基于動-靜態模型的滲壓值預測與分析

陳守開 蔣海峰 史海波 張俊峰

摘要：針對堤壩滲壓值的動態變化特征與靜態神經網絡模型的不足，建立了基于時序數據的循環神經網絡模型（recurrent neural network，RNN）。該模型考慮水位、降雨與溫度在孔隙水壓力變化中的滯后作用并將其納入模型的訓練過程，實現了滲壓值的動態預測。以面板堆石壩滲流監測數據為例進行驗證分析，通過灰色關聯法可確定影響滲壓值的主要因素，并進行了RNN模型與遺傳算法優化的支持向量機模型（GA-SVM）的對比分析。結果表明：兩種模型的預測精度均在允許范圍內，表明滲壓值數據之間具備可預測性;RNN模型的平均相對誤差僅為11.343%，相比于GA-SVM模型，RNN模型預測精度更高，由此表明滲壓值的動態變化特征對滲壓值預測影響較大，在建立預測模型時需協同考慮。

關 鍵 詞：

滲壓值; 動態模型; 靜態模型; 動態變化特征; RNN模型; GA-SVM模型

中圖法分類號： TV91

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2021.05.027

1 研究背景

滲流分析一直是堤壩工程安全穩定研究的重點，對于滲流滲漏引起的堤壩工程破壞失穩現象，諸多學者對其成因開展了針對性的研究[1-4]，目前已確定的影響因素主要有水位變化、降雨、溫度變化及歷時等[5-7]。實測滲壓計數據（滲壓值）的神經網絡模型預測及相關改進方式亦有相關的報道[8-11]。如繆長健[8]等采用云模型改進人工魚群算法用以優化BP神經網絡的權值和閾值，構建CM-AFSA-BP預測模型并進行了滲流壓力的預測。陳端[9]等采用廣義回歸神經網絡模型預測了堤壩壩基處的滲流情況。此外李鵬犇[10]、吳云星[11]等結合不同神經網絡模型對堤壩滲流進行了相應的預測。以上模型在一定程度上增加了預測模型的多樣性，但前期數據均值并不能有效反映滲壓值的動態變化特征[12]，且對于滲壓值而言，前期水位與降雨因素均可能對其產生滯后影響。因此建立考慮動態變化特征的預測模型更貼合實際的工程情況。

為驗證滲流過程中的動態變化特征的重要程度，本文以面板堆石壩工程為實例，分別建立傳統神經網絡模型（靜態模型）和動態模型（循環神經網絡（recurrent neural network，RNN）），以RNN模型和遺傳算法結合支持向量機（GA-SVM）（靜態模型的代表模型）為滲壓值預測模型，確定滲壓值變化的主要影響因素，將其作為動、靜態模型的輸入參數并進行預測。根據預測結果確定更符合滲流預測分析特性的預測模型，為實現滲壓值預測及工程安全評估提供參考。

2 滲壓值預測模型

2.1 RNN模型

RNN模型是一種具有記憶功能，且適合處理時間序列數據的深度學習模型[13-15]。該模型主要由輸入層、隱含層和輸出層3部分組成。每一層上均有若干個神經元節點，其數據的輸入與輸出與一般的神經網絡類似，但其隱含層則與傳統的神經網絡有所不同。該模型的隱含層結構在普通多層神經網絡基礎上，增加了各單元間的橫向聯系，即通過權重矩陣，可以將上一個時間序列的神經單元的值傳遞至當前的神經單元。隱含層的輸入既包括了本時刻輸入層影響因素的輸入，也包含了上一時刻隱含層的輸出權重，因此RNN模型對于數據中隱藏的歷史信息可實現記憶功能，并在將其保留之后輸出至當前神經元以進行數據的計算，并隨著數據的輸入而不斷更新。靜態模型是僅考慮模型輸入層與隱含層、隱含層與輸出層關系的一種模型，而動態模型則是在靜態模型的基礎上，增加考慮隱含層節點之間關系的一種模型。此為動態模型與靜態模型的核心區別，如圖1所示。

