多監(jiān)測項(xiàng)目聯(lián)合的大壩安全監(jiān)控模型

王麗蓉，鄭東健

(1.中國電建集團(tuán)西北勘測設(shè)計(jì)研究院有限公司，西安 710065；2.河海大學(xué)水利水電學(xué)院，南京 210098)

0 前 言

建立大壩安全監(jiān)控模型，可以預(yù)測監(jiān)測值變化趨勢，解釋主要荷載對監(jiān)測效應(yīng)量變化的影響，擬定監(jiān)控指標(biāo)。統(tǒng)計(jì)模型是應(yīng)用最廣的大壩安全監(jiān)控模型，以水壓、溫度、降雨和時(shí)效為主要影響因素，建立回歸模型[1-2]。若統(tǒng)計(jì)模型的各分量部分或全部采用有限元分析擬合的表達(dá)式，則為混合模型或確定性模型[3-4]。近年來，支持向量機(jī)模型M[5-6]、神經(jīng)網(wǎng)絡(luò)模型[7-8]、灰色預(yù)測模型[9]等采用新興算法的大壩安全監(jiān)控模型也被廣泛研究。上述大壩安全監(jiān)控模型一般是針對同一監(jiān)測項(xiàng)目單測點(diǎn)或多測點(diǎn)進(jìn)行建模。實(shí)際上，大壩各監(jiān)測項(xiàng)目的測點(diǎn)監(jiān)測資料是大壩安全工作狀態(tài)的不同層次、不同角度的反映，是大壩安全狀態(tài)監(jiān)測信息整體的不同部分。大壩各監(jiān)測項(xiàng)目如變形、滲流、應(yīng)力應(yīng)變均同時(shí)受到上下游水位、氣溫、降雨等環(huán)境量的影響，在工作性態(tài)相似的大壩區(qū)域，各監(jiān)測項(xiàng)目的變化存在同步性和相似性?；诒O(jiān)測的整體信息建立安全監(jiān)控模型，有助于挖掘信息的內(nèi)在聯(lián)系，從監(jiān)測信息整體角度監(jiān)控大壩安全狀態(tài)。如何從時(shí)間和空間上，反映各監(jiān)測項(xiàng)目各測點(diǎn)的內(nèi)在邏輯關(guān)系，是建立整體信息聯(lián)合安全監(jiān)控模型的關(guān)鍵。

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)具有學(xué)習(xí)數(shù)據(jù)內(nèi)在空間相關(guān)規(guī)律的能力，長短時(shí)記憶網(wǎng)絡(luò)期記憶神經(jīng)網(wǎng)路(Long Short-Term Memory，LSTM)是一種專門處理時(shí)序數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。ConvLSTM(卷積長短時(shí)記憶網(wǎng)絡(luò))集成了LSTM處理時(shí)間維信息的能力和卷積層處理局部強(qiáng)相關(guān)數(shù)據(jù)的優(yōu)勢，允許多組測值形成一個(gè)矩陣進(jìn)入網(wǎng)絡(luò)，并且具有獲取測點(diǎn)相關(guān)性信息的能力。但卷積層提取關(guān)聯(lián)信息的位置有限，一旦網(wǎng)絡(luò)搭建完畢，ConvLSTM只能注意到固定幾組測點(diǎn)的相關(guān)性。同時(shí)，監(jiān)測值總是隨時(shí)間動(dòng)態(tài)變化，測點(diǎn)相關(guān)度也同步變化，若卷積層跨度不足，那么ConvLSTM會(huì)忽略部分測點(diǎn)相關(guān)性，模型的精度會(huì)受到影響。動(dòng)態(tài)時(shí)間規(guī)整算法(Dynamic Time Warping，DTW)可以規(guī)整由于測點(diǎn)位置和監(jiān)測項(xiàng)目不同，各個(gè)監(jiān)測序列變化的不同步，從而增強(qiáng)模型提取測點(diǎn)相關(guān)性的能力。為此，本文在分析卷積長短時(shí)記憶網(wǎng)絡(luò)和動(dòng)態(tài)時(shí)間規(guī)整算法基本原理的基礎(chǔ)上，融合ConvLSTM模型和DTW算法的優(yōu)勢，構(gòu)建大壩安全監(jiān)測整體信息聯(lián)合監(jiān)控模型，以提高模型監(jiān)控大壩整體安全狀態(tài)的能力。

