基于人工神经网络的大坝变形分析与预报研究

基于改进BP神经网络的大坝变形监测模型预报
赵英男
【期刊名称】《陕西水利》
【年(卷),期】2017(000)003
【摘要】变形监测是大坝安全运行的重要保证,结合白石水库混凝土坝真空激光X 向位移资料进行分析,提出应用改进的BP神经网络思想建立的安全监测模型,结合对相关数据参数进行系统性的研究,并与传统BP神经网络模型训练、预测结果对比,得出改进的BP神经网格模型优于传统BP神经网络模型,具有一定抗差能力,能够降权使用可疑值,相关系数较高,预测精度好,可在实际中广泛运用.
【总页数】3页(P113-115)
【作者】赵英男
【作者单位】辽宁省白石水库管理局,辽宁朝阳122000
【正文语种】中文
【中图分类】TV698.11
【相关文献】
1.基于改进BP神经网络的海堤渗压监测模型研究 [J], 周娟;黄铭
2.基于小波网络的大坝变形监测模型与预报 [J], 高平;薛桂玉
3.基于GA-PSO-BP的大坝变形监测模型 [J], 卢献健;罗乐;胡应剑;周斌;王雷
4.基于BIM技术的水利工程大坝变形监测模型分析 [J], 田少伟
5.基于BIM技术的水利工程大坝变形监测模型分析 [J], 史兰爽
因版权原因，仅展示原文概要，查看原文内容请购买。

基于IPSO-BP神经网络的大坝变形预测摘要：提出了一种基于改进粒子群算法的BP神经网络(IPSO-BP)模型来进行大坝变形预测。

此模型融合粒子群优化算法的全局寻优和BP神经网络算法的局部搜索的优势，有效地防止了网络陷入局部极小值，同时又保证了预测结果的精确性。

仿真实验结果表明：提出的IPSO-BP模型预测精度优于常规BP网络及其他预测方法，说明此预测方法有效可行。

关键词：大坝变形预测；粒子群优化算法；BP神经网络；IPSO-BP模型.1 引言建立有效实用的大坝变形监测模型，对于监控大坝的运行意义重大。

近年来，用于大坝变形预测的方法很多，传统方法有：时间序列法、回归分析法等[1]；新的预测方法有：灰色预测法[2-3]、BP神经网络及其融合模型[4-6]、支持向量机模型[7-8]等。

但大坝变形是一个复杂的系统，受诸多外界因素的综合影响，且对大坝变形的作用机制很难用精确的数学语言来描述，从而导致了传统预测方法和灰色预测方法的精度不高。

支持向量机方法因关键参数选取的困难性影响了其实用性。

2 基于IPSO-BP神经网络预测模型2.1 PSO算法及算法改进PSO算法是由Kennedy[9]与Eberhart[10]受鸟群觅食行为的启发后于1995年提出来的，是基于群体智能理论的优化算法，通过鸟之间的集体协作使群体达到最优的过程，为更好地控制算法的开发和探索能力，之后Shi等[11]引入惯性权重形成了标准版本。

标准PSO算法首先初始化为一组随机粒子(随机解)，然后通过跟踪当前最优的粒子来搜索最优解。

2.2 BP神经网络拓扑结构及算法原理BP神经网络是一种反向传播并修正误差的多层前馈映射网络，只要有足够的隐节点，可以实现任意Rn上[0，1]n 到Rm的映射能力和自学习、自组织和适应能力[3]。

本文的神经网络优化模型采用3层BP网络，即输入层、中间层(隐含层)和输出层。

3 基于IPSO-BP神经网络预测模型在大坝变形预测中的应用3.1 数据准备为检验预测效果，本文选用文献[5]中我国丹江口大坝某坝段的挠度观测资料作为分析对象，输入向量由大坝上下游水位差因子、、，时效因子和ln（为观测日至基准日的累积天数除以1000），温度因子、、、、(分别为当天、前五天、前10天、前30天、前60天当地平均气温)共10个因子组成。

