基于深度卷积神经网络的面板堆石坝体沉降监测方法

刘田珂，马 冲

(1.中国电建集团贵阳勘测设计研究院有限公司，贵州 贵阳 550081；2.贵州顺成劳务管理有限公司，贵州 贵阳 550081)

随着我国社会和经济的迅速发展，我国的基础设施也得到了极大的改善。同时，由于土壤、气候等因素的不确定，使得面板堆石坝基的潜在威胁日益增大。面板堆石坝的沉降问题与路基结构、土质、边坡稳定性等因素密切相关，而面板式堆石坝一般横线路长，其地质构造、土质也各不相同。因此，在施工中难以精确地控制路基的质量及参数，造成工程实际效果与预期结果有较大差异，进而导致路基不同程度地崩塌[1]。

面板堆石坝沉降会使基础产生纵向沉陷，因此，对面板堆石坝沉降进行有效的监测与控制，制定合理的施工方案，对于保证建筑物运行有重要意义。

1 基于深度卷积神经网络的面板堆石坝体沉降数据采集

利用深度卷积神经网络针对面板堆石坝体沉降数据进行采集，将BP网络划分为输入层、隐藏层和输出层，每个层之间具有充分的互连。隐藏层可以是一层或多层，视具体情况而定。隐藏层神经元数量的计算历来受到众多学者的重视，由于隐藏层神经元的数目很小，使得网络的容错能力很差，样本的识别和训练变得非常困难。对BP神经网络进行了系统分析，并对其进行研究，进而计算隐藏层神经元个数m，计算公式如下：

(1)

式中，a—计算后得到的输入层神经元数量；b—计算前得到的输出层神经元数量；c—在神经网络内部进行训练的样本个数；z—训练次数[2]。

深度卷积神经网络的训练分为2个阶段：正向信息转移和反向传输。在输入层，每一个神经元接受外界的输入信息，把它传递给中间层的每一个神经元，而中间层则是一个内部的信息处理层，它负责信息的转化和分类，当实际的产出与期望的不相符时，就会进入逆向传播阶段。在输入层中，利用误差梯度递减方法对各层权重进行修正，并将其逐级反求。通过调节各个阶段的权重，学习深度卷积神经网络，直至网络的错误降至可以接受的程度，或者达到一定的学习次数为止，该方法在深度卷积网络中获得了一套最优权重[3]。

SNE通过仿射变换把数据点映射到概率分布，构造高维物体的概率分布能够提高物体的选取概率，减少了非相似物体的选取。在低维空间中，通过构造2个点的概率分布，使得其概率分布尽量相近。

图1 神经元基本结构

基本的神经元结构如图1所示。图1中，x1，x2，x3为神经元的输入信息，通过不同的激活函数对数据进行激活。

激活函数一般都是非线性的。在2个层次的神经网络中，只有在激活函数是非线性的情况下，才能逼近全部的功能。但是，一个常量的启动函数是一个特别的例子。在多层神经网络中，若采用固定的激励功能，则网络与单一层次网络间隔很小。在给定有效值范围的情况下，采用梯度学习方法可以提高系统的稳定性。在单层网络模型中，当激励函数为单调时，其损失函数是凸性的。近似函数近似于原点，在靠近原始点的情况下，采用初始化方法可以有效地提高神经网络的学习效率。

本文通过基于深度卷积神经网络的方法来监控混凝土面板堆石坝的非均匀沉降。在满足原有结构要求的情况下，对面板堆石坝地基进行了高压喷灌灌浆[4]。

混凝土面板堆石坝的监控和加固措施如下：利用正常工作的高压喷水设备对坝体进行清洁和杀菌。经清洗、消毒后，再用高压喷嘴将基层材料均匀喷拌，直到浆液达到黏稠状态；持续搅拌时，浆液在离心力作用下会渗入地基的孔隙，并与填充剂一同固化，使填充剂具有一定的刚性，从而有效地抑制了面板堆石坝的沉降。

