張 帆，胡伍生

(東南大學(xué) 交通學(xué)院，江蘇 南京 210096)

遺傳神經(jīng)網(wǎng)絡(luò)在大壩安全評(píng)價(jià)中的應(yīng)用

張 帆，胡伍生

(東南大學(xué) 交通學(xué)院，江蘇 南京 210096)

利用神經(jīng)網(wǎng)絡(luò)方法評(píng)價(jià)大壩安全具有一定的優(yōu)勢(shì)，但傳統(tǒng)大壩安全評(píng)價(jià)方法不能為神經(jīng)網(wǎng)絡(luò)模型提供合適的學(xué)習(xí)樣本。文中引入安全度值的概念，為神經(jīng)網(wǎng)絡(luò)提供可量化的學(xué)習(xí)樣本，并針對(duì)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、穩(wěn)定性差、易陷入局部極小等問(wèn)題，利用遺傳算法進(jìn)行改進(jìn)，提出基于遺傳神經(jīng)網(wǎng)絡(luò)的大壩安全評(píng)價(jià)方法。工程實(shí)例表明，評(píng)價(jià)方法合理、可行。

大壩安全評(píng)價(jià);神經(jīng)網(wǎng)絡(luò);遺傳算法;安全度值

大壩安全直接關(guān)系到下游人民的生命和財(cái)產(chǎn)安全，大壩工作性態(tài)的安全監(jiān)測(cè)是及時(shí)發(fā)現(xiàn)大壩安全隱患的有效手段和途徑。及時(shí)對(duì)大壩安全監(jiān)測(cè)資料進(jìn)行綜合分析，正確掌握和評(píng)價(jià)大壩的實(shí)測(cè)性態(tài)狀況，對(duì)于大壩安全十分重要。

大壩安全綜合評(píng)價(jià)是一種多層次、多指標(biāo)的綜合分析體系。安全評(píng)判過(guò)程中存在著大量的不確定信息[1]，因此從評(píng)價(jià)指標(biāo)體系中下一層多個(gè)因子的已知狀態(tài)來(lái)評(píng)價(jià)上一層因子的狀態(tài)時(shí)，需要有經(jīng)驗(yàn)的專(zhuān)家根據(jù)工程實(shí)際情況、物理力學(xué)關(guān)系等，運(yùn)用其經(jīng)驗(yàn)、邏輯思維及判斷能力，作出合理恰當(dāng)?shù)脑u(píng)價(jià)。目前，國(guó)內(nèi)比較常見(jiàn)的大壩安全評(píng)價(jià)方法主要包括：層次分析法[2-3]、多級(jí)灰關(guān)聯(lián)評(píng)估法[4]和模糊綜合評(píng)判法[5-7]等。此類(lèi)方法的評(píng)價(jià)結(jié)果往往受評(píng)價(jià)者主觀(guān)因素的影響較大，且一旦有新情況就需要重新作出判斷。神經(jīng)網(wǎng)絡(luò)具有自組織性、自適應(yīng)性、聯(lián)想能力及自學(xué)習(xí)能力，能夠吸收學(xué)習(xí)樣本中專(zhuān)家的思維和經(jīng)驗(yàn)。當(dāng)利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)新的輸入進(jìn)行映射時(shí)，就能在輸出的結(jié)果中再現(xiàn)專(zhuān)家的思維和經(jīng)驗(yàn)。吳云芳等[8]將BP神經(jīng)網(wǎng)絡(luò)運(yùn)用于大壩安全評(píng)價(jià)中，取得了不錯(cuò)的效果。然而，BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、穩(wěn)定性差、易陷入局部極小等問(wèn)題[9]。為此，本文將遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合，用于大壩安全評(píng)價(jià)，并根據(jù)已有的大壩觀(guān)測(cè)數(shù)據(jù)驗(yàn)證方法的可靠性。

