基于GRU神經(jīng)網(wǎng)絡(luò)的水庫大壩變形預(yù)測模型研究

0 引言

大壩作為水利水電工程的重要組成部分，其安全性和穩(wěn)固性直接關(guān)系到人民生命財產(chǎn)安全和社會經(jīng)濟的穩(wěn)定發(fā)展[1]。大壩在長期運行過程中受多種環(huán)境因素的影響，其變形情況日益復(fù)雜，以前的變形預(yù)測方法已經(jīng)難以滿足現(xiàn)在大壩安全監(jiān)測的需求[2-3]。因此探索高精度、高效率的大壩變形預(yù)測方法顯得十分重要。近年來，隨著人工智能技術(shù)的飛速發(fā)展，神經(jīng)網(wǎng)絡(luò)模型在大壩變形預(yù)測領(lǐng)域展現(xiàn)出了巨大的潛力。其中，門控循環(huán)單元（GRU）神經(jīng)網(wǎng)絡(luò)作為一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN)，具有強大的時間序列數(shù)據(jù)處理能力和長期依賴性學(xué)習(xí)能力，適用于具有時間滯后性和復(fù)雜特征的大壩變形預(yù)測[4]。

本文研究利用GRU神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，結(jié)合影響大壩變形的多種因素，構(gòu)建高精度的大壩變形預(yù)測模型，通過深入分析大壩變形監(jiān)測數(shù)據(jù)中的時間特征規(guī)律，實現(xiàn)對大壩變形的精準預(yù)測。這不僅有助于及時發(fā)現(xiàn)大壩的安全隱患，為大壩的維護和管理提供科學(xué)依據(jù)，還能為類似工程變形預(yù)測提供新的思路和方法。

1工程概況

木拱河水庫位于安順市普定縣馬官鎮(zhèn)木拱村，主要建筑物有大壩、溢洪道、生態(tài)放空工程、泵站以及高位水池等。大壩為面板堆石壩，壩頂長 120.00m ，寬 5.0m ，壩頂高程1235.50，建基面高程 1202.0m ，最大壩高 33.5m. 0大壩共設(shè)置3套水平位移計，用于監(jiān)測壩體水平位移，布置在大壩 0+076.285 斷面，其測點距觀測房管線長度分別為 60m 、 37m 、 15m ，測頭分別位于過渡區(qū)、主堆石區(qū)、次堆石區(qū)。本文采用過渡區(qū)SE1測點的監(jiān)測數(shù)據(jù)進行研究，監(jiān)測原始數(shù)據(jù)包括氣溫、庫水位和位移量。

2構(gòu)建GRU模型

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)經(jīng)自動化系統(tǒng)收集，可能因儀器故障、維護等導(dǎo)致樣本中包含無效數(shù)據(jù)。但是本研究中無效數(shù)據(jù)量較少，不影響整體結(jié)構(gòu)。于是剔除明顯異常值和連續(xù)缺失?6 次的數(shù)據(jù)，相鄰數(shù)據(jù)采用線性插值法填補缺失數(shù)據(jù)。最終獲取過渡區(qū)SE1測點監(jiān)測數(shù)據(jù)820組，其中656組為訓(xùn)練集，164組為測試集。

由于輸入的各種數(shù)據(jù)在單位量綱和數(shù)量級上存在顯著差異，為了在構(gòu)建模型時確保所有輸入數(shù)據(jù)處于同一尺度，從而提升模型的收斂速度，需對氣溫，庫水位和位移量數(shù)據(jù)進行歸一化處理。本研究采用最大最小值歸一化方法，將原始數(shù)據(jù)線性轉(zhuǎn)換至[0，1]的范圍內(nèi)。

2.2GRU模型公式

GRU模型是一種循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的變種，可有效解決RNN在處理序列數(shù)據(jù)時面臨的長期依賴問題和梯度消失難題。GRU模型能有效捕捉序列數(shù)據(jù)中的長期依賴關(guān)系，通過引入門控機制的更新門和重置門來控制信息的流動。更新門負責(zé)決定當前時間步的信息有多少應(yīng)被保留，以及有多少來自先前時間步的信息應(yīng)被更新或遺忘。重置門則決定了先前的隱藏狀態(tài)（即模型在上一時間步的記憶）有多少應(yīng)該被忽略，以及有多少應(yīng)該與當前輸入相結(jié)合來生成新的隱藏狀態(tài)。

GRU模型可使用以下互相關(guān)聯(lián)的計算公式來表示：

z_t=σ(W_z[h_t-1，x_t]+b_z)

r_t=σ(W_r[h_t-1，x_t]+b_r)