3.3 模型建立

確定影響滲壓值的主要因素分別為上游水位、下游水位、上下游水位差、前3 d降雨均值、溫度值及時效分量θ、ln1+θ。樣本數據共588組，時間周期為2009年1月至2016年11月，以2016年10月至11月的數據為驗證數據，用來進行滲壓值數據的預測與分析。為消除量綱影響，需進行歸一化處理，將數據轉化為[0，1]，采用試湊法確定隱含層神經元數目為11，神經網絡拓撲結構為7-11-1，如圖5所示。

4 預測結果分析

選用MATLAB軟件來實現RNN模型與GA-SVM模型分析，并可得SVM模型最優參數組合為C=4.5，g=0.01。滲壓計Pb3預測結果如表2所列。因篇幅限制，此處僅描述滲壓計Pb3預測結果，其余滲壓計預測結果見圖6及表3，4。

由表2可得，兩種模型均可實現滲壓值的預測，且

預測誤差值在允許范圍之內。從預測結果來看，動態模型的預測表現更佳，與GA-SVM相比，RNN模型決定系數R2值為0.88，R2值更大，精度更高;其平均相對誤差和平均絕對誤差分別11.343%和0.097 m，相比于GA-SVM的平均相對誤差和平均絕對誤差（15.486%和0.123 m），分別提高4.144 %、26.80%。分析原因認為：由于動態模型的特性，其隱含層節點之間相互連接，即在不同時刻的滲壓值之間仍保持著相互聯系的狀態，能夠將數據中隱藏的歷史信息進行保存并實現有選擇性的輸出。當輸出滲壓值時，當天上游水位、降雨等因素會以上一時刻輸出層的狀態通過記憶單元影響本時刻滲壓值的輸出，且會再次通過記憶單元以本時刻輸出層狀態影響下一時刻滲壓值的輸出。如此循環實現，使得滲壓計數據預測精度得以大幅度提升。而在靜態模型中，隱含層節點之間互不關聯，模型只能對當前時刻數據進行學習并實現相應的預測，隨著模型的迭代與訓練，數據中的長期歷史信息將會對預測結果的準確性產生一定的干擾[28]。

5 結 論

（1） 通過分析滲壓值的影響因素，確定上游水位、下游水位、上下游水位差、前3 d降雨均值、溫度值θ、ln（1+θ）為主要因素，且上下游水位差、前3 d降雨均值及溫度值均存在滯后作用。

（2） 基于工程實例，以得到的主要因素為輸入層，分別建立了動態模型和靜態模型并進行滲壓值預測。結果顯示動態模型的精度更高，決定系數R2值可達0.88，其平均相對、絕對誤差為11.343%、0.097 m，較靜態模型分別提高了4.144%、26.80%，說明滲壓值的動態變化特征較為重要，在建立預測模型時需協同考慮。

參考文獻：

[1] 陶叢叢，陳宏偉，孔松，等.基于原型監測的黏土心墻堆石壩滲流分析[J].長江科學院院報，2017，34（9）：70-73，78.

[2] 江強強，焦玉勇，宋亮，等.降雨和庫水位聯合作用下庫岸滑坡模型試驗研究[J].巖土力學，2019，40（11）：4361-4370.

[3] ZHENG H X，BO H，TUOHUITI A，et al.Stability analysis of earth dam under unsaturated seepage[J].Advanced Materials Research，2008（29）：1129-1134.

[4] 王桂堯，付強，吳勝軍.降雨條件下路基邊坡滲流分析[J].中外公路，2010，30（5）：51-55.

[5] 張旭，譚卓英，周春梅.庫水位變化下滑坡滲流機制與穩定性分析[J].巖石力學與工程學報，2016，35（4）：713-723.

[6] 顧沖時，胡靈芝，張乾飛.大壩滲流基流的分析模型研究[J].巖土力學，2005（7）：1033-1037.

