代尋優(yōu)。不斷重復(fù)(2)—(4)，直到達到最大學(xué)習(xí)次數(shù)完成學(xué)習(xí)，保留最佳判定值和位置，完成網(wǎng)絡(luò)模型的學(xué)習(xí)訓(xùn)練。

4 工程應(yīng)用實例分析

4.1 工程概況

某中型水庫其擋水大壩為粘土心墻土石壩，最大壩高89.8m，建基面高程251.00m，壩高121.20m，壩長315.25 m，水庫庫容0.55×108m3。工程于1982年建設(shè)，1986年竣工投運。為確保大壩運行安全，安裝了豎直沉降、水平位移等位移監(jiān)測設(shè)備。豎直沉降是土石壩破壞的主要因素，工程投運后繼續(xù)沿用施工期的水管式沉降儀進行測定和安全評估。

4.2 沉降變形位移監(jiān)測分析

在大壩壩體內(nèi)部280.50，305.50和340.50m高程共安裝3套豎直沉降位移計，其中：TC1布置6個測點、TC2布置4個測點、TC3布置2個測點，壩體總共布置12個測點，其具體布置位置如圖3所示。

圖3 垂直位移測點布置示意

為了驗證ACO-BP神經(jīng)網(wǎng)絡(luò)在土石壩垂直變形位移監(jiān)測和預(yù)測評估的可實施性和有效性，以預(yù)測數(shù)據(jù)值的平均誤差作為評價指標，將相應(yīng)樣本數(shù)據(jù)輸入模型進行學(xué)習(xí)訓(xùn)練和預(yù)測。由于TC1- 4和TC2- 3兩個測點位于大壩中心位置，屬于恒溫區(qū)基本沒有垂直位移變換。因此，將壩體TC1- 1～TC1- 3、TC1- 5～TC1- 6、TC2- 1～TC2- 2、TC2- 4、 TC3- 1～TC3- 2共10個測點樣本的垂直變形位移監(jiān)測數(shù)據(jù)，分別采用BP網(wǎng)絡(luò)模型和ACO-BP網(wǎng)絡(luò)模型進行對比，獲得測點樣本不同模型的預(yù)測值如圖4所示，不同模型預(yù)測精度見表1。

表1 不同模型預(yù)測精度對比

圖4 測點樣本不同模型預(yù)測結(jié)果

從圖4和表1可知，在參數(shù)條件相同情況下，學(xué)習(xí)樣本經(jīng)模型學(xué)習(xí)訓(xùn)練后得到的預(yù)測結(jié)果，BP模型較ACO-BP模型存在較大誤差，預(yù)測精度和有效性也相對較差，而ACO-BP模型預(yù)測結(jié)果更加接近實際值，預(yù)測有效值最低為97.96%。

5 結(jié)論

本文以某大壩粘土心墻土石壩垂直變形位移監(jiān)測為例，驗證了采用ACO蟻群算法對BP網(wǎng)絡(luò)模型進行改進構(gòu)建ACO-BP神經(jīng)網(wǎng)絡(luò)模型，可以有效提升土石壩垂直變形監(jiān)測模型的預(yù)測精度和有效性。在參數(shù)條件相同情況下，ACO-BP模型相對BP模型在訓(xùn)練樣本集的擬合精度和有效性更高，能更好適用于土石壩垂直變形位移的預(yù)測，確保大壩運行安全。

由于大壩變形位移是多種荷載共同作用和復(fù)雜演變過程，影響豎直沉降的因子很多，本文僅對庫水壓力、溫度和時效3個因子進行監(jiān)測分析，后續(xù)還需增加降水、上下游水壓差、徑流量等因素進行綜合預(yù)測。