1 卷積長短時(shí)記憶網(wǎng)絡(luò)的建模原理

長短時(shí)記憶網(wǎng)絡(luò)是一種專門處理序列數(shù)據(jù)的深度神經(jīng)網(wǎng)絡(luò)，由循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network ,RNN)引入門控系統(tǒng)而來[10]。LSTM難以處理帶有很強(qiáng)局部相關(guān)性的空間數(shù)據(jù)，卷積層(Conv)與LSTM結(jié)合的卷積長短時(shí)記憶網(wǎng)絡(luò)(ConvLSTM)能夠更好地捕捉時(shí)空相關(guān)性[11]。網(wǎng)絡(luò)中卷積層提取每時(shí)刻輸入數(shù)據(jù)的局部關(guān)聯(lián)信息；LSTM提取時(shí)間維特征。ConvLSTM擴(kuò)展了LSTM，使其在輸入-狀態(tài)轉(zhuǎn)換和狀態(tài)-狀態(tài)轉(zhuǎn)換中都具有卷積結(jié)構(gòu)[11]，如圖1，ConvLSTM不僅有外循環(huán)，還有ConvLSTM“細(xì)胞”內(nèi)循環(huán)。

圖1 ConvLSTM的外循環(huán)

時(shí)序數(shù)據(jù)依時(shí)步流入相同的ConvLSTM“細(xì)胞”?！凹?xì)胞”前向計(jì)算流程如圖2所示。

圖2 ConvLSTM“細(xì)胞”結(jié)構(gòu)

(1) 上一時(shí)步的輸出信息h(t-1)和當(dāng)前時(shí)步的X(t)作為輸入數(shù)據(jù)進(jìn)入細(xì)胞。

(2) 輸入數(shù)據(jù)分別與4組不同的權(quán)值W(i)、U(i)、b(i)；W(f)、U(f)、b(f)；W(o)、U(o)、b(o)；W(C)、U(C)、b(C)進(jìn)行卷積運(yùn)算，再通過激活函數(shù)，得到輸入門i(t)、遺忘門f(t)、輸出門o(t)以及C′(t)，見公式(1)。sigmoid激活函數(shù)表達(dá)式見公式(2)，tanh激活函數(shù)表達(dá)式見公式(3)。

(3) 當(dāng)前時(shí)步的細(xì)胞狀態(tài)cell(t)是輸入門與C′(t)的Hadamard積、遺忘門與上一時(shí)步細(xì)胞狀態(tài)cell(t-1)的Hadamard積之和，見公式(4)。

(4) 輸出門與經(jīng)過tanh激活函數(shù)的cell(t)求Hadamard積，得到當(dāng)前時(shí)步的輸出信息h(t)，見公式(5)。

i(t)=σ[W(i)*h(t-1)+U(i)*X(t)+b(i)]

f(t)=σ[W(f)*h(t-1)+U(f)*X(t)+b(f)]

o(t)=σ[W(o)*h(t-1)+U(o)*X(t)+b(o)]

C′(t)=tanh[W(C)*h(t-1)+U(C)*X(t)+b(C)]

(1)

cell(t)=i(t)oC′(t)+f(t) ocell(t-1)

(4)

h(t)=o(t)o tanh[cell(t)]

(5)

公式(1)～(5)中：i(t)為t時(shí)刻的輸入門；f(t)為t時(shí)刻的遺忘門；o(t)為t時(shí)刻的輸出門；σ為sigmoid激活函數(shù)；tanh為雙曲正切激活函數(shù)；e為自然數(shù)；W(·)、U(·)為網(wǎng)絡(luò)連接權(quán)值；b(·)為偏置；*代表卷積操作；o代表求Hadamard積。圖2中σ表示sigmoid激活函數(shù)，值在(0，1)之間；tanh表示雙曲正切激活函數(shù)，值在(-1，1)之間。

