基于进化神经网络模型的面板堆石坝沉降和面板挠度预测

2017-05-16赵新瑞吕晓曼黄耀英左全裕

水力发电 2017年3期

关键词：堆石堆石坝挠度

赵新瑞,吕晓曼,黄耀英,左全裕,刘钰

(1.三峡大学水利与环境学院,湖北宜昌443002；2.天津标信检测技术发展有限公司,天津300000；3.湖南涔天河工程建设投资有限责任公司,湖南永州425500)

基于进化神经网络模型的面板堆石坝沉降和面板挠度预测

赵新瑞1,吕晓曼2,黄耀英1,左全裕3,刘钰1

(1.三峡大学水利与环境学院,湖北宜昌443002；2.天津标信检测技术发展有限公司,天津300000；3.湖南涔天河工程建设投资有限责任公司,湖南永州425500)

堆石坝变形和面板挠度的预估对指导堆石坝设计和施工具有重要意义。针对堆石坝室内试验参数和实际参数存在差异,而待建堆石坝缺乏实测变形进行参数反馈,难以较准确预估堆石坝沉降和面板挠度,为此较广泛搜集了类似面板堆石坝工程的监测数据,将遗传算法和神经网络模型相结合,建立了堆石坝工程变形预测的进化神经网络模型。由待建面板堆石坝工程的坝高、宽高比和干密度等作为控制参数,结合训练好的进化神经网络模型,预测得到待建面板堆石坝的变形及面板挠度。实例分析表明,该方法可行。

遗传算法；进化神经网络模型；沉降变形；面板挠度；预测

0 引言

混凝土面板堆石坝的沉降、面板挠度等变形对坝体的施工过程及稳定运行都有较大的影响,并且面板堆石坝的面板挠度变形、堆石体的沉降变形是复杂的非线性变化,其变形的影响因素较多,各因素的影响程度不同。在以往的实践工程中多依据现场试验和工程经验相结合的方式计算其变形,但结果多与实测变形差异较大。近年来随着计算机技术的发展,在混凝土面板堆石坝的变形研究过程中,神经网络模型被广泛用来预测面板堆石坝的变形,其中以BP神经网络模型使用较多。李金凤、杨启贵等[1]研究了神经网络模型在面板堆石坝堆石体施工期沉降变形预测中的应用；夏富洲、王长德[2]应用神经网络方法对堆石坝的面板挠度预测进行了研究,结果表明该方法的预测误差要小于伊梅祖米半经验公式的误差；岳荣花[3]基于传统BP算法的小波神经网络进行了优化并应用于工程实例中,结果表明优化效果较好；万臣、李建峰等[4]将BP神经网络与马尔科夫链相结合优化了BP神经网络模型,实例分析表明可以用来进行大坝沉降预测。但在使用BP神经网络模型预测混凝土面板堆石坝的沉降、面板挠度等变形时,模型计算容易陷入局部极小值,学习过程收敛速度慢,学习样本的数量和质量对最终结果影响较大。本文针对神经网络模型的不足,结合具有全局优化功能的遗传算法,优化BP神经网络的结构及其权值和阈值,得到了进化神经网络模型,用以研究进化神经网络模型对待建混凝土面板堆石坝的沉降变形和面板挠度的预测。

1 进化神经网络模型

1.1 BP神经网络模型原理

BP神经网络是一种多层的前向型神经网络,即信号前向传播,而误差反向传播。BP神经网络一般是由输入层、隐含层、输出层构成的三层网络结构,根据提供的输入向量和期望向量进行有监督学习、训练,在训练过程中根据网络误差性能对网络的权值和偏差进行调整[5]。在BP神经网络学习训练的过程中,给定了网络结构的输入向量后,经由网络输入层传递到隐含层,在隐含层经过神经网络的综合处理、信息变换、逐层处理后,将处理后的信息传递到输出层的各个神经元,再经由输出层的处理在输出端输出信号,至此完成一次正向传播的处理过程[6]。在信息向前传递的过程中,网络的权值是固定不变的,每一层神经元只影响下一层神经元的状态[7]。将输出的结果与期望输出结果进行比较,若不满足误差要求,则误差反向传播。在误差反向传播的过程中,按照梯度下降的方式,不断的调整网络结构的权值和阈值,并逐层向隐含层和输入层反向传递,从而使BP神经网络的输出值逐步的逼近期望输出值。

