基于GRU的混凝土壩變形監測數據缺失處理方法

關鍵詞：混凝土壩；變形監測；數據缺失；門控循環單元神經網絡

中圖分類號：TV642 文獻標識碼：A 文章編號：1001-9235（2024）12-0122-06

目前大壩安全監測的自動化水平不斷提高，測點數目增多、頻次加密，獲得的監測信息大量增加，但由于受監測儀器性能或者人為因素等影響，往往會造成監測數據缺失的問題［1-2］，從而降低了大壩變形規律分析的質量。一份完整有效的監測數據對于混凝土壩變形狀態分析和預警至關重要，故需要對缺失數據進行處理。為此，國內外一批學者開展了針對大壩安全監測數據缺失問題的相關研究。王江榮等［3］基于實測數據，構建了基于三次B樣條函數的非參數回歸模型，通過遺傳算法求得樣條函數的擬合系數，并使用外插值延拓的方法對缺失數據進行估計，從而實現對變形序列缺失信息的處理；李雙平等［4］分析對比了幾種經典插值方法，運用三次Hermite分段插值法實現對大壩監測信息缺失值的處理；劉秋實等［5］綜合考慮監測信息的隨機性，采用基于空間變異理論的克里金法對大壩監測數據的缺失值進行插補；屠立峰等［6］依據測點的部分數據推求整體變形性態，基于分形插值，實現了對混凝土壩變形監測數據缺失值的處理；胡添翼［7］提出了空間反距離加權插值法和空間鄰近點回歸插值法，通過空間鄰近點的變形數據來回歸目標測點的變形值，取得了不錯的插值效果；呂開云等［8］探究了物理聯系插補法和數學插補法的基本原理，以此為基礎，提出了大壩安全監測數據缺失值處理方法；王娟等［9］采用核獨立分量分析（Kernel Independent Component Analysis，KICA）對原始自變量進行非線性變換并提取特征自變量，并通過特征值譜分析確定最佳特征變量個數，消除冗余信息干擾，運用核獨立分量分析和關聯向量機理論實現了大壩監測數據缺失值插值；Schenker等［10］采用基于馬爾科夫鏈蒙特卡洛方法的多重插補法對數據缺失值進行處理，但這樣計算出來的統計推斷可能受到缺失值不確定性的影響，從而影響到插補值的準確性；李萌等［11］、戴波等［12］分別對灰色模型及統計模型進行了改進，從而實現了對缺失數據的處理。從上述研究可看出，目前已有的混凝土壩變形監測數據缺失值處理方法，大多基于統計模型或機器學習方法。

近些年來，深度學習的研究得到了巨大發展，在各行各業的應用越來越多，但在大壩變形監測數據處理方面的研究還鮮有報道。深度學習能從少量有限的樣本中挖掘出變形監測數據的本質特征。GRU神經網絡是為了解決長期記憶和反向傳播中的梯度消失等問題而提出來的［13-16］。劉洋［17］基于GRU神經網絡進行了關于時間序列預測方面的研究，馬莉等［18］基于GRU建立了煤礦瓦斯濃度預測模型。GRU模型容易進行訓練，能夠很大程度上提高訓練效率［19-20］，因此本文擬開展基于GRU神經網絡的混凝土壩變形安全監測數據缺失方面的研究，由此實現對混凝土壩變形監測數據缺失值的有效處理。

1GRU基本原理

GRU由2個門構成，分別為更新門和重置門，該模型容易訓練且不容易出現過擬合問題［19-20］。GRU的網絡結構見圖1a。

2混凝土壩變形缺失數據GRU處理過程

基于GRU神經網絡對混凝土壩變形監測數據缺失值進行處理的流程見圖2，具體實現步驟如下。

步驟1：將混凝土壩變形原始監測數據劃分為訓練集和測試集，并進行標準化處理。

步驟2：初設GRU參數進行調試，確定模型是否滿足評價指標，若不滿足，調整參數重新訓練，直至滿足評價指標。

步驟3：確定模型最終參數，完成模型訓練，并由式（4）得到本次神經元的輸出值ht，得到最終的大壩變形監測數據缺失值處理結果。

3工程實例分析

3.1工程概況

某水電站是雅礱江干流梯級滾動開發的關鍵工程，在雅礱江梯級滾動開發中具有“承上啟下”重要作用。該工程于2006年12月4日實現大江截流，2009年10月23日開始澆筑，2013年12月全壩封拱。

