肖義龍林利森趙 鵬

（1.江西省水投華東設(shè)計有限公司，江西南昌 300029；2.江西省安瀾工程咨詢有限公司，江西南昌 330001；3.西安中糧工程研究設(shè)計院有限公司，陜西西安 710082）

基于高斯過程分類的堤基管涌發(fā)生可能性識別方法

肖義龍1林利森2趙 鵬3

（1.江西省水投華東設(shè)計有限公司，江西南昌 300029；2.江西省安瀾工程咨詢有限公司，江西南昌 330001；3.西安中糧工程研究設(shè)計院有限公司，陜西西安 710082）

管涌是導致堤基滲透變形破壞的主要原因之一，其影響因素眾多且各因素之間又存在高度的非線性關(guān)系。因此，本文提出了一種基于高斯分類模型的堤防管涌發(fā)生可能性識別的新方法。首先，通過數(shù)學實例對比展示該方法的優(yōu)越性，進而將該方法應用于工程實例中，結(jié)果表明該方法是可行的，且模型具有參數(shù)自適應確定、容易實現(xiàn)且識別精度高等優(yōu)點，對于迅速識別堤基管涌發(fā)生的可能性具有重要的實際應用價值。

高斯過程分類；堤防工程；管涌識別；機器學習

江西省境內(nèi)水系發(fā)達，河流眾多，其中贛江、撫河、信江、饒河和修河統(tǒng)稱“五河”。江西省計劃投資約135.3億元治理“五河”，其中堤線長度達到1848km，是江西省有史以來水利“打捆”最大的工程項目。截至2007年底，全省建成堤防4000余條，堤防總長9753km?？梢姷谭赖暮笃诠芾砗途S護工作任務重，能夠高效、準確地識別出危險堤段就顯得尤其重要。然而，導致堤段出現(xiàn)險情（堤防失穩(wěn)、坍塌、潰堤等）的主要原因就是堤基的滲透變形破壞，其中管涌［1］便是滲透變形的主要類型。因此，及時、準確判定和預報堤防工程管涌險情對于防汛搶險、保護人民生命財產(chǎn)安全具有重要的社會和經(jīng)濟效益。

近年來，國內(nèi)外學者針對管涌的判定和識別提出了不同的方法，如水頭分析法［2］、室內(nèi)模型試驗法［3］、管涌數(shù)值模擬法［4-5］等。以上傳統(tǒng)方法由于受到試驗條件、模擬條件假設(shè)等方面的限制，很難將多種影響因素綜合考慮。一些學者將人工智能方法如BP人工神經(jīng)網(wǎng)絡(luò)［6-7］、支持向量機［8］等應用于堤基的管涌可能性識別，較傳統(tǒng)方法有了一定的突破，但是鑒于這些方法本身還存在著一些不完善之處，如神經(jīng)網(wǎng)絡(luò)的過分依賴樣本質(zhì)量、拓撲結(jié)構(gòu)不穩(wěn)定等，支持向量機的核函數(shù)、損失函數(shù)等參數(shù)難以確定，為此，有必要探討一種新的管涌發(fā)生可能性識別方法。

高斯過程機器學習方法是近年來發(fā)展起來的一種新的人工智能方法，憑借嚴格的統(tǒng)計學習理論體系，在處理高度非線性、少樣本等復雜的問題中表現(xiàn)出顯著的優(yōu)勢［9-10］，現(xiàn)已成為國際人工智能研究領(lǐng)域的熱點。

因此，本文通過高斯過程機器學習方法中的二元分類模型構(gòu)建管涌內(nèi)部各因素之間的非線性映射關(guān)系，通過分類方法識別出管涌發(fā)生的可能性，為堤基管涌提前預判提供了一條解決途徑。

1 GPC模型的基本原理

高斯過程機器學習方法的理論基礎(chǔ)是高斯隨機過程與貝葉斯學習理論。高斯過程二元分類（Gaussian Process for Binary Classification，GPC）模型是高斯過程機器學習方法的一種應用，另外一種是高斯過程回歸模型［11］。