1 遺傳神經(jīng)網(wǎng)絡(luò)原理

1.1 遺傳算法基本原理

遺傳算法是一種借鑒生物界自然選擇和自然遺傳機(jī)制的高度并行、隨機(jī)、自適應(yīng)搜索算法，具有全局收斂性和初值無(wú)關(guān)性[10]。它不要求目標(biāo)函數(shù)連續(xù)、可微，僅需給出目標(biāo)函數(shù)的描述，從一組隨機(jī)產(chǎn)生的初始解開(kāi)始，從全局空間出發(fā)搜索問(wèn)題的最優(yōu)解。遺傳算法的基本操作如下：

1)編碼：由于遺傳算法不能直接處理解空間的解數(shù)據(jù)，因此必須通過(guò)編碼將它表示成遺傳空間的基因型串結(jié)構(gòu)數(shù)據(jù)——染色體。

2)初始群體的生成：由于遺傳算法的群體型操作需要，必須為遺傳操作準(zhǔn)備一個(gè)由若干初始解組成的初始群體，然后以這個(gè)初始群體作為起始點(diǎn)開(kāi)始迭代搜索。

3)定義適應(yīng)度函數(shù)：遺傳算法在搜索進(jìn)化過(guò)程中一般不需要其它外部信息，僅用適應(yīng)度函數(shù)值來(lái)評(píng)估個(gè)體或解的優(yōu)劣，并作為遺傳操作的依據(jù)。

4)選擇：選擇操作的目的是為了從當(dāng)前群體中選出生命力強(qiáng)的染色體，使它有機(jī)會(huì)保留并用以繁殖后代。選擇操作體現(xiàn)了達(dá)爾文的優(yōu)勝劣汰、適者生存的原則，個(gè)體適應(yīng)度越大，其被選擇的機(jī)會(huì)就越多。

5)交叉：交叉操作是遺傳算法中最主要的遺傳操作，對(duì)于用于繁殖后代的個(gè)體，隨機(jī)選擇交叉位置，產(chǎn)生兩個(gè)新的個(gè)體，這兩個(gè)新個(gè)體組合其父代的特性。

6)變異：變異操作在群體中隨機(jī)地選擇一個(gè)個(gè)體，以一定的概率隨機(jī)改變基因串中某個(gè)字符的值。它需要和交叉操作配合使用，目的是挖掘群體中個(gè)體的多樣性，克服有可能局限于局部最優(yōu)解的弊端。

1.2 遺傳算法用于優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)重

遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合有多種方式，本文利用遺傳算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的連接權(quán)值，具體過(guò)程為：首先利用神經(jīng)網(wǎng)絡(luò)的連接權(quán)重作為染色體進(jìn)行編碼，形成初始種群，然后以適應(yīng)度函數(shù)指導(dǎo)隨機(jī)搜索的方向，對(duì)父代種群進(jìn)行選擇、交叉、變異等操作生成子代種群。經(jīng)過(guò)不斷迭代計(jì)算，最終產(chǎn)生全局最優(yōu)解，并對(duì)其解碼作為BP網(wǎng)絡(luò)的最優(yōu)初始權(quán)值。

利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)，即遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本學(xué)習(xí)，可在相當(dāng)大的程度上避免局部極小，訓(xùn)練次數(shù)和最終權(quán)值也可以相對(duì)穩(wěn)定，同時(shí)加快訓(xùn)練速度。近年來(lái)，已有眾多學(xué)者將遺傳神經(jīng)網(wǎng)絡(luò)應(yīng)用于工程實(shí)踐[11-12]，本文利用MATLAB編制遺傳神經(jīng)網(wǎng)絡(luò)程序并應(yīng)用于大壩安全評(píng)價(jià)。

2 基于遺傳神經(jīng)網(wǎng)絡(luò)的大壩安全評(píng)價(jià)

