预测模型在坝基帷幕注浆量预测中应用效果分析

梁峰

（喀左县水资源办公室，辽宁 朝阳 122300）

0 引言

据统计，已有的大坝失事事件中，近40%是由于坝基的基础问题造成的。因此，在大坝的施工建设过程中，做好坝基的工程技术处理显得尤为重要。目前，帷幕灌浆是大坝坝基处理领域最常用的方式，具有施工方法简单，工程经济性高的优势。但是，帷幕灌浆的施工对象均在隐蔽处，其浆液的流动和扩散填充情况无法直接探知，这也给灌浆工程的质量控制造成诸多困扰[1]。

在大坝帷幕灌浆设计和施工中，对灌浆量的预测一般都依靠工程技术人员的经验。由于坝基岩土体的性质比较复杂，其内部的裂隙发育程度及分布特征难以有效判断，因此，人工经验为基础的注浆量预测，往往造成预测结果存在较大的偏差，不利于工程经济性的实现和注浆施工质量的有效控制[2]。基于此，诸多学者将人工智能方法应用于灌浆量的预测研究，并取得了一定的工程效果[3]。此次研究以具体工程为背景，对常用的3 种预测模型进行对比分析，为相关应用提供有益的支持和借鉴。

1 注浆量预测模型

1.1 BP 神经网

人工神经网具有大规模并行处理、分布式信息存储、良好的自组织和自学能力，目前已经广泛应用于岩土工程研究领域[4]。BP 神经网算法作为人工神经网的一种，在计算过程中具有信号向前转播和误差反向传播两个过程。在正向传播过程中，输入信号可以通过隐含层作用输出节点，经过非线性变换从而产生输出信号，如果实际输出值和期望值存在不相符的现象，则转入误差反向传播过程。误差反向传播是将输出误差通过隐含层向输入层反传，然后通过输入节点和隐含节点连接强度及阈值的调整，使误差沿着梯度方向不断下降，经过反复学习训练，确定最小误差与相应的网络参数，算法结束。

1.2 LIBSVM 支持向量机模型

支持向量机（Support VectorM achine，SVM )以统计学习理论和结构风险最小化原理为基础，基于严格的数学理论，可以实现在较小样本的基础上最大限度提高预测的准确性和可靠性，对工程中的小样本问题具有良好的学习和推广能力。即使样本的容量不大，也不会陷入“维数灾难”[5]。同时，该方法还具有良好的泛化性能，可以获得全局最优解。LIBSVM 是台湾大学著名教授林智仁开发设计的一款简单、易于使用和快速有效的SVM 模式识别和软件包。在此次研究中，基于Matlab 平台编写注浆量LIBSVM 模型，对背景工程的注浆量进行计算。

1.3 改进混合学习机算法（DCI-ELMK）

DCI-ELMK 是一种基于Delta 检验（DT）算法和混沌优化算法（COA）的极限学习机算法[6]。该方法的基本思路是先利用COA 的全局搜索能力对（I-ELM）的隐含层节点参数(a，b) 进行参数识别，再根据DT 计算输出权值，可以有效减少IELM 算法学习时间，降低网络结构的复杂程度，提高算法学习能力。同时，采用位置核映射代替一直隐含层映射，可增强算法的在线预测能力[7]。

2 预测模型对比研究

2.1 对比研究方案

三道岭水库是一座以防洪和供水为主要功能，兼具农田灌溉、旅游、养殖等多种功能为一体的小（1）型水利工程，其坝址位于辽宁省营口市周家镇境内。鉴于该水库病险情况比较严重，营口市积极筹措资金对该水库进行除险加固，并在原坝址下游100.0 m 处新建水库大坝。根据工程设计阶段的地质调查资料，新建大坝坝基表面的覆盖层主要是沙壤土与堆积的砂砾石，河谷基底主要为白垩纪砂岩和砾岩，岩体表面风化比较严重。因此，施工中需要清除上层的沙壤土，并对坝基进行防渗帷幕处理，设计灌浆线与坝轴线重合，主河床的灌浆长度为265.5 m，防渗帷幕原始设计深度为基岩面以下18.0～20.0 m。

此次研究以三道岭水库新坝址坝基帷幕灌浆工程为依据，利用BP 神经网、LIBSVM 支持向量机模型、改进混合学习机算法（DCI-ELMK）等预测模型对注浆量进行预测研究，并与施工中采集的具体数据进行对比，对注浆量、性能指标进行对比研究，对3 种模型的预测效果和精度进行评价[8]。

2.2 模型预测结果分析

2.2.1 注浆量预测结果

利用3 个预测模型对背景工程的65 个注浆孔的注浆量、注灰量进行预测分析，并与实测结果进行对比，根据注浆量结果绘制出注浆量和注灰量的对比图，如图1 和图2 所示。由图1，2 可以看出，3 种不同的预测模型相比，LIBSVM 模型的预测结果和实测值最为接近，预测精度最高，BP 神经网模型次之，误差最大的是DCI-ELMK 模型。由此可见，LIBSVM 模型的预测结果可以为工程应用提供较有说服力的理论支持。

图1 注浆量实测值与预测值对比

图2 注灰量实测值与预测值对比

2.2.2 不同模型的性能指标对比

研究中对不同模型的性能指标进行计算，结果如表1 所示。从表1 可以看出，LIBSVM 模型的各项指标均为最优，因此，在注浆量的预测计算方面具有较为明显的优势，利用该方法对施工现场的注浆量及注灰量进行对比分析，可以有效确定各个注浆孔段的注浆量是否合理，避免造成注浆材料的浪费，造成不必要的经济损失。

表1 模型性能指标计算结果

3 结语

利用理论和实践相结合的方法，对注浆量预测领域的3 个数学模型的预测精度进行对比分析，结果显示，LIBSVM 模型的预测结果可以为工程应用提供较有说服力的理论支持。当然，在模型计算过程中的参数优化方法众多，此次研究直接应用计算机软件进行优化分析，在今后的研究中需要采用更多的参数优化方法，进一步提升模型的预测精度。