2 結(jié)合DTW的卷積長短時(shí)記憶網(wǎng)絡(luò)改進(jìn)方法

卷積層只能提取模型輸入數(shù)據(jù)的局部相關(guān)性信息，導(dǎo)致ConvLSTM只能提取輸入模型測點(diǎn)中部分測點(diǎn)的相關(guān)性。為此，結(jié)合動(dòng)態(tài)時(shí)間規(guī)整算法(DTW)對ConvLSTM進(jìn)行改進(jìn)，建立結(jié)合動(dòng)態(tài)時(shí)間規(guī)整算法的卷積長短時(shí)記憶網(wǎng)絡(luò)(DTW-ConvLSTM)，使其獲取更為全面的測點(diǎn)相關(guān)性信息，用以提高模型的預(yù)測精度。

2.1 動(dòng)態(tài)時(shí)間規(guī)整算法

由于測點(diǎn)位置和監(jiān)測項(xiàng)目不同，各個(gè)監(jiān)測序列的變化并不同步。因此采用動(dòng)態(tài)時(shí)間規(guī)整算法(DynamicTimeWarping，DTW)度量監(jiān)測序列的相關(guān)程度更為可靠。

DTW是一種計(jì)算2條扭曲軌跡相似度的算法[12]。當(dāng)兩段時(shí)間序列具有相似的形狀而形狀變化在時(shí)間軸上不對齊時(shí)，DTW對序列在時(shí)間軸上進(jìn)行局部縮放，使得二者形態(tài)盡可能一致，從而得到最大相似度。

設(shè)兩段序列Q={q1，q2，…，qi,…，qu}、C={c1，c2，…，cj,…，cv}，Q的時(shí)間長度為u，C的時(shí)間長度為v，DTW計(jì)算二者相似度的過程為：

(1) 構(gòu)建u×v大小的矩陣P，P(i，j)=di,j是qi與cj的歐幾里得距離，見公式(6)；

(2) 搜尋P從起點(diǎn)P(1，1)到終點(diǎn)P(u，v)的所有路徑里距離最短的路徑W，最短距離即為Q、C的距離，值越小，Q、C相似度越高。

搜尋最短路徑時(shí)，至P(i，j)元素的路徑累積距離Di,j為di,j與前面元素累積距離的最小值之和，表示為：

Di,j=di,j+min[Di-1,j,Di,j-1,Di-1,j-1]

i=2,…,u;j=2,…,v

(7)

Di,j的初始條件為：

設(shè)W={w1，w2，…，wk,…，wK}，wk為P中元素的坐標(biāo)。W必須滿足以下條件：

(1) 邊界條件：w1=(1，1)，wK=(u，v)。

(2) 連續(xù)性：若wk-1=(a′，b′)，wk=(a，b)，則a-a′≤1，b-b′≤1。

(3) 單調(diào)性：若wk-1=(a′，b′)，wk=(a，b)，則a-a′≥0，b-b′≥0。

2.2 DTW融入ConvLSTM

圖3 DTW-ConvLSTM結(jié)構(gòu)

將m行n列的矩陣L輸入模型，則輸入網(wǎng)絡(luò)的維度轉(zhuǎn)換成[m，1，1，n]，該張量元素從左至右分別是時(shí)間維、通道維、高、寬；h(t-1)、X(t)分別是上一時(shí)步ConvLSTM“細(xì)胞”輸出和當(dāng)前時(shí)步輸入，維度不包含時(shí)間維，分別為[b，1，n]和[1，1，n]，b為隱藏層維數(shù)，數(shù)值取決于網(wǎng)絡(luò)設(shè)置。用DTW計(jì)算L中所有測點(diǎn)相關(guān)度，可得到n×n大小的相關(guān)度矩陣S。為使S參與網(wǎng)絡(luò)運(yùn)算，需將S、h(t-1)、X(t)在通道維拼接，這要求三者高、寬相同。如圖3，在拼接前添加兩層卷積層，輸入維度為[1，n，n]的S(沒有時(shí)間維)，輸出維度為[2，1，n]的S′。S′、h(t-1)、X(t)拼接得到維度為[b+3，1，n]的ConvLSTM“細(xì)胞”輸入數(shù)據(jù)。DTW融入ConvLSTM后，網(wǎng)絡(luò)后續(xù)運(yùn)算與ConvLSTM相同。

