基于数据驱动的大坝安全监控模型的研究现状及展望

鲍中秋，季 骏，徐 苏，田菊飞

(1.南京市水利规划设计院股份有限公司，江苏 南京 210000；2.河海大学水利水电学院，江苏 南京 210098；3.中国电建西北勘测设计研究院有限公司，陕西 西安 710000)

0 引言

为了监控大坝的安全运行和预警大坝的异常情况，通常在大坝坝体和近坝区布置大量传感器以掌握大坝各效应量的变化趋势[1]。这些大坝的监测检测设备随着大坝的服役会积累形成围绕大坝运行性态的数据库，因此从数据库中挖掘和提取大坝的安全状况则是工作中的关键和重点。为了从数据库中更好更全面地研究和分析大坝的服役性态，基于数据驱动的大坝安全监控模型被提出和应用[2]。数据驱动模型被广泛用于大坝安全监控模型中，各种传感技术和硬件软件接口的最新发展使定期收集数据和实时监控预警成为可能，收集的数据通常用于开发数据驱动模型[3]。与确定性模型相比[4-5]，数据驱动模型的开发难度较低，其参数可以根据可用监测数据更容易进行迭代和更新。

依据监控对象的不同，Li[6]等对大坝安全监控模型的数据驱动模型进行了分类，将监控模型分为了3类：监测模型、监测指标模型和异常值检测模型。其中监测模型是一个输入-输出模型，以环境变量为输入，以大坝响应为输出；监测指标法用于产生警告或极值，考虑到大坝响应的先前变化，并确定未来变化是否安全；异常值检测模型也是发现大坝状态异常变化的重要方法。同样地，依据数据驱动的数学方法和技术的不同，数据驱动模型可以分为3种，分别为统计模型，人工智能模型和无损检测方法。本文对这3个主要方法分别进行国内外研究现状的阐述，并讨论大坝安全监控模型未来的发展趋势和主要面临的问题和挑战。

1 数据驱动模型的研究现状

1.1 统计模型

大坝响应由几种可逆和不可逆效应的组合产生。不可逆效应通常与蠕变、膨胀和沉降等随时间变化的现象有关。从大坝安全的角度来看，这些影响最为关键，需要监控其发展，可逆效应通常不是关键的，并且由于每日温度变化、季节变化和水库水位波动而产生。建立统计模型的主要假设是大坝响应y为可逆效应的叠加，传统统计模型都是根据这一假设开发的[7]。通常的效应变量有静水效应yH、季节性效应yS、温度效应yT和不可逆效应(如时间相关效应yt)。常见的统计模型有HST(水位-季节-时间)模型和HTT(水位-温度-时间)模型等，其中HST模型、HTT模型的表达式分别为：

y=yH+yS+yt+ε

(1)

y=yH+yT+yt+ε

(2)

式中，ε—误差项，通常假设是独立同分布的，并用于监控和预警。

传统统计模型的一个主要缺点是这些模型不包括参数和模型不确定性。由于缺乏物理数据(如材料特性、大坝几何结构、岩体剖面和破坏模式)的支持，大坝安全监控模型存在不确定性。为了解决这个问题，研究人员开发了贝叶斯概率模型[8-9]，该模型结合了所有可用信息并减少了不确定性。Gamse[9]等将贝叶斯框架应用于HST模型，并使用贝叶斯模型类别选择最佳模型，模型性能使用从填石路堤上的永久大地测量监测系统获得的长期数据进行了验证。同样，有人指出统计模型的参数没有物理意义[10]，为了解决这个问题，研究人员使用盲源分离来找出各种外部载荷(如空气温度、静水压力、结构变形和不可逆分量)对结构响应的贡献。

统计模型的另一个主要缺点是它不能再现变量之间的非线性关系和相关性。人工智能模型可以克服这个问题，因为人工智能模型能够学习输入和输出变量之间复杂的非线性相互关系，并将各种不确定性纳入预测。

