基于深度卷積神經網絡的面板堆石壩體沉降監測方法

劉田珂，馬 沖

(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.貴州順成勞務管理有限公司，貴州 貴陽 550081)

隨著我國社會和經濟的迅速發展，我國的基礎設施也得到了極大的改善。同時，由于土壤、氣候等因素的不確定，使得面板堆石壩基的潛在威脅日益增大。面板堆石壩的沉降問題與路基結構、土質、邊坡穩定性等因素密切相關，而面板式堆石壩一般橫線路長，其地質構造、土質也各不相同。因此，在施工中難以精確地控制路基的質量及參數，造成工程實際效果與預期結果有較大差異，進而導致路基不同程度地崩塌[1]。

面板堆石壩沉降會使基礎產生縱向沉陷，因此，對面板堆石壩沉降進行有效的監測與控制，制定合理的施工方案，對于保證建筑物運行有重要意義。

1 基于深度卷積神經網絡的面板堆石壩體沉降數據采集

利用深度卷積神經網絡針對面板堆石壩體沉降數據進行采集，將BP網絡劃分為輸入層、隱藏層和輸出層，每個層之間具有充分的互連。隱藏層可以是一層或多層，視具體情況而定。隱藏層神經元數量的計算歷來受到眾多學者的重視，由于隱藏層神經元的數目很小，使得網絡的容錯能力很差，樣本的識別和訓練變得非常困難。對BP神經網絡進行了系統分析，并對其進行研究，進而計算隱藏層神經元個數m，計算公式如下：

(1)

式中，a—計算后得到的輸入層神經元數量；b—計算前得到的輸出層神經元數量；c—在神經網絡內部進行訓練的樣本個數；z—訓練次數[2]。

深度卷積神經網絡的訓練分為2個階段：正向信息轉移和反向傳輸。在輸入層，每一個神經元接受外界的輸入信息，把它傳遞給中間層的每一個神經元，而中間層則是一個內部的信息處理層，它負責信息的轉化和分類，當實際的產出與期望的不相符時，就會進入逆向傳播階段。在輸入層中，利用誤差梯度遞減方法對各層權重進行修正，并將其逐級反求。通過調節各個階段的權重，學習深度卷積神經網絡，直至網絡的錯誤降至可以接受的程度，或者達到一定的學習次數為止，該方法在深度卷積網絡中獲得了一套最優權重[3]。

SNE通過仿射變換把數據點映射到概率分布，構造高維物體的概率分布能夠提高物體的選取概率，減少了非相似物體的選取。在低維空間中，通過構造2個點的概率分布，使得其概率分布盡量相近。

圖1 神經元基本結構

基本的神經元結構如圖1所示。圖1中，x1，x2，x3為神經元的輸入信息，通過不同的激活函數對數據進行激活。

激活函數一般都是非線性的。在2個層次的神經網絡中，只有在激活函數是非線性的情況下，才能逼近全部的功能。但是，一個常量的啟動函數是一個特別的例子。在多層神經網絡中，若采用固定的激勵功能，則網絡與單一層次網絡間隔很小。在給定有效值范圍的情況下，采用梯度學習方法可以提高系統的穩定性。在單層網絡模型中，當激勵函數為單調時，其損失函數是凸性的。近似函數近似于原點，在靠近原始點的情況下，采用初始化方法可以有效地提高神經網絡的學習效率。

本文通過基于深度卷積神經網絡的方法來監控混凝土面板堆石壩的非均勻沉降。在滿足原有結構要求的情況下，對面板堆石壩地基進行了高壓噴灌灌漿[4]。

混凝土面板堆石壩的監控和加固措施如下：利用正常工作的高壓噴水設備對壩體進行清潔和殺菌。經清洗、消毒后，再用高壓噴嘴將基層材料均勻噴拌，直到漿液達到黏稠狀態；持續攪拌時，漿液在離心力作用下會滲入地基的孔隙，并與填充劑一同固化，使填充劑具有一定的剛性，從而有效地抑制了面板堆石壩的沉降。

依據地基沉降的基本特征，選用合適的觀測手段和設備對面板堆石壩進行監測。在重力作用下，壩體的整體結構發生改變[5]。根據實測地表沉降資料及面板堆積體的土質特性，確定了不同地區的沉陷類型。結合沉陷的類型及特征，應用相應的內觀法對沉陷進行監測。