在GPC模型中，設(shè)一個隨機變量x相對應的輸出值為二元分類標簽y，y∈｛-1，1｝。GPC模型的目的就是通過學習一定數(shù)量的樣本構(gòu)建隨機變量與分類標簽之間的映射關(guān)系，隨后對測試隨機變量x*進行分類識別出對應的標簽y*。

對于確定的x，p（y|x）服從伯努利分布，y=1的概率為

其中，f（x）稱為潛在函數(shù)；Φ（·）稱為標準高斯分布的累計概率密度函數(shù)，一般取sigmoid函數(shù)

利用該函數(shù)的目的主要是將區(qū)間約束f（x）轉(zhuǎn)換為［0，1］區(qū)間的函數(shù)值，從而保證概率值落在［0，1］區(qū)間。

假設(shè)fi=f（xi），f=［f1…，fm］T，y=［y1…，ym］T，X=［x1…，xm］T。對于給定的潛在函數(shù)f，觀察值y是服從獨立的伯努利分布，其似然函數(shù)為

潛在函數(shù)f的先驗分布滿足

其中，K為m×m階協(xié)方差矩陣，Kij=k（xi，xj，θ）；K（ ）表示與θ有關(guān)的正定協(xié)方差函數(shù)；θ稱為超參數(shù)。

常用的協(xié)方差函數(shù)為

其中，θ=｛l，σf｝稱之為超參數(shù)，可由極大似然法自適應獲得［12］。

通過不斷獲得實測值后，依據(jù)貝葉斯理論，潛在函數(shù)f的后驗分布為

注意上式中潛在函數(shù)f的后驗分布并非滿足高斯分布。

與x*對應的潛在函數(shù)值f*的條件概率為

y*的預測概率為

當y*的預測概率值大于0.5時，y*=1，否則y*=-1。

但是，當式（6）、式（7）和式（8）均沒有解析解時，可采用Expectation Propagation法求得近似解［12］，則f的后驗分布的近似分布滿足

m和A對應近似解的均值和方差，潛在函數(shù)f后驗分布的近似高斯分布滿足

其中，μ=（μ1，…，μm），Σ=diag（）。

同樣，f*的后驗分布可假設(shè)滿足近似的高斯分布

其中的均值和方差為

其中，k*=［k（x1，x*），…，k（xm，x*）］T表示x*與學習樣本隨機變量X之間的先驗協(xié)方差矢量。

由非高斯分布轉(zhuǎn)換為近似高斯分布的逼近方法處理后，就可以獲得x*屬于第1類的預測概率解析解

當q＞0.5時，y*=1，否則y*=-1。

2 GPC的性能測試

為了更好地反映出GPC模型在處理少樣本、高度非線性等復雜問題上具有良好適應性，在此首先針對數(shù)學函數(shù)進行測試［12］：

首先學習樣本的隨機變量x1∈［0，7］、x2∈［0，6］在各自范圍內(nèi)等間距離散取14個數(shù)值，并兩兩組合成196個隨機變量X，然后對其函數(shù)值進行識別，如f（X）＞0，則對應取標簽1；否則取標簽-1。從而構(gòu)建GPC模型的196個學習樣本。初始超參數(shù)為（1，1），設(shè)置共軛梯度優(yōu)化算法最大迭代步數(shù)為200，計算所得的最優(yōu)超參數(shù)為：l=1.1742，σf= 204.7967。最后通過已經(jīng)建立的GPC模型對函數(shù)進行擬合，其效果見下圖（a）。

采用GPC擬合時，其擬合效果較支持向量機［13］有一定的提高，同時不存在參數(shù)選擇難等問題，其主要原因是模型對應的最優(yōu)超參數(shù)都是通過極大似然法自適應獲取的。因此，GPC模型對于這種高度非線性函數(shù)的分類邊界擬合精度較SVM有明顯提高，見下圖（b）。

