基于進化神經網絡模型的面板堆石壩沉降和面板撓度預測

趙新瑞,呂曉曼,黃耀英,左全裕,劉 鈺

(1.三峽大學水利與環境學院,湖北宜昌443002；2.天津標信檢測技術發展有限公司,天津300000；3.湖南涔天河工程建設投資有限責任公司,湖南永州425500)

基于進化神經網絡模型的面板堆石壩沉降和面板撓度預測

趙新瑞1,呂曉曼2,黃耀英1,左全裕3,劉 鈺1

(1.三峽大學水利與環境學院,湖北宜昌443002；2.天津標信檢測技術發展有限公司,天津300000；3.湖南涔天河工程建設投資有限責任公司,湖南永州425500)

堆石壩變形和面板撓度的預估對指導堆石壩設計和施工具有重要意義。針對堆石壩室內試驗參數和實際參數存在差異,而待建堆石壩缺乏實測變形進行參數反饋,難以較準確預估堆石壩沉降和面板撓度,為此較廣泛搜集了類似面板堆石壩工程的監測數據,將遺傳算法和神經網絡模型相結合,建立了堆石壩工程變形預測的進化神經網絡模型。由待建面板堆石壩工程的壩高、寬高比和干密度等作為控制參數,結合訓練好的進化神經網絡模型,預測得到待建面板堆石壩的變形及面板撓度。實例分析表明,該方法可行。

遺傳算法；進化神經網絡模型；沉降變形；面板撓度；預測

0 引 言

混凝土面板堆石壩的沉降、面板撓度等變形對壩體的施工過程及穩定運行都有較大的影響,并且面板堆石壩的面板撓度變形、堆石體的沉降變形是復雜的非線性變化,其變形的影響因素較多,各因素的影響程度不同。在以往的實踐工程中多依據現場試驗和工程經驗相結合的方式計算其變形,但結果多與實測變形差異較大。近年來隨著計算機技術的發展,在混凝土面板堆石壩的變形研究過程中,神經網絡模型被廣泛用來預測面板堆石壩的變形,其中以BP神經網絡模型使用較多。李金鳳、楊啟貴等[1]研究了神經網絡模型在面板堆石壩堆石體施工期沉降變形預測中的應用；夏富洲、王長德[2]應用神經網絡方法對堆石壩的面板撓度預測進行了研究,結果表明該方法的預測誤差要小于伊梅祖米半經驗公式的誤差；岳榮花[3]基于傳統BP算法的小波神經網絡進行了優化并應用于工程實例中,結果表明優化效果較好；萬臣、李建峰等[4]將BP神經網絡與馬爾科夫鏈相結合優化了BP神經網絡模型,實例分析表明可以用來進行大壩沉降預測。但在使用BP神經網絡模型預測混凝土面板堆石壩的沉降、面板撓度等變形時,模型計算容易陷入局部極小值,學習過程收斂速度慢,學習樣本的數量和質量對最終結果影響較大。本文針對神經網絡模型的不足,結合具有全局優化功能的遺傳算法,優化BP神經網絡的結構及其權值和閾值,得到了進化神經網絡模型,用以研究進化神經網絡模型對待建混凝土面板堆石壩的沉降變形和面板撓度的預測。

1 進化神經網絡模型

1.1 BP神經網絡模型原理

BP神經網絡是一種多層的前向型神經網絡,即信號前向傳播,而誤差反向傳播。BP神經網絡一般是由輸入層、隱含層、輸出層構成的三層網絡結構,根據提供的輸入向量和期望向量進行有監督學習、訓練,在訓練過程中根據網絡誤差性能對網絡的權值和偏差進行調整[5]。在BP神經網絡學習訓練的過程中,給定了網絡結構的輸入向量后,經由網絡輸入層傳遞到隱含層,在隱含層經過神經網絡的綜合處理、信息變換、逐層處理后,將處理后的信息傳遞到輸出層的各個神經元,再經由輸出層的處理在輸出端輸出信號,至此完成一次正向傳播的處理過程[6]。在信息向前傳遞的過程中,網絡的權值是固定不變的,每一層神經元只影響下一層神經元的狀態[7]。將輸出的結果與期望輸出結果進行比較,若不滿足誤差要求,則誤差反向傳播。在誤差反向傳播的過程中,按照梯度下降的方式,不斷的調整網絡結構的權值和閾值,并逐層向隱含層和輸入層反向傳遞,從而使BP神經網絡的輸出值逐步的逼近期望輸出值。

