遺傳神經(jīng)網(wǎng)絡在大壩安全評價中的應用

張 帆，胡伍生

(東南大學 交通學院，江蘇 南京 210096)

遺傳神經(jīng)網(wǎng)絡在大壩安全評價中的應用

張 帆，胡伍生

(東南大學 交通學院，江蘇 南京 210096)

利用神經(jīng)網(wǎng)絡方法評價大壩安全具有一定的優(yōu)勢，但傳統(tǒng)大壩安全評價方法不能為神經(jīng)網(wǎng)絡模型提供合適的學習樣本。文中引入安全度值的概念，為神經(jīng)網(wǎng)絡提供可量化的學習樣本，并針對BP神經(jīng)網(wǎng)絡收斂速度慢、穩(wěn)定性差、易陷入局部極小等問題，利用遺傳算法進行改進，提出基于遺傳神經(jīng)網(wǎng)絡的大壩安全評價方法。工程實例表明，評價方法合理、可行。

大壩安全評價;神經(jīng)網(wǎng)絡;遺傳算法;安全度值

大壩安全直接關(guān)系到下游人民的生命和財產(chǎn)安全，大壩工作性態(tài)的安全監(jiān)測是及時發(fā)現(xiàn)大壩安全隱患的有效手段和途徑。及時對大壩安全監(jiān)測資料進行綜合分析，正確掌握和評價大壩的實測性態(tài)狀況，對于大壩安全十分重要。

大壩安全綜合評價是一種多層次、多指標的綜合分析體系。安全評判過程中存在著大量的不確定信息[1]，因此從評價指標體系中下一層多個因子的已知狀態(tài)來評價上一層因子的狀態(tài)時，需要有經(jīng)驗的專家根據(jù)工程實際情況、物理力學關(guān)系等，運用其經(jīng)驗、邏輯思維及判斷能力，作出合理恰當?shù)脑u價。目前，國內(nèi)比較常見的大壩安全評價方法主要包括：層次分析法[2-3]、多級灰關(guān)聯(lián)評估法[4]和模糊綜合評判法[5-7]等。此類方法的評價結(jié)果往往受評價者主觀因素的影響較大，且一旦有新情況就需要重新作出判斷。神經(jīng)網(wǎng)絡具有自組織性、自適應性、聯(lián)想能力及自學習能力，能夠吸收學習樣本中專家的思維和經(jīng)驗。當利用訓練好的網(wǎng)絡對新的輸入進行映射時，就能在輸出的結(jié)果中再現(xiàn)專家的思維和經(jīng)驗。吳云芳等[8]將BP神經(jīng)網(wǎng)絡運用于大壩安全評價中，取得了不錯的效果。然而，BP神經(jīng)網(wǎng)絡存在收斂速度慢、穩(wěn)定性差、易陷入局部極小等問題[9]。為此，本文將遺傳算法與神經(jīng)網(wǎng)絡相結(jié)合，用于大壩安全評價，并根據(jù)已有的大壩觀測數(shù)據(jù)驗證方法的可靠性。

1 遺傳神經(jīng)網(wǎng)絡原理

1.1 遺傳算法基本原理

遺傳算法是一種借鑒生物界自然選擇和自然遺傳機制的高度并行、隨機、自適應搜索算法，具有全局收斂性和初值無關(guān)性[10]。它不要求目標函數(shù)連續(xù)、可微，僅需給出目標函數(shù)的描述，從一組隨機產(chǎn)生的初始解開始，從全局空間出發(fā)搜索問題的最優(yōu)解。遺傳算法的基本操作如下：

1)編碼：由于遺傳算法不能直接處理解空間的解數(shù)據(jù)，因此必須通過編碼將它表示成遺傳空間的基因型串結(jié)構(gòu)數(shù)據(jù)——染色體。

2)初始群體的生成：由于遺傳算法的群體型操作需要，必須為遺傳操作準備一個由若干初始解組成的初始群體，然后以這個初始群體作為起始點開始迭代搜索。

3)定義適應度函數(shù)：遺傳算法在搜索進化過程中一般不需要其它外部信息，僅用適應度函數(shù)值來評估個體或解的優(yōu)劣，并作為遺傳操作的依據(jù)。

4)選擇：選擇操作的目的是為了從當前群體中選出生命力強的染色體，使它有機會保留并用以繁殖后代。選擇操作體現(xiàn)了達爾文的優(yōu)勝劣汰、適者生存的原則，個體適應度越大，其被選擇的機會就越多。

5)交叉：交叉操作是遺傳算法中最主要的遺傳操作，對于用于繁殖后代的個體，隨機選擇交叉位置，產(chǎn)生兩個新的個體，這兩個新個體組合其父代的特性。

6)變異：變異操作在群體中隨機地選擇一個個體，以一定的概率隨機改變基因串中某個字符的值。它需要和交叉操作配合使用，目的是挖掘群體中個體的多樣性，克服有可能局限于局部最優(yōu)解的弊端。

