陳守開(kāi) 蔣海峰 史海波 張俊峰

摘要：針對(duì)堤壩滲壓值的動(dòng)態(tài)變化特征與靜態(tài)神經(jīng)網(wǎng)絡(luò)模型的不足，建立了基于時(shí)序數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(luò)模型（recurrent neural network，RNN）。該模型考慮水位、降雨與溫度在孔隙水壓力變化中的滯后作用并將其納入模型的訓(xùn)練過(guò)程，實(shí)現(xiàn)了滲壓值的動(dòng)態(tài)預(yù)測(cè)。以面板堆石壩滲流監(jiān)測(cè)數(shù)據(jù)為例進(jìn)行驗(yàn)證分析，通過(guò)灰色關(guān)聯(lián)法可確定影響滲壓值的主要因素，并進(jìn)行了RNN模型與遺傳算法優(yōu)化的支持向量機(jī)模型（GA-SVM）的對(duì)比分析。結(jié)果表明：兩種模型的預(yù)測(cè)精度均在允許范圍內(nèi)，表明滲壓值數(shù)據(jù)之間具備可預(yù)測(cè)性;RNN模型的平均相對(duì)誤差僅為11.343%，相比于GA-SVM模型，RNN模型預(yù)測(cè)精度更高，由此表明滲壓值的動(dòng)態(tài)變化特征對(duì)滲壓值預(yù)測(cè)影響較大，在建立預(yù)測(cè)模型時(shí)需協(xié)同考慮。

關(guān) 鍵 詞：

滲壓值; 動(dòng)態(tài)模型; 靜態(tài)模型; 動(dòng)態(tài)變化特征; RNN模型; GA-SVM模型

中圖法分類(lèi)號(hào)： TV91

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2021.05.027

1 研究背景

滲流分析一直是堤壩工程安全穩(wěn)定研究的重點(diǎn)，對(duì)于滲流滲漏引起的堤壩工程破壞失穩(wěn)現(xiàn)象，諸多學(xué)者對(duì)其成因開(kāi)展了針對(duì)性的研究[1-4]，目前已確定的影響因素主要有水位變化、降雨、溫度變化及歷時(shí)等[5-7]。實(shí)測(cè)滲壓計(jì)數(shù)據(jù)（滲壓值）的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)及相關(guān)改進(jìn)方式亦有相關(guān)的報(bào)道[8-11]。如繆長(zhǎng)健[8]等采用云模型改進(jìn)人工魚(yú)群算法用以優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，構(gòu)建CM-AFSA-BP預(yù)測(cè)模型并進(jìn)行了滲流壓力的預(yù)測(cè)。陳端[9]等采用廣義回歸神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)了堤壩壩基處的滲流情況。此外李鵬犇[10]、吳云星[11]等結(jié)合不同神經(jīng)網(wǎng)絡(luò)模型對(duì)堤壩滲流進(jìn)行了相應(yīng)的預(yù)測(cè)。以上模型在一定程度上增加了預(yù)測(cè)模型的多樣性，但前期數(shù)據(jù)均值并不能有效反映滲壓值的動(dòng)態(tài)變化特征[12]，且對(duì)于滲壓值而言，前期水位與降雨因素均可能對(duì)其產(chǎn)生滯后影響。因此建立考慮動(dòng)態(tài)變化特征的預(yù)測(cè)模型更貼合實(shí)際的工程情況。

為驗(yàn)證滲流過(guò)程中的動(dòng)態(tài)變化特征的重要程度，本文以面板堆石壩工程為實(shí)例，分別建立傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型（靜態(tài)模型）和動(dòng)態(tài)模型（循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）），以RNN模型和遺傳算法結(jié)合支持向量機(jī)（GA-SVM）（靜態(tài)模型的代表模型）為滲壓值預(yù)測(cè)模型，確定滲壓值變化的主要影響因素，將其作為動(dòng)、靜態(tài)模型的輸入?yún)?shù)并進(jìn)行預(yù)測(cè)。根據(jù)預(yù)測(cè)結(jié)果確定更符合滲流預(yù)測(cè)分析特性的預(yù)測(cè)模型，為實(shí)現(xiàn)滲壓值預(yù)測(cè)及工程安全評(píng)估提供參考。

