基于數據驅動的大壩安全監控模型的研究現狀及展望

鮑中秋，季 駿，徐 蘇，田菊飛

(1.南京市水利規劃設計院股份有限公司，江蘇 南京 210000；2.河海大學水利水電學院，江蘇 南京 210098；3.中國電建西北勘測設計研究院有限公司，陜西 西安 710000)

0 引言

為了監控大壩的安全運行和預警大壩的異常情況，通常在大壩壩體和近壩區布置大量傳感器以掌握大壩各效應量的變化趨勢[1]。這些大壩的監測檢測設備隨著大壩的服役會積累形成圍繞大壩運行性態的數據庫，因此從數據庫中挖掘和提取大壩的安全狀況則是工作中的關鍵和重點。為了從數據庫中更好更全面地研究和分析大壩的服役性態，基于數據驅動的大壩安全監控模型被提出和應用[2]。數據驅動模型被廣泛用于大壩安全監控模型中，各種傳感技術和硬件軟件接口的最新發展使定期收集數據和實時監控預警成為可能，收集的數據通常用于開發數據驅動模型[3]。與確定性模型相比[4-5]，數據驅動模型的開發難度較低，其參數可以根據可用監測數據更容易進行迭代和更新。

依據監控對象的不同，Li[6]等對大壩安全監控模型的數據驅動模型進行了分類，將監控模型分為了3類：監測模型、監測指標模型和異常值檢測模型。其中監測模型是一個輸入-輸出模型，以環境變量為輸入，以大壩響應為輸出；監測指標法用于產生警告或極值，考慮到大壩響應的先前變化，并確定未來變化是否安全；異常值檢測模型也是發現大壩狀態異常變化的重要方法。同樣地，依據數據驅動的數學方法和技術的不同，數據驅動模型可以分為3種，分別為統計模型，人工智能模型和無損檢測方法。本文對這3個主要方法分別進行國內外研究現狀的闡述，并討論大壩安全監控模型未來的發展趨勢和主要面臨的問題和挑戰。

1 數據驅動模型的研究現狀

1.1 統計模型

大壩響應由幾種可逆和不可逆效應的組合產生。不可逆效應通常與蠕變、膨脹和沉降等隨時間變化的現象有關。從大壩安全的角度來看，這些影響最為關鍵，需要監控其發展，可逆效應通常不是關鍵的，并且由于每日溫度變化、季節變化和水庫水位波動而產生。建立統計模型的主要假設是大壩響應y為可逆效應的疊加，傳統統計模型都是根據這一假設開發的[7]。通常的效應變量有靜水效應yH、季節性效應yS、溫度效應yT和不可逆效應(如時間相關效應yt)。常見的統計模型有HST(水位-季節-時間)模型和HTT(水位-溫度-時間)模型等，其中HST模型、HTT模型的表達式分別為：

y=yH+yS+yt+ε

(1)

y=yH+yT+yt+ε

(2)

式中，ε—誤差項，通常假設是獨立同分布的，并用于監控和預警。

傳統統計模型的一個主要缺點是這些模型不包括參數和模型不確定性。由于缺乏物理數據(如材料特性、大壩幾何結構、巖體剖面和破壞模式)的支持，大壩安全監控模型存在不確定性。為了解決這個問題，研究人員開發了貝葉斯概率模型[8-9]，該模型結合了所有可用信息并減少了不確定性。Gamse[9]等將貝葉斯框架應用于HST模型，并使用貝葉斯模型類別選擇最佳模型，模型性能使用從填石路堤上的永久大地測量監測系統獲得的長期數據進行了驗證。同樣，有人指出統計模型的參數沒有物理意義[10]，為了解決這個問題，研究人員使用盲源分離來找出各種外部載荷(如空氣溫度、靜水壓力、結構變形和不可逆分量)對結構響應的貢獻。

統計模型的另一個主要缺點是它不能再現變量之間的非線性關系和相關性。人工智能模型可以克服這個問題，因為人工智能模型能夠學習輸入和輸出變量之間復雜的非線性相互關系，并將各種不確定性納入預測。