1.2 遗传算法原理

遗传算法仿效基于自然选择的生物进化,是一种模仿生物进化过程的随机算法。遗传算法是从目标问题可能存在的一个种群开始,该种群是由一定数目的经过基因编码的个体组成,每个个体类似于生物进化过程中的染色体。仿照染色体的功能,将其作为算法计算的主要载体。由于仿照基因编码的格式进行种群个体编码太过复杂,一般多采用其它编码方式进行简化,例如二进制编码。初始种群产生后,仿照生物进化的适者生存和优胜劣汰原则,逐代演化产生出误差越来越小的近似解。

在每一代,根据设定的适应度函数,计算每个个体的适应度,并依据优化准则选择再生个体,适应度高的个体被选中的概率高,适应度低的个体可能被淘汰,然后按照一定的交叉和变异方法及其概率生成新的个体,最后经由适应度值判断是否符合优化准则,若符合,输出个体(最优解),并结束计算,否则将进行下一代的遗传。

遗传算法包括3个基本操作：选择、交叉和变异[8]。遗传算法的参数中交叉概率和变异概率的选择是影响遗传算法行为和性能的关键,根据计算经验[9]遗传算法中交叉概率的取值范围为0.5～0.7,变异概率的范围为0.001～0.2。

1.3 进化神经网络模型

BP神经网络隐含层中神经元的个数对网络模拟效果的影响较大。隐含层神经元数目过少时,可能会导致训练的不适性,而神经元个数过多,有可能会导致过适性。针对BP神经网络这一缺点,结合遗传算法的优点,优化BP神经网络的结构及权值和阈值,使其网络结构的设置更为合理。遗传算法优化BP神经网络的结构及权值和阈值的具体步骤为

(1)通过某种编码方法随机组成一组初始个体构成的初始种群。

(2)计算种群内的每一个个体的适应度值,根据个体得到BP神经网络的初始权值和阈值,用训练数据训练BP神经网络后预测系统输出,把预测输出和期望输出之间的误差绝对值作为个体适应度值F,即

(1)

式中,n为网络输出节点数；yi为BP神经网络第i个节点的期望输出；oi为第i个节点的预测输出；k为系数。

(3)进行遗传操作：选择、交叉和变异,然后形成下一代新种群。

(4)根据适应度函数确定是否结束遗传算法,若不是则返回步骤(2)。

遗传算法优化BP神经网络的算法流程如图1所示。

图1 遗传算法优化BP神经网络流程

1.4 基于进化神经网络模型预测面板堆石坝沉降和挠度方法

首先应进行样本搜集,搜集多个相似堆石坝工程的河谷宽高比、坝高、干密度、堆石体的垂直压缩模量、坝体最大沉降值及面板挠度值等相关资料；然后针对所收集样本进行分析,剔除不利样本,确定进化神经网络模型的训练样本及输入参数和输出参数,通过Matlab编程,运行进化神经网络模型,得到最优网络模型结构及其权职和阈值；最后输入待建工程的相关参数得到相应的堆石坝沉降预测值和面板挠度预测值。

2 实例分析

2.1 工程概况

华中地区建设中的某水电站工程,该工程大坝坝型为钢筋混凝土面板堆石坝,坝顶高程324.0 m,趾板最低高程210.0 m,最大坝高114 m。该工程是具有灌溉、防洪、下游补水和发电,兼顾航运等综合利用效益的大型水利水电枢纽工程,水库正常蓄水位313.0 m,总库容15.1亿m3,灌溉面积7.43万hm2,电站装机容量200 MW。工程规模为Ⅰ等大(1)型,大坝、泄水建筑物等主要水工建筑物为1级建筑物,电站厂房及引水发电洞等发电主要建筑物级别为3级。以下采用进化神经网络模型对该面板堆石坝沉降和面板挠度变形进行预测。

