鄭茂輝，劉少非，，柳婭楠，李浩楠

（1.同濟大學(xué) 上海防災(zāi)救災(zāi)研究所，上海 200092；2.同濟大學(xué)土木工程學(xué)院，上海 200092）

隨著城市地下管道設(shè)施規(guī)模的不斷擴大和服役年限的增長，管道老化和運行安全問題得到越來越多的研究和關(guān)注［1-2］。城市排水管道狀況評價是制定管網(wǎng)養(yǎng)護計劃和修復(fù)計劃的重要依據(jù)，也是城市安全監(jiān)管的重要內(nèi)容之一。

排水管道狀況包括結(jié)構(gòu)性狀況和功能性狀況兩方面，它們分別描述管道內(nèi)部結(jié)構(gòu)性缺陷類型、等級，以及管道過流受阻等水力狀況［3］。CCTV（closed circuit television，管道內(nèi)窺檢測）是目前國內(nèi)外排水管道檢測評估先進、有效的技術(shù)手段，其關(guān)鍵內(nèi)容就是對管道影像數(shù)據(jù)信息的判讀，包括確定內(nèi)部缺陷種類、位置表述、等級和狀況評估計算。由于CCTV檢測成本高昂，通常只是針對城市特定區(qū)域或運行年限較長的排水管道設(shè)施。而對于其他缺乏檢測資料的城市管道網(wǎng)絡(luò)，其健康狀況診斷和病害趨勢預(yù)判等則亟待更多深入的研究。近些年，國內(nèi)外學(xué)者采用隨機統(tǒng)計和機器學(xué)習(xí)方法研究建立了多種管道狀況模型，如多元回歸模型［4-6］、馬爾科夫鏈模型［7-9］、神經(jīng)網(wǎng)絡(luò)模型［10-12］，等等。鑒于管道老化因素眾多、過程復(fù)雜，數(shù)據(jù)驅(qū)動的神經(jīng)網(wǎng)絡(luò)模型無需深入理解老化機理，只要通過數(shù)據(jù)樣本監(jiān)督學(xué)習(xí)即可建立管道狀況同相關(guān)特征變量的關(guān)聯(lián)模式，無疑具有更好的適用性和應(yīng)用前景［10］。

極限學(xué)習(xí)機（extreme learning machine，ELM）是Huang等［13］基于廣義逆矩陣?yán)碚撎岢龅囊环N單隱含層前饋神經(jīng)網(wǎng)絡(luò)的監(jiān)督型學(xué)習(xí)算法。本文充分利用ELM計算速度快、泛化性能好的特點，將粒子群優(yōu)化（particle swarm optimization，PSO）［14］方法與其相結(jié)合，選擇最優(yōu)的網(wǎng)絡(luò)參數(shù)，建立一個適用于城市排水管道狀況評價的分類器模型，并以上海市洋山港保稅區(qū)排水管網(wǎng)為例進行實證研究，驗證模型方法的合理性。

1 方法

1.1 PSO-ELM算法

設(shè)n、L、m分別為輸入層、隱含層和輸出層的節(jié)點數(shù)。給定N組任意的樣本(xi，ti)∈Rn×Rm，ELM算法的輸出函數(shù)可以表示為

式中：g（x）為激勵函數(shù)；wi=［wi1wi2…win］T，表示隱含層第i個神經(jīng)元與輸入層的連接權(quán)值；βi=［βi1βi2…βim］T，表示隱含層第i個神經(jīng)元與輸出層的連接權(quán)值；bi是隱含層神經(jīng)元的閾值；wi·xj表示wi和xj的內(nèi)積。

假定訓(xùn)練樣本數(shù)量N與隱含層神經(jīng)元節(jié)點數(shù)L相等，則對于任意給定的βi和wi，ELM能零誤差逼近學(xué)習(xí)樣本［13］，即

將其以矩陣形式表達為

其中

對ELM的網(wǎng)絡(luò)訓(xùn)練等價于如下優(yōu)化問題：

當(dāng)g（x）無限可微時，隨機給定網(wǎng)絡(luò)參數(shù)wi和bi，ELM模型訓(xùn)練過程可看作求解線性系統(tǒng)Hβ=T關(guān)于的最小二乘解

式中：H+為隱含層輸出矩陣H的Moore-Penrose廣義逆。

ELM模型隨機生成輸入權(quán)值矩陣和隱含層神經(jīng)元的閾值，無需迭代調(diào)整就可以解析計算得出網(wǎng)絡(luò)輸出值。不過參數(shù)隨機產(chǎn)生使結(jié)果存在一定的隨機性［15］，容易產(chǎn)生較差的分類效果。本文結(jié)合PSO算法，優(yōu)化ELM網(wǎng)絡(luò)參數(shù)wi和bi，以改善ELM算法輸出權(quán)值βi不穩(wěn)定的缺點。