模糊系统和人工神经网络在洪水预报中的应用摘要这篇研究呈现了人工神经网络（人工神经网络）和模糊逻辑（FL）模型对于日常水库入库径流预测的发展。

此外，线性回归（LR）模型也被开发为一个传统的洪水预报方法。

为了证明人工神经网络和FL模型的适用性和能力，位于伊朗西南部的Dezreservoir水库被作为一个案例研究。

结果证明ANNs模型能够提前一天预测水库入库径流，尤其是这种预测模式要比FL模型和LR模型要准确。

研究发现人工神经网络模型预测洪水预报提前1天以上精度降低，同等条件下FL模型和LR模型提前4天而得到的结果与从佛罗里达州得到的相应测量值要比较精确。

这项研究的一个主要发现是：模糊逻辑模型通常低估了洪水，而其他两种模型预测洪水流量比较好。

水位曲线的峰值,对于洪水防害是非常重要的，ANNs模型和LR模型对于短周期(为期一天前)的预测要比较好,对于长时间(如为期3天的洪水流量之前)的预测ANNs模型,LR 模型和FL模型的误差分别在3%、4.5%和26%，事实证明LR和FL模型略优于人工神经网络模型。

关键词:洪水预报;水库流入;模糊逻辑;人工神经网络;洪水;1 引言洪水预报是是水库管理系统最重要的任务之一。

经济损失的大小取决于对洪水管理认识的重要性，一个高效的洪水警报系统不仅可以减轻洪水泛滥对于经济造成的损害，同时可以大大提高公共安全,。

洪水预报无疑是一个具有挑战性的领域,是一个推动时代产生巨大文学性发展的领域((Xiong et al,2001;Gopalcuinar and James, 2002; Chau , 2005; Tayfur and Singh， 2006);特别是降雨径流关系已被公认为是非线性的。

虽然概念模型允许深刻理解其水文过程,但是在分水岭的研究中它的校准需要收集大量的物理属性 (例如,地形特征和河流网络、降雨和径流)，可能是昂贵的和非常耗时。

由于先进的物理模型需求庞大的数据和相关模型的校准很长的计算时间，所以先进的物理模型进行实时预测可能不是很理想。

大坝变形监测数据分析与预警系统设计随着工业和人口的快速增长，对水资源的需求不断增加，大坝的建设已成为解决水资源问题的重要手段。

然而，在大坝建设和运营的过程中，安全问题是一个一直以来备受关注的话题。

大坝因为受到地质灾害、水压力、沉降和变形等因素的影响，可能出现破坏性变形，对周边环境和居民造成极大的威胁。

因此，建立一个可靠的大坝变形监测数据分析与预警系统是至关重要的。

一、大坝变形监测数据分析1. 数据采集：为了实时监测大坝的变形情况，首先需要利用多种传感器对大坝进行布置。

这些传感器可以包括位移传感器、压力传感器、倾斜传感器等，以获取大坝各个部位的实时数据。

此外，可以利用卫星雷达遥感和无人机等先进技术获取更全面和完整的大坝变形数据。

2. 数据传输和存储：采集到的大量监测数据需要通过高效稳定的数据传输网络传输到数据中心，并利用云计算平台对数据进行处理和分析。

大坝监测数据的存储可采用分布式数据库技术，确保数据的安全性和可靠性，并提供快速的获取和检索功能。

3. 数据处理和分析：对采集到的大坝监测数据进行实时处理和分析是保证系统高效性的关键。

数据处理算法可以运用统计学方法、时间序列分析方法和机器学习等，以识别大坝的变形趋势和规律。

例如，可以利用主成分分析、聚类分析和监督学习算法等方法，从大量数据中提取出关键的特征和指标。

4. 可视化展示：大坝监测数据的可视化展示有助于工程师和决策者对大坝的变形情况进行直观的了解和判断。

可以利用图表、曲线和地理信息系统等工具，将大坝监测数据以直观形式展示出来，并实现数据的实时更新和动态显示。

二、预警系统设计1. 预警指标的确定：根据大坝的结构特点和监测数据的分析结果，确定一些关键的指标作为预警的依据。

这些指标可以包括大坝位移、沉降速率、压力变化等，通过对这些指标的监测和分析，可以判断大坝是否存在变形风险，并进行及时的预警。

2. 预警模型的建立：基于历史监测数据和变形规律，可以通过建立预警模型来预测大坝的变形趋势。

文章编号:1672-8262(2009)03-112-04 中图分类号:T V698111 文献标识码:B 改进的BP 神经网络在大坝变形监测中的应用杨刚13,曾凡祥23　收稿日期:2008—06—24作者简介:杨刚(1982—),男,助理工程师,主要从事工程测量工作。

