基于卷積神經(jīng)網(wǎng)絡的拋石防波堤沉降預測

陳少青，陳文強，程 林，包勝利

（1.天津市北洋水運水利勘察設計研究院有限公司，天津 300460；2.天津理工大學 管理學院，天津 300384；3.中交天航港灣建設工程有限公司，天津 300450）

拋石防波堤是通過拋填粗細石料的方法修建的一種斜坡式防波堤，能夠起到阻斷波浪入侵、圍護港池、維持水面平穩(wěn)的作用，因其對地基承載力要求不高且結(jié)構(gòu)簡單、施工方便，比較廣泛的應用于港口建設中。防波堤沉降量的控制是影響其防護功能正常發(fā)揮的重要因素，目前國內(nèi)外學者對防波堤沉降的研究主要集中在地基固結(jié)變形和堤身沉降監(jiān)測兩方面。崔廣強等［1］根據(jù)實際觀測資料，運用灰色Ver?hulst模型預測了堤身各時刻的沉降量；葉劍紅等［2］基于有限元法和時間積分法對大型復合防波堤固結(jié)過程進行了仿真模擬；王偉等［3］根據(jù)拋石防波堤拋填施工和GPS監(jiān)測技術特點，提出了一種實時監(jiān)測防波堤沉降變形的新方法；黃其歡等［4］提出了一種基于PSI技術的防波堤沉降監(jiān)測方法。可見，關于防波堤沉降的預測方法較為豐富，現(xiàn)階段主要采用的是根據(jù)沉降分布規(guī)律提出的經(jīng)驗公式法；但由于防坡堤施工工序較為復雜，沉降變形具有多變性，經(jīng)驗公式法在沉降參數(shù)的動態(tài)調(diào)整上有很大的局限性。

本文依托天津港大沽口港區(qū)東、北防波堤潛堤段工程，通過分析拋石防波堤施工過程中影響沉降的因素，提出拋石防波堤施工沉降的深度學習預測模型；同時利用現(xiàn)場監(jiān)測數(shù)據(jù)對深度學習模型進行訓練，有效提升拋石防波堤沉降預測的準確性。

1 研究方法

為提升預測的準確性，本文基于卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks,CNN)構(gòu)建深度網(wǎng)絡模型。卷積神經(jīng)網(wǎng)絡包含卷積層、池化層、權重及偏置[5]，將n組歸一化后的參數(shù)代入模型中，通過卷積層和池化層的雙重濾網(wǎng)過濾系統(tǒng)，實現(xiàn)對n個參數(shù)的訓練，通過不斷優(yōu)化和調(diào)整原有池化層、權重及偏置參數(shù)，判斷代價函數(shù)（平方誤差）CT的值是否無限趨近或等于0。若代價函數(shù)CT無限趨近或等于0，則輸出的結(jié)果為最優(yōu)，完成拋石防波堤沉降的預測。

1.1 卷積操作

由式（1）得到的卷積值還需要加上一個不依賴i、j變化的數(shù)bFk。

根據(jù)式（2）得到加權輸入矩陣，作為卷積層一個子層。將Sigmoid函數(shù)作為激活函數(shù)，卷積層輸出矩陣為

1.2 池化操作

卷積神經(jīng)網(wǎng)絡中有用于壓縮卷積層信息的池化層，通過最大池化法，將卷積層中2個×2個神經(jīng)單元壓縮為1個神經(jīng)單元，這些壓縮后的神經(jīng)單元集合就形成了池化層，池化層輸入和輸出分別為

計算輸出層輸入和輸出

式中：——輸出層第n個神經(jīng)單元給池化層神經(jīng)單元的輸出（k=1，2，3；i=1，2；j=1，2）分配的權重；

——輸出層第n個神經(jīng)單元的偏置。

假設輸出層神經(jīng)單元的3個輸出對應的正解分別為t1、t2、t3

將全體學習數(shù)據(jù)的平方誤差綜合就是代價函數(shù)CT，通過求解CT最小達到最優(yōu)模型解的權重及偏差，將最優(yōu)模型運用至測試樣本，從而達到沉降的預測效果。見圖1。