3 DTW-ConvLSTM聯(lián)合監(jiān)控模型

在置信區(qū)間法[13]的基礎(chǔ)上，采用DTW-ConvLSTM(結(jié)合動(dòng)態(tài)時(shí)間規(guī)整算法的卷積長短時(shí)記憶網(wǎng)絡(luò))預(yù)測值擬定監(jiān)控指標(biāo)，構(gòu)建DTW-ConvLSTM聯(lián)合監(jiān)控模型。由于DTW-ConvLSTM的預(yù)測功能，該模型可實(shí)現(xiàn)監(jiān)控指標(biāo)的預(yù)先擬定，并隨時(shí)間不斷更新，幫助及時(shí)預(yù)警。

DTW-ConvLSTM模型用多個(gè)監(jiān)測項(xiàng)目測點(diǎn)的前m天測值結(jié)合水位、氣溫、降雨量等環(huán)境量預(yù)測后續(xù)m天測值，可預(yù)先擬定后續(xù)m天的監(jiān)控指標(biāo)。多組測值構(gòu)成的矩陣L輸入模型，L包括m個(gè)時(shí)步n組測值，L為m行n列。模型輸出的數(shù)據(jù)結(jié)構(gòu)與L相同，為m行n列。

DTW-ConvLSTM模型搭建采用編碼-解碼的結(jié)構(gòu)形式，如圖4，編碼器將輸入數(shù)據(jù)編碼成狀態(tài)量，解碼器將狀態(tài)量翻譯成輸出量即預(yù)測值，二者分別完成信息提取和預(yù)測工作；ConvLSTM“細(xì)胞”是模型的核心，與編碼、解碼器分別形成回路。

圖4 編碼-解碼的網(wǎng)絡(luò)結(jié)構(gòu)

在歷史監(jiān)測資料中，當(dāng)DTW-ConvLSTM預(yù)測值與實(shí)測值的復(fù)相關(guān)系數(shù)R高于0.8時(shí)，可用該模型預(yù)先擬定監(jiān)測量的監(jiān)控指標(biāo)：

如果實(shí)測值落在監(jiān)控指標(biāo)內(nèi)，則認(rèn)為大壩運(yùn)行正常；如果實(shí)測值超出監(jiān)控指標(biāo)之外，并且有趨勢性變化，則認(rèn)為測值異常，應(yīng)加強(qiáng)監(jiān)測并分析成因。

4 實(shí)例分析

某壩為寬縫式混凝土重力壩，二級建筑物，壩長1 354m，壩頂高程138.80m(黃海高程)，最低基巖高程86.00m，最大壩高52.80m，保壩洪水位138.50m，正常蓄水位133.00m(與設(shè)計(jì)洪水位相同)，死水位121.50m。庫容為3.37億m3。目前在測觀測項(xiàng)目有：大壩變形、滲流、環(huán)境量、內(nèi)部監(jiān)測4個(gè)監(jiān)測項(xiàng)目。

圖5 28號壩段測點(diǎn)布置

考慮重力壩的工作特點(diǎn)，針對每個(gè)壩段建立多種監(jiān)測項(xiàng)目測點(diǎn)的聯(lián)合監(jiān)控模型。以28號壩段為例，圖5為測點(diǎn)布置圖，28號壩段共布置有6個(gè)監(jiān)測點(diǎn)，分別為壩基揚(yáng)壓力測點(diǎn)UP28_1、UP28_2、UP28_3、UP28_4，110.00m高程廊道水平位移測點(diǎn)EXL_28，和壩基廊道垂直位移測點(diǎn)JL_28；環(huán)境量考慮上游水位、氣溫和降雨量的影響。用上述包含變形和揚(yáng)壓力的6個(gè)測點(diǎn)和3個(gè)環(huán)境量測點(diǎn)的前6d測值建立DTW-ConvLSTM模型，并預(yù)測后續(xù)6d測值，將9組測值構(gòu)成的矩陣L輸入監(jiān)控模型進(jìn)行訓(xùn)練。L包括6個(gè)時(shí)步和9個(gè)測點(diǎn)的測值，則L為6行9列。針對大小為6×9的輸入、輸出數(shù)據(jù)搭建DTW-ConvLSTM聯(lián)合監(jiān)控模型，并與常規(guī)統(tǒng)計(jì)模型和LSTM模型的預(yù)測結(jié)果進(jìn)行比較。