2.2 已建面板堆石坝实测数据统计与处理

混凝土面板堆石坝变形的影响因素有很多,根据以往的工程经验[10],选取堆石坝的坝高H、堆石坝的河谷宽高比W/H、堆石体干密度γd、堆石体垂直压缩模量E作为堆石坝变形的控制因素。通过查阅文献搜集到以下资料,见表1。

为了更好的利用所收集样本的共性及提高模型面板变形挠度的预测精度,选取伊梅祖米半经验公式作为样本的处理标准,将异常样本删除。伊梅祖米半经验公式为

表1 坝体变形控制因素样本

(2)

式中,δ为初期蓄满时面板的最大挠度,cm；H为坝高,m；E为蓄水前堆石的压缩模量,MPa。

根据表1中的数据资料统计结果以及由式(2)计算得到的面板挠度数据比较可得,部分工程面板挠度监测资料与经验公式计算结果相差较大,例如谢罗罗、格里拉斯等,在使用进化神经网络模型计算时,剔除这些异常样本,以提高预测结果的精度。

由于统计样本有限,若同时考虑满足面板挠度、坝体沉降和压缩模量的控制标准,则可以用来训练的样本数量过少,故在进行变形预测分析时,对3个预测量分别采用与其相对应的3个样本集合,并通过伊梅祖米半经验公式计算各自相应的变化范围,然后针对不同预测量分别剔除不满足要求的样本,保留足够的样本数目,可增加各自的训练精度并提高进化神经网络模型预测精度。在挠度预测中剔除不满足经验公式的格里拉斯、谢罗罗、马路塘二期、盘石头和引子渡的样本数据；在压缩模量中剔除谢罗罗样本数据。

图3 神经网络训练变化曲线

图4 神经网络均方差误差变化

2.3 进化神经网络模型的建立和训练

为了加快网络的训练和收敛速度,在网络训练之前将筛选出的样本采用mapminmax函数对样本进行归一化处理,将样本归一化到[0.1,0.9]的范围内。设定遗传算法种群规模为50,遗传代数为100。

参考表1样本数据及其分析结果,将坝高、堆石坝的宽高比、堆石体干密度3个控制因素作为网络模型的输入值,将面板的挠度、堆石体的沉降、堆石体垂直压缩模量分别作为网络的输出值,采用遗传算法优化的进化神经网络模型分别进行样本训练。结果表明当网络学习10 000次,经过100代的遗传优化后,得到最优的BP神经网络结构为3-6-1,即BP神经网络模型中隐含层的神经元个数为6。进化神经网络模型结构如图2所示。

图2 进化神经网络结构

2.4 待建面板堆石坝沉降和面板挠度变形预估

利用已训练好的进化神经网络模型,将实例工程的控制参数坝高H=114 m、堆石坝的宽高比W/H=2.877、堆石体干密度γd=2.15 g/cm3带入。预测得到面板的挠度δ为173.59 mm,堆石体的最大沉降Δh=721.73 mm,压缩模量E=74.75 MPa 。堆石体沉降、面板挠度和压缩模量各自对应的进化神经网络模型训练过程见图3。

堆石体的面板挠度、堆石体沉降及压缩模量各自对应的进化神经网络模型训练过程中的均方差变化见图4。

由图3可知,进化神经网络训练过程较好,能够较好的表示输入参数与输出参数之间的关系。由图4可知,进化神经网络训练过程中均方差均较小,表明网络结构良好,能够有效的减少误差。综上可知,通过遗传算法对神经网络模型优化效果良好。

由该工程的监测日志可知,坝体内部埋设的水管式沉降仪测值具有滞后性,前期位移测量存在较大误差,导致了坝体实测沉降变形偏大,为此采用该模型对其沉降变形和面板挠度进行了预测分析。由预测结果可知,坝体沉降变形预测值小于实测变形,表明模型预测沉降变形值的合理性。根据表1统计资料及伊梅祖米半经验公式筛选后的样本分析得到堆石体的垂直压缩模量的范围在35～130 MPa,由预测结果可知堆石体的垂直压缩模量在样本范围之内,且预测的堆石体的沉降及面板的挠度基本满足Montanez Cartaxo、L.E、HacelasmJ.E等人提出的面板挠度关系公式[11],即δ=0.25×Δh,通过预测值结果可得面板挠度值约为堆石体沉降值的0.24,所以该模型的面板挠度预测结果是合理的。综上可知,该模型可以用来预测待建面板堆石坝的变形,对面板堆石坝的施工和变形控制具有一定的工程意义。