圖1 卷積和池化過程

2 工程應用

2.1 工程概況

天津港大沽口港區(qū)東、北防波堤潛堤段工程位于大沽口港區(qū)大沽沙航道口門附近，東、北防波堤均為永久性海堤，設計使用年限為50 a，結(jié)構(gòu)安全等級為二級，其中東防波堤潛堤段全長1 500 m，北防波堤潛堤段全長2 350 m。堤身結(jié)構(gòu)為復合布+編織布大型充填袋裝砂棱體；內(nèi)外坡均為1∶1.75；護面結(jié)構(gòu)厚度1.1 m（堤頭段1.6 m），為規(guī)格300~500 kg拋石墊層+6 t扭王字塊人工護面塊體；反濾結(jié)構(gòu)為600 g/m2復合土工布+厚度0.7 m規(guī)格10~40 kg的拋石墊層；護底結(jié)構(gòu)為砂肋軟體排+厚度1.0 m規(guī)格60~100 k g的拋石；地基鋪設砂被墊層，打設塑料排水板，間距1.1 m（局部1.0 m），底標高-16 m。

2.2 監(jiān)測數(shù)據(jù)

為了充分利用現(xiàn)有監(jiān)測數(shù)據(jù)，預測防波堤施工期間沉降量，實時掌握防波堤堤身沉降情況，以動態(tài)指導和控制施工，施工期間進行了堤身沉降、深層土體水平位移和孔隙水壓力觀測。將堤身高度、孔隙水壓力、深層水平位移作為卷積神經(jīng)網(wǎng)絡的輸入層參數(shù)，將拋石防波堤沉降量作為卷積神經(jīng)網(wǎng)絡的輸出層參數(shù)。

對各樣本中的堤身高度、孔隙水壓力、深層水平位移指標參數(shù)進行歸一化處理。

式中：xij——第i個參數(shù)的第j個參數(shù)；

xmax——參數(shù)的最大值；

xmin——參數(shù)的最小值。

卷積神經(jīng)網(wǎng)絡的學習樣本及參數(shù)歸一化結(jié)果見表1。

表1 學習樣本和歸一化樣本

2.3 卷積神經(jīng)網(wǎng)絡（CNN）預測結(jié)果

將1～13組樣本作為學習樣本，基于式（1）～（8）進行訓練學習，求解平方誤差CT并進行優(yōu)化權重和偏置，使CT最小，最終得到最小平方誤差CT=0.002，將最優(yōu)過濾器、權重和偏置代入到模型中，作為訓練好的卷積神經(jīng)網(wǎng)絡。

將14～17組樣本作為檢驗樣本，代入已經(jīng)訓練好的卷積神經(jīng)網(wǎng)絡進行檢驗，輸出的沉降量結(jié)果分別為362、368、374、928 mm，與原始數(shù)據(jù)進行比較，發(fā)現(xiàn)與實際結(jié)果基本一致，最大誤差為1.3%，說明本文建立的卷積神經(jīng)網(wǎng)絡方法滿足要求。堤施工期間的沉降量，預測模型根據(jù)輸入?yún)?shù)實測數(shù)據(jù)能動態(tài)指導和控制施工進度。□■

3 結(jié)論

1）卷積神經(jīng)網(wǎng)絡具有降采樣的特點，預測精度較高。本文將卷積神經(jīng)網(wǎng)絡應用在拋石防波堤施工沉降預測中，在防坡堤施工沉降預測中具有較高的可靠性。

2）卷積神經(jīng)網(wǎng)絡模型選擇拋石防波堤堤身高度、孔隙水壓力和深層水平位移3個輸入?yún)?shù)來估算防波