傳統(tǒng)的大壩安全評(píng)價(jià)是一個(gè)極其復(fù)雜的過(guò)程，需要專(zhuān)家經(jīng)驗(yàn)的介入。如果能建立一個(gè)特殊模型，通過(guò)輸入原始觀(guān)測(cè)數(shù)據(jù)即能輸出大壩安全評(píng)價(jià)結(jié)果，將節(jié)省大量人力物力，而遺傳神經(jīng)網(wǎng)絡(luò)憑借其自身優(yōu)勢(shì)，為建立這樣的模型提供了可能。然而，傳統(tǒng)的大壩安全評(píng)價(jià)方法不能為神經(jīng)網(wǎng)絡(luò)模型提供合適的學(xué)習(xí)樣本，因此本文引入安全度值的概念，使學(xué)習(xí)樣本得到量化，即：首先計(jì)算每個(gè)底層指標(biāo)因子的安全度值，再判斷每個(gè)下層指標(biāo)因子相對(duì)于其上層指標(biāo)因子安全程度的權(quán)重，兩者結(jié)合逐級(jí)遞歸綜合評(píng)價(jià)，最終得到大壩整體結(jié)構(gòu)的安全度值，并作為樣本進(jìn)行建模。整個(gè)過(guò)程主要解決3個(gè)問(wèn)題，即如何計(jì)算底層指標(biāo)因子的安全度值、如何計(jì)算權(quán)重、如何利用遺傳神經(jīng)網(wǎng)絡(luò)建模。

2.1 底層指標(biāo)因子安全度值計(jì)算

所謂安全度值，即大壩整體及各因子安全程度的數(shù)值體現(xiàn)。何金平等[13]從相應(yīng)規(guī)范、已有方法、人類(lèi)心理活動(dòng)以及實(shí)踐經(jīng)驗(yàn)角度出發(fā)，提出將大壩結(jié)構(gòu)實(shí)測(cè)性態(tài)綜合評(píng)價(jià)的安全級(jí)數(shù)確定為5級(jí)，即正常、基本正常、輕度異常、重度異常和惡性失常。令安全度值為(0～1]區(qū)間上，并將其等分成A到E 5個(gè)區(qū)間，與5種安全狀態(tài)一一對(duì)應(yīng)，其結(jié)果如表1所示。

表1 評(píng)價(jià)等級(jí)安全度值對(duì)照表

(1)

(2)

式中：n為模型中實(shí)測(cè)效應(yīng)量總數(shù)；k為實(shí)測(cè)效應(yīng)量的自由度。則式(1)可表示為

[y]=f(x1,x2,…,xn)±pS.

(3)

安全度值的等級(jí)區(qū)間同樣可以用監(jiān)控指標(biāo)來(lái)表示，使人為劃定的等級(jí)區(qū)間和通過(guò)統(tǒng)計(jì)模型回歸分析所得的監(jiān)控指標(biāo)相掛鉤：

(4)

式中：ymax，ymin為監(jiān)控指標(biāo)的限制值。根據(jù)表1及式(4)，即可推導(dǎo)得到各底層指標(biāo)因子安全度值的計(jì)算公式，結(jié)果見(jiàn)表2，表中各符號(hào)含義同上。

表2 底層指標(biāo)因子安全度值計(jì)算公式

2.2 權(quán)重計(jì)算

計(jì)算得到大壩底層指標(biāo)因子安全度值以后，不能通過(guò)簡(jiǎn)單的加減就得出上一層指標(biāo)因子的安全度值，必須把每個(gè)指標(biāo)因子相對(duì)于其上一級(jí)指標(biāo)因子的權(quán)重計(jì)算出來(lái)，并進(jìn)行綜合計(jì)算得出。本文將利用主成分分析法計(jì)算底層指標(biāo)因子的權(quán)重，利用改進(jìn)的層次分析法計(jì)算其余各級(jí)指標(biāo)因子的權(quán)重。

2.2.1 主成分分析法

在大壩安全評(píng)價(jià)中，主成分分析法直接依據(jù)大壩原始實(shí)測(cè)資料的信息建立監(jiān)測(cè)樣本相關(guān)矩陣，然后通過(guò)正交變換，把多個(gè)相關(guān)指標(biāo)轉(zhuǎn)化為少量不相關(guān)評(píng)價(jià)指標(biāo)[14]，并定量描述交互指標(biāo)在整體系統(tǒng)中貢獻(xiàn)，并通過(guò)貢獻(xiàn)量大小來(lái)識(shí)別對(duì)應(yīng)的各個(gè)評(píng)價(jià)指標(biāo)的權(quán)重值。