依据地基沉降的基本特征，选用合适的观测手段和设备对面板堆石坝进行监测。在重力作用下，坝体的整体结构发生改变[5]。根据实测地表沉降资料及面板堆积体的土质特性，确定了不同地区的沉陷类型。结合沉陷的类型及特征，应用相应的内观法对沉陷进行监测。

单点监测需要采用监测桩，也就是将高强度的钢筋插入到锚杆内，使整个锚杆与地基相结合。采用特殊的测量设备对钢结构监测桩进行了测试。监测桩在混凝土面板堆石坝的地基上竖向插入，监测桩的顶面与地面垂直，在进行横向测量时，依据土壤性质，确定合理的、科学的监测频率。每次观测时，测量加筋顶至地表的距离、并测量沉降速度，从而获得沉降曲线，实现多个单一点监测[6]。

局部沉降监测要求在沉降监测工程中，在监测点设置沉降板，并在监测点设置感应设备，对沉降板的影响进行监测。另外，可以调节沉降板上的金属测量棒的长度，并且金属测量棒的顶端一定要暴露于泥土之外。若沉盘与泥土一起下沉，则应立即拉紧金属尺，使其露出顶端。利用此方法，可以实时测量监测区域的局部沉陷，并计算有关参数，得到其特征与沉降的关系，分析相似地区的沉降规律[7]。

由于面板堆石坝的土层是多层的，各层土体的特性各有差异，因此可以利用分层沉降器进行分层沉降监测。分层沉降器可根据地基土壤的分布，对监测器磁环进行定位，以实现磁环与各层的匹配，磁环与监测器的导管相连。通过磁环探测土壤及地表的变形与沉降，内部传感器将其传输至外部的记录设备，并进行追踪。分层沉降器还能通过控制器对测量工作进行控制，设定适当的频率、时间，从而实现对沉降机的自动监控。

2 基于深度卷积神经网络的面板堆石坝体沉降监测

地基沉降的监测，必须选用适当的监测手段。现场勘查所选用的传感器必须符合当地气候条件，并具备一定的耐热、耐寒、耐水、耐腐蚀、耐磨损等基本性能。在此基础上，针对不同的地质条件，设计了相应的传感器参数，以防止在监控中出现能量不足或失控。

由于地基应力试验设备是常用的，所以应力计的质量必须满足面板堆石坝的极限承载能力[8]，且材料和结构要坚固。压力传感器更加准确，可以监测土壤的体积、密度、湿度、形状等。在安装过程中，为了避免在安装过程中受到重力的直接挤压，应按设备的适应性逐步进行。该系统由输入和输出2个部分组成，将待处理的资料输入到该模型的输入层中。在此基础上，将各神经元的输入信号与各神经元进行相应的处理，并将其与输出神经元相连，从而在2维空间内构成了一个神经平面矩阵网络。在此基础上，利用权重矢量法对输入数据进行了多次学习，使其与空间分布的密度保持一致。对输入神经元进行处理，获得最接近于自身载体的神经元，并将其作为最佳的匹配单元。然后，通过加权矢量对所选择的最优匹配神经元和相邻神经元进行调整，使神经网络与目前的样本分布相同。

在地面上设置传感器，等地面沉降观测设备正常运行后，由感应通讯将监测资料传送至地面。采集器能够通过有线、无线方式接收其他探测器的通讯方式，实现地面压力、变形等信息的读取。有些高档的信息收集装置，内部会设置一个硬盘，把接收到的信息进行实时储存，并把输出与控制系统相连，通过电脑的运算程序分析、收集数据。

当前的监测设备一般都是通过无线通信传递数据，该装置配备有通讯装置，能够支持无线、移动、蓝牙等无线通信。通过与信号采集装置、控制器进行通讯，在无线通信中完成数据传输，使操作更为简便，并能有效地提高数据的传送速率。

在此基础上，根据地基的受力及变形模式，提出了一种基于深度卷积神经网络的基础沉降计算模型，该模型的构造是以不同的指数为基础的，需要从各个指数的相互关系中找出因素之间的影响，确定相互关系[9]。通过模拟计算，得到了地基的垂直沉降面板堆石坝体沉降模型，以土壤应力作为参数，以不同的数值作为基准，与同期的基础沉降量及变形量相对应。根据相关分析结果，得出了地基的受力与地基的沉降变形之间的关系。通过多层分析，可以求出各层土壤的受力与变形，并由此得出各层的应力-应变映射关系。在此基础上，结合实际工程实例，对其进行了全面的分析。

