饒紹立，萬思源，周志維

（1.江西省樟樹市水利工程服務(wù)中心，江西樟樹，331200；2.江西省水利科學(xué)院，江西南昌，330029）

0 引言

每年進(jìn)入汛期，大壩安全是防汛最重要的工作，大壩運(yùn)行狀態(tài)是保障安全度汛的主要依據(jù)。隨著大壩風(fēng)險(xiǎn)概念的引入及信息化、智能化技術(shù)發(fā)展，人工智能、大數(shù)據(jù)分析技術(shù)迅速發(fā)展，數(shù)據(jù)海量化、多源化、集中化、融合化、智能化的發(fā)展趨勢(shì)不可逆轉(zhuǎn)。作為傳統(tǒng)的擋水建筑物，大壩多源化、智能化、自動(dòng)化監(jiān)測(cè)技術(shù)已成為當(dāng)前及未來提升水庫管理水平的主流。大壩在為當(dāng)?shù)厣鐣?huì)、經(jīng)濟(jì)的發(fā)展帶來了巨大貢獻(xiàn)的同時(shí)，工程自身也給下游安全帶來了一定風(fēng)險(xiǎn)。隨著人們對(duì)大壩安全管理的要求提高，大壩的風(fēng)險(xiǎn)必須控制在可接受范圍，在風(fēng)險(xiǎn)控制體系中，大壩自身存在的風(fēng)險(xiǎn)因素應(yīng)該重點(diǎn)關(guān)注，因此，必須快速識(shí)別大壩風(fēng)險(xiǎn)，強(qiáng)化大壩系統(tǒng)風(fēng)險(xiǎn)評(píng)價(jià)能力，尤其重點(diǎn)關(guān)注大壩自身存在的安全性及穩(wěn)定性[1]。

隨著大壩的監(jiān)測(cè)數(shù)據(jù)海量化、結(jié)構(gòu)復(fù)雜化，如傳統(tǒng)的滲流、變形數(shù)據(jù)、智能巡檢數(shù)據(jù)、視頻監(jiān)控、運(yùn)行管理等數(shù)據(jù)，包括線性、半線性及非線性數(shù)據(jù)，這些數(shù)據(jù)都能從單一側(cè)面單獨(dú)反映大壩的運(yùn)行狀況。大壩安全是系統(tǒng)風(fēng)險(xiǎn)，是多源信息融合后的表現(xiàn)，對(duì)單一要素進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)存在局限；同時(shí)，大壩的潰壩風(fēng)險(xiǎn)是一系列的鏈接反映，通過融合多源監(jiān)測(cè)信息，采用FMECA 法[1-3]，對(duì)不同的潰壩模式以及潰壩路徑逐一分析，是定量評(píng)價(jià)風(fēng)險(xiǎn)的主要方法之一，但這種方法存在相對(duì)局限性，表現(xiàn)為：每個(gè)事件的概率確定數(shù)值存在主觀性；潰壩路徑的確定存在主觀性，潰壩路徑是多種行為的組合，不同事件均有導(dǎo)致潰壩的風(fēng)險(xiǎn)。因此，如何系統(tǒng)有效的開展風(fēng)險(xiǎn)評(píng)價(jià)，是當(dāng)前的研究重點(diǎn)。

