降雨條件下土石壩滲流量監控方法研究

劉遠財，林 芝，黃 孫，崔朋飛，任 哲，盧林晶

(1.浙江浙能北海水力發電有限公司，浙江 杭州 310009；2.國家能源局大壩安全監察中心，浙江 杭州 311122)

0 引 言

土石壩具有適用范圍廣、取材方便、對自然環境適應性強、施工便捷、建造周期短等優點，成為應用最為廣泛的一種壩型。目前我國土石壩建設規模已突破壩高200 m級，其中面板壩和心墻壩逐步成為高土石壩建設的主流壩型，如云南瀾滄江上的糯扎渡大壩，壩高261.5 m，是目前世界上已建最高的心墻壩[1]；湖北清江的水布埡大壩，壩高233.2 m，是目前世界上已建最高的混凝土面板堆石壩[2]。隨著一大批土石壩工程完工投入運行，其運行性態是運行管理單位、設計施工單位和國家監管部門的關注重點，而滲流穩定是土石壩安全運行的關鍵。據國內外相關統計顯示，由于滲透破壞直接導致的土石壩失事概率比例約占29%～44%[3]。因此，土石壩滲流狀況是關乎土石壩安全穩定的重要方面，此前的大量研究表明，土石壩滲流量主要受庫水位、溫度、降雨量等因素的影響，許多工程缺陷如防滲體破壞、管涌、滲水、裂縫等，都可以在滲流量上得到體現，尤其是通過分析大壩滲流量的變化趨勢、量值以及對比分析水質情況可以獲得土石壩整體的滲流控制情況。然而由于大多數土石壩采用壩后量水堰的形式，土石壩滲流量測值易受客水干擾，特別是在降雨影響下，測值往往不能直接反映大壩的滲流狀況，影響大壩的結構安全評判結論。

目前在國家能源局注冊備案的土石壩共有159座，其中117座大壩設置了壩后量水堰，用來監測大壩滲流情況。有35座大壩的滲流量測值明顯受降雨量影響，降雨對評判大壩滲流量是否正常造成了干擾。對這35座大壩的調研發現，目前運行管理單位普遍采用的簡化方法是取連續7 d不降雨條件下的量水堰測值作為大壩實際滲流量值，一旦大壩遭遇“連續多日降雨疊加大壩滲流破壞”，該方法將無法及時、準確評判大壩安全狀況。因此，有必要對降雨條件下的滲流量分析方法進行研究。

本文的主要思路是利用某土石壩的實測滲流量監測數據，首先分析環境量和滲流量相關關系，再根據降雨特征對數據進行離散化處理，即根據降雨過程特征，將量水堰實測數據根據降雨過程劃分成多個區間，將相似降雨過程條件下的量水堰實測數據組成數據組，然后采用回歸分析的方法，建立滲流量與各影響因子之間的數學表達式，量化各因子對滲流量的影響程度，在此基礎上基于LSTM(長短期記憶模型)構造降雨過程與滲流量的定量模型，最后將上述成果用于不同降雨過程條件下的滲流量預測。

1 降雨入滲對土石壩滲流量影響機理

土石壩降雨入滲是指雨水從大壩表面滲入土壤過程中不斷驅替空氣而飽和空隙的過程。通常根據降雨強度與土體飽和度及土體入滲能力之間的關系，將降雨入滲分為3種不同的情況[4]：情況A，降雨強度小于土體飽和度，這種情況下，雨水將全部入滲，不會形成徑流；情況B，降雨強度大于土體飽和度而小于土體入滲能力，這個階段雨水將全部入滲，也不會形成徑流；情況C，降雨強度大于土體飽和度且大于土體入滲能力，此時將形成徑流(以下稱為降雨徑流)。

以上A、B兩種情況，降雨不會對壩后量水堰實測值造成干擾，量水堰測值即為大壩實際滲流量。對于情況C，壩后量水堰實測值為大壩滲流量和降雨徑流量之和，此時要將降雨徑流量從量水堰實測值中分離，首先需要確定降雨入滲的邊界條件，即降雨強度與土體入滲能力的相對關系。很多學者曾提出了各自的解決方法，高潤德等[5]將入滲邊界作為流量已知邊界，直接將降雨強度作為邊界入滲率；吳宏偉等[6]假定70%的入滲量作為土體的入滲率；李兆平等[7]根據降雨強度與飽和滲透系數的關系來確定入滲率；榮冠等[8]通過有限元數值模擬的方法確定入滲邊界。本文嘗試通過分析壩后量水堰實測值和降雨過程實測值之間的關系來確定。

2 降雨條件下滲流量推理預測

2.1 分段法計算降雨徑流量

大壩滲流量主要受庫水位、降雨、溫度以及時效等因素的影響，對于一個已知的降雨過程，壩后量水堰實測值可以表示為Q實測=Q大壩+Q徑流。

當Q徑流≤0時，Q實測=f(H)+f(T)+f(θ)

(1)

當Q徑流>0時，Q實測=f(H)+f(T)+f(θ)+f(P)

(2)

式中，f(H)為水位分量函數；f(T)為氣溫分量函數；f(θ)為時效分量函數；f(P)為降雨分量函數。

(3)

(4)

Q徑流=Q實測-Q大壩

(5)

由此也可以得到降雨過程與Q徑流之間的函數關系，即

Q徑流=f(P)

(6)

