高心墻堆石壩完建期堆石體沉降預測模型對比研究

付 勇

(遼寧水利土木工程咨詢有限公司， 遼寧 沈陽 110003)

1 概述

水利工程在社會生產生活中具有重要的經濟和社會效益。在水利工程建設中，土石壩由于具有良好的適應性和材料來源的廣泛性、便捷性得到了廣泛的應用，目前已經占我國大壩的95%以上。其中，堆石壩是一種以石料填筑為主體，并配以防滲體的一種土石壩壩型。隨著我國筑壩技術的不斷發展和進步，我國心墻堆石壩的高度越來越高，并逐漸步入高壩和超高壩時代[1]。如何準確掌握心墻堆石壩的運行狀況，特別是通過監測數據對大壩的狀態進行評價具有十分重要的意義和作用[2]。在大壩施工完建期間，一般會面臨比較惡劣的工作環境，并主要表現為監測儀器工作困難或損壞，進而造成監測數據不全面。同時，由于該階段大壩變形影響的不確定性因素多，監測時間短，即使提高監測的頻次，也難以充分避免監測數據規律性差的問題[3]。因此，提高大壩施工階段監測數據的分析和應用水平，就具有十分重要的意義和價值。在這一背景下，廣大學者在該領域進行了廣泛和深入的研究，并提出了一系列基于大壩實測數據大壩變形安全監測模型[4]。但是，受到不同預測模型在各種工程方面的適應性不同，進而導致在大壩沉降變形預測精度方面存在差異。所以，結合工程實際條件，選擇合適的大壩沉降變形預測模型，可以更準確地預測大壩變形，及時進行大壩的安全性和穩定性評價[5]。基于此，本次研究以具體工程為背景，對常用的大壩沉降預測模型進行以預測精度為主要標準的工程適用性評價，可以為相關研究和預測模型應用于工程實際提供支持和借鑒。

2 材料與方法

2.1 工程背景

雙龍水電站屬于遼寧省東部半拉江梯級開發的重要水利工程，壩址位于高龍泡水電站下游太平哨鎮二龍渡村境內，屬于典型的河床式水電站設計。電站大壩為瀝青混凝土心墻土石壩壩型，最大壩高56.0m，壩頂高程160.0m，壩頂寬8.0m。大壩按照100年一遇洪水標準設計，1000年一遇洪水校核，水庫的正常蓄水位為157.50m，校核水位為158.50m。壩體的基本剖面為中央直立心墻形式，也就是大壩的中央為礫質土直心墻，心墻的兩側為反濾層，反濾層之外為堆石體壩殼，上游壩坡的坡度為1∶1.9，下游壩坡的坡度為1∶1.8。

2.2 斷面沉降觀測

為了獲得大壩堆石體施工期沉降數據，對大壩的上游堆石體采用弦式沉降儀進行沉降變形監測[6]。此次監測采用的弦式沉降儀為振弦式，量程為66m，分辨率為0.025%F.S，測量精度為±0.1%F.S。為了獲取不同部位的監測數據，研究中選擇大壩上的斷面A(0+024斷面)、斷面B(0+104斷面)、斷面C(0+156斷面)3個典型斷面的監測數據。整理獲取上述斷面在大壩施工期間關鍵時間節點的觀測數據，結果見表1。從表中的數據可以看出，大壩完建期間，各個斷面的堆石體沉降量隨著時間推移而迅速增加，之后增加速率趨緩，最后趨于穩定。

表1 各觀測點沉降量實測數據

2.3 沉降量預測方法

變形監測是心墻堆石壩安全監測的重要內容，主要是通過對心墻堆石壩變形實測資料的分析和規律解釋，及時發現大壩的異常情況，為其安全分析和評價提供支持[7]。一直以來，諸多學者在大壩沉降預測方面進行了深入的研究和探索，提出了一系列行之有效的沉降預測方法，如灰色理論、模糊數學、BP神經網以及時間序列分析，并取得了豐碩的成果[8]。本次研究中，結合背景工程的實際情況，選擇俞艷玲等基于蛙跳算法提出的改進非等間距 GM(1，1)大壩位移預測模型[9]、王玉振針對大壩變形監測數據非平穩非線性的特點提出的基于經驗模態分解(EMD)的小波神經網絡預測模型(EMD-WNN)[10]以及魏博文等依據時間序列原理提出的一種基于 BP-ARIMA 的多尺度變形組合預報模型[11]進行對比分析，以獲取不同模型在預測結果方面的差異性和適合性。