[7] 許增光，柴軍瑞.考慮溫度影響的巖體裂隙網絡穩定滲流場數值分析[J].西安石油大學學報（自然科學版），2007（2）：169-172，183.

[8] 繆長健，施斌，鄭興，等.基于CM-AFSA-BP神經網絡的土石壩滲流壓力預測[J].水電能源科學，2019，37（2）：82-85.

[9] 陳端，曹陽，夏輝，等.GRNN神經網絡在壩基滲流預測中的應用[J].人民黃河，2012，34（10）：118-119，123.

[10] 李鵬犇，蘇亮淵，賈亞杰，等.基于多因素影響的BP-RBF神經網絡滲流預測模型[J].人民黃河，2018，40（4）：132-135.

[11] 吳云星，周貴寶，谷艷昌，等.基于LMBP神經網絡的土石壩滲流壓力預測[J].人民黃河，2017，39（8）：90-94，148.

[12] 龐瓊，王士軍，谷艷昌，等.基于滯后效應函數的土石壩滲流水位模型應用[J].水土保持學報，2016，30（2）：225-229.

[13] GOOD F I，BENGIO Y，COURVILLE A，et al.Deep learning[M].Cambridge：MIT Press，2016.

[14] 楊背背，殷坤龍，杜娟.基于時間序列與長短時記憶網絡的滑坡位移動態預測模型[J].巖石力學與工程學報，2018，37（10）：2334-2343.

[15] 涂吉昌，陳超波，王景成，等.基于深度學習的水質預測模型研究[J].自動化與儀表，2019，34（6）：96-100.

[16] SEBALD D J，BUCKLEW J A.Support vector machine techniques for nonlinear equalization[J].IEEE Trans Signal Process，2000，48（11）：3217.

[17] 曲嘉銘，徐長江，陳華，等.基于支持向量機回歸的區域洪水頻率分析[J].人民長江，2018，49（16）：14-18，86.

[18] WAHBA G，LIN Y，ZHANG H.Margin-like quantities and generalized approximate cross validation for support vector machines[C]∥Proceedings of the 1999 IEEE Signal Processing Society Workshop on Neural for Signal Processing IX，New York，1999：12.

[19] 劉人杰，黃健，剪鑫磊，等.EEMD-GA-SVM模型在滑坡位移預測中的應用[J].人民長江，2019，50（11）：134-139.

[20] 鄧偉，鄺祝芳，余紹軍，等.基于遺傳算法的三峽-葛洲壩船閘閘室編排算法[J].人民長江，2016，47（24）：55-59，67.

[21] 向杰，唐紅梅，陳鑫，等.庫水位升降過程中土質岸坡地下水變化試驗分析[J].重慶交通大學學報（自然科學版），2014，33（3）：79-85.

[22] 蔡婷婷，蘇懷智，顧沖時，等.綜合考慮滲流滯后效應和庫水位變化速率影響的大壩滲流統計模型[J].水利水電技術，2013，44（10）：45-48，51.

[23] 郭海慶，鄭東健，吳中如.大壩滲流監控的環境量滯后影響研究[J].大壩與安全，2002（3）：31-34.

[24] 胡江，鄭鵬翔.基于滯后效應和防洪調度的大壩滲流預測模型研究[J].三峽大學學報（自然科學版），2008，30（6）：16-19，24.

[25] 虞鴻，包騰飛，薜凌峰.降雨滯后效應的數值模擬[J].水力發電學報，2010，29（4）：200-206.

[26] 汪洋，殷坤龍，安關峰.滑坡敏感因子的灰色關聯分析[J].巖土力學，2004，25（1）：91-93.

[27] 王鵬.灰色關聯分析方法在貴州洪災評價中的應用研究[J].人民長江，2018，49（增2）：24-26.

[28] CAO Y，YIN K，ALEXANDER D，et al.Using an extreme learning machine to predict the displacement of step-like landslides in relation to controlling factors[J].Landslides，2016（13）：725-736.

（編輯：鄭 毅）