3 实验研究

通过以上对基于深度卷积神经网络的面板堆石坝体沉降监测方法的研究，本文设计对比实验，检验传统的基于数据挖掘的面板堆石坝体沉降监测方法和本文研究的面板堆石坝体沉降监测方法的实际应用效果。为了确保实验的公正，一方面使用统一的数据库资料，另一方面，在同一位置进行2种不同位置的仿真实验。得到的监测准确率实验结果如图2所示。

图2 监测准确率实验结果

由图2可知，当监测时间为20s时，传统的基于数据挖掘的面板堆石坝体沉降监测方法监测准确率为10%，本文提出的基于深度卷积神经网络的面板堆石坝体沉降监测方法监测准确率为60%；当监测时间为40s时，数据挖掘的面板堆石坝体沉降监测方法监测准确率为8%，基于深度卷积神经网络的面板堆石坝体沉降监测方法监测准确率为69%；当监测时间为60s时，数据挖掘的面板堆石坝体沉降监测方法监测准确率为20%，基于深度卷积神经网络的面板堆石坝体沉降监测方法监测准确率为72%；当监测时间为80s时，数据挖掘的面板堆石坝体沉降监测方法监测准确率为22%，基于深度卷积神经网络的面板堆石坝体沉降监测方法监测准确率为78%；当监测时间为100s时，数据挖掘的面板堆石坝体沉降监测方法监测准确率为33%，基于深度卷积神经网络的面板堆石坝体沉降监测方法监测准确率为86%；当监测时间为120s时，数据挖掘的面板堆石坝体沉降监测方法监测准确率为50%，基于深度卷积神经网络的面板堆石坝体沉降监测方法监测准确率为99%。由此可见，随着监测时间的增加，监测准确率也在不断增加，本文提出的监测方法监测准确率始终高于传统的基于数据挖掘方法的监测准确率，本文监测准确率具有更好的监测能力。

监测深度实验结果如图3所示。由图3可知，当监测时间为10s时，传统的基于数据挖掘监测方法监测深度为7m，本文监测方法监测深度为15m；当监测时间为20s时，传统的基于数据挖掘监测方法监测深度为12m，本文监测方法监测深度为26m；当监测时间为30s时，传统的基于数据挖掘监测方法监测深度为14m，本文监测方法监测深度为32m；当监测时间为40s时，传统的基于数据挖掘监测方法监测深度为7m，本文监测方法监测深度为35m；当监测时间为50s时，传统的基于数据挖掘监测方法监测深度为15m，本文监测方法监测深度为35m；当监测时间为60s时，传统的基于数据挖掘监测方法监测深度为16m，本文监测方法监测深度为36m。由此可见，随着监测时间的增加，监测深度也在不断增加，本文提出的监测方法，能够更快地达到阈值，而传统方法加深速度较慢，且最终难以达到阈值。

图3 监测深度实验结果

综上所述，本文提出的基于深度卷积神经网络的面板堆石坝体沉降监测方法具有更好的监测能力，能够在短时间内实现信息监测，且监测准确率更高，更适合于应用到实际的石坝体沉降监测工作中。

4 结语

本文针对现有沉降监测方法存在监测准确率低和监测深度不足的问题，对基于深度卷积神经网络的面板堆石坝体沉降监测方法进行研究。并通过仿真测试能够证明设计的监测方法具有较好的应用效果，可以满足设计需求，对石坝体沉降监测工作有积极的意义。但是本文设计的方法忽略了人为因素的影响，因此，在接下来的研究中，将不断完善设计的监测方法，及时发现石坝体沉降情况，保障水利建设工程的运行安全。同时，在路面工程中，应针对各种结构的应力需求，选用适当的填料，严格控制施工质量，规范施工，确保压实达到工程要求，为以后的铺装工作奠定良好的基础。