3 預測結果的對比分析

3.1 斷面A預測結果對比分析

利用選擇的三種不同預測方法對典型斷面A的沉降量進行預測計算，結果見表2。為了對比不同預測模型的預測計算精度，對各模型預測值與實測值的相對誤差進行計算，結果如圖1所示。由表2和圖1可知，改進非等間距 GM(1，1)模型、EMD-WNN以及基于 BP-ARIMA 的多尺度變形組合預報模型的相對誤差均值分別為0.59%、11.21%、0.82%；其相對誤差的最大值分別為1.06%、11.21%、1.18%。由此可見，預測誤差最小的是改進非等間距 GM(1，1)模型，其次是BP-ARIMA 的多尺度變形組合預報模型，誤差最大的是EMD-WNN。另一方面，隨著時間的推移，非等間距 GM(1，1)模型和BP-ARIMA 的多尺度變形組合預報模型的預測誤差在逐漸減小，也就是預測的精度不斷提高。綜上所述，從斷面A來看，非等間距 GM(1，1)模型和BP-ARIMA 的多尺度變形組合預報模型更適合于本文背景工程的沉降量預測計算。

表2 斷面A沉降量預測結果

圖1 斷面A不同模型預測值的相對誤差變化曲線

3.2 斷面B預測結果對比分析

利用選擇的三種不同預測方法對典型斷面B的沉降量進行預測計算，結果見表3。為了對比不同預測模型的預測計算精度，對各模型預測值與實測值的相對誤差進行計算，結果如圖2所示。由表3和圖2可知，改進非等間距 GM(1，1)模型、EMD-WNN以及基于 BP-ARIMA 的多尺度變形組合預報模型的相對誤差均值分別為1.41%、9.42%、2.50%；其相對誤差的最大值分別為2.88%、13.31%、5.70%。由此可見，預測誤差最小的是改進非等間距 GM(1，1)模型，其次是BP-ARIMA 的多尺度變形組合預報模型，誤差最大的是EMD-WNN。另一方面，隨著時間的推移，非等間距 GM(1，1)模型和BP-ARIMA 的多尺度變形組合預報模型的預測誤差在逐漸減小，也就是預測的精度不斷提高。綜上所述，從斷面B來看，非等間距 GM(1，1)模型和BP-ARIMA 的多尺度變形組合預報模型更適合于本文背景工程的沉降量預測計算。

表3 斷面B沉降量預測結果

3.3 斷面C預測結果對比分析

利用選擇的三種不同預測方法對典型斷面C的沉降量進行預測計算，結果見表4。為了對比不同預測模型的預測計算精度，對各模型預測值與實測值的相對誤差進行計算，結果如圖3所示。由表4和圖3可知，改進非等間距 GM(1，1)模型、EMD-WNN以及基于 BP-ARIMA 的多尺度變形組合預報模型的相對誤差均值分別為1.65%、9.38%和2.24%；其相對誤差的最大值分別為3.40%、28.15%、5.27%。由此可見，預測誤差最小的是改進非等間距 GM(1，1)模型，其次是BP-ARIMA 的多尺度變形組合預報模型，誤差最大的是EMD-WNN。另一方面，隨著時間的推移，非等間距 GM(1，1)模型和BP-ARIMA 的多尺度變形組合預報模型的預測誤差在逐漸減小，也就是預測的精度不斷提高。綜上所述，從斷面C來看，非等間距 GM(1，1)模型和BP-ARIMA 的多尺度變形組合預報模型更適合于本文背景工程的沉降量預測計算。

表4 斷面C沉降量預測結果

圖3 斷面C不同模型預測值的相對誤差變化曲線

4 結論

此次研究以實際工程為背景，對高心墻堆石壩施工完建期間的堆石料沉降預測方法進行對比研究，獲得的主要結論如下：

(1)對背景工程而言，預測精度最高、誤差最小的是改進非等間距 GM(1，1)模型，其次是BP-ARIMA 的多尺度變形組合預報模型，預測精度最低、誤差最大的是EMD-WNN。

(2)改進非等間距 GM(1，1)模型和BP-ARIMA 的多尺度變形組合預報模型的預測結果均比較準確，可以有效描繪研究斷面的沉降變化，更適合于背景工程的沉降預測研究。

(3)不同的預測方法有不同的適應對象，同時會受到工程特點，特別是地質環境的較大影響，并在預測精度上可能存在顯著差異，因此在實際應用中選擇合適的預測方法十分重要。