基于改進BP神經網絡的大壩變形監(jiān)測模型預報

趙英男

（遼寧省白石水庫管理局，遼寧朝陽122000）

基于改進BP神經網絡的大壩變形監(jiān)測模型預報

趙英男

（遼寧省白石水庫管理局，遼寧朝陽122000）

變形監(jiān)測是大壩安全運行的重要保證，結合白石水庫混凝土壩真空激光X向位移資料進行分析，提出應用改進的BP神經網絡思想建立的安全監(jiān)測模型，結合對相關數據參數進行系統(tǒng)性的研究，并與傳統(tǒng)BP神經網絡模型訓練、預測結果對比，得出改進的BP神經網格模型優(yōu)于傳統(tǒng)BP神經網絡模型，具有一定抗差能力，能夠降權使用可疑值，相關系數較高，預測精度好，可在實際中廣泛運用。

大壩監(jiān)測；變形；BP神經網絡；預報

監(jiān)測和現(xiàn)場檢測在保證大壩工作安全中具有至關重要的意義，其中變形是大壩監(jiān)測工作中的主要效應量和重要內容，是對于當前大壩安全狀態(tài)最直觀有效的反映，而變形監(jiān)測模型預測工作能準確地觀測未來一定時期內的變形值，隨著計算機等智能領域的迅猛發(fā)展和其良好發(fā)展前景，神經網絡因其網絡化、智能化、仿真效果強大等特點將會呈現(xiàn)出更強競爭力，利用MATLAB矩陣分析軟件中的改進的BP神經網絡預測模型對大壩變形進行監(jiān)測，具有較好的預測效果，可在效應量與自變量等環(huán)境復雜狀態(tài)運用[1]，為大壩變形預測提供了一種全新的方式。

為實現(xiàn)對真空激光自動化采集數據與周圍環(huán)境量的實時更新處理，需要對傳統(tǒng)的BP神經網絡加以改進，引入遺忘因子思想，特別針對白石混凝土重力壩真空激光準直系統(tǒng)更新改造后，基準值分期變化但保持平穩(wěn)變化規(guī)律情況的變化特征，建立遺忘矩陣，減弱系統(tǒng)更新改造位移資料得出路徑發(fā)生變化對于預測結果的影響。

1 BP神經網絡

人工神經網絡（Artificial Neutral Network）從結構上來講是一種典型的多層前向型神經網絡，具有一個輸入層(Input Layer)、多個可人為設定層數的隱含層(Hidden Layer)和一個輸出層(Output Layer)。是一種具有層間全連接，同層神經元之間無神經遞質連接的模擬人腦思維結構模式。隱含層中的神經元通常采用S型傳遞函數的形式傳播，輸出層的神經元大多采用線性算法傳遞函數。典型神經網絡的指導思想為閾值與權值的擬合采用目標誤差函數下降最快的方向即負梯度方向，學習方式采用誤差逆向傳播算法作為訓練主導[2]。傳統(tǒng)的BP（Back Propagation）和RBF（Radical Basis Function）人工神經網絡的性能主要由人工神經絡的激勵函數、人工神經網絡的拓撲結構、人工神經網絡的訓練樣本的品質和學習規(guī)則決定。

設置網絡輸出層為x，中間隱含層輸出為z，網絡輸出層為y。其中輸入層與輸出層各含有m個與n個神經元。假設Xα(α=1,2,3,4…,Δ)為某神經元輸入量，各隱含層神經輸出量為：

依照順序ψ(x)為激發(fā)函數；μαβ為隱含層神經元α與輸入層神經元β的連接權重；λα為隱含層神元的閥值；所得網絡輸出為：

其中，ηα為隱含層和輸出層神經元β的權值，將網絡輸入樣本xα(α=1,2,3,4…,Δ)和網絡向量B設定完畢后，可通過（1）、（2）公式得出輸出量Y（m），經過對于實際目標量ρ（m）對比，得出誤差量：

此時神經網絡的訓練目標為差值平方和最小化的權值η，訓練樣本數量為M，得出：

2 引進遺忘因子的改進算法

大壩安全監(jiān)測BP神經網絡模型作為一種新的預報方法，其核心是建立對學習與預報的性能具有重要的影響的具有滿足其精度的模型[3]。其靈活而有效的學習及訓練方式、完美的非線性特征、和其完全分布的存儲結構在預測過程中可以顯示出絕對優(yōu)勢。而引進了遺忘因子的改進型BP神經網絡具備一定的結構學習能力，解決了傳統(tǒng)BP網絡預測模型在算法上直接而多步的預測中不能漸進計算的問題。但BP算法是在積累了一定容量樣本后，一種期望輸出與實際輸出之間的差值為驅使且不斷最小化的典型的監(jiān)督學習方法，這是傳統(tǒng)經典BP神經網絡的弊端。而引進了遺忘因子的BP神經網絡模型可以根據新樣本漸進地調整網絡參數。通過引入一個與連接權值成正比的常數衰減項，具有遺忘因子的BP算法是成為了一個使網絡中的多余權閾值迅速衰減，減少占用網絡資源空間的合理的網絡結構，傳統(tǒng)的BP網絡所得誤差平方和引入修正函數ε(t)，計算誤差函數：

取εβtβ=ζ（tO-tm），ζ（t）為遺忘因子，可修正改進BP網絡模型訓練誤差，在訓練和學習的過程中，該引進了遺忘因子ζ（t）的BP網絡模型以目標函數：

3 工程實例

3.1 樣本輸入量

大壩受多種監(jiān)測和非監(jiān)測環(huán)境量綜合擾動，其中變形量主要受水頭、溫度、時效、降雨、兩側山體巖石結構及性狀、施工混凝土性能等多種因素的綜合影響[4]。

