BP神經網絡在大壩變形預測分析中的應用

【摘要】首先介紹神經網絡基本概念，通過建立的改進的 BP 神經網絡模型，整體考慮影響大壩變形的影響因子，對大壩位移撓度預測系統的觀測數據進行分析，結果能夠實現對大壩變形預測數據的預報，顯示出較好的擬合和預報結果。

【關鍵詞】BP神經網絡；大壩變形監測；預測

1 引言

人類社會的進步和國民經濟的發展，加快了工程建設的進程，并且對現代工程建筑物的規模、造型、難度提出了更高的要求。與此同時，變形監測的意義更加重要。變形分析及變形趨勢預測問題，不僅在工程建設及保障人民生命財產安全方面具有重要意義，就單純從技術理論的角度而言，也是一個復雜的系統工程。隨著變形監測技術的更新及工程實際的需要，如何引用先進的數學理論和分析方法來深入地了解變形的非線性、復雜性，是目前變形監測分析研究的重點。

近年來，在變形觀測數據處理和分析方面，人工神經網絡的應用研究也逐步展開。在安全監測數據處理、信息分析、評價等方面，由于各種因素之間的非線性、復雜性和不確定性，數據處理有一定的困難，傳統數據處理方法存在許多弊端。人工神經網絡具有高速性、大規模并行處理的高效性、高度的容錯性和穩健性、高維的非線性動態特性，適用于復雜的非線性問題的研究。

2大壩變形監測的BP神經網絡模型

2.1 BP人工神經網絡原理

在多種多樣的前饋神經網絡結構中，誤差反向傳播（Error Back Propagation）神經網絡，簡稱BP神經網絡，是實現映射變換的前饋型網絡中最常使用的一類網絡，也是人們研究最多，認識最清楚的一類網絡。BP算法屬于占算法，是一種監督式的學習算法。其基本思想是通過調節網絡的權值和閾值使網絡輸出層的誤差平方和達到最小，也就是使輸出值盡可能的接近期望值。從結構上講，三層BP網絡是一個典型的前饋層次網絡，它被分為輸入層IL（Input Layer）、隱含層HL（Hiden Layer）和輸出層OL（Output Layer）。同層節點間無關聯，異層神經元前向連接，其中，IL層含r個節點，對應于BP網絡可感知的r個輸入；OL層含有n個節點，與BP網絡的n種輸出響應相對應；HL層節點數目m可根據需要設置。

2.1模型輸入節點的選取

基于人工神經網絡的大壩位移預測，就是應用大量的測量值作為輸入輸出樣本，對網絡進行訓練，通過調整權值，使系統輸出逼近實際輸出樣本，神經網絡達到模擬一個真實力學系統的程度。

大壩變形分析BP網絡模型的輸入輸出節點的選擇：

大壩在水壓、溫度等荷載作用下產生位移 。因此，按其成因，大壩位移可分為水壓分量 、溫度分量 以及由于混凝土的徐變和基巖流變引起的時效分量 。即：

（1）

（1） 水壓分量

水壓分量描述的是水壓荷載作用下效應量的彈性或可恢復變化部分。在線彈性范圍內，在水壓荷載作用下壩體任一點的位移由壩體本身位移、壩基位移和庫盤變形引起的位移等三部分組成。

根據工程力學的推導可知：重力壩水壓分量與水頭 、 、 呈比例關系；對拱壩，水壓分量與從 、 、 、 、 呈比例關系。因而，其表達式可寫為：

（2）

式中， 為系數， 為觀測日水深， 為初始日水深。

（2） 溫度分量

由于氣溫一般呈年周期變化，使得壩體上下游混凝土溫度的變化不一致。在夏季，壩下游混凝土由于太陽暴曬，其溫度高于氣溫，但在壩的上游面，大部分混凝土浸在水面之下，其溫度將低于氣溫，這樣就使得壩體向上傾斜，而在冬季，情況恰好相反。通常，如只有氣溫資料，大壩的溫度場取決于上下游面的水溫和氣溫變化，并與之呈線性關系，同時，應考慮到壩體溫度相對于水溫和氣溫的滯后性，可采用前期氣溫模擬壩體混凝體溫度對壩體位移的影響，即用氣溫觀測值作為因子，則溫度分量的一般表達式為：

（3）

式中： 為系數， 為觀測日前 天的平均氣溫或水溫，通常可以取觀測日當天、前5天、前15天、前30天、前60天、前90天、前120天的平均氣溫或水溫。

（3） 時效分量

時效分量描述的是水位、溫度荷載以外的諸因素所引起的因變量隨時間演進的變化部分。其影響因素在三個分量中是最為復雜的，它綜合反映了壩體混凝土和基巖的徐變、塑性變形以及基巖地質構造的壓縮變形，同時還包括壩體裂縫引起的不可逆變形以及自身體積變形。

一般正常運行的大壩，時效位移的變化規律為初期變化急劇，后期漸趨穩定。傳統時效分量的因子都可歸結為單個自變量（時間）的函數。其時效位移的數學模式為：

（4）

式中： 、 為系數， 為觀測日至始觀測日的累計天數除以100。

根據以上分析，若示大壩為一個輸入輸出系統，則在一定條件下存在下述關系： （5）

而大壩變形的BP網絡模型的輸出節點就是大壩的變形量。

3 大壩變形監測實例分析

以某大壩壩段1996 年和1997 年的撓度觀測資料作為分析對象，輸入向量由大壩上下游水位差因子 ， 時效因子 （ 為觀測日至基準日的累計天數除以100） ，溫度因子 、 、 、 、 （分別為當天、前5 天、前10 天、前30 天、前60 天當地平均氣溫） 共7 個因子組成。

該網絡模型的輸入層節點共有7 個. 的數據分成2部分，以 1997 年6 月11 日至12 月10 日的數據作為檢驗樣本，其余作為擬合樣本。

4 結論

利用BP網絡模型方法可以對多個變量的系統進行有效的分析，它不需要建立確定的數學模型，而是通過學習訓練將函數關系隱藏在網絡結構中，以形成函數映射結構。

用BP網絡對諸如大壩變形監測數據進行分析，其擬合精度與預報精度都滿足實際應用的要求。在替代傳統的數據處理方法建立起的變形模型領域，BP 神經網絡還是有比較重要的意義的。

對BP網絡的輸入因子，本文僅簡單的從水位、溫度和時效三個方面考慮，對大壩形變的物理因素并未考慮.在實際應用中，還有其它方面資料，例如壩體、壩基的材料特性參數等，因此可以將這些參數也做為輸入因子。綜合考慮各種主要形變因子建立的BP網絡模型將具有更好的擬合和預報精度。

參考文獻

[1] 胡伍生.神經網絡理論及其工程應用[M]，北京：測繪出版社，2005

[2] 岳建平，田林亞. 變形監測技術與應用[M].北京：國防工業出版社，2007

[3] 高瑋，鄭穎人. 巖土工程位移預測神經網絡建模的幾個問題[J].. 地下空間，2001 ，21 （5） ：30-31.

作者簡介：孔巖（1977，08），男，學士，工程師，研究方向：精密工程測量；蘇州市城市建筑設計院有限責任公司。