1.2 遺傳算法用于優(yōu)化神經(jīng)網(wǎng)絡權(quán)重

遺傳算法與BP神經(jīng)網(wǎng)絡的結(jié)合有多種方式，本文利用遺傳算法來優(yōu)化神經(jīng)網(wǎng)絡的連接權(quán)值，具體過程為：首先利用神經(jīng)網(wǎng)絡的連接權(quán)重作為染色體進行編碼，形成初始種群，然后以適應度函數(shù)指導隨機搜索的方向，對父代種群進行選擇、交叉、變異等操作生成子代種群。經(jīng)過不斷迭代計算，最終產(chǎn)生全局最優(yōu)解，并對其解碼作為BP網(wǎng)絡的最優(yōu)初始權(quán)值。

利用改進的BP神經(jīng)網(wǎng)絡，即遺傳神經(jīng)網(wǎng)絡進行樣本學習，可在相當大的程度上避免局部極小，訓練次數(shù)和最終權(quán)值也可以相對穩(wěn)定，同時加快訓練速度。近年來，已有眾多學者將遺傳神經(jīng)網(wǎng)絡應用于工程實踐[11-12]，本文利用MATLAB編制遺傳神經(jīng)網(wǎng)絡程序并應用于大壩安全評價。

2 基于遺傳神經(jīng)網(wǎng)絡的大壩安全評價

傳統(tǒng)的大壩安全評價是一個極其復雜的過程，需要專家經(jīng)驗的介入。如果能建立一個特殊模型，通過輸入原始觀測數(shù)據(jù)即能輸出大壩安全評價結(jié)果，將節(jié)省大量人力物力，而遺傳神經(jīng)網(wǎng)絡憑借其自身優(yōu)勢，為建立這樣的模型提供了可能。然而，傳統(tǒng)的大壩安全評價方法不能為神經(jīng)網(wǎng)絡模型提供合適的學習樣本，因此本文引入安全度值的概念，使學習樣本得到量化，即：首先計算每個底層指標因子的安全度值，再判斷每個下層指標因子相對于其上層指標因子安全程度的權(quán)重，兩者結(jié)合逐級遞歸綜合評價，最終得到大壩整體結(jié)構(gòu)的安全度值，并作為樣本進行建模。整個過程主要解決3個問題，即如何計算底層指標因子的安全度值、如何計算權(quán)重、如何利用遺傳神經(jīng)網(wǎng)絡建模。

2.1 底層指標因子安全度值計算

所謂安全度值，即大壩整體及各因子安全程度的數(shù)值體現(xiàn)。何金平等[13]從相應規(guī)范、已有方法、人類心理活動以及實踐經(jīng)驗角度出發(fā)，提出將大壩結(jié)構(gòu)實測性態(tài)綜合評價的安全級數(shù)確定為5級，即正常、基本正常、輕度異常、重度異常和惡性失常。令安全度值為(0～1]區(qū)間上，并將其等分成A到E 5個區(qū)間，與5種安全狀態(tài)一一對應，其結(jié)果如表1所示。

表1 評價等級安全度值對照表

(1)

(2)

式中：n為模型中實測效應量總數(shù)；k為實測效應量的自由度。則式(1)可表示為

[y]=f(x1,x2,…,xn)±pS.

(3)

安全度值的等級區(qū)間同樣可以用監(jiān)控指標來表示，使人為劃定的等級區(qū)間和通過統(tǒng)計模型回歸分析所得的監(jiān)控指標相掛鉤：

(4)

式中：ymax，ymin為監(jiān)控指標的限制值。根據(jù)表1及式(4)，即可推導得到各底層指標因子安全度值的計算公式，結(jié)果見表2，表中各符號含義同上。

表2 底層指標因子安全度值計算公式

2.2 權(quán)重計算

計算得到大壩底層指標因子安全度值以后，不能通過簡單的加減就得出上一層指標因子的安全度值，必須把每個指標因子相對于其上一級指標因子的權(quán)重計算出來，并進行綜合計算得出。本文將利用主成分分析法計算底層指標因子的權(quán)重，利用改進的層次分析法計算其余各級指標因子的權(quán)重。

2.2.1 主成分分析法

在大壩安全評價中，主成分分析法直接依據(jù)大壩原始實測資料的信息建立監(jiān)測樣本相關(guān)矩陣，然后通過正交變換，把多個相關(guān)指標轉(zhuǎn)化為少量不相關(guān)評價指標[14]，并定量描述交互指標在整體系統(tǒng)中貢獻，并通過貢獻量大小來識別對應的各個評價指標的權(quán)重值。

