廖紹歡　趙乃千　詹旭

摘要為了解四川德陽地下水位動態(tài)，進而分析地震前兆動態(tài)，本文設計了一個基于 BP 神經(jīng)網(wǎng)絡的地下水位預測系統(tǒng)。采用 SWY-Ⅱ數(shù)字式水位儀對德陽地下水位數(shù)據(jù)進行采集。根據(jù)采集的2015年水位數(shù)據(jù)，利用 BP 神經(jīng)網(wǎng)絡對地下水位變化進行預測，以一年的采集數(shù)據(jù)進行訓練和測試，采用3個輸入節(jié)點、1個輸出節(jié)點設計了 BP 神經(jīng)網(wǎng)絡結構。為了進一步驗證本預測系統(tǒng)，本文對2017年7月1 日—10月26日地下水位情況進行了預測。實驗表明：該方案能有效實現(xiàn)地下水位的預測，為地震前兆工作提供可靠數(shù)據(jù)。

關鍵詞單片機；BP 神經(jīng)網(wǎng)絡；預測

中圖分類號： P315.72+3文獻標識碼： A文章編號：2096-7780（2023）04-0165-06

doi：10.19987/j.dzkxjz.2022-118

Design of groundwater level prediction system based on BP neural network

Liao Shaohuan1），Zhao Naiqian1），Zhan Xu2）

1） Chengdu Earthquake Monitoring Center Station， Sichuan Earthquake Agency， Sichuan Chengdu 611730， China

2） School of Automation and Information Engineering， Sichuan University of Science & Engineering， Sichuan Zigong643000， China

AbstractIn order to understand the dynamic of groundwater level and master the earthquake precursor dynamic， we designed groundwater level prediction system based on BP neural network. According to the groundwater level ofDeyang，Sichuan Province，SWY-II digital water level meter is used to collect the groundwater level data of Deyang. Based on the collected water level data in 2015，the BP neural network is used to predict the change of groundwaterlevel，and the data collected for one year are trained and tested. The structure of BP neural network is designed with threeinput nodes and one output node. In order to further validate the proposal，the groundwater level from July 1 to October 26，2017 is predicted. The experimentshows that thescheme can predict groundwater level effectively and providereliable data for earthquake precursor work.

KeywordsMCU; BP neural network; predict

引言

地下水位的預測在實際生活中有著非常重要的作用，它能夠給地下水的保護和合理利用提供理論依據(jù)，能夠對地震等自然災害的預測提供幫助，它還可以提供有關工程建設的數(shù)據(jù)背景，為農(nóng)業(yè)項目和水利工程提供信息[1-2]。所以人們應該意識到地下水位的重要性，以及保護地下水位的必要性。汪成民[3]在中國地震地下水動態(tài)網(wǎng)的觀測中，提到地震整個發(fā)生過程是地應力積累和強化的過程，可借助地下水微動態(tài)進行觀測。近年來，許多學者利用地下水位變化進行了大量的研究。例如，Gogu 等[4]利用了一個地質地理信息系統(tǒng)數(shù)據(jù)庫，為地下水脆弱性分析提供依據(jù)，為比利時瓦隆地區(qū)設計了水文地質模型系統(tǒng)。Kushwaha 等[5]將地下水位分析應用于拉賈斯坦邦東北部半干旱區(qū)盆地北部，采用概念地下水模擬方法。Pandey 等[6]在尼泊爾加德滿都山谷開展了淺層和深層地下水含水層水文地質特征的空間變化分析研究。