(11芜湖市勘测设计研究院,安徽芜湖241000;　21广州海洋地质调查局,广东广州　510760)摘　要:BP 算法能够为大坝的变形预报提供较好的预测值,且具有较高的精度。

依据BP 算法的特性,提出了通过添加学习速率自适应与附加动量项的方法来提高BP 算法的运算速度;并对此改进策略进行了试验论证。

关键词:神经网络;BP 神经网络;变形监测1　引　言作为一种新兴的、功能强大的信息处理方法,与传统信息处理方法相比,神经网络的最大优点是避免了知识表达的具体形式,不必像统计模型那样要求一定的前提假设和事先的确定因子,而且在理论上可实现任意函数的逼近。

此外,神经网络所反映的函数关系不必用显式的函数表达式表示,而是通过调整网络本身的权值和阈值来适应,具有很强的非线性映射能力[1,2]。

目前,BP 神经网络研究已在大坝的变形监控应用方面取得了一定的成果,但同时我们还应看到,标准的BP 神经网络仍具有训练速度慢的特点[3,4,5],本文对BP 算法进行了改进,将其运用到大坝变形监测中,分析改进后的BP 算法性能,并与改进前的BP 算法进行了比较分析。

2　BP 神经网络原理BP 算法的主要思想是把学习分为两个阶段[1]:第一阶段(正向传播过程),给出输入信息,通过输入层经隐含层逐层处理并计算每个单元的实际输出值;第二阶段(反向过程),若在输出层未得到期望的输出值,则逐层递归地计算实际输出与期望输出之差(即误差),以便根据此差调节权值,具体些说,就是可对每一个权重计算接收单元的误差值与发送单元的激活值的积。

权重的实际改变可由权重误差微商一个模式一个模式地计算出来,即他们可在这组模式集上进行累加。

第19卷第2期 测　绘　工　程 Vol.19№.22010年4月 EN GIN EERIN G O F SU RV EYIN G AND MA PP IN G Apr.,2010基于神经网络的大坝位移模型分析李美娟,胡伍生(东南大学,江苏南京210096)摘　要:结合某大坝工程实测数据,建立该大坝位移量和相关因子的逐步回归模型和神经网络模型,并对两者模型结果进行比较,结果表明神经网络方法在大坝变形分析和预报方面效果良好。

关键词:大坝;监控模型;神经网络中图分类号:TV698.1 文献标志码:A 文章编号:100627949(2010)022*******Resear ch on the dam displacement model ba sed on BP N eural net w or kL I Mei 2juan ,HU Wu 2sheng(Southea st Univer sit y ,Nanjing 210096,China)Abstract :The st epwi se regression model a nd B P Ne ural net wor k model are i nt roduced ,and t hen a st epwi se regression mo del and a B P Ne ural net wor k model are buil t wit h dam di splaceme nt a nd correlat ed factors on t he basi s of monitoring data of a dam.A compari so n shows t hat t he B P Neural net wor k model i s bet ter.K ey w or ds :dam ;moni tori ng model ;Neural net work 收稿日期262基金项目国家63计划资助项目(Z )作者简介李美娟(6),女,硕士研究生 20世纪30年代以来国际上相继发生了Vajont (意)、Malpa sset (法)、Teton (美)等著名的垮坝事件。