1.2 遺傳算法原理

遺傳算法仿效基于自然選擇的生物進化,是一種模仿生物進化過程的隨機算法。遺傳算法是從目標問題可能存在的一個種群開始,該種群是由一定數目的經過基因編碼的個體組成,每個個體類似于生物進化過程中的染色體。仿照染色體的功能,將其作為算法計算的主要載體。由于仿照基因編碼的格式進行種群個體編碼太過復雜,一般多采用其它編碼方式進行簡化,例如二進制編碼。初始種群產生后,仿照生物進化的適者生存和優勝劣汰原則,逐代演化產生出誤差越來越小的近似解。

在每一代,根據設定的適應度函數,計算每個個體的適應度,并依據優化準則選擇再生個體,適應度高的個體被選中的概率高,適應度低的個體可能被淘汰,然后按照一定的交叉和變異方法及其概率生成新的個體,最后經由適應度值判斷是否符合優化準則,若符合,輸出個體(最優解),并結束計算,否則將進行下一代的遺傳。

遺傳算法包括3個基本操作：選擇、交叉和變異[8]。遺傳算法的參數中交叉概率和變異概率的選擇是影響遺傳算法行為和性能的關鍵,根據計算經驗[9]遺傳算法中交叉概率的取值范圍為0.5～0.7,變異概率的范圍為0.001～0.2。

1.3 進化神經網絡模型

BP神經網絡隱含層中神經元的個數對網絡模擬效果的影響較大。隱含層神經元數目過少時,可能會導致訓練的不適性,而神經元個數過多,有可能會導致過適性。針對BP神經網絡這一缺點,結合遺傳算法的優點,優化BP神經網絡的結構及權值和閾值,使其網絡結構的設置更為合理。遺傳算法優化BP神經網絡的結構及權值和閾值的具體步驟為

(1)通過某種編碼方法隨機組成一組初始個體構成的初始種群。

(2)計算種群內的每一個個體的適應度值,根據個體得到BP神經網絡的初始權值和閾值,用訓練數據訓練BP神經網絡后預測系統輸出,把預測輸出和期望輸出之間的誤差絕對值作為個體適應度值F,即

(1)

式中,n為網絡輸出節點數；yi為BP神經網絡第i個節點的期望輸出；oi為第i個節點的預測輸出；k為系數。

(3)進行遺傳操作：選擇、交叉和變異,然后形成下一代新種群。

(4)根據適應度函數確定是否結束遺傳算法,若不是則返回步驟(2)。

遺傳算法優化BP神經網絡的算法流程如圖1所示。

圖1 遺傳算法優化BP神經網絡流程

1.4 基于進化神經網絡模型預測面板堆石壩沉降和撓度方法

首先應進行樣本搜集,搜集多個相似堆石壩工程的河谷寬高比、壩高、干密度、堆石體的垂直壓縮模量、壩體最大沉降值及面板撓度值等相關資料；然后針對所收集樣本進行分析,剔除不利樣本,確定進化神經網絡模型的訓練樣本及輸入參數和輸出參數,通過Matlab編程,運行進化神經網絡模型,得到最優網絡模型結構及其權職和閾值；最后輸入待建工程的相關參數得到相應的堆石壩沉降預測值和面板撓度預測值。

2 實例分析

2.1 工程概況

華中地區建設中的某水電站工程,該工程大壩壩型為鋼筋混凝土面板堆石壩,壩頂高程324.0 m,趾板最低高程210.0 m,最大壩高114 m。該工程是具有灌溉、防洪、下游補水和發電,兼顧航運等綜合利用效益的大型水利水電樞紐工程,水庫正常蓄水位313.0 m,總庫容15.1億m3,灌溉面積7.43萬hm2,電站裝機容量200 MW。工程規模為Ⅰ等大(1)型,大壩、泄水建筑物等主要水工建筑物為1級建筑物,電站廠房及引水發電洞等發電主要建筑物級別為3級。以下采用進化神經網絡模型對該面板堆石壩沉降和面板撓度變形進行預測。