單點監測需要采用監測樁，也就是將高強度的鋼筋插入到錨桿內，使整個錨桿與地基相結合。采用特殊的測量設備對鋼結構監測樁進行了測試。監測樁在混凝土面板堆石壩的地基上豎向插入，監測樁的頂面與地面垂直，在進行橫向測量時，依據土壤性質，確定合理的、科學的監測頻率。每次觀測時，測量加筋頂至地表的距離、并測量沉降速度，從而獲得沉降曲線，實現多個單一點監測[6]。

局部沉降監測要求在沉降監測工程中，在監測點設置沉降板，并在監測點設置感應設備，對沉降板的影響進行監測。另外，可以調節沉降板上的金屬測量棒的長度，并且金屬測量棒的頂端一定要暴露于泥土之外。若沉盤與泥土一起下沉，則應立即拉緊金屬尺，使其露出頂端。利用此方法，可以實時測量監測區域的局部沉陷，并計算有關參數，得到其特征與沉降的關系，分析相似地區的沉降規律[7]。

由于面板堆石壩的土層是多層的，各層土體的特性各有差異，因此可以利用分層沉降器進行分層沉降監測。分層沉降器可根據地基土壤的分布，對監測器磁環進行定位，以實現磁環與各層的匹配，磁環與監測器的導管相連。通過磁環探測土壤及地表的變形與沉降，內部傳感器將其傳輸至外部的記錄設備，并進行追蹤。分層沉降器還能通過控制器對測量工作進行控制，設定適當的頻率、時間，從而實現對沉降機的自動監控。

2 基于深度卷積神經網絡的面板堆石壩體沉降監測

地基沉降的監測，必須選用適當的監測手段。現場勘查所選用的傳感器必須符合當地氣候條件，并具備一定的耐熱、耐寒、耐水、耐腐蝕、耐磨損等基本性能。在此基礎上，針對不同的地質條件，設計了相應的傳感器參數，以防止在監控中出現能量不足或失控。

由于地基應力試驗設備是常用的，所以應力計的質量必須滿足面板堆石壩的極限承載能力[8]，且材料和結構要堅固。壓力傳感器更加準確，可以監測土壤的體積、密度、濕度、形狀等。在安裝過程中，為了避免在安裝過程中受到重力的直接擠壓，應按設備的適應性逐步進行。該系統由輸入和輸出2個部分組成，將待處理的資料輸入到該模型的輸入層中。在此基礎上，將各神經元的輸入信號與各神經元進行相應的處理，并將其與輸出神經元相連，從而在2維空間內構成了一個神經平面矩陣網絡。在此基礎上，利用權重矢量法對輸入數據進行了多次學習，使其與空間分布的密度保持一致。對輸入神經元進行處理，獲得最接近于自身載體的神經元，并將其作為最佳的匹配單元。然后，通過加權矢量對所選擇的最優匹配神經元和相鄰神經元進行調整，使神經網絡與目前的樣本分布相同。

在地面上設置傳感器，等地面沉降觀測設備正常運行后，由感應通訊將監測資料傳送至地面。采集器能夠通過有線、無線方式接收其他探測器的通訊方式，實現地面壓力、變形等信息的讀取。有些高檔的信息收集裝置，內部會設置一個硬盤，把接收到的信息進行實時儲存，并把輸出與控制系統相連，通過電腦的運算程序分析、收集數據。

當前的監測設備一般都是通過無線通信傳遞數據，該裝置配備有通訊裝置，能夠支持無線、移動、藍牙等無線通信。通過與信號采集裝置、控制器進行通訊，在無線通信中完成數據傳輸，使操作更為簡便，并能有效地提高數據的傳送速率。

在此基礎上，根據地基的受力及變形模式，提出了一種基于深度卷積神經網絡的基礎沉降計算模型，該模型的構造是以不同的指數為基礎的，需要從各個指數的相互關系中找出因素之間的影響，確定相互關系[9]。通過模擬計算，得到了地基的垂直沉降面板堆石壩體沉降模型，以土壤應力作為參數，以不同的數值作為基準，與同期的基礎沉降量及變形量相對應。根據相關分析結果，得出了地基的受力與地基的沉降變形之間的關系。通過多層分析，可以求出各層土壤的受力與變形，并由此得出各層的應力-應變映射關系。在此基礎上，結合實際工程實例，對其進行了全面的分析。