1.2 人工智能模型

人工智能技术的关键思想是用给定的大坝响应数据训练模型(有监督或无监督学习)，并将其用于未来预测。过去，各种人工智能模型，如神经网络(Neural Network，NN)、支持向量机(Support Vector Machine，SVM)、高斯过程回归(Gaussian Process Regression，GPR)、深度学习等，已经用于大坝安全监控模型。例如，Liu[11]等使用单隐层神经网络算法来预测149.5m高混凝土拱坝的位移。Assaad等[12]使用基于神经网络的决策支持系统开发了现有大坝的潜在风险预测技术。Li[13]等开发了一种基于图像的神经网络，用于对大坝的表面裂缝进行分类和定位。

研究人员比较了各种人工智能模型的结果，并为特定大坝选择了最合适的模型。例如，Hu[14]等比较了随机森林(RF)、最小二乘支持向量机(LS-SVM)、简单增强回归树(SBRT)和核极限学习机(K-ELM)的结果，用于大坝变形预测。类似地，Cheng[15]等比较了SVM、ANN和混合AI模型用于大坝位移预测的结果。结果表明，混合人工智能模型为DHM提供了比传统人工智能模型更好的精度。Kang[16]等人比较了GPR-HST模型和GPR模型的结果，并得出结论，GPR方法更有效地捕捉了大坝响应中的非线性。Wei B[17]等将时空混合模型与单点统计模型和SVM模型的性能进行了比较。刘浩[18]借助IABC-LSSVM融合人工智能模型对大坝变形进行监控，其结果精度较高和鲁棒性较高，说明融合不同的智能算法能够发挥各自的优势，提高监控模型的精度和可靠性。

此外，文献[19]对用于大坝响应建模的机器学习技术进行了比较和回顾。在他们的工作中，比较了各种人工智能模型的测试和预测能力，如随机森林(RF)、增强回归树(BRT)、神经网络(NN)、支持向量机(SVM)和多元自适应回归样条(MARS)。发现BRT模型在预测中表现最好，其次是NN和RF。进一步地，如果大坝运行后的前几年数据被排除在训练集之外，模型拟合和预测能力会提高。

1.3 无损检测技术

无损检测技术在工程安全健康检测的从业者和工程师中非常流行，如声发射、光纤、光纤布拉格光栅和超声波技术被用于评估现有大坝的健康状况。

声发射是指伴随固体材料在断裂时释放储存的能量产生弹性波的现象，利用接收声发射信号研究材料、动态评价结构的完整性，声发射法适用于实时动态监控检测，且只显示和记录扩展的缺陷，这意味着与缺陷尺寸无关，而是显示正在扩展的最危险缺陷[20]。这样，应用声发射检验方法时可以对缺陷不按尺寸分类，而按其危险程度分类。Kepler[21]等应用声学走时层析成像方法来检测和定位大型混凝土大坝的损伤。Shiotani[22]使用AE技术评估了旧大坝中修复混凝土桥墩的性能，并指示修复前后混凝土大坝结构构件修复阶段的效率。在另一项研究中，Zhang[23]等提出了AE技术来监测拱坝的破坏阶段，AE分形特征用于预测大坝的破坏和评估大坝的整体状况。Li[24]等将数字图像相关和AE技术相结合，研究了混凝土坝在不同荷载作用下的损伤扩展和断裂过程，结果表明，AE分析捕捉了不同加载速率下的裂纹扩展。

与传统的机械和电气传感器相比，光纤传感器具有一些独特的优点，如体积小、重量轻、抗电磁干扰和抗腐蚀性以及嵌入能力，因此它们已在全球工程结构监测中得到应用。Khan[25]等提出了一种利用光纤传感器收集的温度测量值进行大坝泄漏检测的方法，研究结果证明，所提出的方法能够识别并提供大坝泄漏的预警系统。Fan[26]等使用光纤布拉格光栅(FBG)应变传感器来监测和评估低强度材料的应变，实验研究结果表明，FBG应变传感器能够捕捉动态应变，并检测和定位地震作用下大坝的裂缝。作者得出结论，这种类型的传感器可用于提取动态参数，并预测小型水坝内部的损伤起始和扩展。