2.2.2 改進的層次分析法

層次分析法的基本思路是：專家通過對評價因素重要程度的兩兩比較，確定判斷矩陣，然后計算判斷矩陣的最大特征值及其對應的特征向量，再將該特征向量歸一化并得到評價因素的權(quán)重。然而不論是傳統(tǒng)的層次分析法常用的A.L.Satty的1～9標度法，還是一些學者后來相繼提出的9/9～9/1標度法、10/10～18/2標度法以及指數(shù)標度法，在實際應用中都并不合理。為此，本文采用一種改進的層次分析法。

在大壩安全評價中，考慮到評價因素兩兩比較時一般不存在“強烈大”和“極端大”的情況，出現(xiàn)“明顯大”的情況也不多。因此，在對指標重要性兩兩比較時，只設(shè)置兩個等級，即重要性“相同”或“稍微大”，然后以此作為基礎(chǔ)遞進乘積分析。本文取9/9～9/1標度法、10/10～18/2標度法以及指數(shù)標度法三者的平均值作為標度，即“相同”的標度取為(1+1+1)/3=1，“稍微大”的標度取為(1.286+1.500+1.277)/3=1.354。當評價指標之間的重要性用“稍微大”還不足以反映時，可以用多個“稍微大”來反映，標度為1.354×1.354=1.833，以此類推并最終計算出各評價指標權(quán)重。

2.3 遺傳神經(jīng)網(wǎng)絡建模

根據(jù)底層指標因子安全度值及各級因子間的權(quán)重，就可以計算得到大壩整體結(jié)構(gòu)安全度值，從而進行神經(jīng)網(wǎng)絡建模。本文中，遺傳神經(jīng)網(wǎng)絡的輸入層為大壩安全觀測的各項原始觀測數(shù)據(jù)，輸出層為大壩整體結(jié)構(gòu)安全度值。

利用生成的學習樣本訓練網(wǎng)絡，就能使網(wǎng)絡獲取客觀模型分析結(jié)果和主觀專家評價經(jīng)驗，當應用這一網(wǎng)絡對新的輸入進行映射時，就可在輸出的評價結(jié)果中再現(xiàn)主客觀相結(jié)合的評價思維，從而得出比較合理的評價結(jié)論。因此當網(wǎng)絡訓練完成后，在輸入層中依次輸入各項原始觀測數(shù)據(jù)，即可得到最終的大壩結(jié)構(gòu)安全度值。

3 工程實例分析

3.1 工程概況及建模數(shù)據(jù)選取

陳村水電站位于皖南長江支流青弋江上游，是一座綜合性中型水利水電樞紐工程。大壩是一座同心圓變半徑的混凝土重力拱壩，壩頂高程為126.3 m，最大壩高為76.3 m，壩頂弧長419 m，壩頂寬8 m，最大壩底寬53.5 m，自左向右有28個壩段，總庫容為28.25億m3。

本文僅考慮變形因素的影響，選取6個典型壩段，即5#、7#、8#、18#、24#、26#壩段，基于遺傳神經(jīng)網(wǎng)絡進行大壩安全評價，資料系列選取該壩1999—2006年間的垂直位移、徑向水平位移和切向水平位移的觀測數(shù)據(jù)。

3.2 學習樣本生成

利用1999—2004年的數(shù)據(jù)分別建立各單測點垂直位移、徑向水平位移及切向水平位移的統(tǒng)計模型，對2005—2006年的84組樣本進行擬合，再根據(jù)表2中算式計算84組樣本的底層指標因子安全度值，并利用主成分分析法確定底層因子的權(quán)重?，F(xiàn)以2006年2月4日為例，具體計算結(jié)果見表3。

表3 底層指標因子安全度值及權(quán)重

根據(jù)表3，可以分別算出2006年2月4日垂直位移、徑向水平位移和切向水平位移因子的安全度值，再利用改進的層次分析法可以算出各因子的權(quán)重，具體計算結(jié)果見表4。

表4 中間層因子安全度值及權(quán)重

根據(jù)表4計算可得2006年2月4日大壩整體變形的安全度值為0.756 8，同理可得其余83個時間點的大壩整體變形安全度值，其范圍在0.688 1～0.843 0之間，均處于基本正常或者正常狀態(tài)。而陳村大壩已運行30余年，工作狀態(tài)基本正常，計算結(jié)果與大壩實際檢測結(jié)果相符，可以作為樣本用于神經(jīng)網(wǎng)絡建模。

