基于GA-BP神經網絡模型的大壩裂縫預測

舒心 盧敏

摘 要：常規的BP神經網絡由于初始權值和閾值問題，在對大壩裂縫開度進行預測時精度普遍不高。為此，本文首先引入遺傳算法（GA）對BP神經網絡進行優化，構建了GA-BP神經網絡預測模型，然后分析實測資料，發現庫水位、溫度顯著影響裂縫開度，最后將這兩個因素作為網絡的輸入變量，利用預測模型對某重力拱壩X15段裂縫開度進行短期預測。比對兩種方法的預測結果可得，通過遺傳算法優化BP神經網絡的預測精度明顯高于傳統BP神經網絡，本研究可為大壩的安全運行管理提供一種技術方法。

關鍵詞：大壩;裂縫開度預測;BP神經網絡;遺傳算法

中圖分類號：TV698.1;TP183 文獻標識碼：A 文章編號：1003-5168（2019）22-0079-03

Dam Crack Prediction Based on GA-BP Neural Network Model

SHU Xin LU Min

Abstract： Conventional BP neural networks are generally not accurate in predicting dam crack opening due to initial weight and threshold problems. To this end， this paper first introduced the genetic algorithm （GA） to optimize the BP neural network， constructed the GA-BP neural network prediction model， and then analyzed the measured data， and found that the reservoir water level and temperature significantly affected the crack opening， finally， took these two factors as the input variables of the network， and used the prediction model to predict the crack opening of the X15 section of a gravity arch dam. Compared with the prediction results of the two methods， the prediction accuracy of BP neural network optimized by genetic algorithm is significantly higher than that of traditional BP neural network. This study provides a technical approach to the safe operation of dams.

Keywords： dam;crack opening prediction;BP neural network;genetic algorithm

受工程因素和地質因素等綜合影響，大壩普遍存在裂縫問題，一旦大壩出現裂縫問題，有些裂縫會隨著時間推移而不斷擴展。這種危害性裂縫會對大壩的整體安全產生嚴重危害，如果不采取相關措施加以控制，則有可能引發潰壩等嚴重災害。本文以某重力拱壩X15裂縫為研究對象，引入遺傳算法[1，2]（GA）對BP神經網絡的參數進行優化，結合重力拱壩X15段裂縫監測數據，用GA-BP神經網絡對X15段裂縫開度進行短期預測，并與傳統BP神經網絡預測結果進行比較分析。

1 研究方法

1.1 遺傳算法

遺傳算法是模擬生物界優勝劣汰的一種進化算法，最初由美國Michigan大學的Holland教授于1967年提出。遺傳算法主要有三個基本操作，分別是選擇、交叉和變異。該算法先構建一個初始種群，建立完成的初始種群中潛藏著需要解決問題的解集。種群需要由一定數目的基因編碼構成。根據達爾文提出的進化論原理，最初種群經過演化后，個體差的被淘汰，好的留下，其所得到的解集會越來越好。然后通過問題域中個體的適應度來選擇合適的個體，并進行交叉、變異操作，就會得到具有代表性的新種群[3，4]。最優個體就是在全過程不斷進化中得到的。

1.2 BP神經網絡

BP人工神經網絡[5，6]（Back Propagation Neutral Network）是一種多層前饋神經網絡，又稱誤差反向傳播神經網絡，于1986年由Rumelhart等人提出，具體是指一種基于并行分布處理的能滿足給定輸入輸出關系方向進行自組織的神經網絡，BP神經網絡結構主要由3部分組成，即輸入層、隱含層和輸出層。

1.3 裂縫開度主要因素

1.3.1 溫度的影響。實測資料顯示，裂縫的各測點測值總體上呈年周期變化。裂縫開度主要受溫度變化的影響，溫度較低時開度較大，溫度較高時開度較小。每年的裂縫開度最大值一般出現在溫度較低的1月或12月，最小值一般出現在溫度較高的6—8月。

1.3.2 庫水位的影響。庫水位變化對裂縫開度也有一定影響。由于壩體在105m高程以下有1.0∶0.1的倒懸，因而當庫水位較低時，特別是接近死水位101.0m或者更低時，壩體特別是壩頂及接近壩頂的部位向上游傾斜，產生向上游的位移，導致裂縫開度增大，因此低水位是裂縫變形的不利工況。