2 滲壓值預(yù)測(cè)模型

2.1 RNN模型

RNN模型是一種具有記憶功能，且適合處理時(shí)間序列數(shù)據(jù)的深度學(xué)習(xí)模型[13-15]。該模型主要由輸入層、隱含層和輸出層3部分組成。每一層上均有若干個(gè)神經(jīng)元節(jié)點(diǎn)，其數(shù)據(jù)的輸入與輸出與一般的神經(jīng)網(wǎng)絡(luò)類(lèi)似，但其隱含層則與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)有所不同。該模型的隱含層結(jié)構(gòu)在普通多層神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，增加了各單元間的橫向聯(lián)系，即通過(guò)權(quán)重矩陣，可以將上一個(gè)時(shí)間序列的神經(jīng)單元的值傳遞至當(dāng)前的神經(jīng)單元。隱含層的輸入既包括了本時(shí)刻輸入層影響因素的輸入，也包含了上一時(shí)刻隱含層的輸出權(quán)重，因此RNN模型對(duì)于數(shù)據(jù)中隱藏的歷史信息可實(shí)現(xiàn)記憶功能，并在將其保留之后輸出至當(dāng)前神經(jīng)元以進(jìn)行數(shù)據(jù)的計(jì)算，并隨著數(shù)據(jù)的輸入而不斷更新。靜態(tài)模型是僅考慮模型輸入層與隱含層、隱含層與輸出層關(guān)系的一種模型，而動(dòng)態(tài)模型則是在靜態(tài)模型的基礎(chǔ)上，增加考慮隱含層節(jié)點(diǎn)之間關(guān)系的一種模型。此為動(dòng)態(tài)模型與靜態(tài)模型的核心區(qū)別，如圖1所示。

3.3 模型建立

確定影響滲壓值的主要因素分別為上游水位、下游水位、上下游水位差、前3 d降雨均值、溫度值及時(shí)效分量θ、ln1+θ。樣本數(shù)據(jù)共588組，時(shí)間周期為2009年1月至2016年11月，以2016年10月至11月的數(shù)據(jù)為驗(yàn)證數(shù)據(jù)，用來(lái)進(jìn)行滲壓值數(shù)據(jù)的預(yù)測(cè)與分析。為消除量綱影響，需進(jìn)行歸一化處理，將數(shù)據(jù)轉(zhuǎn)化為[0，1]，采用試湊法確定隱含層神經(jīng)元數(shù)目為11，神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為7-11-1，如圖5所示。

4 預(yù)測(cè)結(jié)果分析

選用MATLAB軟件來(lái)實(shí)現(xiàn)RNN模型與GA-SVM模型分析，并可得SVM模型最優(yōu)參數(shù)組合為C=4.5，g=0.01。滲壓計(jì)Pb3預(yù)測(cè)結(jié)果如表2所列。因篇幅限制，此處僅描述滲壓計(jì)Pb3預(yù)測(cè)結(jié)果，其余滲壓計(jì)預(yù)測(cè)結(jié)果見(jiàn)圖6及表3，4。