模型的分類邊界擬合效果對比圖

3 工程實例研究

3.1 主要影響指標的確定

對于堤基管涌的發(fā)生機理國內(nèi)外學者研究眾多，其中大部分學者［1-5］認為影響顯著的因素包括壩高H、壩前水深Hp、下游邊坡坡比m、土的有效黏聚力c、有效內(nèi)摩擦角φ、飽和單位容重γ、滲透系數(shù)K、最大有效粒徑db、下游濾層傾角δ共9個。

3.2 GPC模型建立步驟

a.利用文獻［6，8］中提供的17組數(shù)據(jù)資料建立學習樣本（xi，yi）（i=1，2，…，9），其中輸入隨機變量xi代表影響管涌發(fā)生可能性的9個主要影響因素數(shù)值，輸出量yi將堤防管涌發(fā)生可能性λ識別分為管涌穩(wěn)定（輸出標簽為1）、管涌破壞（輸出標簽為-1）。

b.為了更好地消除因素之間的數(shù)量級差異，使GPC模型獲取更好的學習效果，有必要對學習樣本進行標準化處理：

c.由GPC模型對學習樣本進行學習，獲得適合學習樣本的最優(yōu)超參數(shù)l、σf。

d.利用訓練成功的GPC模型對測試隨機變量x*進行管涌發(fā)生的可能性識別類型y*。

3.3 識別效果分析

采用文獻［8］中表2的6個試驗數(shù)據(jù)作為測試樣本，見下表。

對學習樣本進行學習，超參數(shù)初始值假設(shè)為（1，1），以訓練樣本的極大似然為目標，采用共軛梯度優(yōu)化算法搜索最優(yōu)超參數(shù)。設(shè)置收斂標準為最大迭代步數(shù)為200。獲得最優(yōu)超參數(shù)值：l=3.8017，σf= 52.7776。

GPC分類模型的可能性識別結(jié)果見下表，從中可以看出，GPC模型對堤防管涌發(fā)生可能性識別準確，評估結(jié)果與實際結(jié)果非常吻合。因此，將GPC分類模型用于堤防管涌發(fā)生可能性識別是可行的，并且由于GPC模型相比SVM分類模型不受參數(shù)設(shè)置的限制，更有必要將該方法引入到堤基管涌可能性發(fā)生的識別中，使其盡早在實際工程應用中發(fā)揮應有的經(jīng)濟效益。

堤防管涌識別模型測試樣本表

4 結(jié) 語

a.傳統(tǒng)方法由于受現(xiàn)場條件和試驗假設(shè)的影響，難以較好地處理堤基管涌與9個主要影響因素之間的高維度非線性關(guān)系，而高斯過程機器學習方法憑借其嚴格的統(tǒng)計理論基礎(chǔ)實現(xiàn)了高精度地擬合這種非線性關(guān)系。實例分析表明，GPC分類模型是可行的，并且可以給出準確可靠的分類結(jié)果，實現(xiàn)了對管涌發(fā)生可能性作出提前識別。

b.GPC分類模型雖然可以較好地處理學習樣本少的分類問題，但是，要想獲得更好的識別精度，學習樣本的質(zhì)量是至關(guān)重要的。因此，在工程實際應用中，如何獲取高質(zhì)量的樣本來完善自身的學習樣本資料庫值得作進一步深入的研究。

c.高斯過程機器學習方法憑借其嚴格的統(tǒng)計理論基礎(chǔ)、超參數(shù)自適應獲取等優(yōu)點，現(xiàn)已成為人工智能方法領(lǐng)域的研究熱點。因此，在工程類型判別方面擁有廣泛的應用前景［14-15］。

［1］ 毛昶熙，等.堤防工程手冊［M］.北京：中國水利水電出版社，2009：35-40.