近年來，隨著人工神經(jīng)網(wǎng)絡算法的崛起，逐漸引領著各行各業(yè)的發(fā)展。BP（ Back Propagation）算法是前饋神經(jīng)網(wǎng)絡中應用最廣泛的學習方法。神經(jīng)網(wǎng)絡的基本要素是處理要素和加權連接，不斷更新權重，對樣本數(shù)據(jù)（輸入樣本、期望輸出樣本）進行學習，即樣本進入到輸入層的各個神經(jīng)單元，通過隱含層、輸出層的計算后輸出預測值。讓預測值與期望值之間進行對比，當兩者產(chǎn)生的誤差不滿足精度要求時，那么輸出層反向傳播此誤差，進行權值、閾值的更新，直到兩者誤差逐漸減小，滿足精度。BP 神經(jīng)網(wǎng)絡搭建了一種非線性預測系統(tǒng)，而地下水位動態(tài)變化并沒有可依據(jù)的規(guī)律，采用 BP 神經(jīng)網(wǎng)絡進行地下水位預測符合當前地震前兆需求。許驥[7]利用遺傳算法優(yōu)化了 BP 神經(jīng)網(wǎng)絡的參數(shù)，設計了一種預測模型。喻黎明等[8]提出了一種極限學習機的神經(jīng)網(wǎng)絡模型，預測了地下水位埋深。Tran 等[9]使用神經(jīng)網(wǎng)絡來預測不同的地下水位變化。

本研究設計了一套基于 BP 神經(jīng)網(wǎng)絡的地下水位預測系統(tǒng)，用于觀測四川德陽天元地下水位情況，以獲取預測后期地下水位的變化。當水位變化與歷年變化差距很大時，引發(fā)報警，以便對水位變化差異大的部分和相應地震進行映震分析，進一步掌握地震前兆動態(tài)。

1 系統(tǒng)原理

本研究利用 SWY-Ⅱ數(shù)字式水位儀器對四川德陽天元地下水位數(shù)據(jù)進行采集。水位儀采用 Z80 CPU 作為主控制器，外圍電路由水位傳感器、AD 轉換模塊、避雷器件、顯示器等電路組成，具體系統(tǒng)框圖如圖1所示。

水位儀主板，在機箱里體現(xiàn)為2塊，朝后面板方向的電路板主要負責傳感器供電、A/D 轉換功能；靠前面板的電路板則負責數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)通訊、為網(wǎng)絡接口板提供秒鐘數(shù)據(jù)等功能。

水位儀工作流程如圖3所示。

通電后自啟動程序將完成以下任務：①負責將 Update 文件夾的*.exe 文件以及自定義動態(tài)庫文件*.dll拷貝到 EXE 文件夾內(nèi)，從而完成軟件更新過程。由此可見軟件更新時，只需要采用將要更新的軟件覆蓋的方式上傳到 Update 文件夾內(nèi)，然后通過遠程重啟儀器網(wǎng)絡接口即可。②引導其他程序的啟動， software.exe 最后一項工作就是啟動 EXE 文件夾里 main.exe 文件。software.exe 程序在完成上述兩項工作后，會自動退出。

通過上述電路獲取地下水位數(shù)據(jù)后，本文采用BP 神經(jīng)網(wǎng)絡對數(shù)據(jù)進行學習，進而實現(xiàn)地下水位預測。具體方案見圖4所示。

從圖4可以看出，基于 BP 神經(jīng)網(wǎng)絡的地下水位預測系統(tǒng)由2個部分組成，首先由SWY-Ⅱ數(shù)字式水位儀進行地下動態(tài)水位數(shù)據(jù)采集、存儲，再由 BP 神經(jīng)網(wǎng)絡對數(shù)據(jù)進行學習、預測，進而對差異大的部分進行分析、研究，獲取地震前兆動態(tài)。

2 基于 BP 神經(jīng)網(wǎng)絡的地下水位預測系統(tǒng)

2.1 地下水位數(shù)據(jù)采集

德陽市天元地震臺位于德陽市應急救援中心大院內(nèi)，地理位置（31.13°N，104.33°E），高程470 m。該臺總投資100萬元，于2014年11月10日建成運行，觀測用房40 m2，按8級抗震設防，觀測井井深300 m，井管結構全部采用無磁無縫不銹鋼管，取井下276—288 m 含水層為地震觀測用水，監(jiān)測儀器探頭均放置井管內(nèi)，最大程度減少周邊環(huán)境影響。臺站觀測井結構圖如圖5所示。

該地區(qū)地下水主要為賦存于第四系砂卵石中的孔隙潛水和賦存于古店主、七曲寺組粉砂巖中的孔隙裂隙水。臺站屬四川盆地北部亞熱帶季風氣候，氣候溫和，雨量充沛。年平均氣溫14—17℃ ， 年降雨量1000—1200 mm，降水多集中在夏秋季節(jié)。