人工神經(jīng)網(wǎng)絡(luò)在多源非線性評(píng)估問題上具有明顯優(yōu)勢(shì)。利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)險(xiǎn)評(píng)估，可以解決非線性最值問題，減輕數(shù)據(jù)處理壓力。近年來很多學(xué)者對(duì)風(fēng)險(xiǎn)評(píng)估方法進(jìn)行了改進(jìn)，主要采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分析，Addo[3]基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型建立了金融風(fēng)險(xiǎn)預(yù)測(cè)模型；Ma[4]提出了結(jié)合MLIA 算法與線性回歸模型構(gòu)建出信用風(fēng)險(xiǎn)預(yù)測(cè)模型；Yu[5]提出了基于BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，建立了神經(jīng)網(wǎng)絡(luò)風(fēng)險(xiǎn)評(píng)估模型，并應(yīng)用于風(fēng)險(xiǎn)評(píng)估系統(tǒng)中。王煦瑩等[6]基于人工神經(jīng)網(wǎng)絡(luò)開展了金融信息系統(tǒng)風(fēng)險(xiǎn)評(píng)價(jià)，為大數(shù)據(jù)和人工神經(jīng)網(wǎng)絡(luò)在信息系統(tǒng)中風(fēng)險(xiǎn)評(píng)價(jià)提供有力實(shí)證；閔星[7]采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)無人機(jī)采集的影像數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)源識(shí)別。通過數(shù)據(jù)增強(qiáng)的方式制作多角度、多尺度的風(fēng)險(xiǎn)源數(shù)據(jù)集，利用神經(jīng)網(wǎng)絡(luò)能進(jìn)一步提升模型的識(shí)別準(zhǔn)確率，比傳統(tǒng)方法具有效率高、成本低等優(yōu)點(diǎn)；王麗蓉[8]構(gòu)建了CNN 監(jiān)測(cè)數(shù)據(jù)異常識(shí)別模型，定量展現(xiàn)了數(shù)據(jù)異常識(shí)別結(jié)果。本文利用人工神經(jīng)網(wǎng)絡(luò)，提出風(fēng)險(xiǎn)評(píng)價(jià)模型，開展大壩風(fēng)險(xiǎn)評(píng)價(jià)，實(shí)現(xiàn)大壩智能化、及時(shí)了解大壩安全狀況。

1 大壩風(fēng)險(xiǎn)基本理論

1.1 大壩破壞模式

大壩破壞模式及路徑分析是大壩風(fēng)險(xiǎn)分析的關(guān)鍵步驟。大壩破壞一般都是從某一初始條件開始的，經(jīng)過一系列事件，才導(dǎo)致最終的破壞，破壞過程是復(fù)雜的災(zāi)變體，是由大壩自身風(fēng)險(xiǎn)因素結(jié)合外部荷載共同作用造成的結(jié)果。由于影響因素存在較多不確定性，根據(jù)不同的劃分因素，確定的大壩破壞模式及潰壩路徑也是不同的，因此大壩存在多種不同組合下的潰決模式及路徑。根據(jù)現(xiàn)有研究，土石壩主要分為五大類潰壩模式，從主要因素來看，分為防洪能力、滲透穩(wěn)定、結(jié)構(gòu)穩(wěn)定、閘門運(yùn)行、管理設(shè)施等因素。

圖1 列出了常見的潰壩路徑。由圖可知，大壩的潰壩過程由許多事件構(gòu)成，但起始事件和結(jié)束事件相同，均為洪水、潰壩，期間發(fā)展路徑無固定順序，主要由上一事件的誘導(dǎo)產(chǎn)生，存在較多不確定性；同一事件下，下一步發(fā)展過程也可能不同。為分析潰壩風(fēng)險(xiǎn)，需要從潰壩路徑中尋找關(guān)鍵路徑及關(guān)鍵事件，定義節(jié)點(diǎn)事件較多或路線較短的路線作為關(guān)鍵路線，并將相關(guān)節(jié)點(diǎn)作為關(guān)鍵事件。根據(jù)疏理統(tǒng)計(jì)，主要關(guān)鍵事件是指大壩壩高不夠、漫頂、管涌、壩下涵管破壞、閘門不正常、下游壩體失穩(wěn)、上游壩坡失穩(wěn)等，其余事件可歸納為次要事件。

