基于GRU神經網絡的水庫大壩變形預測模型研究

0 引言

大壩作為水利水電工程的重要組成部分，其安全性和穩固性直接關系到人民生命財產安全和社會經濟的穩定發展[1]。大壩在長期運行過程中受多種環境因素的影響，其變形情況日益復雜，以前的變形預測方法已經難以滿足現在大壩安全監測的需求[2-3]。因此探索高精度、高效率的大壩變形預測方法顯得十分重要。近年來，隨著人工智能技術的飛速發展，神經網絡模型在大壩變形預測領域展現出了巨大的潛力。其中，門控循環單元（GRU）神經網絡作為一種特殊的循環神經網絡（RNN)，具有強大的時間序列數據處理能力和長期依賴性學習能力，適用于具有時間滯后性和復雜特征的大壩變形預測[4]。

本文研究利用GRU神經網絡的優勢，結合影響大壩變形的多種因素，構建高精度的大壩變形預測模型，通過深入分析大壩變形監測數據中的時間特征規律，實現對大壩變形的精準預測。這不僅有助于及時發現大壩的安全隱患，為大壩的維護和管理提供科學依據，還能為類似工程變形預測提供新的思路和方法。

1工程概況

木拱河水庫位于安順市普定縣馬官鎮木拱村，主要建筑物有大壩、溢洪道、生態放空工程、泵站以及高位水池等。大壩為面板堆石壩，壩頂長 120.00m ，寬 5.0m ，壩頂高程1235.50，建基面高程 1202.0m ，最大壩高 33.5m. 0大壩共設置3套水平位移計，用于監測壩體水平位移，布置在大壩 0+076.285 斷面，其測點距觀測房管線長度分別為 60m 、 37m 、 15m ，測頭分別位于過渡區、主堆石區、次堆石區。本文采用過渡區SE1測點的監測數據進行研究，監測原始數據包括氣溫、庫水位和位移量。

2構建GRU模型

2.1 數據預處理

數據經自動化系統收集，可能因儀器故障、維護等導致樣本中包含無效數據。但是本研究中無效數據量較少，不影響整體結構。于是剔除明顯異常值和連續缺失?6 次的數據，相鄰數據采用線性插值法填補缺失數據。最終獲取過渡區SE1測點監測數據820組，其中656組為訓練集，164組為測試集。

由于輸入的各種數據在單位量綱和數量級上存在顯著差異，為了在構建模型時確保所有輸入數據處于同一尺度，從而提升模型的收斂速度，需對氣溫，庫水位和位移量數據進行歸一化處理。本研究采用最大最小值歸一化方法，將原始數據線性轉換至[0，1]的范圍內。

2.2GRU模型公式

GRU模型是一種循環神經網絡RNN的變種，可有效解決RNN在處理序列數據時面臨的長期依賴問題和梯度消失難題。GRU模型能有效捕捉序列數據中的長期依賴關系，通過引入門控機制的更新門和重置門來控制信息的流動。更新門負責決定當前時間步的信息有多少應被保留，以及有多少來自先前時間步的信息應被更新或遺忘。重置門則決定了先前的隱藏狀態（即模型在上一時間步的記憶）有多少應該被忽略，以及有多少應該與當前輸入相結合來生成新的隱藏狀態。

GRU模型可使用以下互相關聯的計算公式來表示：

z_t=σ(W_z[h_t-1，x_t]+b_z)

r_t=σ(W_r[h_t-1，x_t]+b_r)

式中： _Zt 為更新門； r_t 為重置門； σ 為sigmoid(激活）

函數，通過該函數可將數據轉換至[0，1]范圍的數值；h_t-1 為上一時刻的隱藏狀態； X_t 為當前時刻輸入信息； 為候選隱藏狀態；tanh為雙曲正切函數，通過該函數可將數據轉換至 [-1，1] 范圍的數值； y_t 為當前隱藏狀態的輸出； h_t 為傳遞到下一時刻的隱藏狀態；W為各門控機制及隱藏狀態的權重矩陣； b 為各門控機制及隱藏狀態的偏置向量。

2.3GRU模型精度評價

采用平均絕對誤差、均方根誤差和決定系數對模型預測精度進行評價。平均絕對誤差和均方根誤差得分越低，表明模型的預測誤差越小，預測精度越高，其能夠量化模型預測性能的波動性。決定系數用于衡量模型預測值與實際值之間的擬合程度，其值越接近1，表明模型的預測值與實際值的擬合程度越高，模型預測性能越優越。這3個指標的計算公式如下：

式中：MAE為平均絕對誤差，RMSE為均方根誤差，R² 為決定系數， n 為樣本數量， 為預測值， y_i 為觀測值， 為樣本序列的平均值。

3GRU模型訓練與性能驗證

3.1GRU模型參數設置

GRU模型的超參數與模型性能相關，超參數設置需綜合考慮數據特點、計算資源和模型性能需求。本研究的實驗環境和GRU模型的超參數設置情況如表1所示。

GRU模型的層數為3，每層包含128個神經元，用于平衡模型的表達能力和計算效率。GRU模型將進行200次迭代訓練，以確保充分學習數據中的規律。為了進一步提高模型的泛化能力，引入了早停機制。若GRU模型的損失函數在連續15次迭代中沒有明顯下降，該訓練將提前終止。

此外，GRU模型的學習率被設置為0.001，這一較低的學習率有助于模型在訓練過程中保持穩定，避免在最優解附近振蕩。Dropout率（訓練神經網絡時隨機丟失一部分神經元的比例）被設置為0.2，通過在訓練過程中隨機丟棄部分神經元，可以有效減少GRU模型對訓練數據的過擬合，提高模型的泛化能力。

