基于IABC-LSSVM的大壩變形監控模型研究

劉 浩

(江西省建洪工程監理咨詢有限公司，江西 南昌 330096)

某水庫按照100年一遇洪水設計，1000年一遇洪水校核，最高水位102m，正常水位96.6m，防洪汛限水位為77.8m，死水位為70m。水庫大壩為混凝土重力壩，壩頂高程為103.5m，最大壩高50.3m，壩頂長532m，共分為31個壩段，兩岸的擋水壩、滾水壩段以及電站壩段分別長274.2、217.3、40.5m。毋庸置疑，大壩在水利工程建設中具有舉足輕重的地位，其安全性會直接影響到水利工程的正常運行和下游群眾的生命財產安全。由于大壩安全的影響因素較多且無時無刻不在發生著變化，而這些變化通常難以通過肉眼捕捉，因此大壩變形監測系統就成為計算機信息時代背景下大壩安全監測的重要工程措施[1- 8]。當然，如何對大壩數據進行有效的處理和分析，構建合理的大壩變形預測模型就成為重要的研究課題。

1 大壩變形監控模型的構建

1.1 模型的構建原理

隨著計算機信息技術的發展，人工智能已經成為當前的研究熱點，而機器學習則成為該項研究的核心[9]。在機器學習領域，一般采用經驗最小化原則(ERM)來解決最小化經驗泛函的求解。但是該原理的應用具有良好的局部性，但是全局性效果不足。于是，Suykens和Vandewalle在1999年通過納入最小二乘損失函數提出支持向量機(LSSVM)[10]。作為SVM的拓展版本，LSSVM基于解決分類問題方面的諸多優勢，被廣泛應用于各個工程領域。大量的實際應用經驗表明，LSSVM的性能會首都奧核函數的顯著影響，同時內部參數的是否符合實際修奧對其復雜程度有著更大的影響[11]。在常用的LSSVM核函數中，RBF被證明具有良好的回歸能力和預測效果[12]。因此，研究中選擇RBF作為核函數，而研究的主要目的是基于LSSVM的核函數參數和正則化參數，對LSSVM進行優化，以提升其預測效果和性能。

1.2 模型的構建流程

ABC作為一種智能優化算法，在非限制性函數優化方面具有結構簡單、系統性好、魯棒性強等諸多優勢，因此在優化計算領域具有廣泛應用[13]。但是，ABC算法也存在搜索策略太過隨機等缺點。基于此，本文提出了IABC改進算法，其基本思路是：引入基于正反向學習的雙種群初始化策略，也就是在初始化正種群的基礎上，構造出反向種群，在進行正反種群信息交換之后，再進入下一次的迭代，以提升初始種群的確定性。針對ABC算法隨機搜索策略的不確定性，結合Guopu Zhu的研究成果[14]，將全局最優解引入搜索策略，為搜索方向提供指導。最后，針對ABC算法探勘能力受限的問題，研究中利用入Metroplis準則替代貪婪法則[15]。

根據前文敘述，支持向量機(LSSVM)有兩個需要優化的參數，分別是核函數參數和正則化參數。研究中將IABC算法與LSSVM算法相結合，構建起IABC優化的LSSVM模型，其構建的具體流程如下：①對某水庫大壩變形的監測數據進行整理和預處理，主要包括檢驗和剔除奇異值，小波去噪和標準化處理；②對IABC的控制參數進行初始化處理；③構造IABC算法的目標函數和適應度函數；④利用IABC算法對核函數參數和正則化參數進行優化，獲得上述兩個參數的最佳組合；⑤將上一步獲得的最佳參數組合代入LSSVM，并利用水庫大壩的實際監測數據進行訓練，最終構建起大壩變形的預測模型；⑥新陳代謝法預測；⑦模型預測精度的檢驗。