式中： _Zt 為更新門； r_t 為重置門； σ 為sigmoid(激活）

函數(shù)，通過該函數(shù)可將數(shù)據(jù)轉(zhuǎn)換至[0，1]范圍的數(shù)值；h_t-1 為上一時刻的隱藏狀態(tài)； X_t 為當前時刻輸入信息； 為候選隱藏狀態(tài)；tanh為雙曲正切函數(shù)，通過該函數(shù)可將數(shù)據(jù)轉(zhuǎn)換至 [-1，1] 范圍的數(shù)值； y_t 為當前隱藏狀態(tài)的輸出； h_t 為傳遞到下一時刻的隱藏狀態(tài)；W為各門控機制及隱藏狀態(tài)的權(quán)重矩陣； b 為各門控機制及隱藏狀態(tài)的偏置向量。

2.3GRU模型精度評價

采用平均絕對誤差、均方根誤差和決定系數(shù)對模型預(yù)測精度進行評價。平均絕對誤差和均方根誤差得分越低，表明模型的預(yù)測誤差越小，預(yù)測精度越高，其能夠量化模型預(yù)測性能的波動性。決定系數(shù)用于衡量模型預(yù)測值與實際值之間的擬合程度，其值越接近1，表明模型的預(yù)測值與實際值的擬合程度越高，模型預(yù)測性能越優(yōu)越。這3個指標的計算公式如下：

式中：MAE為平均絕對誤差，RMSE為均方根誤差，R² 為決定系數(shù)， n 為樣本數(shù)量， 為預(yù)測值， y_i 為觀測值， 為樣本序列的平均值。

3GRU模型訓(xùn)練與性能驗證

3.1GRU模型參數(shù)設(shè)置

GRU模型的超參數(shù)與模型性能相關(guān)，超參數(shù)設(shè)置需綜合考慮數(shù)據(jù)特點、計算資源和模型性能需求。本研究的實驗環(huán)境和GRU模型的超參數(shù)設(shè)置情況如表1所示。

GRU模型的層數(shù)為3，每層包含128個神經(jīng)元，用于平衡模型的表達能力和計算效率。GRU模型將進行200次迭代訓(xùn)練，以確保充分學(xué)習(xí)數(shù)據(jù)中的規(guī)律。為了進一步提高模型的泛化能力，引入了早停機制。若GRU模型的損失函數(shù)在連續(xù)15次迭代中沒有明顯下降，該訓(xùn)練將提前終止。

此外，GRU模型的學(xué)習(xí)率被設(shè)置為0.001，這一較低的學(xué)習(xí)率有助于模型在訓(xùn)練過程中保持穩(wěn)定，避免在最優(yōu)解附近振蕩。Dropout率（訓(xùn)練神經(jīng)網(wǎng)絡(luò)時隨機丟失一部分神經(jīng)元的比例）被設(shè)置為0.2，通過在訓(xùn)練過程中隨機丟棄部分神經(jīng)元，可以有效減少GRU模型對訓(xùn)練數(shù)據(jù)的過擬合，提高模型的泛化能力。

表1實驗環(huán)境和GRU模型的超參數(shù)設(shè)置

3.2GRU模型預(yù)測性能評價

3.2.1大壩水平位移預(yù)測效果

GRU模型對水庫大壩過渡區(qū)SE1測點的水平位移預(yù)測效果如圖1所示。由圖1可知，SE1測點的水平位移值介于 1.09～3.58mm 之間。通過對比預(yù)測值和真實值可以看出，二者之間的相關(guān)性較高，這表明GRU模型成功捕捉到了大壩水平位移的變化規(guī)律，能夠較好地反映大壩水平位移的實際情況，決定系數(shù)為0.912。

盡管GRU模型在整體趨勢上的預(yù)測較為準確，但其預(yù)測值相對于真實值卻存在一定的滯后性。具體表現(xiàn)為預(yù)測曲線中的波峰和波谷總是晚于真實值曲線中的對應(yīng)點出現(xiàn)。這可能是由于GRU模型的時間序列處理能力受到其內(nèi)部機制的限制。雖然通過門控機制改善了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的長期依賴問題，但在處理某些復(fù)雜時間序列時，可能仍然無法完全實時捕捉數(shù)據(jù)的動態(tài)變化。

3.2.2GRU模型預(yù)測殘差

為深入評估GRU模型的預(yù)測性能，繪制模型預(yù)測殘差如圖2所示。由圖2可知，在多數(shù)監(jiān)測期下，模型的預(yù)測殘差保持在 -0.35～0.40mm 的范圍內(nèi)，這表明模型在大多數(shù)情況下能夠提供相對準確的預(yù)測結(jié)果。然而，在水平位移曲線位于波峰波谷時，由于預(yù)測滯后性的存在，GRU模型的預(yù)測殘差也相應(yīng)增大，甚至可達1.5mm。這證實了滯后性對模型預(yù)測性能的影響，因此需進一步提升模型在波峰波谷期的預(yù)測能力。

圖1GRU模型對大壩SE1測點水平位移預(yù)測效果

圖2GRU模型預(yù)測殘差

4GRU模型預(yù)測性能的優(yōu)化

4.1引入注意力機制

為提升GRU模型對水庫大壩水平位移曲線波谷波峰期的預(yù)測精度，引入注意力機制，構(gòu)建GRU-注意力機制模型。注意力機制在模擬人類處理復(fù)雜信息時的注意力分配方式，可使模型能夠在處理序列數(shù)據(jù)時，智能、選擇關(guān)注那些對預(yù)測結(jié)果重要的部分，忽略不重要的部分，從而提高模型的效率和效果。

