王穎慧 蘇懷智

摘 要：很多大壩失事前會出現(xiàn)壩體變形測值異常的情況，為了確保大壩安全運行，需要建立精確的模型來進行數(shù)據(jù)分析和變形預(yù)測。針對大壩安全監(jiān)測數(shù)據(jù)序列中出現(xiàn)小樣本、短序列和序列非線性的特點，將主成分分析法（PCA）引入支持向量機（SVM）來簡化因子關(guān)系，實現(xiàn)支持向量機模型輸入的優(yōu)化設(shè)計，同時應(yīng)用灰狼優(yōu)化算法（GWO）對支持向量機進行參數(shù)優(yōu)化，并結(jié)合支持向量機的非線性擬合能力，使模型更好地體現(xiàn)大壩的工作機制。以某混凝土連拱壩為例，分別建立統(tǒng)計模型、標(biāo)準(zhǔn)SVM模型、PCA-SVM模型以及PCA-GWO-SVM模型并對預(yù)測結(jié)果進行分析，對比驗證了PCA-GWO-SVM模型方法的可行性。

關(guān)鍵詞：大壩變形監(jiān)測;預(yù)測;支持向量機;主成分分析;灰狼優(yōu)化算法

中圖分類號：TV698.1+1 ? 文獻標(biāo)志碼：A

doi：10.3969/j.issn.1000-1379.2020.11.028

Abstract：It is very common for abnormal deformation measurements to occur before dam crash. Therefore， in order to ensure the safety operation of the dam， accurate models are needed for data analysis and dam deformation prediction. In this paper， a combination model combining principal component analysis （PCA） and grey wolf optimization （GWO） algorithm with support vector machine （SVM） was established for the characteristics of small samples， short sequences and sequence non-linearity in the dam monitoring data sequence. It used PCA extracted the main features of the factors to simplify the factor relationship and to optimize the input of SVM model. At the same time， GWO algorithm was used to optimize the penalty coefficient and kernel function parameters of SVM model. Combined with the nonlinear fitting ability of support vector machine， the model could better reflect the working mechanism of the dam. Taking a concrete multi-arch dam as an example， this paper established statistical model， standard SVM model， PCA-SVM model and PCA-GWO-SVM model respectively， and analyzed the prediction results to verify the feasibility of PCA-GWO-SVM model method.

Key words： dam deformation monitoring; prediction; support vector machines; principal component analysis; grey wolf optimization

由實測資料建立數(shù)學(xué)監(jiān)控模型是大壩安全監(jiān)控正分析的重要任務(wù)[1]，大壩安全監(jiān)測模型作為描述大壩變形與成因之間非線性映射關(guān)系的數(shù)學(xué)表達式，可用于評價和預(yù)測大壩服役期間結(jié)構(gòu)的時變狀態(tài)。多元回歸模型和時間序列模型常被用于大壩安全監(jiān)控中對大壩效應(yīng)量的描述和預(yù)測[2]。近年來，一些信號處理和人工智能方法被廣泛應(yīng)用于大壩安全預(yù)測建模領(lǐng)域，如神經(jīng)網(wǎng)絡(luò)[3]、小波網(wǎng)絡(luò)[4-5]、經(jīng)驗?zāi)B(tài)分解[6]、分形學(xué)[7]、支持向量機（SVM）[8]等，這些方法能較好地解決傳統(tǒng)方法難以解決的問題。其中支持向量機采用結(jié)構(gòu)風(fēng)險最小化原則，具有良好的泛化能力，可以避免過擬合現(xiàn)象，通過將需要求解的問題轉(zhuǎn)化為凸二次規(guī)劃問題，從而得到全局最優(yōu)解，并引入核函數(shù)，使數(shù)據(jù)從低維空間通過非線性映射到高維空間。支持向量機的這些特點使其在處理小樣本、非線性、高維數(shù)等問題方面具有較大的優(yōu)勢，但是在參數(shù)的選擇上，支持向量機有較大依賴性。傳統(tǒng)模型采用交叉驗證或網(wǎng)格搜索方法尋找最優(yōu)參數(shù)，運算量大、運算時間較長。因此，可以通過組合優(yōu)化方法來對支持向量機進行參數(shù)尋優(yōu)，如司春棣等[9]、姜諳男等[10]、SU Huaizhi等[11]分別采用遺傳算法、粒子群算法對其參數(shù)進行優(yōu)化，提高了預(yù)測精度，減少了迭代次數(shù)。此外，還可以對支持向量機輸入向量進行優(yōu)化，以提高建模效率。孫小冉等[12]采用粗集理論進行知識約簡，簡化映射關(guān)系，并引入屬性重要度對各影響因素進行重要性分析，構(gòu)建了優(yōu)化的支持向量機模型，彌補了處理大量數(shù)據(jù)時運算速度慢的缺陷。張豪等[13]采用經(jīng)驗?zāi)B(tài)分解算法分解大壩變形數(shù)據(jù)，分解后的各分量特征更為顯著，便于使用支持向量機構(gòu)建各分量預(yù)測模型。SU Huaizhi等[14]建立了大壩安全靜態(tài)監(jiān)測模型，提高了模型的適應(yīng)性，縮短了建模時間。