2.2 已建面板堆石壩實測數據統計與處理

混凝土面板堆石壩變形的影響因素有很多,根據以往的工程經驗[10],選取堆石壩的壩高H、堆石壩的河谷寬高比W/H、堆石體干密度γd、堆石體垂直壓縮模量E作為堆石壩變形的控制因素。通過查閱文獻搜集到以下資料,見表1。

為了更好的利用所收集樣本的共性及提高模型面板變形撓度的預測精度,選取伊梅祖米半經驗公式作為樣本的處理標準,將異常樣本刪除。伊梅祖米半經驗公式為

表1 壩體變形控制因素樣本

(2)

式中,δ為初期蓄滿時面板的最大撓度,cm；H為壩高,m；E為蓄水前堆石的壓縮模量,MPa。

根據表1中的數據資料統計結果以及由式(2)計算得到的面板撓度數據比較可得,部分工程面板撓度監測資料與經驗公式計算結果相差較大,例如謝羅羅、格里拉斯等,在使用進化神經網絡模型計算時,剔除這些異常樣本,以提高預測結果的精度。

由于統計樣本有限,若同時考慮滿足面板撓度、壩體沉降和壓縮模量的控制標準,則可以用來訓練的樣本數量過少,故在進行變形預測分析時,對3個預測量分別采用與其相對應的3個樣本集合,并通過伊梅祖米半經驗公式計算各自相應的變化范圍,然后針對不同預測量分別剔除不滿足要求的樣本,保留足夠的樣本數目,可增加各自的訓練精度并提高進化神經網絡模型預測精度。在撓度預測中剔除不滿足經驗公式的格里拉斯、謝羅羅、馬路塘二期、盤石頭和引子渡的樣本數據；在壓縮模量中剔除謝羅羅樣本數據。

圖3 神經網絡訓練變化曲線

圖4 神經網絡均方差誤差變化

2.3 進化神經網絡模型的建立和訓練

為了加快網絡的訓練和收斂速度,在網絡訓練之前將篩選出的樣本采用mapminmax函數對樣本進行歸一化處理,將樣本歸一化到[0.1,0.9]的范圍內。設定遺傳算法種群規模為50,遺傳代數為100。

參考表1樣本數據及其分析結果,將壩高、堆石壩的寬高比、堆石體干密度3個控制因素作為網絡模型的輸入值,將面板的撓度、堆石體的沉降、堆石體垂直壓縮模量分別作為網絡的輸出值,采用遺傳算法優化的進化神經網絡模型分別進行樣本訓練。結果表明當網絡學習10 000次,經過100代的遺傳優化后,得到最優的BP神經網絡結構為3-6-1,即BP神經網絡模型中隱含層的神經元個數為6。進化神經網絡模型結構如圖2所示。

圖2 進化神經網絡結構

2.4 待建面板堆石壩沉降和面板撓度變形預估

利用已訓練好的進化神經網絡模型,將實例工程的控制參數壩高H=114 m、堆石壩的寬高比W/H=2.877、堆石體干密度γd=2.15 g/cm3帶入。預測得到面板的撓度δ為173.59 mm,堆石體的最大沉降Δh=721.73 mm,壓縮模量E=74.75 MPa 。堆石體沉降、面板撓度和壓縮模量各自對應的進化神經網絡模型訓練過程見圖3。

堆石體的面板撓度、堆石體沉降及壓縮模量各自對應的進化神經網絡模型訓練過程中的均方差變化見圖4。

由圖3可知,進化神經網絡訓練過程較好,能夠較好的表示輸入參數與輸出參數之間的關系。由圖4可知,進化神經網絡訓練過程中均方差均較小,表明網絡結構良好,能夠有效的減少誤差。綜上可知,通過遺傳算法對神經網絡模型優化效果良好。

由該工程的監測日志可知,壩體內部埋設的水管式沉降儀測值具有滯后性,前期位移測量存在較大誤差,導致了壩體實測沉降變形偏大,為此采用該模型對其沉降變形和面板撓度進行了預測分析。由預測結果可知,壩體沉降變形預測值小于實測變形,表明模型預測沉降變形值的合理性。根據表1統計資料及伊梅祖米半經驗公式篩選后的樣本分析得到堆石體的垂直壓縮模量的范圍在35～130 MPa,由預測結果可知堆石體的垂直壓縮模量在樣本范圍之內,且預測的堆石體的沉降及面板的撓度基本滿足Montanez Cartaxo、L.E、HacelasmJ.E等人提出的面板撓度關系公式[11],即δ=0.25×Δh,通過預測值結果可得面板撓度值約為堆石體沉降值的0.24,所以該模型的面板撓度預測結果是合理的。綜上可知,該模型可以用來預測待建面板堆石壩的變形,對面板堆石壩的施工和變形控制具有一定的工程意義。