PSO算法是一種模擬鳥群覓食行為的群體智能優(yōu)化算法，其核心是粒子更新速度和位置，即

式中：pi表示粒子的個體最優(yōu)位置；gi表示搜索到的群體最優(yōu)位置；ωmax和ωmin分別為慣性權(quán)重的最大值和最小值；c1和c2均為學(xué)習(xí)因子，也稱為加速常數(shù)；r1和r2為［0，1］范圍內(nèi)的均勻隨機數(shù)；tmax和t分別為最大迭代次數(shù)和當(dāng)前的迭代次數(shù)。

將ELM輸入權(quán)值wi和隱含層神經(jīng)元偏置bi作為PSO算法的粒子，以極限學(xué)習(xí)機訓(xùn)練集的均方根誤差作為適應(yīng)度函數(shù)，計算每個粒子的適應(yīng)度值，通過比較不斷更新粒子的速度和位置，直至達到最小誤差或最大迭代次數(shù)，得到經(jīng)過PSO優(yōu)化的ELM網(wǎng)絡(luò)參數(shù)。

1.2 模型構(gòu)建與評價

影響排水管道結(jié)構(gòu)性狀況的因素較多。為了簡化網(wǎng)絡(luò)模型，根據(jù)文獻［6］，選取管材、管齡、管徑、埋深、管長、坡度和所在道路類型7項影響因素，作為管道結(jié)構(gòu)性狀況評價的輸入向量，以CCTV檢測結(jié)果中管道修復(fù)指數(shù)（RI）所對應(yīng)的結(jié)構(gòu)性狀況等級作為網(wǎng)絡(luò)輸出，利用PSO-ELM算法建立分類器，通過樣本數(shù)據(jù)訓(xùn)練學(xué)習(xí)確定影響因素與結(jié)構(gòu)性狀況之間的非線性關(guān)系。表1給出的管道修復(fù)指數(shù)及其對應(yīng)的結(jié)構(gòu)性狀況等級、修復(fù)建議［3］。其中，等級Ⅰ（RI≤1）表示基本完好，等級Ⅱ（1＜RI≤4）表示輕微破壞，等級Ⅲ（4＜RI≤ 7）表示中等破壞，等級Ⅳ（RI＞7）表示嚴(yán)重破壞。

根據(jù)上述輸入、輸出向量建立排水管道結(jié)構(gòu)性狀態(tài)評價的PSO-ELM網(wǎng)絡(luò)拓撲模型，并在Matlab R2016b軟件平臺中實現(xiàn)。模型仿真時將采用試驗方法設(shè)定不同的神經(jīng)元節(jié)點數(shù)L和激勵函數(shù)g（x），對標(biāo)準(zhǔn)ELM和PSO-ELM模型訓(xùn)練測試結(jié)果進行比較分析。

表1 管道修復(fù)指數(shù)與等級劃分Tab.1 Pipeline rehabilitation index(RI)

混淆矩陣分析方法是評價分類器性能好壞最直接有效的方法。假定nij表示被分類為j類的i類樣本數(shù)，則分類準(zhǔn)確率以正確分類的樣本數(shù)與總樣本數(shù)N的比值來表示

定義Ri是第i類樣本的查全率

定義G為樣本所有類別查全率的幾何平均值

指標(biāo)G適于評價不平衡數(shù)據(jù)集上分類器性能，其基本思想是使每一分類正確率盡可能大的同時，保持各類之間的平衡。

2 試驗研究

2.1 試驗數(shù)據(jù)

以上海市浦東新區(qū)洋山港保稅港區(qū)公共排水管道為例，采用標(biāo)準(zhǔn)ELM模型以及優(yōu)化后的PSOELM模型開展試驗研究，預(yù)測、判定排水管道結(jié)構(gòu)性狀況等級。

試驗區(qū)基礎(chǔ)數(shù)據(jù)包含兩部分：一是排水管道GIS（地理信息系統(tǒng)）數(shù)據(jù)，包含管材、管齡、管徑、埋深、管長、坡度和所在道路類型等模型輸入的特征數(shù)據(jù)；二是試驗區(qū)2018年10月份排水管道CCTV檢測數(shù)據(jù)，檢測管道里程20.3 km。基于管段唯一性標(biāo)識建立GIS數(shù)據(jù)和CCTV檢測數(shù)據(jù)對應(yīng)關(guān)系，提取有效樣本數(shù)據(jù)共559條，采用4折交叉驗證法將樣本集平均分為4份，每次驗證抽取1份作為測試集，余下3份作為訓(xùn)練集，重復(fù)進行4次，取4次測試驗證結(jié)果的平均值作為模型的誤差估計。另外，為避免各指標(biāo)量綱和數(shù)量級不同造成的不平衡性，采用最大最小法對原始數(shù)據(jù)進行了量綱一化處理，使得處理后的數(shù)據(jù)分布范圍在［0，1］，公式如下：