由表2可得，兩種模型均可實(shí)現(xiàn)滲壓值的預(yù)測(cè)，且

預(yù)測(cè)誤差值在允許范圍之內(nèi)。從預(yù)測(cè)結(jié)果來(lái)看，動(dòng)態(tài)模型的預(yù)測(cè)表現(xiàn)更佳，與GA-SVM相比，RNN模型決定系數(shù)R2值為0.88，R2值更大，精度更高;其平均相對(duì)誤差和平均絕對(duì)誤差分別11.343%和0.097 m，相比于GA-SVM的平均相對(duì)誤差和平均絕對(duì)誤差（15.486%和0.123 m），分別提高4.144 %、26.80%。分析原因認(rèn)為：由于動(dòng)態(tài)模型的特性，其隱含層節(jié)點(diǎn)之間相互連接，即在不同時(shí)刻的滲壓值之間仍保持著相互聯(lián)系的狀態(tài)，能夠?qū)?shù)據(jù)中隱藏的歷史信息進(jìn)行保存并實(shí)現(xiàn)有選擇性的輸出。當(dāng)輸出滲壓值時(shí)，當(dāng)天上游水位、降雨等因素會(huì)以上一時(shí)刻輸出層的狀態(tài)通過(guò)記憶單元影響本時(shí)刻滲壓值的輸出，且會(huì)再次通過(guò)記憶單元以本時(shí)刻輸出層狀態(tài)影響下一時(shí)刻滲壓值的輸出。如此循環(huán)實(shí)現(xiàn)，使得滲壓計(jì)數(shù)據(jù)預(yù)測(cè)精度得以大幅度提升。而在靜態(tài)模型中，隱含層節(jié)點(diǎn)之間互不關(guān)聯(lián)，模型只能對(duì)當(dāng)前時(shí)刻數(shù)據(jù)進(jìn)行學(xué)習(xí)并實(shí)現(xiàn)相應(yīng)的預(yù)測(cè)，隨著模型的迭代與訓(xùn)練，數(shù)據(jù)中的長(zhǎng)期歷史信息將會(huì)對(duì)預(yù)測(cè)結(jié)果的準(zhǔn)確性產(chǎn)生一定的干擾[28]。

5 結(jié) 論

（1） 通過(guò)分析滲壓值的影響因素，確定上游水位、下游水位、上下游水位差、前3 d降雨均值、溫度值θ、ln（1+θ）為主要因素，且上下游水位差、前3 d降雨均值及溫度值均存在滯后作用。

（2） 基于工程實(shí)例，以得到的主要因素為輸入層，分別建立了動(dòng)態(tài)模型和靜態(tài)模型并進(jìn)行滲壓值預(yù)測(cè)。結(jié)果顯示動(dòng)態(tài)模型的精度更高，決定系數(shù)R2值可達(dá)0.88，其平均相對(duì)、絕對(duì)誤差為11.343%、0.097 m，較靜態(tài)模型分別提高了4.144%、26.80%，說(shuō)明滲壓值的動(dòng)態(tài)變化特征較為重要，在建立預(yù)測(cè)模型時(shí)需協(xié)同考慮。

參考文獻(xiàn)：

[1] 陶叢叢，陳宏偉，孔松，等.基于原型監(jiān)測(cè)的黏土心墻堆石壩滲流分析[J].長(zhǎng)江科學(xué)院院報(bào)，2017，34（9）：70-73，78.

[2] 江強(qiáng)強(qiáng)，焦玉勇，宋亮，等.降雨和庫(kù)水位聯(lián)合作用下庫(kù)岸滑坡模型試驗(yàn)研究[J].巖土力學(xué)，2019，40（11）：4361-4370.

[3] ZHENG H X，BO H，TUOHUITI A，et al.Stability analysis of earth dam under unsaturated seepage[J].Advanced Materials Research，2008（29）：1129-1134.

[4] 王桂堯，付強(qiáng)，吳勝軍.降雨條件下路基邊坡滲流分析[J].中外公路，2010，30（5）：51-55.

[5] 張旭，譚卓英，周春梅.庫(kù)水位變化下滑坡滲流機(jī)制與穩(wěn)定性分析[J].巖石力學(xué)與工程學(xué)報(bào)，2016，35（4）：713-723.

[6] 顧沖時(shí)，胡靈芝，張乾飛.大壩滲流基流的分析模型研究[J].巖土力學(xué)，2005（7）：1033-1037.

[7] 許增光，柴軍瑞.考慮溫度影響的巖體裂隙網(wǎng)絡(luò)穩(wěn)定滲流場(chǎng)數(shù)值分析[J].西安石油大學(xué)學(xué)報(bào)（自然科學(xué)版），2007（2）：169-172，183.

[8] 繆長(zhǎng)健，施斌，鄭興，等.基于CM-AFSA-BP神經(jīng)網(wǎng)絡(luò)的土石壩滲流壓力預(yù)測(cè)[J].水電能源科學(xué)，2019，37（2）：82-85.

[9] 陳端，曹陽(yáng)，夏輝，等.GRNN神經(jīng)網(wǎng)絡(luò)在壩基滲流預(yù)測(cè)中的應(yīng)用[J].人民黃河，2012，34（10）：118-119，123.