3 實驗研究

通過以上對基于深度卷積神經網絡的面板堆石壩體沉降監測方法的研究，本文設計對比實驗，檢驗傳統的基于數據挖掘的面板堆石壩體沉降監測方法和本文研究的面板堆石壩體沉降監測方法的實際應用效果。為了確保實驗的公正，一方面使用統一的數據庫資料，另一方面，在同一位置進行2種不同位置的仿真實驗。得到的監測準確率實驗結果如圖2所示。

圖2 監測準確率實驗結果

由圖2可知，當監測時間為20s時，傳統的基于數據挖掘的面板堆石壩體沉降監測方法監測準確率為10%，本文提出的基于深度卷積神經網絡的面板堆石壩體沉降監測方法監測準確率為60%；當監測時間為40s時，數據挖掘的面板堆石壩體沉降監測方法監測準確率為8%，基于深度卷積神經網絡的面板堆石壩體沉降監測方法監測準確率為69%；當監測時間為60s時，數據挖掘的面板堆石壩體沉降監測方法監測準確率為20%，基于深度卷積神經網絡的面板堆石壩體沉降監測方法監測準確率為72%；當監測時間為80s時，數據挖掘的面板堆石壩體沉降監測方法監測準確率為22%，基于深度卷積神經網絡的面板堆石壩體沉降監測方法監測準確率為78%；當監測時間為100s時，數據挖掘的面板堆石壩體沉降監測方法監測準確率為33%，基于深度卷積神經網絡的面板堆石壩體沉降監測方法監測準確率為86%；當監測時間為120s時，數據挖掘的面板堆石壩體沉降監測方法監測準確率為50%，基于深度卷積神經網絡的面板堆石壩體沉降監測方法監測準確率為99%。由此可見，隨著監測時間的增加，監測準確率也在不斷增加，本文提出的監測方法監測準確率始終高于傳統的基于數據挖掘方法的監測準確率，本文監測準確率具有更好的監測能力。

監測深度實驗結果如圖3所示。由圖3可知，當監測時間為10s時，傳統的基于數據挖掘監測方法監測深度為7m，本文監測方法監測深度為15m；當監測時間為20s時，傳統的基于數據挖掘監測方法監測深度為12m，本文監測方法監測深度為26m；當監測時間為30s時，傳統的基于數據挖掘監測方法監測深度為14m，本文監測方法監測深度為32m；當監測時間為40s時，傳統的基于數據挖掘監測方法監測深度為7m，本文監測方法監測深度為35m；當監測時間為50s時，傳統的基于數據挖掘監測方法監測深度為15m，本文監測方法監測深度為35m；當監測時間為60s時，傳統的基于數據挖掘監測方法監測深度為16m，本文監測方法監測深度為36m。由此可見，隨著監測時間的增加，監測深度也在不斷增加，本文提出的監測方法，能夠更快地達到閾值，而傳統方法加深速度較慢，且最終難以達到閾值。

圖3 監測深度實驗結果

綜上所述，本文提出的基于深度卷積神經網絡的面板堆石壩體沉降監測方法具有更好的監測能力，能夠在短時間內實現信息監測，且監測準確率更高，更適合于應用到實際的石壩體沉降監測工作中。

4 結語

本文針對現有沉降監測方法存在監測準確率低和監測深度不足的問題，對基于深度卷積神經網絡的面板堆石壩體沉降監測方法進行研究。并通過仿真測試能夠證明設計的監測方法具有較好的應用效果，可以滿足設計需求，對石壩體沉降監測工作有積極的意義。但是本文設計的方法忽略了人為因素的影響，因此，在接下來的研究中，將不斷完善設計的監測方法，及時發現石壩體沉降情況，保障水利建設工程的運行安全。同時，在路面工程中，應針對各種結構的應力需求，選用適當的填料，嚴格控制施工質量，規范施工，確保壓實達到工程要求，為以后的鋪裝工作奠定良好的基礎。