水工建筑物安全监控模型优化分析研究

2022-12-26彭漱墀

水利科技与经济 2022年12期

彭漱墀

(韶关市防洪管理中心，广东韶关 512000)

1 概述

随着我国水利建设的发展和现实需求，水工建筑物种类和数量越来越多，对可以反映水工建筑物实际情况的预测模型需求也随之提高，研究人员为此进行了一系列研究。苌登仑[1]通过三维软件Inventor建立了三维水工建筑物模型，以解决实际工程中的问题。陈星豪、李裕勇[2]建立了水工建筑物安全决策模型，该模型能够高效地对水工建筑物进行评测。崔伟等[3]将非等时距灰色模型应用在实际工程中，通过该模型对建筑物的沉降进行了预测，模型验证表明该模型误差较小，能较好地预测建筑物沉降。

本文基于神经网络算法中的LSTM算法，建立水工建筑物安全监控深度模型，从数据处理、网络结构和外延预测3个方面对监控大数据进行优化。结合某水工建筑物实例，验证模型的有效性，从不同角度对比LSTM模型与其他模型在水工建筑物安全监控预测方面的差异。

2 深度学习特性和应用

2.1 大数据安全监控

相对于信息技术行业其他领域而言，水工建筑物的大数据安全监控有一定的独特性，主要包含以下几点：

1) 就容量而言。单一水工建筑物安全监控的数据监测量为小规模数据集，而对多个水工建筑物项目进行长期监控的数据量则较为庞大。

2) 就种类而言。水工建筑物安全监控的数据主要来自监测仪器，为结构化数据格式。数据演变形式较为复杂，存在一定的周期性，有可能出现突变、噪声等事件。

3) 就采集效率而言。通常采样是以天为单位，虽然监测仪器采集的频率较高，但仍旧受到系统制约。此外，在短期内，数据采集的较为密集，间隔时间短；而在后期采集间隔则增加，采集频率降低。

4) 就数据真实性而言。水工建筑物监控数据通常通过仪器进行采集，在仪器不发生故障的前提下，通常采集到的数据具有较高的质量，比较能反映真实情况。

2.2 LSTM简介

对水工建筑物在施工和工作阶段进行监测所获得的数据主要为结构化时序数据。传统的神经网络算法在相邻两层节点进行互连，但是同层节点相互独立，因此在机器学习时难以反映数据内在的延续性。

循环神经网络是在原本的基础上，引入时序概念，节点间通过隐性连接，在时序数据方面表现出较好的适应性。但在循环神经网络算法中，若进行高迭代计算，则容易出现网络不稳定问题，甚至网络无法收敛。LSTM为“长短期记忆网络”，是一种改进后的循环神经网络，克服了循环神经网络在高迭代算法中不稳定问题，而且在间隔较长的时序数据计算中具有较强预测能力，是目前较为流行和先进的深度学习算法之一。

3 水工建筑物安全监控模型建立

本文基于LSTM深度学习算法，构建水工建筑物安全分析模型。该模型可适用于多种类型的水工建筑物，主要建立过程包括数据处理、网络结构和预测方法。

3.1 数据处理

通过对原始观测数据进行必要处理，如清洗、降噪和变换等，可以提高水工建筑物安全监控模型的外延能力。前端数据处理主要包含数据清洗、降噪平滑和数据变换3个步骤。

在数据清洗中，通过差值补填和异常检测手段对监测数据中的局部缺失值和异常值进行处理，进而获得修正后的序列。

在原始监测数据中，通常会存在一定程度的噪声，因此需要进行降噪平滑处理。具体为先将输入序列进行正序滤波处理，然后将处理后的序列进行逆转后再次通过滤波器，最后再进行逆转输出后获得降噪平滑序列。

在数据变换中，对上述平滑序列归一化处理。通过归一化处理，可以避免梯度更新误差，也能提高求得最优解的效率。

3.2 网络拓扑结构

经过数据前端处理后，将处理后的数据划分成训练集、验证集和测试集，然后通过下述措施对网络拓扑结构进行改进和优化。

1) 通过并联方式对深层网络LSTM1和LSTM2进行搭建。LSTM1为一元时序预测，通过监测数据对目标量进行预测。LSTM2是一种多元回归预测算法，通过多个影响因子与目标量之间的联系来构件模型，然后依据该模型进行参数求解。

2) 参数调试和优化。通过试算和随机搜索等方式，对各参数进行调整，以获得最优参数集。

3) 在计算时序数据时，会存在一定的历史冗余数据，这将导致模型复杂性增加，提高模型的计算难度和降低精确度。因此，通过验证集对网络结构进行多次评估验证，选取有效的记忆区间。

4) 为防止由于测试集过少而出现的过度拟合问题，需要对网络深度和训练周期进行控制，同时通过标准化和正则化约束模型参数，以期对模型的泛化能力进行提高。

3.3 外延预测方法

外延预测方法主要为直接多步预测(DMP)和滚动单步预测(POP)。直接多步预测是目前较为常见的外延方法，应用较广，可以一次返回多个预测值，效率较高。滚动单步预测是通过不断迭代的方式进行预测，对上一步骤的计算结果作为当前步骤的输入值，不断进行滚动迭代，实现间接多步预测。而对于较为稳定的预测模型，没有必要进行较高频次的更新学习，可在周期性迭代过程中设定更新时间进行控制。

4 实例应用

通过上文建立的水工建筑物安全监控模型，选取某大坝进行应用实测数据与滤波后的数据对比情况，主要包括钢筋应力变化、裂缝开合度变化、应变数据情况、水位变化情况。结果表明，滤波之后的数据与原数据趋势较为一致，在数值方面基本相同，去掉了原始数据中的跳点和坏点。差异表现较为显著的是水位情况，见图1。从图1中可以看出，水位的原始监测数据存在较大的波动，因此滤波之后的曲线与原数据差异较明显，但变化趋势基本一致，且滤波之后的数值与其周围原始数据的平均值较为接近，因此滤波数据也是较为合理的。

图1 监测仪器数据记录与滤波数据对比(水位应变)

为了增加模型预测效果的对比性，选用SRSM模型和BPNN模型作为LSTM模型的对照。在机器学习工程中，将各模型参数调制最优，然后对钢筋应力、裂缝开合度、结构应变和水位数据进行预测。

表1为3个模型在钢筋应变、裂缝开合度、应变和水位预测中的误差值。误差值选用3个标准进行统计，分别为均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)。从表1可以看出，SRSM、BPNN和LSTM 3个模型中，误差最小的为LSTM模型，误差结果由小到大排序为LSTM、BPNN和SRSM。