2.2.2 改進(jìn)的層次分析法

層次分析法的基本思路是：專(zhuān)家通過(guò)對(duì)評(píng)價(jià)因素重要程度的兩兩比較，確定判斷矩陣，然后計(jì)算判斷矩陣的最大特征值及其對(duì)應(yīng)的特征向量，再將該特征向量歸一化并得到評(píng)價(jià)因素的權(quán)重。然而不論是傳統(tǒng)的層次分析法常用的A.L.Satty的1～9標(biāo)度法，還是一些學(xué)者后來(lái)相繼提出的9/9～9/1標(biāo)度法、10/10～18/2標(biāo)度法以及指數(shù)標(biāo)度法，在實(shí)際應(yīng)用中都并不合理。為此，本文采用一種改進(jìn)的層次分析法。

在大壩安全評(píng)價(jià)中，考慮到評(píng)價(jià)因素兩兩比較時(shí)一般不存在“強(qiáng)烈大”和“極端大”的情況，出現(xiàn)“明顯大”的情況也不多。因此，在對(duì)指標(biāo)重要性?xún)蓛杀容^時(shí)，只設(shè)置兩個(gè)等級(jí)，即重要性“相同”或“稍微大”，然后以此作為基礎(chǔ)遞進(jìn)乘積分析。本文取9/9～9/1標(biāo)度法、10/10～18/2標(biāo)度法以及指數(shù)標(biāo)度法三者的平均值作為標(biāo)度，即“相同”的標(biāo)度取為(1+1+1)/3=1，“稍微大”的標(biāo)度取為(1.286+1.500+1.277)/3=1.354。當(dāng)評(píng)價(jià)指標(biāo)之間的重要性用“稍微大”還不足以反映時(shí)，可以用多個(gè)“稍微大”來(lái)反映，標(biāo)度為1.354×1.354=1.833，以此類(lèi)推并最終計(jì)算出各評(píng)價(jià)指標(biāo)權(quán)重。

2.3 遺傳神經(jīng)網(wǎng)絡(luò)建模

根據(jù)底層指標(biāo)因子安全度值及各級(jí)因子間的權(quán)重，就可以計(jì)算得到大壩整體結(jié)構(gòu)安全度值，從而進(jìn)行神經(jīng)網(wǎng)絡(luò)建模。本文中，遺傳神經(jīng)網(wǎng)絡(luò)的輸入層為大壩安全觀(guān)測(cè)的各項(xiàng)原始觀(guān)測(cè)數(shù)據(jù)，輸出層為大壩整體結(jié)構(gòu)安全度值。

利用生成的學(xué)習(xí)樣本訓(xùn)練網(wǎng)絡(luò)，就能使網(wǎng)絡(luò)獲取客觀(guān)模型分析結(jié)果和主觀(guān)專(zhuān)家評(píng)價(jià)經(jīng)驗(yàn)，當(dāng)應(yīng)用這一網(wǎng)絡(luò)對(duì)新的輸入進(jìn)行映射時(shí)，就可在輸出的評(píng)價(jià)結(jié)果中再現(xiàn)主客觀(guān)相結(jié)合的評(píng)價(jià)思維，從而得出比較合理的評(píng)價(jià)結(jié)論。因此當(dāng)網(wǎng)絡(luò)訓(xùn)練完成后，在輸入層中依次輸入各項(xiàng)原始觀(guān)測(cè)數(shù)據(jù)，即可得到最終的大壩結(jié)構(gòu)安全度值。

3 工程實(shí)例分析

3.1 工程概況及建模數(shù)據(jù)選取

陳村水電站位于皖南長(zhǎng)江支流青弋江上游，是一座綜合性中型水利水電樞紐工程。大壩是一座同心圓變半徑的混凝土重力拱壩，壩頂高程為126.3 m，最大壩高為76.3 m，壩頂弧長(zhǎng)419 m，壩頂寬8 m，最大壩底寬53.5 m，自左向右有28個(gè)壩段，總庫(kù)容為28.25億m3。