4.1 聯(lián)合監(jiān)控模型所需數(shù)據(jù)集的構(gòu)建

以連續(xù)6 d測值預(yù)測后續(xù)6 d測值，訓(xùn)練集時(shí)段選擇2009年11月5日至2011年7月11日(測量頻率1次/天)，為了得到盡可能多的可用數(shù)據(jù)，每隔1 d取一組訓(xùn)練數(shù)據(jù)，共560組(6天/組)，每組訓(xùn)練數(shù)據(jù)與前一組訓(xùn)練數(shù)據(jù)在時(shí)間維上相差1 d，存在5 d重復(fù)值；測試集時(shí)段選擇2011年7月12日至2012年1月10日(測量頻率1次/天)，每隔6 d取一組測試數(shù)據(jù)，共31組(6天/組)，測試數(shù)據(jù)間沒有時(shí)間重疊。各測點(diǎn)監(jiān)測時(shí)間不同時(shí)，通過插值進(jìn)行規(guī)整。表1為某6 d模型輸入矩陣L。輸入模型前需將數(shù)據(jù)集按公式(10)分測點(diǎn)進(jìn)行Max-Min標(biāo)準(zhǔn)化，使數(shù)值全部落在[0，1]區(qū)間。

表1 6天模型輸入矩陣L

4.2 聯(lián)合監(jiān)控模型建立

4.2.1LSTM聯(lián)合監(jiān)控模型

采用Python軟件深度學(xué)習(xí)框架keras，針對6×9大小的矩陣L搭建LSTM聯(lián)合監(jiān)控模型，網(wǎng)絡(luò)優(yōu)化方法為Adam，損失函數(shù)采用均方誤差MSE，采用Dropout正則化方法，訓(xùn)練2000代；神經(jīng)網(wǎng)絡(luò)各層見表2。將28號壩段6個(gè)測點(diǎn)和3個(gè)環(huán)境量測點(diǎn)的監(jiān)測數(shù)據(jù)輸入LSTM模型。

表2 LSTM聯(lián)合監(jiān)控模型網(wǎng)絡(luò)結(jié)構(gòu)

4.2.2DTW-ConvLSTM聯(lián)合監(jiān)控模型

采用Python機(jī)器語言庫PyTorch針對6×9大小的矩陣L搭建DTW-ConvLSTM聯(lián)合監(jiān)控模型；網(wǎng)絡(luò)搭建方法見圖4，其中ConvLSTM“細(xì)胞”包含一層卷積，特征數(shù)為20(即存在20個(gè)卷積核)，卷積核大小為3×3，零填充方式為相同卷積[10]；解碼器卷積層的特征數(shù)為1，卷積核大小為1×1。網(wǎng)絡(luò)優(yōu)化方法為Adam，損失函數(shù)為均方誤差MSE，學(xué)習(xí)率為0.001，訓(xùn)練300代。2.2節(jié)中，隱藏層維數(shù)b的值取5；已經(jīng)說明矩陣L大小為6×9，故m=6，n=9。將28號壩段6個(gè)測點(diǎn)和3個(gè)環(huán)境量測點(diǎn)的監(jiān)測數(shù)據(jù)輸入搭建好的DTW-ConvLSTM模型。