2 模型的預測效果及分析

2.1 優化前后模擬效果對比

某大壩建設有變形自動檢測網，本次研究選擇的是位于水庫大壩壩頂部位的T14監測點的豎向位移數據，樣本的獲取時段為2012年8月至2016年1月。研究中利用監測數據中的前62期數據作為訓練樣本，獲得如圖1所示的原始的ABC-LSSVM模型以及優化后的IABC-LSSVM模型的尋優進化曲線。由圖可知，原始模型受到貪婪法則的作用，僅接受優秀解，因此迭代開始后下降迅速，因此很容易陷入局部極值。優化后的IABC-LSSVM的初始目標函數值較低，在進行20步迭代之后達到局部最優值，且呈現出平緩與下降之間的反復循環，有利于后期的精細搜索。由此可見，本次研究對ABC算法的優化和改進具有合理性和必要性。

圖1 優化前后模型尋優進化曲線對比

利用優化前后兩模型對63- 72期監測數據進行預測，預測結果與實測結果的誤差統計見表1—2。由表1可知，ABC-LSSVM模型中的絕對誤差最大值為1.13mm，絕對誤差最小值為0.026mm，最大相對誤差為21.20%，最小相對誤差為2.60%；相對誤差大于10%的有65、66、67、71等4期。由此可見，ABC-LSSVM模型預測效果一般。由表1可知，IABC-LSSVM模型中的絕對誤差最大值為0.548mm，絕對誤差最小值為0.006mm，均小于1mm；最大相對誤差為11.25%，最小相對誤差為0.29%；相對誤差大于10%的有66、70等2期。由此可見，優化后的IABC-LSSVM模型預測效果有顯著的提升。

表1 ABC-LSSVM模型預測結果統計

表2 IABC-LSSVM模型預測結果統計

2.2 同類模型預測效果對比

為了驗證基于IABC優化的LSSVM的優化效果模型的預測精度，研究中選擇網格搜索算法(GS)、遺傳算法(GA)以及粒子群算法(PSO)等目前廣泛使用的3種優化算法同時對LSSVM的參數進行優化，并構建起相應的大壩變形預測模型。通過四種模型預測效果的對比分析，對本文構建的預測模型的效果進行橫向評價。利用上述3種模型和IABC-LSSVM模型對63-72期監測數據進行預測，并統計預測值和實測值的絕對誤差和相對誤差，結果如圖2—3所示。由圖可知，對比的3個模型部分期數的相對誤差和絕對誤差值較大，說明模型的預

圖2 各模型預測絕對誤差統計結果

圖3 各模型預測相對誤差統計結果

測偏差相對較大。相對而言，IABC-LSSVM模型預測的絕對誤差和相對誤差較小，同時誤差曲線的波動性較小，各期的預測偏差比較接近，說明本文構建的模型具有更高的魯棒性，預測穩定性良好。

2.3 綜合評價

為了進一步對本文構建的模型進行評價，對研究中所涉及的5種預測模型的MAE、MAPE及RMSE進行計算，結果見表3。由計算結果可知，改進后的IABC-LSSVM模型3個指標的計算結果均顯著優于其余4個模型，具有精度更高、穩定性更強的特點，可以用于大壩安全監測。

表3 各模型預測精度綜合評價

3 結語

大壩的安全穩定評價和預測研究具有重要的工程價值和理論意義。本次研究以某水庫大壩為例，以壩頂部位的T14監測點的豎向位移數據為依據，對大壩變形預測模型展開研究，并獲得如下主要結論：

(1)研究中以傳統LSSVM為基礎，利用改進IABC算法，提出水庫大壩IABC-LSSVM變形預測模型。

(2)與優化前的ABC-LSSVM模型相比，優化后的模型預測效果有顯著的提升。

(3)與同類模型相比，IABC-LSSVM模型預測的絕對誤差和相對誤差較小，具有更高的魯棒性，預測穩定性良好。

(4)改進后的模型具有精度更高、穩定性更強的特點，可以用于大壩安全監測。