1.2 人工智能模型

人工智能技術的關鍵思想是用給定的大壩響應數據訓練模型(有監督或無監督學習)，并將其用于未來預測。過去，各種人工智能模型，如神經網絡(Neural Network，NN)、支持向量機(Support Vector Machine，SVM)、高斯過程回歸(Gaussian Process Regression，GPR)、深度學習等，已經用于大壩安全監控模型。例如，Liu[11]等使用單隱層神經網絡算法來預測149.5m高混凝土拱壩的位移。Assaad等[12]使用基于神經網絡的決策支持系統開發了現有大壩的潛在風險預測技術。Li[13]等開發了一種基于圖像的神經網絡，用于對大壩的表面裂縫進行分類和定位。

研究人員比較了各種人工智能模型的結果，并為特定大壩選擇了最合適的模型。例如，Hu[14]等比較了隨機森林(RF)、最小二乘支持向量機(LS-SVM)、簡單增強回歸樹(SBRT)和核極限學習機(K-ELM)的結果，用于大壩變形預測。類似地，Cheng[15]等比較了SVM、ANN和混合AI模型用于大壩位移預測的結果。結果表明，混合人工智能模型為DHM提供了比傳統人工智能模型更好的精度。Kang[16]等人比較了GPR-HST模型和GPR模型的結果，并得出結論，GPR方法更有效地捕捉了大壩響應中的非線性。Wei B[17]等將時空混合模型與單點統計模型和SVM模型的性能進行了比較。劉浩[18]借助IABC-LSSVM融合人工智能模型對大壩變形進行監控，其結果精度較高和魯棒性較高，說明融合不同的智能算法能夠發揮各自的優勢，提高監控模型的精度和可靠性。

此外，文獻[19]對用于大壩響應建模的機器學習技術進行了比較和回顧。在他們的工作中，比較了各種人工智能模型的測試和預測能力，如隨機森林(RF)、增強回歸樹(BRT)、神經網絡(NN)、支持向量機(SVM)和多元自適應回歸樣條(MARS)。發現BRT模型在預測中表現最好，其次是NN和RF。進一步地，如果大壩運行后的前幾年數據被排除在訓練集之外，模型擬合和預測能力會提高。

1.3 無損檢測技術

無損檢測技術在工程安全健康檢測的從業者和工程師中非常流行，如聲發射、光纖、光纖布拉格光柵和超聲波技術被用于評估現有大壩的健康狀況。

聲發射是指伴隨固體材料在斷裂時釋放儲存的能量產生彈性波的現象，利用接收聲發射信號研究材料、動態評價結構的完整性，聲發射法適用于實時動態監控檢測，且只顯示和記錄擴展的缺陷，這意味著與缺陷尺寸無關，而是顯示正在擴展的最危險缺陷[20]。這樣，應用聲發射檢驗方法時可以對缺陷不按尺寸分類，而按其危險程度分類。Kepler[21]等應用聲學走時層析成像方法來檢測和定位大型混凝土大壩的損傷。Shiotani[22]使用AE技術評估了舊大壩中修復混凝土橋墩的性能，并指示修復前后混凝土大壩結構構件修復階段的效率。在另一項研究中，Zhang[23]等提出了AE技術來監測拱壩的破壞階段，AE分形特征用于預測大壩的破壞和評估大壩的整體狀況。Li[24]等將數字圖像相關和AE技術相結合，研究了混凝土壩在不同荷載作用下的損傷擴展和斷裂過程，結果表明，AE分析捕捉了不同加載速率下的裂紋擴展。

與傳統的機械和電氣傳感器相比，光纖傳感器具有一些獨特的優點，如體積小、重量輕、抗電磁干擾和抗腐蝕性以及嵌入能力，因此它們已在全球工程結構監測中得到應用。Khan[25]等提出了一種利用光纖傳感器收集的溫度測量值進行大壩泄漏檢測的方法，研究結果證明，所提出的方法能夠識別并提供大壩泄漏的預警系統。Fan[26]等使用光纖布拉格光柵(FBG)應變傳感器來監測和評估低強度材料的應變，實驗研究結果表明，FBG應變傳感器能夠捕捉動態應變，并檢測和定位地震作用下大壩的裂縫。作者得出結論，這種類型的傳感器可用于提取動態參數，并預測小型水壩內部的損傷起始和擴展。