4.3 統(tǒng)計(jì)模型建立

對28號壩段6個(gè)測點(diǎn)分別建立統(tǒng)計(jì)模型，建模時(shí)間為2009年11月5日至2011年7月11日(測量頻率1次/天)，與聯(lián)合監(jiān)控模型的訓(xùn)練集時(shí)間相同。對揚(yáng)壓力測點(diǎn)，考慮上下游水位、周期溫度、降雨量、時(shí)效影響因子，建模為公式(11)。對變形測點(diǎn)，考慮上游水位、周期溫度、時(shí)效影響因子，建模為公式(12)。

各測點(diǎn)的模型復(fù)相關(guān)系數(shù)和回歸系數(shù)見表3、4，表中的復(fù)相關(guān)系數(shù)R均大于0.8，各測點(diǎn)統(tǒng)計(jì)模型的擬合精度高。用得到的統(tǒng)計(jì)模型計(jì)算2011年7月12日至2012年1月10日(測量頻率1次/天)的預(yù)測值，預(yù)測時(shí)間段與聯(lián)合監(jiān)控模型預(yù)測集相同。

公式(11)中：H為揚(yáng)壓水頭的統(tǒng)計(jì)模型擬合值，m；Hh為上下游水位分量；HT為周期溫度分量；Hp為降雨量分量；Hθ為時(shí)效分量；Hui、Hdi為監(jiān)測日當(dāng)天、監(jiān)測日前1～4d、前5～10d、前11～20d、前21～30d的平均上游水位和平均下游水位(i =1～5)；Hu0i、Hd0i為計(jì)算時(shí)段第一天上述各時(shí)段對應(yīng)的上下游水位平均值(i =1～5)；a1i、a2i為水位因子回歸系數(shù)(i =1～5)；t0為計(jì)算時(shí)段第一天對應(yīng)的t，t0=1；t為計(jì)算時(shí)段各天對應(yīng)的t，為計(jì)算時(shí)段各天減去計(jì)算時(shí)段第一天所得分量；b1i、b2i為溫度因子回歸系數(shù)(i =1，2)；Pi為監(jiān)測日當(dāng)天降雨量、監(jiān)測日前1d降雨量、監(jiān)測日前2d降雨量、監(jiān)測日前3、4兩天降雨量均值、監(jiān)測日前5～15d降雨量均值、監(jiān)測日前16～30d的平均降雨量(i =1～6)；ci為降雨量因子回歸系數(shù)(i =1～6)；θ=t/100；θ0=t0/100=1/100；d1、d2為時(shí)效分量回歸系數(shù)。

表3 揚(yáng)壓力測點(diǎn)復(fù)相關(guān)系數(shù)和回歸系數(shù)

4.4 預(yù)測結(jié)果分析

3種模型的訓(xùn)練/擬合集、預(yù)測集完全一樣，訓(xùn)練/擬合集為2009年11月5日至2011年7月11日，預(yù)測集為2011年7月12日至2012年1月10日，測量頻率1次/天。以公式(13)的均方根誤差(RMSE)評價(jià)模型性能，分別計(jì)算28號壩段6個(gè)測點(diǎn)LSTM模型、DTW-ConvLSTM模型和統(tǒng)計(jì)模型各測點(diǎn)預(yù)測值的RMSE，DTW-ConvLSTM模型預(yù)測值的RMSE比統(tǒng)計(jì)模型下降的百分比評價(jià)，結(jié)果見表5。

表4 變形測點(diǎn)復(fù)相關(guān)系數(shù)和回歸系數(shù)

表5 模型預(yù)測性能量化評估結(jié)果

由表5可知：

(1) 28號壩段6個(gè)建模測點(diǎn)中，DTW-ConvLSTM模型預(yù)測值的RMSE在3種模型中最低，對揚(yáng)壓水頭測點(diǎn)，數(shù)值在4.44～5.20cm之間，對變形測點(diǎn)，數(shù)值分別為0.06和0.09mm；除UP28_2和JL_28的4個(gè)建模測點(diǎn)中，統(tǒng)計(jì)模型預(yù)測值的RMSE最高。

(2) 對全部6個(gè)建模測點(diǎn)，DTW-ConvLSTM預(yù)測值的RMSE比統(tǒng)計(jì)模型預(yù)測值下降的百分比在19.77%～82.17%之間，有5個(gè)測點(diǎn)超過40%。