圖1 大壩潰壩路徑圖

1.2 風(fēng)險(xiǎn)分析思路

根據(jù)上述破壞模式分析可知，大壩的風(fēng)險(xiǎn)是多個(gè)路徑發(fā)展的一系列事件。為定量分析風(fēng)險(xiǎn)，現(xiàn)有文獻(xiàn)主要通過事件樹法進(jìn)行風(fēng)險(xiǎn)分析，通過概率事件，逐一對(duì)各個(gè)事件進(jìn)行概率定義，并將所有事件的概率相乘作為最終潰壩概率，并依據(jù)概率大小劃分風(fēng)險(xiǎn)等級(jí)。但實(shí)際上，許多大壩的出險(xiǎn)過程可能不完全按照上述路徑發(fā)展，有可能增加或減少路徑，從而導(dǎo)致對(duì)實(shí)際的風(fēng)險(xiǎn)評(píng)價(jià)產(chǎn)生偏差。采用傳統(tǒng)的線性方法難以全面有效的評(píng)價(jià)大壩風(fēng)險(xiǎn)。因此，需要將所有事件歸納為整體，并將風(fēng)險(xiǎn)分析理解為：關(guān)鍵事件出現(xiàn)越多的，風(fēng)險(xiǎn)越大，同理，次要事件越多，風(fēng)險(xiǎn)越大，反之亦然；關(guān)鍵路徑越接近，事件出現(xiàn)的順序越相似，則風(fēng)險(xiǎn)越大，反之亦然。如對(duì)于潰壩路徑：洪水→壩坡大面積散浸→浸潤(rùn)線升高→壩體失穩(wěn)→漫頂→干預(yù)無效→潰壩。若只出現(xiàn)洪水事件，但未出現(xiàn)其他事件，則風(fēng)險(xiǎn)較小，若增加了浸潤(rùn)線升高、壩體失穩(wěn)等事件時(shí)，則風(fēng)險(xiǎn)增加。

該風(fēng)險(xiǎn)分析思想既沿用傳統(tǒng)風(fēng)險(xiǎn)分析理論，又將整體與局部有機(jī)結(jié)合起來，為實(shí)現(xiàn)多源數(shù)據(jù)的融合提供了基礎(chǔ)，且能夠提前預(yù)判大壩風(fēng)險(xiǎn)狀態(tài)，而無需所有事件發(fā)生后才能進(jìn)行風(fēng)險(xiǎn)分析。

2 基于神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)評(píng)價(jià)模型

2.1 神經(jīng)網(wǎng)絡(luò)理念

人工神經(jīng)網(wǎng)絡(luò)是通過對(duì)人類大腦特征進(jìn)行模擬，通過適量的神經(jīng)單元及適當(dāng)?shù)幕ミB方式而構(gòu)建成非線性自適應(yīng)系統(tǒng)，具有很強(qiáng)的學(xué)習(xí)能力及魯棒性。根據(jù)輸入數(shù)據(jù)樣本，依照構(gòu)建的算法，不斷優(yōu)化神經(jīng)單元與反饋結(jié)果之間的連續(xù)強(qiáng)弱關(guān)系，并以連接權(quán)重的方式表征樣本數(shù)據(jù)的特征。BP 算法是一種應(yīng)用廣泛的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)算法，它通過輸出層的預(yù)測(cè)與實(shí)際輸出誤差來反向調(diào)整輸出層至中間誤差，以此類推，最終獲得輸入層預(yù)測(cè)。因此，一個(gè)神經(jīng)網(wǎng)絡(luò)在用來進(jìn)行分析評(píng)價(jià)之前，首先要對(duì)神經(jīng)系統(tǒng)進(jìn)行訓(xùn)練；而BP 神經(jīng)網(wǎng)絡(luò)是多層神經(jīng)網(wǎng)絡(luò)中最有效的學(xué)習(xí)方法，它得到了廣泛應(yīng)用（見圖2）。

圖2 神經(jīng)網(wǎng)絡(luò)拓樸圖

傳遞函數(shù)采用S 型，按式（1），將前一層作為輸入，得出的輸出結(jié)果作為下一層輸入，直至求得最終輸出結(jié)果。

其偏差期望為：

為使Ek隨著連接權(quán)值調(diào)整按梯度下降，按照誤差梯度下降原則，則有：

因此，隱含層至輸出層的連接權(quán)值V 調(diào)整值為：

同理，連接權(quán)值w 調(diào)整值為：

2.2 風(fēng)險(xiǎn)評(píng)價(jià)模型

風(fēng)險(xiǎn)評(píng)估數(shù)學(xué)模型見圖3。依據(jù)1.2 節(jié)介紹的風(fēng)險(xiǎn)分析思想，將大壩風(fēng)險(xiǎn)要素作為有機(jī)整體，并依據(jù)關(guān)鍵事件及關(guān)鍵路線進(jìn)行風(fēng)險(xiǎn)分析，其主要評(píng)價(jià)過程如下：