式中：x為實測值；xmin為樣本數(shù)據(jù)的最小值；xmax為樣本數(shù)據(jù)的最大值。

2.2 網(wǎng)絡(luò)參數(shù)優(yōu)化

利用標(biāo)準(zhǔn)ELM構(gòu)建管道狀態(tài)分類評價模型時，僅需要設(shè)定隱含層神經(jīng)元節(jié)點數(shù)L和激勵函數(shù)g（x）的構(gòu)造形式就可以求算輸出權(quán)值矩陣。實際工程應(yīng)用中隱含層神經(jīng)元節(jié)點數(shù)L一般遠小于樣本數(shù)N，L過小網(wǎng)絡(luò)預(yù)測誤差較大，L過大則會增加模型預(yù)測的時間、空間成本，容易出現(xiàn)過擬合現(xiàn)象。圖1給出sigmoid、sin和hardlim 3種常見激勵函數(shù)下隱含層神經(jīng)元節(jié)點數(shù)L對分類器能力的影響。其中，sigmoid函數(shù)和sin函數(shù)的分類器性能接近，L增至300時分類準(zhǔn)確率相對較高，約為60%。因此，對于未優(yōu)化的ELM管道狀況分類評價模型，激勵函數(shù)選擇整體性能較優(yōu)的sigmoid函數(shù)，隱含層神經(jīng)元節(jié)點數(shù)L設(shè)定為300。

圖1 3種激勵函數(shù)下隱含層節(jié)點數(shù)對ELM分類性能的影響Fig.1 Effect of number of hidden nodes on ELM performance in different activation functions

為方便比較，同樣選擇sigmoid激勵函數(shù)，對PSO-ELM分類器性能進行仿真分析。經(jīng)測試比較，設(shè)定PSO種群數(shù)m=40，c1=c2=1.5，ωmax=0.95，ωmin=0.4，tmax=200。如圖2所示，L=70時，PSOELM分類準(zhǔn)確率約為61%；L=130時，分類準(zhǔn)確率達到90%以上。可見，采用PSO優(yōu)化ELM的網(wǎng)絡(luò)參數(shù)，能夠以更少的隱含層神經(jīng)元節(jié)點獲得更高的分類準(zhǔn)確率。需要說明的是，在復(fù)雜性程度上PSOELM比標(biāo)準(zhǔn)ELM增加了網(wǎng)絡(luò)參數(shù)尋優(yōu)的步驟，但PSO算法可以較為快速地獲取到最優(yōu)參數(shù)，能夠有效避免ELM可能存在的結(jié)果不穩(wěn)健的缺點。

圖2 PSO-ELM隱含層節(jié)點數(shù)影響Fig.2 Effect of number of hidden nodes on PSO--ELM performance

2.3 分類結(jié)果分析

通過多次試驗后，確定PSO-ELM和ELM的隱含層神經(jīng)元節(jié)點數(shù)分別為130和300時分類效果最佳。如表2所示，經(jīng)PSO優(yōu)化ELM網(wǎng)絡(luò)參數(shù)后，不光分類準(zhǔn)確率P顯著提升，G數(shù)值也由58.36%增至91.0%。通常，城市排水管道的結(jié)構(gòu)性狀況是非均衡分布的，除了整體準(zhǔn)確率，不同分類準(zhǔn)確度、查全率及相互之間的平衡也是分類器的重要評價指標(biāo)。

表2 PSO-ELM和ELM模型分類性能比較Tab.2 Comparison of performance of PSO-ELM and ELM

表3以混淆矩陣形式給出PSO-ELM和ELM在測試集上的分類結(jié)果對比。其中，結(jié)構(gòu)性損壞比較嚴(yán)重的Ⅲ類管道樣本17條，PSO-ELM準(zhǔn)確預(yù)測15條，查全率88.2%；Ⅳ類管道樣本23條，準(zhǔn)確預(yù)測21條，查全率91.3%。ELM分類器的相應(yīng)查全率則分別為64.7%和43.5%。結(jié)果可見，相比較ELM，PSOELM對于非均衡數(shù)據(jù)集顯然具有更優(yōu)的分類預(yù)測能力。

表3 分類結(jié)果混淆矩陣Tab.3 Confusion matrix for PSO-ELM

圖3給出了測試集上逐個樣本的PSO-ELM分類結(jié)果與實測值的對照。結(jié)果也表明，PSO-ELM具備較高的分類精度和擬合能力，能夠較好滿足排水管道結(jié)構(gòu)性狀況評價的應(yīng)用要求。

圖3 PSO-ELM分類測試結(jié)果Fig.3 Predicted versus observed result for PSO-ELM

3 結(jié)論

（1）提出了PSO-ELM排水管道結(jié)構(gòu)性狀況評價模型，采用PSO算法優(yōu)化ELM輸入連接權(quán)值和隱含層偏置，避免參數(shù)隨機初始化造成的分類結(jié)果不穩(wěn)定、準(zhǔn)確率偏低的弊端。

（2）利用CCTV檢測樣本集對PSO-ELM、ELM進行仿真測試，試驗結(jié)果表明，PSO-ELM能夠以較少的隱含層神經(jīng)元節(jié)點達到更高的分類精度，提高了ELM模型的擬合能力。

（3）本文為城市排水管道結(jié)構(gòu)性狀況評價提供了一個新型的數(shù)據(jù)驅(qū)動的建模方法，具有較好的可行性和適用性。后續(xù)將利用更多的樣本數(shù)據(jù)訓(xùn)練優(yōu)化模型，進一步提高預(yù)測精度和泛化能力。