筆者采用支持向量機對大壩變形進行預(yù)測，借助主成分分析（PCA）法對大壩位移影響因子進行預(yù)處理，以減少影響因子之間的重疊信息，并將處理過的數(shù)據(jù)作為支持向量機的輸入向量，同時利用灰狼優(yōu)化算法（GWO）對支持向量機中的懲罰參數(shù)C和核函數(shù)參數(shù)σ進行尋優(yōu)，以提高模型的擬合能力，由此構(gòu)建PCA-GWO-SVM監(jiān)控模型，用于在小樣本、短序列等情況下，實現(xiàn)對大壩變形的監(jiān)控與預(yù)測。

1 基于主成分分析的灰狼優(yōu)化算法支持向量機

1.1 支持向量機

設(shè)置GWO算法參數(shù)，狼群數(shù)量取20，最大迭代次數(shù)取50，訓(xùn)練得到預(yù)報模型SVM的最佳參數(shù)值C=29.481 6、σ2=0.323 8。為評價PCA-GWO-SVM組合模型的性能，將其與多元回歸線性模型、SVM模型、PCA-SVM模型比較，采用復(fù)相關(guān)系數(shù)作為擬合精度評價指標(biāo)，結(jié)果見表2，可知組合模型擬合精度最高，復(fù)相關(guān)系數(shù)為0.996 0。90組數(shù)據(jù)擬合結(jié)果見圖2（為使擬合結(jié)果對比更加清晰，只進行了多元回歸模型與組合模型的對比），可以看出組合模型的擬合效果較好。

利用訓(xùn)練好的模型對2018年7月18日—9月19日的大壩位移數(shù)據(jù)進行預(yù)測，結(jié)果見表3、圖3（大壩位移以向下游為正，向上游為負(fù)）。

3 結(jié) 語

利用支持向量機處理小樣本、非線性數(shù)據(jù)的優(yōu)勢，采用主成分分析法對變量進行轉(zhuǎn)換，避免了變量間相關(guān)性的影響，提高了模型精度;引入灰狼優(yōu)化算法，利用其全局搜索能力強、算法調(diào)整的參數(shù)較少的優(yōu)點來對支持向量機的懲罰參數(shù)和核函數(shù)參數(shù)進行尋優(yōu)，避免了傳統(tǒng)方法在尋找參數(shù)時反復(fù)試算的過程，提高了模型的泛化能力;建立的支持向量機與主成分分析、灰狼優(yōu)化算法相結(jié)合的大壩變形監(jiān)控模型，在工程實例中的應(yīng)用表明，PCA-GWO-SVM模型與多元回歸模型、SVM模型、PCA-SVM模型相比，擬合和預(yù)測精度更高，其在大壩變形監(jiān)控及預(yù)測方面更具可行性，可作為大壩安全監(jiān)控分析的新方法。但該組合模型存在部分預(yù)測值不太穩(wěn)定的問題，可以使用其他算法或者對原始數(shù)據(jù)進行處理來減少異常值對預(yù)測結(jié)果的影響，以得到更好的預(yù)報模型。

參考文獻：

[1] 吳中如.水工建筑物安全監(jiān)控理論及其應(yīng)用[M].北京：高等教育出版社，2003：1-128.