3 结论

采用遗传算法优化神经网络结构及权值和阈值,得到最优的神经网络结构,即进化神经网络模型,并针对工程实例进行了堆石体沉降和面板挠度变形的预测,得到以下结论：

(1)在样本参数不完整的情况下,设定神经网络结构的输出层为固定参数,对不同输出量分别采用相应的训练样本进行神经网络预测,即可有效利用有限的样本训练神经网络,也可提高神经网络的预测精度。

(2)利用有遗传算法优化神经网络结构及权值和阈值,得到进化神经网络模型,并据实例分析可知,该进化神经网络模型能够较好的预测待建面板堆石坝工程的坝体沉降变形和面板挠度变形。

[1]李金凤, 杨启贵, 徐卫亚. 神经网络模型在面板坝堆石体施工期沉降变形预测中的应用[J]. 河海大学学报：自然科学版, 2007(5): 563- 566．

[2]夏富洲, 王长德. 应用神经网络方法预测堆石坝的面板挠度[J]. 人民长江, 2007(2): 39- 40．

[3]岳荣花. 小波神经网络在沉降预测中的应用研究[D]. 南京：河海大学, 2007．

[4]万臣, 李建峰, 赵勇, 等. 基于新维BP神经网络-马尔科夫链模型的大坝沉降预测[J]. 长江科学院院报, 2015(10): 23-V27．

[5]陈炳瑞, 冯夏庭, 姚华彦, 等. 水化学溶液下灰岩力学特性及神经网络模拟研究[J]. 岩土力学, 2010(4): 1173- 1180．

[6]韩立群. 人工神经网络教程[M]. 北京: 北京邮电大学出版社, 2006．

[7]段侯峰. 基于遗传算法优化BP神经网络的变压器故障诊断[D]. 北京：北京交通大学, 2008．

[8]王德明, 王莉, 张广明. 基于遗传BP神经网络的短期风速预测模型[J]. 浙江大学学报：工学版, 2012(5): 837- 841．

[9]王瑞. 基于遗传优化BP神经网络的污水处理水质预测研究[D]. 广州：华南理工大学, 2012．

[10]蒋国澄, 傅志安, 凤家骥. 混凝土面板坝工程[M]. 北京: 清华大学出版社, 1997: 134- 150．

[11]黄耀英, 田斌, 沈振中. 基于工程类比法的面板堆石坝流变变形反馈[J]. 中国科学: 技术科学, 2015(4): 434- 442．

(责任编辑王琪)

Settlement and Slab Deflection Prediction of Concrete Face Rockfill Dam Based on Evolutionary Neural Network Model

ZHAO Xinrui1, LÜ Xiaoman2, HUANG Yaoying1, ZUO Quanyu3, LIU Yu1

(1. College of Hydraulic & Environmental Engineering, China Three Gorges University, Yichang 443002, Hubei, China;2. Tianjin Standard Letter Detection Technology Development Co., Ltd., Tianjin 300000, China;3. Hunan Centian River Construction Investment Co., Ltd., Yongzhou 425500, Hunan, China)

The estimation of the deformation of rockfill dam and slab deflection has vital significance to instruct the design and construction of rockfill dam. In view of the differences of rockfill dam’s parameter between indoor test and practical engineering and the rockfill dam that preparing for construction lack of measured deformation data to parameter feedback, the monitoring data of similar constructed concrete face rockfill dam are widely collected, and then the genetic algorithm and neural network model are combined to establish evolutionary neural network model for deformation prediction of rockfill dam engineering. Taking dam height, aspect ratio and dry density of concrete face rockfill dam that preparing for construction as control parameters, the deformation and slab deflection can be obtained through the evolutionary neural network model which being trained. The example analysis shows that the method is feasible．

genetic algorithm; evolutionary neural network model; settlement and deformation; slab deflection; prediction