超聲波在構件內部傳播時遇到不同界面將有不同的反射信號(回波)，利用傳遞到探頭的不同反射信號，可以對目標進行檢測[27-28]。Indrasari[29]等使用超聲波和水流傳感器開發了大壩洪水管理的早期洪水檢測和預警系統：兩個超聲波傳感器和一個水流傳感器用于檢測Katulampa大壩的水位和流量。研究的結果表明，所開發的系統作為洪水災害警報具有較高的性能和效率。Wang[30]等提出了一種使用超聲波傳感器的損傷檢測和定位技術：所提出的技術用于改進傳統超聲計算機斷層掃描的性能，以檢測和定位鋼筋混凝土結構中的故障。石濤[31]使用基于超聲波的方法來監測和評估安裝在大壩工程中的耳軸錨桿的健康狀態。

因此，無損檢測技術能夠定期對大壩結構的安全穩定性進行評估，其結果的精度和可靠性在大量工程實踐中得到了驗證。隨著信號分析技術的發展，由信號數據驅動的大壩安全檢測技術會得到進一步發展。

2 發展趨勢及主要問題

由上可知，HST和HTT等統計模型以及NN和SVM等人工智能模型已經成功地廣泛應用于大壩安全監控，無損檢測技術也較好地應用在大壩安全健康檢測中。

統計模型的優勢在于可以解決較為簡單的回歸模型，比如線性回歸和相關性強的非線性問題。統計模型對于長時間的大壩安全監控的預測和預警精度則較低，以及對復雜的非線性問題的解答能力較弱。未來主要在小型水利工程中進行應用，一是小型水利工程的數據庫較小，二是小型水利工程的管理經費較少，復雜的智能模型的開發和維護經費則相對較高，基于這兩點的原因，統計模型依然是安全監控模型中必不可少的模型。

相較于統計模型，人工智能模型的精度得到了較大幅度的提高，也逐漸成為大壩安全監控模型的主要應用模型。盡管基于神經網絡等人工學習的智能模型應用廣泛，但它們仍有一些局限性，如權重的初始化、需要最佳網絡架構，以及過度擬合、訓練時間長效率低等。為了解決上述問題，深度學習、遷移學習是人工智能模型的主要發展方向，可以進一步提高模型的學習能力和泛化能力。

隨著檢測監測技術的發展，能夠得到關于大壩運行性態的數據愈加龐大，這對基于數據驅動的監控模型提出新的要求。特別地，信息化和智能化的智慧大壩需要高精度的監控模型來支撐和實現。過去實現單一目標的單一模型對于目前的實時監控大壩則明顯不足。因此，多目標的大壩智慧監控模型是未來發展的重點。大壩智慧監控模型的關鍵在于判別系統的構建，特別是對大壩模型的迭代和更新速度。

此外，除了數據驅動模型本身技術和方法面臨的問題外，數據驅動的大壩數據庫和大壩的結構性態的信息也對模型的精度產生比較大的影響，其主要的問題包括有：

(1)收集數據中的噪聲。噪聲是由各種環境因素(如車，人，水流，風荷載等)和傳感器本身電測(如電壓不穩，電磁噪聲等)造成的。

(2)靜態模型和動態模型的集成。例如，大壩的固有頻率和水平位移可以集成到同一模型中，以更好地指示大壩性能。

(3)基準數據的缺失。與建筑物和橋梁等其他結構不同，大壩監測的基準數據集通常式缺失的。

(4)安全預警閾值。大壩響應閾值(如位移、應變、固有頻率等)的設置是及時檢測損傷的重要步驟。需要開發算法來設置適當的閾值，以使錯誤警報最小化，并檢測到早期損壞。

3 結論

(1)隨著信息技術的發展，統計模型、人工智能模型和無損檢測技術都得到了較好的發展，基于數據驅動的大壩安全監控模型的精度都有不同程度的提高。

(2)通過討論和闡述大壩安全監控模型的發展趨勢和存在的主要問題可以為大壩安全管理人員提供新的基礎性信息，也可以為大壩安全監控模型和系統的開發人員提供新的思路。

(3)考慮到大壩系統的復雜性，現有的安全監控模型仍存在一定的局限性。大壩安全監控模型的發展趨勢是實現大壩的實時監控和預警，因此大壩安全監控模型需要提高監測檢測技術和智能算法的融合度和實時性。