計(jì)算3種模型預(yù)測值和實(shí)測值之間的復(fù)相關(guān)系數(shù)R，如表6所示。該表反映出DTW-ConvLSTM模型預(yù)測值的R均大于0.8，遠(yuǎn)高于LSTM和統(tǒng)計(jì)模型。

繪制28號壩段6個(gè)測點(diǎn)實(shí)測值和3種模型預(yù)測值的過程線見圖6。由圖可知DTW-ConvLSTM模型的預(yù)測過程線始終與實(shí)測過程線最為接近；DTW-ConvLSTM模型掌握測值變化趨勢的能力較強(qiáng)，在圖6(e)中實(shí)測過程線在2011年10月15日至26日出現(xiàn)波動(dòng)，DTW-ConvLSTM模型預(yù)測值出現(xiàn)了相同的波動(dòng)，LSTM和統(tǒng)計(jì)模型沒有預(yù)測到波動(dòng)現(xiàn)象，在圖6(f)中可明顯察覺到DTW-ConvLSTM模型適應(yīng)測值下降，LSTM和統(tǒng)計(jì)模型預(yù)測值沒有減小，這一區(qū)別由DTW和卷積層導(dǎo)致；另外，DTW-ConvLSTM模型對UP28_1、UP28_2、UP28_3、UP28_4測點(diǎn)的預(yù)測效果明顯好于統(tǒng)計(jì)模型。

綜上所述：

圖6 28號壩段預(yù)測值過程線

(1) 由于DTW算法和卷積層具有提取測點(diǎn)相關(guān)性信息的能力，且DTW算法對測點(diǎn)的相關(guān)性分析隨訓(xùn)練集每組數(shù)據(jù)進(jìn)入“ConvLSTM細(xì)胞”而實(shí)時(shí)更新，DTW-ConvLSTM模型適應(yīng)測值變化趨勢的能力強(qiáng)于LSTM模型和統(tǒng)計(jì)模型；

(2)DTW-ConvLSTM模型的預(yù)測精度高于統(tǒng)計(jì)模型的預(yù)測精度；

(3)DTW-ConvLSTM模型預(yù)測效果較好，具有實(shí)用性。

5 結(jié) 論

本文針對傳統(tǒng)大壩安全監(jiān)控模型僅能對相同監(jiān)測項(xiàng)目測點(diǎn)進(jìn)行單測點(diǎn)或多測點(diǎn)建模的不足，通過分析卷積神經(jīng)網(wǎng)絡(luò)(CNN)，長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)和動(dòng)態(tài)時(shí)間規(guī)整算法(DTW)的特點(diǎn)，提出了大壩安全監(jiān)測信息聯(lián)合建模方法，主要研究成果如下：

(1) 分析了傳統(tǒng)大壩安全監(jiān)控模型限于同項(xiàng)目建模的不足，闡述了長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)和卷積長短時(shí)記憶網(wǎng)絡(luò)(ConvLSTM)的建模原理，結(jié)合動(dòng)態(tài)時(shí)間規(guī)整算法(DTW)，提出了卷積長短時(shí)記憶網(wǎng)絡(luò)模型改進(jìn)方法。

(2) 采用編碼-解碼結(jié)構(gòu)形式，構(gòu)建了DTW-ConvLSTM多項(xiàng)目測點(diǎn)聯(lián)合監(jiān)控模型，給出了模型輸入和輸出數(shù)據(jù)結(jié)構(gòu)，編寫了DTW-ConvLSTM模型訓(xùn)練過程偽代碼，基于Python開發(fā)了相關(guān)程序。

(3) 實(shí)例分析表明，聯(lián)合監(jiān)控模型可以實(shí)現(xiàn)多監(jiān)測項(xiàng)目多測點(diǎn)的同時(shí)監(jiān)控。DTW-ConvLSTM模型適應(yīng)測值變化趨勢，精度明顯高于LSTM模型和常規(guī)統(tǒng)計(jì)模型。可為大壩安全監(jiān)控及預(yù)警的可靠性提供保障。