基于MATLAB的西江扶典口大桥施工水域水文预测

2018-04-25班贵生林广泰王建军

西部交通科技 2018年1期

班贵生，林广泰，王建军

(广西路桥工程集团有限公司，广西南宁 530011)

我国幅员辽阔，地形和气候条件复杂，地理环境差异很大，水文、地质、气候等自然条件地域性明显；我国河流众多，各河流流域季风特点十分明显，夏季多雨，雨量丰富，洪涝易发。据有关资料显示，我国每年6月份至9月份的降雨量一般占全年的60%～80%。近年国内桥梁因洪涝灾害而造成的水毁事故频发[1-2]。同时强降雨会直接引起桥梁施工河段水位剧烈变化，河流流量、流速急剧增大，给桥梁水上基础施工带来了巨大的挑战。特别是在大多数山区里的小河流上建造桥梁，因无水文站而缺乏有关桥址附近的实测水文资料，只能通过实地走访调查获取零碎的水文资料，并将其作为确定桥梁施工方案最高水位的依据，从而给桥梁施工带来了潜在的风险。本文依托广西梧州扶典口大桥工程以及根据区内主要施工水域水文站资料开展研究，探讨了基于MATLAB自带的函数(人工神经网络)对从众多已知的水文站中选取与目标桥梁水域水位参数比较相似的水文参数进行训练和学习，采用训练好的网络对类似河域的水位变化情况进行预测。这些研究成果可为同类桥梁工程设计和施工提供参考借鉴；同时也可为研究山区中小河流的桥址处水位变化情况提供参考。

1 工程概况

西江扶典口大桥位于广西梧州市环城公路K29公里处，自北向南跨越西江。桥址河段处于西江亿吨黄金水道，规划通航等级为Ⅰ(3)级。正常水位水面宽度约1 000 m，水深10～25 m。大桥由1#主桥[(145+270+145)m矮斜拉桥]+2#主桥[(131+198+131)m连续刚构桥]+引桥[11×40 m先简支后连续T梁桥]组成，桥梁全长1 474 m。

西江由南盘江、红水河、黔江、浔江、西江五个河段汇流而成，为珠江水系的主流，发源于云南省曲靖市的马雄山南麓，流经云南、贵州、广西，至广东省珠海市磨刀门汇入南海，全长2 214 km。西江在梧州市上游集雨面积32.97 km2，河流比降1.14‰。据水文史料记录及统计，西江在梧州市最高水位27.07 m，最大流量58 700 m3/s，最低水位1.90 m，最小流量720 m3/s；多年平均径流量2 133亿m3。西江水量分配：按枯季和雨季划分，一年中1～3月和10～12月为非汛期，4～9月为汛期；多年平均水位非汛期在2.44～6.89 m之间，汛期在6.02～12.76 m之间。枯水季平均水深11～15 m，梧州河段航运发达，轮船直通港、澳出海，是广西重要的水上出海口。年均降雨量1 506.9 mm，雨量充沛。影响项目的主要气候灾害是台风、洪涝等，其中台风和洪涝灾害主要发生在5～8月，比较频繁。桥址区域雨量较多，经常发生洪水，根据文件资料和现场调查，洪水期跨度时间较长，给栈桥施工、栈桥使用以及桥梁水上施工带来很大的困难。

2 采用概率统计法与层次分析法确定影响水位变化的因素

一般情况下，影响桥梁施工水域水位变化的因素众多，用于确定水位变化的方法众多，每种方法所选取的量化指标各有差异。但总体而言，影响桥梁施工水域水位变化的关键因素主要有：地理参数、暴雨参数、产流参数、汇流参数等。本文采用概率统计法与层次分析法确定对桥梁施工水域水位变化影响较大的量化指标，并将其作为样本因子。

通过对影响水域水位变化的主要因素进行统计，搜集、整理影响水位变化因素的资料、数据。对各因素数据利用数理统计方法分析其与对应水位数据的显著水平以及相关系数。对显著水平P<0.05的因素，认为其与水位变化之间有明显关系。剔除不显著的数据，并对显著的因素数据进行进一步相关性分析，相关系数R值越大表明关系越密切。对相关性较大的因素建立层次结构模型，通过判断矩阵、层次单排序及一致性检验、合成权重等步骤而获取影响桥梁施工水域水位变化因素的层次分析模型及因素权重。结合MATLAB软件计算量，经反复试算发现，取权重≥0.045的因素作为本模型的影响因素，能很好地满足工程精度要求，无需再提高。使用概率统计法与层次分析法确定水位变化因素分析结果如表1所示。

表1 概率统计法与层次分析法确定水位变化因素分析结果表

综上所述，采用概率统计法与层次分析法确定影响水位变化的因素有：集雨面积、洪水传播速度、河道平均比降、月平均降雨量、暴雨递减指数。

3 MATLAB数值分析[3-4]

(1)

对数据归一化处理进行时，可采用MATLAB中的permxmn函数。

设置学习速度 net.trainParam.lr=0.05；

设置目标误差 net.trainParam.goal=1e-5；

设置单位时间 net.trainParam.epochs=10 000。

MATLAB试算结果如图1所示：

(a)

(b)

(c)

(d)

MATLAB神经网络的计算精度与输入样本的数量和质量密切相关，为了提高MATLAB神经网络的计算精度，需要获取众多与目标桥梁水域水位参数比较相似的水文参数，然后对样本进行训练和学习，最终得到期望的神经网络。同时考虑到雨水的时空分布与地区差异性变化，选择南宁、桂林、柳州、梧州、百色这5个城市的桥梁施工主要水域的水文资料作为训练样本，并且每个城市的训练样本中都涵盖了12个月份的统计数据，训练样本共有60组数据。基于神经网络理论和已知水文参数样本，并利用MATLAB对水位进行数值分析。代表性的训练样本如下页表2所示。

从表2看出，由已知的水文资料，利用MATLAB对水位进行数值分析，得到的预测月最大水位与实测月最大水位有一定的偏差，但年最高水位的月份(6月)的预测月最大水位与实测月最大水位偏差比较小，仅为1.64%；这说明在大多数山区里的小河流上建造桥梁，因无水文站而缺乏桥址附近的实测水文资料，可以利用MATLAB对桥址附近的水位进行预测，为施工安全防护措施提供依据，也不失为一种可行的方法。