3.3 神經(jīng)網(wǎng)絡建模

利用遺傳神經(jīng)網(wǎng)絡進行建模，輸入層為12個位移原始觀測數(shù)據(jù)，輸出層為大壩整體變形的安全度值。將2005—2006年84組數(shù)據(jù)中的50%作為學習樣本，另50%作為預報樣本，開始訓練。訓練結(jié)束后，得到42個預報樣本的模擬結(jié)果，具體結(jié)果見圖1、表5。

由表5可知，遺傳神經(jīng)網(wǎng)絡的擬合結(jié)果與實際結(jié)果相比，差值絕對值最小僅為0.000 7，差值絕對值最大也只有0.040 3，擬合效果良好，方法具有一定的可行性。

圖1 擬合結(jié)果與實際結(jié)果對比

4 結(jié)束語

本文在已有方法的基礎(chǔ)上，建立大壩安全評價的遺傳神經(jīng)網(wǎng)絡模型，解決傳統(tǒng)BP神經(jīng)網(wǎng)絡收斂速度慢、穩(wěn)定性差、易陷入局部極小等問題。通過引入安全度值的概念將網(wǎng)絡學習樣本量化，并在學習過程中融合相關(guān)專家的經(jīng)驗、知識、主觀判斷及對目標重要性的傾向。網(wǎng)絡訓練完成后，可直接通過原始大壩觀測數(shù)據(jù)進行大壩安全評價。

[1]張乾飛,王錦國,李雪紅. 大壩安全監(jiān)控中的不確定性信息初探[J]. 河海大學學報:自然科學版, 2002，30(5):113-117.

[2]季根蔡. 基于層次分析法的水庫大壩安全鑒定的綜合評價[J]. 紅水河，2007，26(1):133-136.

[3]陳誠,花劍嵐. 改進層次分析法在土石壩安全評價中的應用[J]. 水利水電科技進展，2010，30(2):58-62.

[4]吳云芳,李珍照,薛桂玉. 大壩實測性態(tài)的多級灰關(guān)聯(lián)評估方法研究[J]. 大壩觀測與土工測試，1998，22(5):27-31.

[5]李珍照,何金平,薛桂玉,等. 大壩實測性態(tài)模糊模式識別方法的研究[J]. 武漢水利電力大學學報，1998，31(2):1-4.

[6]張小飛,蘇國韶,吳彰敦. 基于層次模糊綜合評價的水庫大壩安全評價法[J]. 廣西大學學報:自然科學版，2009，34(3):321-325.

[7]姜彤,杜國倩. 模糊評判法在大壩安全評價中的應用[J]. 人民黃河，2012，34(3):117-119.

[8]吳云芳,李珍照,徐帆. BP神經(jīng)網(wǎng)絡在大壩安全綜合評價中的應用[J]. 河海大學學報:自然科學版，2003，31(1):25-28.

[9]胡伍生. 神經(jīng)網(wǎng)絡理論及其工程應用[M]. 北京：測繪出版社, 2006:68-69.

[10]楊發(fā)群,邱衛(wèi)寧,魏成,等. 顧及不確定因素的GA-BP神經(jīng)網(wǎng)絡在路基沉降預測中的應用[J]. 測繪工程，2013，22(6):51-54.

[11]劉健,蔡建軍,程森. 基于遺傳神經(jīng)網(wǎng)絡的大壩變形預測模型研究[J]. 山東大學學報:工學版,2006，36(2):62-66.

[12]王志軍,劉紅彩. 遺傳神經(jīng)網(wǎng)絡在大壩變形預報因子重要度判定中的應用[J]. 水電自動化與大壩監(jiān)測，2008，32(5):69-71,75.

[13]何金平,李珍照. 大壩結(jié)構(gòu)實測性態(tài)綜合評價指標體系的研究[J]. 大壩觀測與土木測試，2000，24(6):20-22.

[14]韓小孩,張耀輝,孫福軍,等. 基于主成分分析的指標權(quán)重確定方法[J]. 四川兵工學報，2012，33(10):124-126.

[責任編輯：張德福]

Application of genetic neural network to dam safety evaluation

ZHANG Fan, HU Wu-sheng

(Dept. of Surveying Engineering, Southeast University, Nanjing 210096, China)

Application of neural network to the dam safety evaluation has some advantages, but the traditional methods of dam safety evaluation can not provide the appropriate learning samples for the neural network model. The concept of safety degree value is introduced to provide quantifiable learning samples for neural network. And aiming at the problems of slow convergent rate, poor stability and local minimum of the BP neural network, an improved dam safety evaluation method based on genetic neural network is proposed. The example shows that the method is reasonable and feasible.

dam safety evaluation; neural network; genetic algorithm; safety degree value

2014-02-25

江蘇省普通高校研究生科研創(chuàng)新計劃項目(CXLX11_0143)

張 帆(1987-)，男，博士研究生.

TU196

：A

：1006-7949(2014)07-0041-05