本文僅考慮變形因素的影響，選取6個(gè)典型壩段，即5#、7#、8#、18#、24#、26#壩段，基于遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行大壩安全評(píng)價(jià)，資料系列選取該壩1999—2006年間的垂直位移、徑向水平位移和切向水平位移的觀(guān)測(cè)數(shù)據(jù)。

3.2 學(xué)習(xí)樣本生成

利用1999—2004年的數(shù)據(jù)分別建立各單測(cè)點(diǎn)垂直位移、徑向水平位移及切向水平位移的統(tǒng)計(jì)模型，對(duì)2005—2006年的84組樣本進(jìn)行擬合，再根據(jù)表2中算式計(jì)算84組樣本的底層指標(biāo)因子安全度值，并利用主成分分析法確定底層因子的權(quán)重?，F(xiàn)以2006年2月4日為例，具體計(jì)算結(jié)果見(jiàn)表3。

表3 底層指標(biāo)因子安全度值及權(quán)重

根據(jù)表3，可以分別算出2006年2月4日垂直位移、徑向水平位移和切向水平位移因子的安全度值，再利用改進(jìn)的層次分析法可以算出各因子的權(quán)重，具體計(jì)算結(jié)果見(jiàn)表4。

表4 中間層因子安全度值及權(quán)重

根據(jù)表4計(jì)算可得2006年2月4日大壩整體變形的安全度值為0.756 8，同理可得其余83個(gè)時(shí)間點(diǎn)的大壩整體變形安全度值，其范圍在0.688 1～0.843 0之間，均處于基本正常或者正常狀態(tài)。而陳村大壩已運(yùn)行30余年，工作狀態(tài)基本正常，計(jì)算結(jié)果與大壩實(shí)際檢測(cè)結(jié)果相符，可以作為樣本用于神經(jīng)網(wǎng)絡(luò)建模。

3.3 神經(jīng)網(wǎng)絡(luò)建模

利用遺傳神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，輸入層為12個(gè)位移原始觀(guān)測(cè)數(shù)據(jù)，輸出層為大壩整體變形的安全度值。將2005—2006年84組數(shù)據(jù)中的50%作為學(xué)習(xí)樣本，另50%作為預(yù)報(bào)樣本，開(kāi)始訓(xùn)練。訓(xùn)練結(jié)束后，得到42個(gè)預(yù)報(bào)樣本的模擬結(jié)果，具體結(jié)果見(jiàn)圖1、表5。

由表5可知，遺傳神經(jīng)網(wǎng)絡(luò)的擬合結(jié)果與實(shí)際結(jié)果相比，差值絕對(duì)值最小僅為0.000 7，差值絕對(duì)值最大也只有0.040 3，擬合效果良好，方法具有一定的可行性。

圖1 擬合結(jié)果與實(shí)際結(jié)果對(duì)比

4 結(jié)束語(yǔ)

本文在已有方法的基礎(chǔ)上，建立大壩安全評(píng)價(jià)的遺傳神經(jīng)網(wǎng)絡(luò)模型，解決傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、穩(wěn)定性差、易陷入局部極小等問(wèn)題。通過(guò)引入安全度值的概念將網(wǎng)絡(luò)學(xué)習(xí)樣本量化，并在學(xué)習(xí)過(guò)程中融合相關(guān)專(zhuān)家的經(jīng)驗(yàn)、知識(shí)、主觀(guān)判斷及對(duì)目標(biāo)重要性的傾向。網(wǎng)絡(luò)訓(xùn)練完成后，可直接通過(guò)原始大壩觀(guān)測(cè)數(shù)據(jù)進(jìn)行大壩安全評(píng)價(jià)。

[1]張乾飛,王錦國(guó),李雪紅. 大壩安全監(jiān)控中的不確定性信息初探[J]. 河海大學(xué)學(xué)報(bào):自然科學(xué)版, 2002，30(5):113-117.

[2]季根蔡. 基于層次分析法的水庫(kù)大壩安全鑒定的綜合評(píng)價(jià)[J]. 紅水河，2007，26(1):133-136.