[2] 顧沖時，吳中如.大壩與壩基安全監(jiān)控理論和方法及其應(yīng)用[M].南京：河海大學(xué)出版社，2006：1-127.

[3] 趙斌，吳中如，張愛玲.BP模型在大壩安全監(jiān)測預(yù)報中的應(yīng)用[J].大壩觀測與土工測試，1999（6）：1-4.

[4] 蘇懷智，溫志萍，吳中如，等.大壩安全性態(tài)的非線性組合監(jiān)控[J].水利學(xué)報，2005，36（2）：197-202.

[5] SU Huaizhi，WU Zhongru，WEN Zhiping. Identification Model for Dam Behavior Based on Wavelet Network[J]. Computer-Aided Civil and Infrastructure Engineering，2007，22（6）：438-448.

[6] 蔡小輝，張瀚，崔冬冬.EMD-GM（1，1）模型及在大壩變形預(yù)測中的應(yīng)用[J].人民長江，2011，42（10）：91-94，104.

[7] SU Huaizhi，HU Jiang，WU Zhongru. A Study of Safety Evaluation and Early-Warning Method for Dam Global Behavior[J]. Structural Health Monitoring，2012，11（3）：269-279.

[8] 蘇懷智，溫志萍，吳中如.基于SVM理論的大壩安全預(yù)警模型研究[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報，2009，17（1）：40-48.

[9] 司春棣，練繼建，鄭楊.土石壩滲流安全監(jiān)測的遺傳支持向量機方法[J].水利學(xué)報，2007，38（11）：1341-1346.

[10] 姜諳男，梁冰.基于PSO-SVM的大壩滲流監(jiān)測時間序列非線性預(yù)報模型[J].水利學(xué)報，2006，37（3）：331-335.

[11] SU Huaizhi，LI Xing，YANG Beibei，et al. Wavelet Support Vector Machine-Based Prediction Model of Dam Deformation[J]. Mechanical Systems and Signal Processing，2018，110：412-427.

[12] 孫小冉，蘇懷智，彭建和.RS-SVM模型在大壩安全監(jiān)控中的應(yīng)用[J].人民黃河，2016，38（7）：130-133.

[13] 張豪，許四法.基于經(jīng)驗?zāi)B(tài)分解和遺傳支持向量機的多尺度大壩變形預(yù)測[J].巖石力學(xué)與工程學(xué)報，2011，30（增刊2）：3681-3688.

[14] SU Huaizhi，CHEN Zhexin，WEN Zhiping. Performance Improvement Method of Support Vector Machine-Based Model Monitoring Dam Safety[J]. Structural Control and Health Monitoring，2016，23（2）：252-266.

[15] 呂開云，魯鐵定.利用PCA-SVM的大壩變形預(yù)測研究[J].測繪科學(xué)，2011，36（1）：73-74.

[16] 王泉，鄭東健，范振東，等.基于PCA-SVR模型的大壩裂縫早期預(yù)報研究[J].人民長江，2015，46（5）：35-38.

[17] MIRJALILI S，MIRJALILI S M，LEWIS A.Grey Wolf Optimization[J].Advances in Engineering Software，2014，69（7）： 46-61.

[18] 郭振洲，劉然，拱長青，等.基于灰狼算法的改進研究[J].計算機應(yīng)用研究，2017，34（12）：3603-3606，3610.

【責(zé)任編輯 張華興】