為了對壩體的變形狀態有詳盡的了解，根據布設在大壩的變形監測儀器，對結構的變形作了全面監測。采用正倒垂線監測壩體水平位移，測點布置情況見圖3，在1、5、9、11、13、16、19、23號壩段的壩頂、1829、1778、1730、1664、1601m高程共布置了34個測點。對于大壩變形監測位移規定為：徑向位移向下游為正，向上游為負。

3.2方法有效性驗證

首先要驗證該方法的有效性，PL11-1—PL11-4、PL16-1—PL16-3以及PL13-1—PL13-4具有相似變形規律，以測點PL13-2變形監測序列為例，選取與其變形規律相似的其他測點作為深度學習的學習樣本，典型測點變形監測過程線見圖4。

本文采用Tensor Flow中的GRU神經網絡接口，Adam算法進行損失函數的優化，參數設定為：學習衰減率定為0.003，GRU神經網絡中的隱藏單元的數量定為10，經過8000次學習訓練，得到相應的計算結果。大壩變形監測數據在訓練GRU神經網絡過程中計算的損失函數值見表1，損失值訓練變化見圖5。

對于訓練好的GRU模型，將測點PL13-2在2016年6月30日（-3.77mm）、2016年8月3日（20.39mm）、2016年11月1日（31.10mm）測值隱掉，利用本文所提出的GRU方法及傳統方法對缺失數據進行插補，計算結果見表2，各種方法處理結果誤差見圖6，為進一步量化評估模型插補的精度，本文綜合采用均方根誤差RMSE和平均絕對百分比誤差MAPE作為模型插補精度統計指標，RMSE可以衡量真實值與模型預測值偏離的絕對大小情況，MAPE可以衡量偏離的相對大小情況，RMSE和MAPE計算公式如下：

其均方根誤差RMSE和平均絕對百分比誤差MAPE見表3。由表2、3及圖6可知，本文所提出的基于深度學習算法GRU模型插補結果與真實值最為接近，誤差在0.05mm之內；同時，基于深度學習算法GRU模型插補結果的RMSE和MAPE均小于其他傳統方法，驗證了該方法的有效性，因此可將該方法應用于混凝土壩變形監測數據缺失值插補處理。

3.3某時間段測點測值缺失處理效果分析

在測點PL16-4變形監測序列中，2015年7月1日至8月3日，變形數據缺失，利用訓練好GRU模型及其他傳統方法對測點PL16-4缺失數值進行插補，得到測點在2015年7月1日至8月3日對應的插補值見表4。

由于測點PL16-4在2015年7月1日至8月3日之間原始測值缺失，考慮到大壩變形有一定周期性，并且在2014—2018年期間各時段環境量未發生較大變化，本文分別采用2016年7月1日至8月3日以及2014年7月1日至8月3日的測值作為參考序列，計算各模型的估計值與其之間的均方根誤差和最大殘差，結果見表5。

由表5可知，GRU模型的均方根誤差為0.2942、0.3214mm，最大殘差值為0.3855、0.3952mm，均優于其他方法處理結果，且均不超過SL601—2013《混凝土壩安全監測技術規范》規定的測量誤差限值，同樣也驗證了本文提出方法是有效的。

4結論

本文運用GRU循環神經網絡技術，提出了基于深度學習的混凝土壩變形監測數據缺失處理的方法，解決了在混凝土壩變形監測過程中監測數據出現缺失的問題，彌補了傳統缺失值處理方法的不足，提高了缺失數據的插補精度。

a）通過將原有測值隱掉方法，運用本文所提出模型插補結果與真實值最為接近，誤差在0.05mm之內，同時，該方法插補結果的RMSE和MAPE均小于其它傳統方法，驗證了所提出的混凝土壩變形數據缺失值處理方法的有效性。

b）應用本文所提出方法對某混凝土壩變形監測數據缺失值插補處理，插補誤差遠小于規范要求的2mm，且均優于其他方法處理結果。

c）通過變形監測數據缺失值處理，能有效提高大壩變形規律分析的質量，為綜合評估大壩變形安全狀態提供殷實基礎。