2015—2017年臺站觀測環(huán)境無顯著變化，未發(fā)生觀測環(huán)境被破壞情況，無突出的干擾和顯著的環(huán)境干擾情況，適合進行地下水位觀測。由于2015年數(shù)據(jù)相對比較穩(wěn)定，更有利于進行 BP 神經(jīng)網(wǎng)絡的學習和測試，本文對2015年四川德陽天元地下水位數(shù)據(jù)進行了采集，共收集到365個水位樣本數(shù)據(jù)（圖6）。

從圖6a 可以看出，水位儀數(shù)值在6.80—7.61 m 之間，有部分數(shù)據(jù)出現(xiàn)了缺失，為了數(shù)據(jù)的完整性，本文采用線性插值法對數(shù)據(jù)進行修復。圖6b 為線性插值后的水位數(shù)據(jù)，可以看出，經(jīng)過線性插值可以有效修復地下水位的缺失數(shù)據(jù)。

2.2BP 神經(jīng)網(wǎng)絡預測系統(tǒng)

為了對采集的地下水位數(shù)據(jù)進行預測，實現(xiàn)對水位異動情況的及時了解，本文設計了基于 BP 神經(jīng)網(wǎng)絡系統(tǒng)地下水位數(shù)據(jù)預測模型。模型中隱含層有4個計算神經(jīng)網(wǎng)絡單元，網(wǎng)絡模型結構為3×4×1，最大迭代次數(shù)為1000，訓練學習效率為0.08，預測的目標函數(shù)誤差為1×10?5，激活函數(shù)采用tansig，具體 BP 神經(jīng)網(wǎng)絡模型見圖7。

以1—320天為訓練樣本，321—365天為測試樣本；以前3天為輸入數(shù)據(jù)，第4天為預測數(shù)據(jù)，進行了 BP 神經(jīng)網(wǎng)絡訓練。具體仿真結果如圖8所示。

從圖8a 可以看出，數(shù)據(jù)被插值修復后，能有效完成 BP 神經(jīng)網(wǎng)絡預測模型的訓練。本文提出的 BP 神經(jīng)網(wǎng)絡的預測誤差采用相對誤差進行分析，其公式為：

式中，Err 為相對誤差，ysim為預測值，ytest為測試樣本。從相對誤差公式可以看出，如果預測值與測試樣本的偏差很大，那么將出現(xiàn)很大的波動。將2015年11月16日—12月31日的地下水位數(shù)據(jù)作為測試樣本，共45個測試樣本，進行預測，BP 神經(jīng)網(wǎng)絡預測誤差曲線如圖8b 所示?？梢钥闯觯疚奶岢龅?BP 神經(jīng)網(wǎng)絡預測模型的預測誤差控制在2.5×10?3以內(nèi)，相對誤差不大，說明該方案能有效地對地下水位數(shù)據(jù)進行預測。如果突發(fā)異動情況，預測值與測量實時值將發(fā)生較大偏差，可以引起預警。

為了進一步驗證該系統(tǒng)，本文將上述搭建完的

BP 神經(jīng)網(wǎng)絡預測系統(tǒng)，對2017年7月1 日—10月26日進行了預測，預測結果如圖9所示。

從圖9a 可以看出，2017年7月中旬、8月上旬以及9月中下旬地球內(nèi)部活動比較頻繁，實際測量值與預測值發(fā)生了很大的差異，此時應該引起警覺。2017年7月下旬、8月下旬、10月上中旬無頻繁的地球內(nèi)部活動，實際測量值與預測值差異不大。表1列出了圖9a 中紅色圈出的該段時間內(nèi)發(fā)生的6次較大震級的地震基本參數(shù)?？梢钥闯觯l(fā)生地震時，預測值與實測值發(fā)生了很大差異，異常對應率非常高。青川 MS4.9地震之前，預測值與實測值發(fā)生了差異，視為地震前兆異常。青川 MS4.9地震之后，預測值與實測值仍存在較大差異，視為同震。第40個樣本附近（第220天左右），預測值與實測值有吻合，視為同震響應消失。同樣2017年8月九寨溝地震發(fā)生之前，預測值與實測值又發(fā)生了很大偏差，可視為地震前兆異常的表現(xiàn)，應引起警覺。九寨溝地震之后，在第60個樣本之前，預測值與實時值有吻合跡象，同震響應消失。在第60個樣本后，預測值與實測值又發(fā)生很大偏差，視為地震前兆異常表現(xiàn)。具體預測誤差值曲線如圖9b 所示。結合圖8和圖9可以看出，預測系統(tǒng)在沒有地球內(nèi)部頻繁活動時，預測值與實測值（期望值）誤差基本控制在2.5×10?3以內(nèi)，一旦有明顯的地球內(nèi)部活動，那么預測值與實測值（期望值）將超過2.5×10?3。根據(jù)上述分析可看出，該方案具有有效進行提前預警的功能，能為地震前兆工作提供可靠的參考。