[10] 李鵬犇，蘇亮淵，賈亞杰，等.基于多因素影響的BP-RBF神經(jīng)網(wǎng)絡(luò)滲流預(yù)測(cè)模型[J].人民黃河，2018，40（4）：132-135.

[11] 吳云星，周貴寶，谷艷昌，等.基于LMBP神經(jīng)網(wǎng)絡(luò)的土石壩滲流壓力預(yù)測(cè)[J].人民黃河，2017，39（8）：90-94，148.

[12] 龐瓊，王士軍，谷艷昌，等.基于滯后效應(yīng)函數(shù)的土石壩滲流水位模型應(yīng)用[J].水土保持學(xué)報(bào)，2016，30（2）：225-229.

[13] GOOD F I，BENGIO Y，COURVILLE A，et al.Deep learning[M].Cambridge：MIT Press，2016.

[14] 楊背背，殷坤龍，杜娟.基于時(shí)間序列與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的滑坡位移動(dòng)態(tài)預(yù)測(cè)模型[J].巖石力學(xué)與工程學(xué)報(bào)，2018，37（10）：2334-2343.

[15] 涂吉昌，陳超波，王景成，等.基于深度學(xué)習(xí)的水質(zhì)預(yù)測(cè)模型研究[J].自動(dòng)化與儀表，2019，34（6）：96-100.

[16] SEBALD D J，BUCKLEW J A.Support vector machine techniques for nonlinear equalization[J].IEEE Trans Signal Process，2000，48（11）：3217.

[17] 曲嘉銘，徐長(zhǎng)江，陳華，等.基于支持向量機(jī)回歸的區(qū)域洪水頻率分析[J].人民長(zhǎng)江，2018，49（16）：14-18，86.

[18] WAHBA G，LIN Y，ZHANG H.Margin-like quantities and generalized approximate cross validation for support vector machines[C]∥Proceedings of the 1999 IEEE Signal Processing Society Workshop on Neural for Signal Processing IX，New York，1999：12.

[19] 劉人杰，黃健，剪鑫磊，等.EEMD-GA-SVM模型在滑坡位移預(yù)測(cè)中的應(yīng)用[J].人民長(zhǎng)江，2019，50（11）：134-139.

[20] 鄧偉，鄺祝芳，余紹軍，等.基于遺傳算法的三峽-葛洲壩船閘閘室編排算法[J].人民長(zhǎng)江，2016，47（24）：55-59，67.

[21] 向杰，唐紅梅，陳鑫，等.庫(kù)水位升降過(guò)程中土質(zhì)岸坡地下水變化試驗(yàn)分析[J].重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，33（3）：79-85.

[22] 蔡婷婷，蘇懷智，顧沖時(shí)，等.綜合考慮滲流滯后效應(yīng)和庫(kù)水位變化速率影響的大壩滲流統(tǒng)計(jì)模型[J].水利水電技術(shù)，2013，44（10）：45-48，51.

[23] 郭海慶，鄭東健，吳中如.大壩滲流監(jiān)控的環(huán)境量滯后影響研究[J].大壩與安全，2002（3）：31-34.

[24] 胡江，鄭鵬翔.基于滯后效應(yīng)和防洪調(diào)度的大壩滲流預(yù)測(cè)模型研究[J].三峽大學(xué)學(xué)報(bào)（自然科學(xué)版），2008，30（6）：16-19，24.

[25] 虞鴻，包騰飛，薜凌峰.降雨滯后效應(yīng)的數(shù)值模擬[J].水力發(fā)電學(xué)報(bào)，2010，29（4）：200-206.

[26] 汪洋，殷坤龍，安關(guān)峰.滑坡敏感因子的灰色關(guān)聯(lián)分析[J].巖土力學(xué)，2004，25（1）：91-93.

[27] 王鵬.灰色關(guān)聯(lián)分析方法在貴州洪災(zāi)評(píng)價(jià)中的應(yīng)用研究[J].人民長(zhǎng)江，2018，49（增2）：24-26.

[28] CAO Y，YIN K，ALEXANDER D，et al.Using an extreme learning machine to predict the displacement of step-like landslides in relation to controlling factors[J].Landslides，2016（13）：725-736.

（編輯：鄭 毅）