表1實驗環境和GRU模型的超參數設置

3.2GRU模型預測性能評價

3.2.1大壩水平位移預測效果

GRU模型對水庫大壩過渡區SE1測點的水平位移預測效果如圖1所示。由圖1可知，SE1測點的水平位移值介于 1.09～3.58mm 之間。通過對比預測值和真實值可以看出，二者之間的相關性較高，這表明GRU模型成功捕捉到了大壩水平位移的變化規律，能夠較好地反映大壩水平位移的實際情況，決定系數為0.912。

盡管GRU模型在整體趨勢上的預測較為準確，但其預測值相對于真實值卻存在一定的滯后性。具體表現為預測曲線中的波峰和波谷總是晚于真實值曲線中的對應點出現。這可能是由于GRU模型的時間序列處理能力受到其內部機制的限制。雖然通過門控機制改善了傳統循環神經網絡的長期依賴問題，但在處理某些復雜時間序列時，可能仍然無法完全實時捕捉數據的動態變化。

3.2.2GRU模型預測殘差

為深入評估GRU模型的預測性能，繪制模型預測殘差如圖2所示。由圖2可知，在多數監測期下，模型的預測殘差保持在 -0.35～0.40mm 的范圍內，這表明模型在大多數情況下能夠提供相對準確的預測結果。然而，在水平位移曲線位于波峰波谷時，由于預測滯后性的存在，GRU模型的預測殘差也相應增大，甚至可達1.5mm。這證實了滯后性對模型預測性能的影響，因此需進一步提升模型在波峰波谷期的預測能力。

圖1GRU模型對大壩SE1測點水平位移預測效果

圖2GRU模型預測殘差

4GRU模型預測性能的優化

4.1引入注意力機制

為提升GRU模型對水庫大壩水平位移曲線波谷波峰期的預測精度，引入注意力機制，構建GRU-注意力機制模型。注意力機制在模擬人類處理復雜信息時的注意力分配方式，可使模型能夠在處理序列數據時，智能、選擇關注那些對預測結果重要的部分，忽略不重要的部分，從而提高模型的效率和效果。

4.2GRU-注意力機制模型的預測性能

基于注意力機制的GRU-注意力機制模型的預測性能如圖3所示。GRU-注意力機制模型的預測殘差如圖4所示。由圖3、圖4可知，注意力機制引入極大緩解了預測滯后性問題。模型預測值與真實值之間的擬合度變高，決定系數為0.973，相較于GRU模型提高了 6.69% 。預測殘差值也實現了顯著降低，由 -0.35～0.40mm 降低為 -0.03～ 0.09mm ，這說明預測結果的穩定性與可靠性得到了提升。

同時，模型的誤差指標，即平均絕對誤差和均方根誤差也實現了顯著的下降，值由0.335降低至0.004，值則由0.415降低至0.006。GRU模型與GRU-注意力機制模型對比如表2所示。

表2GRU模型與GRU-注意力機制模型對比

在GRU-注意力機制模型中，信息的處理流程得到了優化。模型首先通過GRU層對輸入序列進行特征提取，隨后通過注意力層來計算每個時間步的注意力權重，并基于這些權重生成上下文向量。最終，模型將依據這個上下文向量來做出預測。

在大壩水平位移預測的任務中，這樣的設計使得模型能夠更敏銳地捕捉到那些對大壩變形具有關鍵影響的外界信息，如氣溫，庫水位等，從而進一步提升預測的精度。此外，注意力機制還能夠有效地改善模型預測的滯后性問題。它允許模型在處理當前輸入時，回顧并整合之前的狀態信息，從而幫助模型更準確地預測未來的位移變化。

5優化GRU-注意力機制模型設想

通過分析GRU-注意力機制模型預測殘差發現，在多數監測周期內，模型的預測殘差普遍大于0。這一現象意味著模型的預測值從整體上傾向于高于真實值，特別是在位移曲線的波谷階段，這種偏差表現得尤為明顯。這一現象可能是因為該模型存在一定的過擬合風險，或是對于某些外界影響因素的響應過于敏感，導致預測結果偏高。

圖3GRU-注意力機制模型的預測性能

圖4GRU-注意力機制模型的預測殘差

為了進一步優化該模型性能，在以后的研究中可以考慮引入正則化技術，或進一步調整注意力機制的參數設置，以降低模型在波谷階段的預測偏差。同時，也可以引入更多壩體變形影響因素，如降雨量，壩基滲壓等，以提升該模型在復雜工況下的預測準確性和魯棒性。從而使GRU-注意力機制模型更好的應用于大壩變形預測。

6結束語

本研究利用GRU神經網絡構建了水庫大壩變形預測模型，并針對預測滯后性問題引入了注意力機制進行優化。實驗結果表明，GRU模型能夠較好地反映大壩水平位移的實際情況，但在波峰波谷期的預測存在滯后。通過引入注意力機制，模型預測性能得到顯著提升，預測值和真實值之間的擬合度變高，預測殘差顯著降低。未來研究可進一步考慮正則化技術或調整注意力機制參數以降低預測偏差，并引入更多影響因素，以提升GRU-注意力機制模型在復雜工況下的預測準確性和魯棒性。

參考文獻

[1]邊利心.基于GB-SAR的汾河水庫大壩安全監測[J].水利技術監督，2024(11):23-25+192.

[2]徐建宇，郭永剛.基于MEMS傳感器陣列大壩沉降監測設計[J].中國新技術新產品，2024(20):144-148.

[3]涂超萬，劉大軍.江山龍頭水庫加固設計及處置后變形監測分析[J].中國新技術新產品，2024(20):77-80.

[4]谷宇，蘇懷智，張帥，等.基于自適應時序分解篩選的大壩變形預測模型[J].水利學報，2024，55(9):1045-1057+1070.