3 結 論

采用遺傳算法優化神經網絡結構及權值和閾值,得到最優的神經網絡結構,即進化神經網絡模型,并針對工程實例進行了堆石體沉降和面板撓度變形的預測,得到以下結論：

(1)在樣本參數不完整的情況下,設定神經網絡結構的輸出層為固定參數,對不同輸出量分別采用相應的訓練樣本進行神經網絡預測,即可有效利用有限的樣本訓練神經網絡,也可提高神經網絡的預測精度。

(2)利用有遺傳算法優化神經網絡結構及權值和閾值,得到進化神經網絡模型,并據實例分析可知,該進化神經網絡模型能夠較好的預測待建面板堆石壩工程的壩體沉降變形和面板撓度變形。

[1]李金鳳, 楊啟貴, 徐衛亞. 神經網絡模型在面板壩堆石體施工期沉降變形預測中的應用[J]. 河海大學學報： 自然科學版, 2007(5): 563- 566．

[2]夏富洲, 王長德. 應用神經網絡方法預測堆石壩的面板撓度[J]. 人民長江, 2007(2): 39- 40．

[3]岳榮花. 小波神經網絡在沉降預測中的應用研究[D]. 南京： 河海大學, 2007．

[4]萬臣, 李建峰, 趙勇, 等. 基于新維BP神經網絡-馬爾科夫鏈模型的大壩沉降預測[J]. 長江科學院院報, 2015(10): 23-V27．

[5]陳炳瑞, 馮夏庭, 姚華彥, 等. 水化學溶液下灰巖力學特性及神經網絡模擬研究[J]. 巖土力學, 2010(4): 1173- 1180．

[6]韓立群. 人工神經網絡教程[M]. 北京: 北京郵電大學出版社, 2006．

[7]段侯峰. 基于遺傳算法優化BP神經網絡的變壓器故障診斷[D]. 北京： 北京交通大學, 2008．

[8]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．

[9]王瑞. 基于遺傳優化BP神經網絡的污水處理水質預測研究[D]. 廣州： 華南理工大學, 2012．

[10]蔣國澄, 傅志安, 鳳家驥. 混凝土面板壩工程[M]. 北京: 清華大學出版社, 1997: 134- 150．

[11]黃耀英, 田斌, 沈振中. 基于工程類比法的面板堆石壩流變變形反饋[J]. 中國科學: 技術科學, 2015(4): 434- 442．

(責任編輯 王 琪)

Settlement and Slab Deflection Prediction of Concrete Face Rockfill Dam Based on Evolutionary Neural Network Model

ZHAO Xinrui1, Lü Xiaoman2, HUANG Yaoying1, ZUO Quanyu3, LIU Yu1

(1. College of Hydraulic & Environmental Engineering, China Three Gorges University, Yichang 443002, Hubei, China;2. Tianjin Standard Letter Detection Technology Development Co., Ltd., Tianjin 300000, China;3. Hunan Centian River Construction Investment Co., Ltd., Yongzhou 425500, Hunan, China)

The estimation of the deformation of rockfill dam and slab deflection has vital significance to instruct the design and construction of rockfill dam. In view of the differences of rockfill dam’s parameter between indoor test and practical engineering and the rockfill dam that preparing for construction lack of measured deformation data to parameter feedback, the monitoring data of similar constructed concrete face rockfill dam are widely collected, and then the genetic algorithm and neural network model are combined to establish evolutionary neural network model for deformation prediction of rockfill dam engineering. Taking dam height, aspect ratio and dry density of concrete face rockfill dam that preparing for construction as control parameters, the deformation and slab deflection can be obtained through the evolutionary neural network model which being trained. The example analysis shows that the method is feasible．

genetic algorithm; evolutionary neural network model; settlement and deformation; slab deflection; prediction

2016- 04- 21

國家自然科學基金資助項目(51209124)

趙新瑞(1991—),男,河北衡水人,碩士研究生,研究方向為大壩安全監控；黃耀英(通訊作者)．

TV641.43

A

0559- 9342(2017)03- 0068- 04