4.2GRU-注意力機制模型的預(yù)測性能

基于注意力機制的GRU-注意力機制模型的預(yù)測性能如圖3所示。GRU-注意力機制模型的預(yù)測殘差如圖4所示。由圖3、圖4可知，注意力機制引入極大緩解了預(yù)測滯后性問題。模型預(yù)測值與真實值之間的擬合度變高，決定系數(shù)為0.973，相較于GRU模型提高了 6.69% 。預(yù)測殘差值也實現(xiàn)了顯著降低，由 -0.35～0.40mm 降低為 -0.03～ 0.09mm ，這說明預(yù)測結(jié)果的穩(wěn)定性與可靠性得到了提升。

同時，模型的誤差指標，即平均絕對誤差和均方根誤差也實現(xiàn)了顯著的下降，值由0.335降低至0.004，值則由0.415降低至0.006。GRU模型與GRU-注意力機制模型對比如表2所示。

表2GRU模型與GRU-注意力機制模型對比

在GRU-注意力機制模型中，信息的處理流程得到了優(yōu)化。模型首先通過GRU層對輸入序列進行特征提取，隨后通過注意力層來計算每個時間步的注意力權(quán)重，并基于這些權(quán)重生成上下文向量。最終，模型將依據(jù)這個上下文向量來做出預(yù)測。

在大壩水平位移預(yù)測的任務(wù)中，這樣的設(shè)計使得模型能夠更敏銳地捕捉到那些對大壩變形具有關(guān)鍵影響的外界信息，如氣溫，庫水位等，從而進一步提升預(yù)測的精度。此外，注意力機制還能夠有效地改善模型預(yù)測的滯后性問題。它允許模型在處理當前輸入時，回顧并整合之前的狀態(tài)信息，從而幫助模型更準確地預(yù)測未來的位移變化。

5優(yōu)化GRU-注意力機制模型設(shè)想

通過分析GRU-注意力機制模型預(yù)測殘差發(fā)現(xiàn)，在多數(shù)監(jiān)測周期內(nèi)，模型的預(yù)測殘差普遍大于0。這一現(xiàn)象意味著模型的預(yù)測值從整體上傾向于高于真實值，特別是在位移曲線的波谷階段，這種偏差表現(xiàn)得尤為明顯。這一現(xiàn)象可能是因為該模型存在一定的過擬合風(fēng)險，或是對于某些外界影響因素的響應(yīng)過于敏感，導(dǎo)致預(yù)測結(jié)果偏高。

圖3GRU-注意力機制模型的預(yù)測性能

圖4GRU-注意力機制模型的預(yù)測殘差

為了進一步優(yōu)化該模型性能，在以后的研究中可以考慮引入正則化技術(shù)，或進一步調(diào)整注意力機制的參數(shù)設(shè)置，以降低模型在波谷階段的預(yù)測偏差。同時，也可以引入更多壩體變形影響因素，如降雨量，壩基滲壓等，以提升該模型在復(fù)雜工況下的預(yù)測準確性和魯棒性。從而使GRU-注意力機制模型更好的應(yīng)用于大壩變形預(yù)測。

6結(jié)束語

本研究利用GRU神經(jīng)網(wǎng)絡(luò)構(gòu)建了水庫大壩變形預(yù)測模型，并針對預(yù)測滯后性問題引入了注意力機制進行優(yōu)化。實驗結(jié)果表明，GRU模型能夠較好地反映大壩水平位移的實際情況，但在波峰波谷期的預(yù)測存在滯后。通過引入注意力機制，模型預(yù)測性能得到顯著提升，預(yù)測值和真實值之間的擬合度變高，預(yù)測殘差顯著降低。未來研究可進一步考慮正則化技術(shù)或調(diào)整注意力機制參數(shù)以降低預(yù)測偏差，并引入更多影響因素，以提升GRU-注意力機制模型在復(fù)雜工況下的預(yù)測準確性和魯棒性。

參考文獻

[1]邊利心.基于GB-SAR的汾河水庫大壩安全監(jiān)測[J].水利技術(shù)監(jiān)督，2024(11):23-25+192.

[2]徐建宇，郭永剛.基于MEMS傳感器陣列大壩沉降監(jiān)測設(shè)計[J].中國新技術(shù)新產(chǎn)品，2024(20):144-148.

[3]涂超萬，劉大軍.江山龍頭水庫加固設(shè)計及處置后變形監(jiān)測分析[J].中國新技術(shù)新產(chǎn)品，2024(20):77-80.

[4]谷宇，蘇懷智，張帥，等.基于自適應(yīng)時序分解篩選的大壩變形預(yù)測模型[J].水利學(xué)報，2024，55(9):1045-1057+1070.