超声波在构件内部传播时遇到不同界面将有不同的反射信号(回波)，利用传递到探头的不同反射信号，可以对目标进行检测[27-28]。Indrasari[29]等使用超声波和水流传感器开发了大坝洪水管理的早期洪水检测和预警系统：两个超声波传感器和一个水流传感器用于检测Katulampa大坝的水位和流量。研究的结果表明，所开发的系统作为洪水灾害警报具有较高的性能和效率。Wang[30]等提出了一种使用超声波传感器的损伤检测和定位技术：所提出的技术用于改进传统超声计算机断层扫描的性能，以检测和定位钢筋混凝土结构中的故障。石涛[31]使用基于超声波的方法来监测和评估安装在大坝工程中的耳轴锚杆的健康状态。

因此，无损检测技术能够定期对大坝结构的安全稳定性进行评估，其结果的精度和可靠性在大量工程实践中得到了验证。随着信号分析技术的发展，由信号数据驱动的大坝安全检测技术会得到进一步发展。

2 发展趋势及主要问题

由上可知，HST和HTT等统计模型以及NN和SVM等人工智能模型已经成功地广泛应用于大坝安全监控，无损检测技术也较好地应用在大坝安全健康检测中。

统计模型的优势在于可以解决较为简单的回归模型，比如线性回归和相关性强的非线性问题。统计模型对于长时间的大坝安全监控的预测和预警精度则较低，以及对复杂的非线性问题的解答能力较弱。未来主要在小型水利工程中进行应用，一是小型水利工程的数据库较小，二是小型水利工程的管理经费较少，复杂的智能模型的开发和维护经费则相对较高，基于这两点的原因，统计模型依然是安全监控模型中必不可少的模型。

相较于统计模型，人工智能模型的精度得到了较大幅度的提高，也逐渐成为大坝安全监控模型的主要应用模型。尽管基于神经网络等人工学习的智能模型应用广泛，但它们仍有一些局限性，如权重的初始化、需要最佳网络架构，以及过度拟合、训练时间长效率低等。为了解决上述问题，深度学习、迁移学习是人工智能模型的主要发展方向，可以进一步提高模型的学习能力和泛化能力。

随着检测监测技术的发展，能够得到关于大坝运行性态的数据愈加庞大，这对基于数据驱动的监控模型提出新的要求。特别地，信息化和智能化的智慧大坝需要高精度的监控模型来支撑和实现。过去实现单一目标的单一模型对于目前的实时监控大坝则明显不足。因此，多目标的大坝智慧监控模型是未来发展的重点。大坝智慧监控模型的关键在于判别系统的构建，特别是对大坝模型的迭代和更新速度。

此外，除了数据驱动模型本身技术和方法面临的问题外，数据驱动的大坝数据库和大坝的结构性态的信息也对模型的精度产生比较大的影响，其主要的问题包括有：

(1)收集数据中的噪声。噪声是由各种环境因素(如车，人，水流，风荷载等)和传感器本身电测(如电压不稳，电磁噪声等)造成的。

(2)静态模型和动态模型的集成。例如，大坝的固有频率和水平位移可以集成到同一模型中，以更好地指示大坝性能。

(3)基准数据的缺失。与建筑物和桥梁等其他结构不同，大坝监测的基准数据集通常式缺失的。

(4)安全预警阈值。大坝响应阈值(如位移、应变、固有频率等)的设置是及时检测损伤的重要步骤。需要开发算法来设置适当的阈值，以使错误警报最小化，并检测到早期损坏。

3 结论

(1)随着信息技术的发展，统计模型、人工智能模型和无损检测技术都得到了较好的发展，基于数据驱动的大坝安全监控模型的精度都有不同程度的提高。

(2)通过讨论和阐述大坝安全监控模型的发展趋势和存在的主要问题可以为大坝安全管理人员提供新的基础性信息，也可以为大坝安全监控模型和系统的开发人员提供新的思路。

(3)考虑到大坝系统的复杂性，现有的安全监控模型仍存在一定的局限性。大坝安全监控模型的发展趋势是实现大坝的实时监控和预警，因此大坝安全监控模型需要提高监测检测技术和智能算法的融合度和实时性。