1.4 基于遺傳算法的BP神經網絡模型構建

在很多問題上，BP神經網絡都取得了不錯的預測效果，但是由于其初始權值和閾值是隨機產生的，這樣的BP神經網絡在預測過程中很容易陷入最優化問題。為了解決其初始權值和閾值問題，本文引入遺傳算法對BP神經網絡初始權值和閾值進行優化。引入遺傳算法，將極大地提升BP神經網絡預測精度，降低網絡陷入最優化問題的概率。

GA-BP神經網絡模型預測大壩裂縫開度的主要步驟為：首先采用遺傳算法對BP神經網絡的初始權值和閾值進行優化，用裂縫開度數據對BP神經網絡進行訓練，再用訓練好的網絡模型對混凝土壩裂縫進行預測。圖1為大壩裂縫預測建模過程。

2 案例分析

某重力拱壩分三期施工完成，1959年3月至1962年12月完成Ⅰ期混凝土澆筑，后停建;1969年復工續建，1972年，澆筑至原設計壩頂高程125.0m，完成第Ⅱ期混凝土澆筑;1978年又加高壩頂1.3m，至現在的高程126.3m。

由于在澆筑Ⅱ期混凝土時，層面上升速度較快，澆筑層間歇時間短，Ⅱ期混凝土收縮變形受到Ⅰ期混凝土的強烈約束，導致Ⅰ期混凝土頂部（105m高程附近）產生裂縫，自5#壩塊一直延伸至28#壩塊，長達300m。經探測，裂縫深達5m，105裂縫削弱了壩體剛度，對壩體整體性產生了影響。105裂縫上設有16支測縫計，以便及時觀測裂縫開度變化情況，其分布在8#～26#壩塊。

2.1 樣本的選擇

大壩實測資料顯示，裂縫成因主要包括庫水位、溫度。因此，選擇庫水位、溫度2個指標作為神經網絡的輸入變量（即裂縫開度影響因子），以裂縫開度作為輸出變量。本文以105裂縫中X15段為研究對象，裂縫擴張為正，壓縮為負。用收集的2011年7月25日至2013年7月15日裂縫數據作為訓練數據，用2013年7月16日至2013年7月25日數據作為檢驗樣本。

2.2 模型的求解

按照樣本數目規模，初始化種群數目選擇50，迭代次數為20，交叉概率為0.3，變異概率為0.1，根據Kolmogrov定理，BP神經網絡隱含層數目為2[N]+1，最大訓練步數為1 000次，學習率為0.03，訓練誤差為0.001，BP神經網絡結構為2-5-1。依據數值分析軟件進行優化計算，分別用兩種神經網絡模型對大壩裂縫開度進行預測，用平均誤差（[ME]）和平均絕對誤差（[MAPE]）來比較2種模型的預測性能，如表1、表2所示，預測曲線如圖2所示。

由表1、表2和圖2可以看出，相較于傳統BP神經網絡模型，GA-BP神經網絡模型的預測結果更加逼近實測值，預測精確度比傳統BP神經網絡預測模型要高。

3 結論

根據某重力拱壩X15段裂縫開度預測結果可知，通過遺傳算法對單一BP神經網絡初始權值和閾值優化之后，GA-BP神經網絡模型的預測精度進一步得到提高。平均誤差和平均絕對誤差均小于單一BP神經網絡，預測曲線也更貼近實測數據。運行期間，受工程因素和地質因素影響，混凝土大壩結構可能產生危害性裂縫，該模型能較為準確地預測大壩短期裂縫開度，為大壩安全運行管理提供一種技術方法。

參考文獻：

[1]鐘穎，汪秉文.基于遺傳算法的BP神經網絡時間序列預測模型[J].系統工程與電子技術，2002（4）：9-11.

[2]邢尹，陳闖，劉立龍，等.改進遺傳算法和BP神經網絡的大壩變形預測[J].計算機工程與設計，2018（8）：2628-2631.

[3]梁月吉，任超，劉立龍，等.基于EMD和GA-BP神經網絡的大壩變形預測[J].桂林理工大學學報，2015（1）：111-116.

[4]王德明，王莉，張廣明.基于遺傳BP神經網絡的短期風速預測模型[J].浙江大學學報（工學版），2012（5）：837-841.

[5]賈凌霄，賈家磊，張毅，等.改進BP神經網絡在裂縫預測中的應用[J].工程地球物理學報，2012（3）：301-305.

[6]黃軍勝，黃良珂，劉立龍，等.基于EMD-FOA-BP神經網絡的大壩變形預測研究[J].水力發電，2019（2）：106-110.