對(duì)不同色調(diào)和粒徑的磷灰石X射線粉晶分析結(jié)果見表3，P2O5含量見表4。從表4可以看出僅熒色調(diào)不同，但X射線粉晶分析及P2O5含量相近。

圖3 風(fēng)險(xiǎn)評(píng)估數(shù)學(xué)模型

（1）確定神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)激活函數(shù)采用S 函數(shù)，各節(jié)點(diǎn)輸出值在[0，1]區(qū)間。為統(tǒng)一數(shù)據(jù)標(biāo)準(zhǔn)，將每個(gè)事件的取得定為0 或1，0 代表該事件未發(fā)生，1 代表已發(fā)生。輸入數(shù)據(jù)數(shù)量為26 個(gè)數(shù)據(jù)，如圖1中26 個(gè)指標(biāo)。

（2）確定輸出結(jié)果數(shù)據(jù)。大壩風(fēng)險(xiǎn)輸出結(jié)果確定為確定為4 個(gè)等級(jí)，低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)、極高風(fēng)險(xiǎn)。根據(jù)均勻分布原則，將不同風(fēng)險(xiǎn)等級(jí)對(duì)應(yīng)的風(fēng)險(xiǎn)值范圍確定為（0，0.25］，（0.25，0.5］，（0.5，0.75］，（0.75，1］。

（3） 確定網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)。網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)是數(shù)學(xué)模型計(jì)算可靠的關(guān)鍵。在選取訓(xùn)練數(shù)據(jù)時(shí)，若僅選擇現(xiàn)有的潰壩路徑，則數(shù)據(jù)過少，訓(xùn)練得出的神經(jīng)網(wǎng)絡(luò)模型實(shí)用性不強(qiáng)，數(shù)據(jù)融合性不理想，網(wǎng)絡(luò)魯棒性差，數(shù)據(jù)模型達(dá)不到預(yù)期成果；為此，將不同數(shù)據(jù)進(jìn)行隨機(jī)組合，并依據(jù)有關(guān)成果定義風(fēng)險(xiǎn)等級(jí)，本文共選擇1 000組數(shù)據(jù)組合，訓(xùn)練數(shù)據(jù)形式如表1。

表1 輸入數(shù)據(jù)樣本集

通過0、1 特征值分布，則可以表征大壩潰壩特征。通過目前已有的潰壩路徑，確定相應(yīng)的風(fēng)險(xiǎn)值。在確定數(shù)據(jù)組合下的輸出結(jié)果時(shí)，依據(jù)以下原則：對(duì)于事件包含了關(guān)鍵事件，潰壩路徑與現(xiàn)有路徑相同時(shí)，則輸出結(jié)果為1，表征極高風(fēng)險(xiǎn)；對(duì)于事件包含了關(guān)鍵事件，有關(guān)潰壩路徑次要事件部分相同時(shí)，則輸出結(jié)果為0.75，表征高風(fēng)險(xiǎn)，具體標(biāo)準(zhǔn)如表2所示。

表2 輸出結(jié)果表征定義

（4）確定網(wǎng)絡(luò)拓樸結(jié)構(gòu)。網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的合理性直接影響到模型的可靠性，確定內(nèi)容包括輸入層節(jié)點(diǎn)數(shù)、隱含層數(shù)、隱含層節(jié)點(diǎn)數(shù)、輸出層節(jié)點(diǎn)數(shù)等幾個(gè)方面?，F(xiàn)主要需確定隱含層數(shù)及隱含層節(jié)點(diǎn)數(shù)。

隱含層數(shù)直接影響網(wǎng)絡(luò)性能優(yōu)劣。當(dāng)前，一般3 層網(wǎng)絡(luò)已完成任意n 維到m 維的映射[9-10]；而在確定隱含層節(jié)點(diǎn)數(shù)時(shí)，則根據(jù)經(jīng)驗(yàn)公式判斷，隱含層節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)精度不佳，隱含層節(jié)點(diǎn)數(shù)太多，訓(xùn)練時(shí)間過長(zhǎng)；本文采用經(jīng)驗(yàn)公式確定，經(jīng)驗(yàn)公式如下：