基于机器学习的大坝变形监测与预测研究大坝是重要的水利工程设施，而大坝变形监测与预测对于保障大坝的安全运行具有重要意义。

基于机器学习的大坝变形监测与预测研究能够为大坝的安全管理提供可靠的支持。

本文将围绕这一主题展开讨论，包括机器学习的基本原理、大坝变形监测的方法与技术、基于机器学习的大坝变形预测模型等内容。

首先，我们来了解一下机器学习的基本原理。

机器学习是一种人工智能的分支领域，通过利用统计学和算法让计算机自动学习和改进性能。

在大坝变形监测与预测研究中，机器学习可以通过训练模型来识别大坝变形的模式和特征，从而进行监测和预测。

在大坝变形监测方面，有多种方法和技术可以应用。

常见的方法包括测量和监测大坝的应变、位移、倾斜等物理量，并利用传感器获取实时数据。

这些数据可以帮助我们了解大坝的变形情况，但由于数据的复杂性和不确定性，传统的监测方法面临着一些限制。

基于机器学习的大坝变形监测方法可以通过学习大量的监测数据和已知的变形模式，来建立数据之间的关联和预测模型，从而更准确地识别和监测大坝的变形情况。

基于机器学习的大坝变形监测与预测研究还可以结合其他领域的技术，如数据挖掘、图像处理和信号处理等。

其中，数据挖掘可以用于从大量的监测数据中发现隐藏的模式和规律，进一步提高预测模型的准确度和可靠性。

图像处理技术可以用于从监测图像中提取变形特征，帮助我们更直观地观察和识别大坝的变形情况。

信号处理则可以用于处理传感器采集的数据，提取出有用的信息。

基于机器学习的大坝变形预测模型是实现大坝变形的预测和预警的关键。

通过收集和分析大量的监测数据，可以建立监测数据和大坝变形之间的关系模型。

常用的机器学习方法包括支持向量机（SVM）、决策树、随机森林和神经网络等。

这些方法可以通过训练模型，自动学习和识别大坝变形的模式和规律，从而实现较准确的预测和预警。

然而，基于机器学习的大坝变形监测与预测研究仍面临一些挑战。

首先是数据的质量和可靠性问题，监测数据的准确性和完整性对于建立和训练准确的模型至关重要。

大坝变形分析与预报监测对大坝安全的意义可简明地概括为：监测是基础，分析是手段，预报是目的。

监测涉及到许多新技术的应用，分析与预报则涉及到多学科交叉的许多方法和理论。

针对大坝变形，现将分析与预报方法和有关理论归纳于下，仅供同行和邻行专家参考。

1 变形观测资料的预处理包括对于用各种方法获取的观测值做完整性、可靠性检查，进行粗差剔除，离群观测值处理，对时间序列做等间隔插补，绘制变形过程曲线，进行趋势分析，将经过预处理后的观测值入库管理。

2 监测网数据处理方法对于监测网的数据处理属于变形的几何分析范畴，包括确定相对或绝对变形量的大小、几何分布和变化规律。

变形监测网一般由参考网和相对网组成，对于监测网周期观测数据处理，主要是确定稳定点，估计变形点相对于稳定点（或基准）的变形。

对于零期和一期观测，多采用秩亏自由网平差或拟稳平差法做变形分析，一旦确定存在稳定点，则仍以稳定点为基准进行约束平差为宜。

周期观测点场稳定性的统计检验与判别，通常采用平均间隙法和最大间隙法。

对于监测滑坡体的周期观测网，在获取到各期监测点的位移值后，可采用聚类分析法进行变形模式的拓朴约束识别，自动划分变形块体和估计各块体的变形模型参数。

3 回归分析法取变形（称效应量，如各种位移值）为因变量，环境量（称影响因子，如水压、温度等）为自变量，根据数理统计理论建立多元线性回归模型，用逐步回归法可得到效应量与环境量之间的函数模型，用这种方法可做变形的物理解释和变形预报。

因为它是一种统计分析方法，需要效应量和环境量具有较长且一致性较好的观测值序列。

在回归分析法中，当环境量之间相关性较大，可采用岭回归分析；如果考虑测点上有多个效应量，如三向垂线坐标仪、双向引张线仪，二向、三向测缝计的观测值序列，则可采用偏回归模型，该模型具有多元线性回归分析、相关分析和主成份分析的功能，在某些情况下优于一般的逐步线性回归模型。

4 时间序列分析法大坝变形观测中，在测点上的许多效应量如用垂线坐标仪、引张线仪、真空激光准直系统、液体静力水准测量所获取的观测量都组成一个离散的随机时间序列，因此，可以采用时间序列分析理论与方法，建立p 阶自回归q阶滑动平均模型ARMA（p、q）。