［2］ CHEN Yifeng，HU Ran，ZHOU Chuangbing，etal.A new parabolic variational inequality formulation of Signorini’s condition for nonsteady seepage problems with complex seepage control systems［J］. International Jounrnal for Numerical and Analttical Methods in Geomechanics，2011（35）：1034-1058.

［3］ 李廣信，周曉杰.堤基管涌發(fā)生發(fā)展過程的試驗模擬［J］.水利水電科技進展，2005，25（6）：21-24.

［4］ 周健，白彥峰，姚志雄.管涌型土濾層防治的細觀試驗研究［J］.水利學報，2010，41（4）：390-397.

［5］ 張剛.管涌現(xiàn)象細觀機理的模型試驗與顆粒流數(shù)值模擬研究［D］.同濟大學，2007：32-40.

［6］ 張我華，余功栓，蔡袁強.堤與壩管涌發(fā)生的機理及人工智能預測與評定［J］.浙江大學學報（工學版），2004，38（7）：902-908.

［7］ 趙正信，陳建生，陳亮.無黏性土管涌型土的BP神經(jīng)網(wǎng)絡(luò)判別法研究［J］.巖土工程學報，2008，30（4）：536-540.

［8］ 翟越，劉浪，于澍.堤防管涌發(fā)生可能性識別的網(wǎng)格搜索——支持向量機方法［J］.中南大學學報（自然科學版），2015，46（4）：1497-1503.

［9］ 張研，蘇國韶，燕柳斌.水庫水溫分布結(jié)構(gòu)識別的高斯過程機器學習方法［J］.水利水電科技進展，2009，29（2）：13-15，39.

［10］ 彭立峰，蘇國韶，王志成，等.基于高斯過程分類與蒙特卡洛模擬的巖土工程結(jié)構(gòu)可靠度分析方法［J］.科學技術(shù)與工程，2013，13（21）：6150-6156.

［11］ 林利森，肖義龍.基于高斯過程的混凝土強度預測［J］.江西水利科技，2014，40（3）：219-223.

［12］ KUSS M，RASMUSSEN C E.Assessing approximate inference for binary Gaussian process classification［J］.Journal of machine learning research，2005（6）：1679-1704.

［13］ Anirban Basudhar，Samy Missoum，Antonio Harrison Sanchez.Limit state function identification using Support Vector Machines for discontinuous responses and disjoint failure domains［J］.Probabilistic Engineering Mechanics，2008（23）：1-11.

［14］ 蘇國韶，陳光強，呂海波.高斯過程機器學習在膨脹土等級分類中的應用［J］.路基工程，2009，2（143）：1-2.

［15］ 張研，蘇國韶，燕柳斌.基于高斯過程機器學習的巖爆等級識別方法［J］.地下空間與工程學報，2011，7（2）：392-397.

Identification method of levee foundation piping possibility based on Gaussian process classification

XIAO Yilong1，LIN Lisen2，ZHAO Peng3
（1．Jiangxi Shuitou East China Design Co.，Ltd.，Nanchang 300029，China；2．Jiangxi Anlan Engineering Consulting Co.，Ltd.，Nanchang 330001，China；3．Xi′an Cofco Engineering Research and Design Institute Co.，Ltd.，Xi＇an 710082，China）

Piping is one of main causes of levee foundation seepage deformation and destruction.It is affected by many factors，and there is a highly nonlinear relationship among all factors.Therefore，a new method of recognizing levee piping possibility based on Gaussian disaggregated model is proposed.Firstly，the superiority of the method is displayed through math example contrast，thereby the method is applied in engineering example.The result shows that the method is feasible，the model has advantages of parameter adaptive determination，easy realization，high recognition precision，etc.It has important practical application value to quickly recognize the possibility of levee foundation piping.

Gaussian process classification；levee engineering；identification of piping；mechanical learning

TV871

B

1673-8241（2016）09-0055-04

10.16617／j.cnki.11-5543／TK.2016.09.013