式中：m 代表隱含層節(jié)點(diǎn)數(shù)，n 代表輸入節(jié)點(diǎn)數(shù)。

2.3 網(wǎng)絡(luò)模型訓(xùn)練

圖4 訓(xùn)練誤差過程線圖

由圖4 可知，利用神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算時(shí)，誤差能夠較快收斂。當(dāng)?shù)螖?shù)120 次時(shí)，誤差已降到10%以內(nèi)；當(dāng)?shù)螖?shù)370 次時(shí)，誤差已降到1%以內(nèi)；當(dāng)?shù)螖?shù)650 次時(shí)，誤差在0.1%，預(yù)測(cè)模型效果較理想。

3 應(yīng)用實(shí)例

在江西省選擇2 座?。?）型水庫（水庫1 與水庫2）。該兩座水庫均為均質(zhì)土壩，并分別在2011年及2013年完成除險(xiǎn)加固。近10年以來，由于管護(hù)力量及條件不足，大壩運(yùn)行過程中出現(xiàn)不同問題，對(duì)這兩座水庫進(jìn)行風(fēng)險(xiǎn)調(diào)研，調(diào)研情況如下：

水庫1 現(xiàn)場(chǎng)檢查主要問題如下：大壩庫水位運(yùn)行較高，達(dá)到正常蓄水位；大壩壩頂高程超出校核洪水位2m 以內(nèi)；下游壩坡存在散浸現(xiàn)象（土體濕潤(rùn)、土質(zhì)松軟），面積在1m2以內(nèi)，非汛期散浸現(xiàn)象消失。溢洪道采用有閘控制，經(jīng)現(xiàn)場(chǎng)運(yùn)行，閘門開閉正常，但金屬銹蝕嚴(yán)重，運(yùn)行過程中有微量震動(dòng)。大壩表面存在少量裂縫，縫寬在2mm，裂長(zhǎng)3m。

水庫2 現(xiàn)場(chǎng)檢查主要問題如下：大壩庫水位低于正常蓄水位，但壩腳存在集中滲漏現(xiàn)象，滲水有土質(zhì)帶出；壩頂無明顯裂縫，壩坡存在隆起等現(xiàn)象。

依據(jù)上述問題，輸入節(jié)點(diǎn)逐一填寫風(fēng)險(xiǎn)調(diào)查表，如表3所示。

表3 水庫風(fēng)險(xiǎn)調(diào)查情況

將表3 的輸入數(shù)據(jù)代入模型中，利用matlab 編制的程序，經(jīng)計(jì)算，輸出結(jié)果分別為R1=0.43，R2=0.75，表明水庫1 的風(fēng)險(xiǎn)為中風(fēng)險(xiǎn)，水庫2 的風(fēng)險(xiǎn)為高風(fēng)險(xiǎn)。水庫2 的風(fēng)險(xiǎn)因子少于水庫1，但風(fēng)險(xiǎn)值卻更高，從潰壩路徑來看，水庫2 各事件形成的潰壩路徑與某一路徑相同，且包含了關(guān)鍵事件，而水庫1 各事件與路徑不同，因此，水庫2 的風(fēng)險(xiǎn)更高是科學(xué)合理的。

4 結(jié)論

（1）本文探討了大壩風(fēng)險(xiǎn)破壞模式，并結(jié)合破壞模式及潰壩路徑，提煉了大壩風(fēng)險(xiǎn)關(guān)鍵路徑及關(guān)鍵事件，創(chuàng)新提出了大壩風(fēng)險(xiǎn)評(píng)價(jià)新思路；

（2）提出了風(fēng)險(xiǎn)因素?cái)?shù)據(jù)的處理方法，將事件數(shù)據(jù)定義為1 或0，充分融合了多源信息，為開展風(fēng)險(xiǎn)評(píng)價(jià)提供數(shù)據(jù)基礎(chǔ)。

（3）構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的大壩風(fēng)險(xiǎn)評(píng)估模型，該模型收斂性好，精度高，滿足評(píng)價(jià)要求。通過案例分析，結(jié)論科學(xué)合理，表明該模型操作性較強(qiáng)，改善了傳統(tǒng)機(jī)理模型基本需要專家主觀評(píng)測(cè)的缺點(diǎn)，有較大推廣價(jià)值。