2.2 基于LSTM的降雨過程與滲流量定量模型

RNN(循環神經網絡)是一種適用于時序數據處理的深度神經網絡，是深度學習的三大代表性算法之一，而LSTM(長短期記憶網絡)是針對RNN難以實現長期記憶而進行改進得到的具有長期記憶功能的循環神經網絡結構[10]。借助LSTM網絡，以某時刻之前一定時間內(時段長度可由降雨過程對滲流量的影響數據得到或取較大值)的降雨過程數據為輸入變量，以該由降雨引起的滲流量為目標值，即可構建降雨過程與滲流量的定量模型，即

Qt=f(Pt0，Pt0+1，…，Pt)

(7)

式中，Qt為t時刻由降雨引起的滲流量；Pt為t時刻的降雨強度。

該模型的最大優勢是能夠根據目標系列數據自動抽取自變量序列特征以構建合適的抽象模型進行數據建模，無需給出自變量與目標值之間的數學關系，非常適合用于大量多類型時間序列的批量化處理。

2.3 降雨條件下的滲流量監控實現過程

綜合應用樸素貝葉斯分類算法、回歸分析和LSTM模型，實現降雨條件下的土石壩滲流量監控的主要步驟如下：

(1)數據離散化處理。利用樸素貝葉斯分類算法，對數據進行離散化處理，以是否出現降雨徑流為條件，將數據分為兩組，構成新的滲流量—環境量數據組。

(2)回歸模型計算。對無降雨徑流的滲流量—環境量數據建立回歸方程。

(3)新數據組構建。將上一步得到的回歸方程應用到全序列數據中，代入水位、氣溫、時效數據，得到降雨徑流～降雨過程數據組。

(4)降雨徑流量預測。采用LSTM模型對降雨徑流～降雨過程數據進行建模。

(5)大壩滲流情況評判。根據步驟4構建的模型得到有相應降雨過程引起的滲流量，得到大壩滲流量即Q大壩=Q實測-Q預測徑流，對Q大壩進行量值和趨勢性評判。具體流程如圖1所示。

圖1 降雨條件下的滲流量監控流程

3 工程實例

某面板堆石壩最大壩高162.0 m，水庫總庫容41.9億m3，正常蓄水位160.00 m。工程運行多年，未見明顯異常，大壩滲流狀態已經穩定。大壩滲流量采用壩后量水堰形式進行觀測，取2018年1月～2020年12月的量水堰實測值作為樣本進行分析，實測滲流量-降雨量過程線和實測滲流量-水位過程線見圖2。

圖2 某混凝土面板堆石壩實測大壩滲流量過程線

3.1 滲流量與環境量相關性分析

從圖2可以看出，壩后量水堰測值主要受上游水位影響，同時在不同降雨強度和降雨過程的影響下，測值會受降雨徑流的干擾而突增。不同降雨類型對滲流量影響過程見圖3，在小強度降雨影響下，滲流量基本不受其影響；前5 d累計降雨量大于20 mm時，會造成大壩滲流量突增。

圖3 典型降雨類型對滲流量影響過程

根據上述分析，將前5 d累計降雨量小于20 mm的滲流量—環境量測值作為同一組數據(數據組1)，然后進行后續處理。

3.2 降雨徑流影響值分析及預測

根據本工程面板壩的具體特點，構建不受降雨影響的滲流量表達式，即

(8)

式中，H為上游水位；S為氣溫；θ為時效。

采用式(8)對數據組1進行回歸分析，得到該模型回歸方程，該方程為上游水位、氣溫和時間的函數。將全序列數據組相應的上游水位、氣溫和時間代入上述回歸模型方程，得到全序列上游水位、氣溫和時效影響下的滲流量值，如圖4所示。

圖4 上游水位、氣溫和時效影響下的滲流量

用實測滲流量減去上述上游水位、氣溫和時效影響下的滲流量值，即得到不同降雨過程影響下的降雨徑流值。計算結果見圖5。

圖5 分離后的降雨徑流—降雨過程測值過程線

將分離得到的由降雨引起的滲流量和降雨過程數據作為LSTM模型的訓練數據，建模效果如圖6所示，滲流量預測結果誤差見表1，模型預測結果與圖5的實測降雨徑流非常接近，說明模型預測精度較高。

表1 滲流量預測結果誤差

圖6 降雨徑流-預測值過程線

從滲流量實測值中減去降雨徑流，可以得到扣除降雨影響后的大壩滲流量，過程線見圖7，計算結果統計見表2。從統計結果可見，扣除降雨影響后，大壩實際滲流量均在55 L/s以內，未超出工程允許的滲流量最大值。

圖7 扣除降雨影響后的大壩滲流量過程線

表2 典型降雨過程影響下扣除降雨量影響后的大壩滲流量計算結果

4 結 語

本文結合某面板壩的實測滲流量監測數據，首先采用統計回歸的方法計算降雨時段和非降雨時段的滲流量預報方程，并分段計算得到降雨徑流影響值，然后利用LSTM模型對降雨引起的徑流量和降雨過程之間的關系進行建模，從而預測在某過程降雨影響下的滲流量——降雨分量值。本文方法的計算結果主要受實測樣本序列長短以及取樣頻次的影響，在保證實測樣本數據質量的情況下，該方法可以較準確地剔除由于降雨徑流對大壩滲流量測值造成的干擾，從而監控土石壩滲流狀態。