[3]陳誠(chéng),花劍嵐. 改進(jìn)層次分析法在土石壩安全評(píng)價(jià)中的應(yīng)用[J]. 水利水電科技進(jìn)展，2010，30(2):58-62.

[4]吳云芳,李珍照,薛桂玉. 大壩實(shí)測(cè)性態(tài)的多級(jí)灰關(guān)聯(lián)評(píng)估方法研究[J]. 大壩觀(guān)測(cè)與土工測(cè)試，1998，22(5):27-31.

[5]李珍照,何金平,薛桂玉,等. 大壩實(shí)測(cè)性態(tài)模糊模式識(shí)別方法的研究[J]. 武漢水利電力大學(xué)學(xué)報(bào)，1998，31(2):1-4.

[6]張小飛,蘇國(guó)韶,吳彰敦. 基于層次模糊綜合評(píng)價(jià)的水庫(kù)大壩安全評(píng)價(jià)法[J]. 廣西大學(xué)學(xué)報(bào):自然科學(xué)版，2009，34(3):321-325.

[7]姜彤,杜國(guó)倩. 模糊評(píng)判法在大壩安全評(píng)價(jià)中的應(yīng)用[J]. 人民黃河，2012，34(3):117-119.

[8]吳云芳,李珍照,徐帆. BP神經(jīng)網(wǎng)絡(luò)在大壩安全綜合評(píng)價(jià)中的應(yīng)用[J]. 河海大學(xué)學(xué)報(bào):自然科學(xué)版，2003，31(1):25-28.

[9]胡伍生. 神經(jīng)網(wǎng)絡(luò)理論及其工程應(yīng)用[M]. 北京：測(cè)繪出版社, 2006:68-69.

[10]楊發(fā)群,邱衛(wèi)寧,魏成,等. 顧及不確定因素的GA-BP神經(jīng)網(wǎng)絡(luò)在路基沉降預(yù)測(cè)中的應(yīng)用[J]. 測(cè)繪工程，2013，22(6):51-54.

[11]劉健,蔡建軍,程森. 基于遺傳神經(jīng)網(wǎng)絡(luò)的大壩變形預(yù)測(cè)模型研究[J]. 山東大學(xué)學(xué)報(bào):工學(xué)版,2006，36(2):62-66.

[12]王志軍,劉紅彩. 遺傳神經(jīng)網(wǎng)絡(luò)在大壩變形預(yù)報(bào)因子重要度判定中的應(yīng)用[J]. 水電自動(dòng)化與大壩監(jiān)測(cè)，2008，32(5):69-71,75.

[13]何金平,李珍照. 大壩結(jié)構(gòu)實(shí)測(cè)性態(tài)綜合評(píng)價(jià)指標(biāo)體系的研究[J]. 大壩觀(guān)測(cè)與土木測(cè)試，2000，24(6):20-22.

[14]韓小孩,張耀輝,孫福軍,等. 基于主成分分析的指標(biāo)權(quán)重確定方法[J]. 四川兵工學(xué)報(bào)，2012，33(10):124-126.

[責(zé)任編輯：張德福]

Application of genetic neural network to dam safety evaluation

ZHANG Fan, HU Wu-sheng

(Dept. of Surveying Engineering, Southeast University, Nanjing 210096, China)

Application of neural network to the dam safety evaluation has some advantages, but the traditional methods of dam safety evaluation can not provide the appropriate learning samples for the neural network model. The concept of safety degree value is introduced to provide quantifiable learning samples for neural network. And aiming at the problems of slow convergent rate, poor stability and local minimum of the BP neural network, an improved dam safety evaluation method based on genetic neural network is proposed. The example shows that the method is reasonable and feasible.

dam safety evaluation; neural network; genetic algorithm; safety degree value

2014-02-25

江蘇省普通高校研究生科研創(chuàng)新計(jì)劃項(xiàng)目(CXLX11_0143)

張 帆(1987-)，男，博士研究生.

TU196

：A

：1006-7949(2014)07-0041-05