3 結論

本文研究了 BP 神經(jīng)網(wǎng)絡預測模型，為了掌握四川德陽天元地下水位變化情況，設計了一個基于BP 神經(jīng)網(wǎng)絡的預測系統(tǒng)。采用 SWY-Ⅱ數(shù)字式水位儀進行地下水位數(shù)據(jù)觀測，采集了德陽天元地下水位2015年的數(shù)據(jù)作為研究對象，將前320天的數(shù)據(jù)為訓練樣本，后45天為測試樣本，預測誤差控制在合理的范圍。為了進一步驗證該預測系統(tǒng)，本文預測了2017年7月1 日—10月26日水位數(shù)據(jù)，實驗表明，地球活動較為頻繁時，預測數(shù)據(jù)與實測數(shù)據(jù)有很大偏差，可以將此作為預警，為地震前兆提供有效依據(jù)。

參考文獻

［1］郭浩然，李映，黃鶴程.抽水蓄能電站地下水位預測的優(yōu)化神經(jīng)網(wǎng)絡模型[J].水利信息化，2022（3）：40-45

GuoHR， LiY， HuangHC. Optimizedneuralnetworkmodelforgroundwaterlevelpredictioninpumped-storagepower stations[J]. Water Resources Informatization，2022（3）：40-45

［2］陳亮.地下水在工程地質勘察中的重要性分析[J].綠色環(huán)保建材，2021（5）：153-154

Cheng L. Study on the importance of groundwater in engineering geological investigation[J]. Green Building Materials，2021（5）：153-154

［3］汪成民.中國地震地下水動態(tài)網(wǎng)的科學創(chuàng)新與應用前景[J].地震學刊，1991，11（3）：4-8

WangCM. Scientificoriginalitiesandapplicationsofthegroundwaterobservationwell-networkforearthquakepredictionin China[J]. Journal of Seismology，1991，11（3）：4-8

［4］Gogu R， Carabin G，Hallet V， et al. GIS-based hydrogeological databases and groundwater modelling[J]. Hydrogeology Journal，2001，9（6）：555-569

［5］Kushwaha R K，Pandit M K，Goyal R. MODFLOW based groundwater resource evaluation and prediction in Mendha sub-basin，NE Rajasthan[J]. Journal of Geological Society of India，2009，74（4）：449-458

［6］Pandey V P，Shrestha S，Kazama F. Groundwater in the Kathmandu Valley：Development dynamics，consequences and prospects for sustainable management[J]. European Water，2012，37：3-14

［7］許驥.基于遺傳 BP 神經(jīng)網(wǎng)絡的地下水位預測模型[J].地下水，2015，37（3）：19-21

Xu J. Groundwater level prediction model based on genetic BP neural network[J]. Ground Water，2015，37（3）：19-21

［8］喻黎明，嚴為光，龔道枝，等.基于 ELM 模型的淺層地下水位埋深時空分布預測[J].農(nóng)業(yè)機械學報，2017，48（2）：215-223

Yu L M，Yan W G， Gong D Z， et al. Temporal and spatial distribution prediction of shallow groundwater level based on ELM model[J]. Transactions of the Chinese Society of Agricultural Machinery，2017，48（2）：215-223

［9］Tran V T，Le Van P，Huynh V H. Groundwater level prediction using Artificial Neural Networks：A case study in Tra Noc Industrial Zone，Can Tho city，Vietnam[J]. Journal of Water Resource and Protection，2018，10（9）：870-883