根據混凝土壩變形模型，主要考慮水頭、溫度、時效、三種環(huán)境輸入量。

庫水位、上、下游水頭變化影響壩體側向壓力及山體滲流和揚壓力系數變化均會對大壩變形產生直接影響。水壓因子與上游水頭H的冪次方呈比例關系，共取五個因子。

t為建基日到測值發(fā)生日累計天數。當蓄水后，大壩的溫度場會隨邊界溫度的改變呈現(xiàn)年周期性的變化。溫度變化可導致的混凝土干縮變形和自體積變形，溫度與降雨量疊加作用可導致混凝土含水量發(fā)生變化，引起濕度變形，與自體積變形相比，濕度變形相對變形系統(tǒng)影響較小。

以建基日為1，每增加1天，θ增加0.01，為時效因子，時效因子反應了壩體與壩基混凝土和巖石基礎的長期應力所導致的徐變以及壩基的節(jié)理、裂隙和其他軟弱夾層構造在荷載作用下發(fā)生的壓縮和塑性變形等作用對于大壩的影響。

則本模型樣本輸入量為H1、H2、H3、H4、H5

3.2 模型分析

白石水庫混凝土重力壩真空激光準直系統(tǒng)位于大壩右岸，共31個測點，系統(tǒng)分為X向、Z向相對位移和絕對位移，建模過程中，選取7#壩段2016年實際自動化監(jiān)測數據作為樣本，共有536組數據，其中取前516組數據作為已知數據輸入，剩余20組數據作為預測樣本，其中此次模型選擇7#測點X向相對位移數據資料進行分析[5]，用傳統(tǒng)BP神經網絡與改進的BP神經網絡思想分別建立安全監(jiān)測統(tǒng)計模型，模型結構共計11個輸入層因子，隱含節(jié)點數取2×11+1=23個。樣本輸量516組，測試樣本數量為1，絡輸入維度為11。網絡噪聲強度為0.01，最多訓練次數5000。學習速度為0.045，目標誤差為.65×10-3。進行分析，具體計算結果如表1所示。

在訓練和預測的過程中可知，改進的神經網絡算法可以對混凝土大壩的狀態(tài)變化進行更新，誤差范圍在0.13%~33.03%之間，與實際值和傳統(tǒng)BP神經網絡變形監(jiān)測模型預報值相對比，有著較好的預測精度與擬合效果，能夠概括反映大壩位移的相關趨向及變化數值。由圖1可以看出，與傳統(tǒng)BP網絡模型預測值相對比，引進遺忘因子的改進BP網絡模型預測值更接近實測值，經過前不斷訓練學習，改進的BP網絡預測模型后期數據與實測值更為接近，整體預測精度有著明顯提高，誤差趨于平穩(wěn)且小于開始。

表1 真空激光X向位移實測與網絡輸出精度對比單位：mm

從表2得和，就兩種模型間擬合效果而言，改進的BP算法優(yōu)于傳統(tǒng)BP算法模型，可優(yōu)先考慮采用。

圖1真空激光X向位移模型預測過程線

表2 模型均方差比較

4 結語

本文結合實測白石水庫混凝土壩真空激光X向變形數據資料，運用改進的BP神經網絡算法對其位移監(jiān)測點建立模型，通過MATLAB 9.0矩陣分析軟件中改進的BP神經網絡算法進行大壩變形監(jiān)測模型預報，采用經過算法優(yōu)化所得權值與閾值作為模型初始權值與閾值，加快了網絡的收斂速度，大幅減少了系統(tǒng)的計算次數。從大壩變形的發(fā)展趨勢來看，目前白石水庫混凝土壩處于相對穩(wěn)定趨勢，而采該變形監(jiān)測預報模式也可成為一種探究大壩安全穩(wěn)定的新方式。

[1]趙英男.宮正.韓衛(wèi).基于BP網絡的大壩揚壓力預報模型[J].水與水技術，2016,(06):70-73.

[2]張曉春,徐暉,鄧念武,陳仁喜.徑向基函數神經網絡在大壩安全監(jiān)測數據處理中的應用[J].武漢大學學報(工學版),2003,(02):33-36.

[3]吳云芳,李珍照.改進的BP神經網絡模型在大壩安全監(jiān)測預報中的應用[J].水電站設計,2002,(02):21-24.

[4]李富強.大壩安全監(jiān)測數據分析方法研究[D].浙江大學,2012.

[5]楊杰,吳中如,顧沖時.大壩變形監(jiān)測的BP網絡模型與預報研究[J].西安理工大學學報,2001,(01):25-29.

Model Prediction of Dam Deformation Monitoring Based on Improved BP Neural Network

Zhao Yingnan
（Baishi water reservoir management bureau in Liaoningprovince Chaoyang122000,Liaoning）

Deformation monitoring is an important guarantee for safe operation of the dam.The article is based on analysis of the vacuum laser X-displacement data of the concrete dam of Baishi Reservoir,proposes a safety monitoring model by the improved BP neural network,and the relevant data parameters are systematically studied.And compared with the traditional BP neural network model training and prediction results,it is concluded that the improved BP neural network model is superior to the traditional BP neural network model,and has some ability of reducing the risk,using the suspicious value,the correlation coefficient is high,the prediction accuracy Well,can be widely used in practice.

Dammonitoring；tobe deformed；BP neural network and toforecast

TV698.11

B

1673-9000（2017）03-0113-03

2017-02-17

趙英男（1989-），女，遼寧朝陽人，助理工程師，主要從事水利工程大壩監(jiān)測工作。