邵楠,于中偉
(沈陽(yáng)市勘察測(cè)繪研究院,遼寧沈陽(yáng) 110004)
基于ELM的大壩變形分析與預(yù)報(bào)模型
邵楠*,于中偉
(沈陽(yáng)市勘察測(cè)繪研究院,遼寧沈陽(yáng) 110004)
傳統(tǒng)的諸如BP神經(jīng)網(wǎng)絡(luò)等學(xué)習(xí)方法訓(xùn)練時(shí)需要設(shè)置大量的參數(shù),并且容易產(chǎn)生局部最優(yōu)解。極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)可以隨機(jī)選擇輸入權(quán)重以及隱藏層偏差且不需要調(diào)節(jié),最終只產(chǎn)生唯一最優(yōu)解。將ELM引入大壩變形分析建模中,建立了基于ELM的變形預(yù)報(bào)模型。實(shí)例表明,相比傳統(tǒng)的逐步回歸模型與BP神經(jīng)網(wǎng)絡(luò)模型,基于ELM的大壩變形預(yù)報(bào)模型在效率和精度上都有提高。
大壩變形預(yù)報(bào);物理模型;神經(jīng)網(wǎng)絡(luò)模型;極限學(xué)習(xí)機(jī)(ELM)
對(duì)大壩變形監(jiān)測(cè)數(shù)據(jù)進(jìn)行整理分析,是保證大壩安全運(yùn)營(yíng)的重要手段[1,2]。大壩安全監(jiān)測(cè)數(shù)學(xué)模型主要分為幾何模型和物理模型。其中,物理模型以回歸模型為主,利用多元線性回歸或相應(yīng)改進(jìn)方法建立大壩變形與溫度、水位和時(shí)效因子之間的關(guān)系[3,4]。但回歸模型只能反映監(jiān)測(cè)效應(yīng)量與自變量之間的線性關(guān)系,模型精度會(huì)因此受到一定影響。隨后,有學(xué)者建立了基于神經(jīng)網(wǎng)絡(luò)算法的變形預(yù)報(bào)模型,建立了位移與環(huán)境自變量之間的非線性模型,驗(yàn)證了神經(jīng)網(wǎng)絡(luò)算法在大壩變形預(yù)報(bào)中的應(yīng)用的有效性[5,6]。
極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)是新加坡Huang等人[7,8]在2004年提出的一種單隱層前饋神經(jīng)網(wǎng)絡(luò)的方法。相比傳統(tǒng)的諸如BP神經(jīng)網(wǎng)絡(luò),ELM優(yōu)點(diǎn)是在極快的學(xué)習(xí)速度上有著良好的泛化能力?;谝陨蟽?yōu)點(diǎn),極限學(xué)習(xí)機(jī)已經(jīng)在生物醫(yī)學(xué)[9]、機(jī)器視覺(jué)[10]、圖像視頻處理[11]等方面得到了廣泛的應(yīng)用。本文將ELM應(yīng)用在大壩變形預(yù)報(bào)中,結(jié)合影響大壩變形的環(huán)境因子建立基于ELM的大壩變形監(jiān)測(cè)模型,并與傳統(tǒng)的逐步回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比分析,驗(yàn)證ELM算法的優(yōu)勢(shì)。
對(duì)于給定的N個(gè)樣本(xi,ti),其中xi=[xi1,xi2,…,xin]T∈Rn,ti=[ti1,ti2,…,tin]T∈Rm,含有個(gè)隱藏節(jié)點(diǎn)的單隱層前饋神經(jīng)網(wǎng)絡(luò)的激活函數(shù)為:
其中,wi是輸入層與第i層隱藏層的權(quán)重,βi是第i層隱藏層與輸出層的權(quán)重,bi是第i層隱藏層節(jié)點(diǎn)的閾值,g(x)為激活函數(shù)。
若把激活函數(shù)看成一個(gè)用H簡(jiǎn)寫(xiě)的矩陣,那么式(1)可簡(jiǎn)化為:
式中,H所代表的矩陣就是神經(jīng)網(wǎng)絡(luò)隱藏層的輸出矩陣。
在極限學(xué)習(xí)機(jī)中,激活函數(shù)無(wú)限可微的情況下,單隱層前饋神經(jīng)網(wǎng)絡(luò)的輸入權(quán)重和隱藏層偏差都不需要調(diào)整。那么訓(xùn)練這個(gè)單隱層前饋神經(jīng)網(wǎng)絡(luò)就等價(jià)于求式(1)中線性系統(tǒng)的最小二乘解:
根據(jù)廣義逆矩陣的定義,這個(gè)線性系統(tǒng)Hβ=T的最小二乘解的最小范數(shù)為:
在變形監(jiān)測(cè)領(lǐng)域,基于神經(jīng)網(wǎng)絡(luò)的變形建模屬于物理模型,即將影響變形體變形的物理環(huán)境量作為輸入變量,變形值作為輸出變量,利用上述原理進(jìn)行訓(xùn)練求解,建立應(yīng)變量與效應(yīng)量之間的關(guān)系。在基于極限學(xué)習(xí)機(jī)的大壩變形模型中,選取合適的變形效應(yīng)量進(jìn)行建模分析是十分必要的。
3.1ELM模型輸入變量選擇
大壩安全監(jiān)測(cè)模型是根據(jù)已取得的監(jiān)測(cè)資料,以環(huán)境作為自變量,以監(jiān)測(cè)的大壩變形位移作為效應(yīng)量建立的變形與環(huán)境量之間的關(guān)系的模型。已有的壩工知識(shí)表明,大壩上任一點(diǎn)在某時(shí)刻的變形主要受大壩上下游水位差(水壓)、溫度以及時(shí)效等因素的影響[1]。因此,本文針對(duì)某混凝土大壩上某測(cè)點(diǎn)的引張線一年內(nèi)的大壩水平位移監(jiān)測(cè)數(shù)據(jù)進(jìn)行建模分析,時(shí)間分辨率為1 d,共365期觀測(cè)數(shù)據(jù)。同時(shí)收集了一年內(nèi)大壩上下游水位差數(shù)據(jù)和當(dāng)?shù)販囟葦?shù)據(jù)參與建模。水位和溫度數(shù)據(jù)觀測(cè)頻率均為1 d。
根據(jù)相關(guān)力學(xué)公式推導(dǎo),水壓作用引起的混凝土壩上某一點(diǎn)的水平位移與水壓H的1~3次方有關(guān),實(shí)際統(tǒng)計(jì)建模應(yīng)用中,一般統(tǒng)一取到4次項(xiàng),因此,水位因子選取為:H、H2、H3、H4,H為上下游水位差。
溫度分量一般取決于大壩壩體溫度場(chǎng)變化,但由于壩體溫度資料有限,我們指收集到相關(guān)氣溫?cái)?shù)據(jù)??紤]到壩體溫度主要受外界氣溫變化影響,因此可以用氣溫間接描述壩體溫度場(chǎng)變化。由于壩體內(nèi)部溫度相對(duì)于氣溫變化存在滯后效應(yīng),因此一般采用監(jiān)測(cè)變形量觀測(cè)日前若干天氣溫的平均氣溫作為溫度因子。在本文建模中,溫度因子選取為:T0-1、T2-7、T8-30、T31-60,分別為前0 d~1 d、2 d~7 d、8 d~30 d、31 d~60 d的平均氣溫;
大壩建模中的時(shí)效分量是指隨著時(shí)間推移,壩體向某一方向發(fā)展的不可逆的變形分量。一般情況下,大壩從建成到穩(wěn)定狀況,時(shí)效位移會(huì)趨于穩(wěn)定。因此,本次建模中,時(shí)效因子選取為為:θ、lnθ,θ為觀測(cè)日天數(shù)減去基準(zhǔn)日天數(shù)再除以100。
3.2建模結(jié)果及分析
在利用ELM建模中,選取以上10個(gè)因子作為建模中的輸入變量。為了消除數(shù)值的影響,所有建模中的因子數(shù)據(jù)均進(jìn)行了標(biāo)準(zhǔn)化處理。分別利用ELM和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)大壩一年內(nèi)的變量因子和變形數(shù)據(jù)進(jìn)行訓(xùn)練建模,得到大壩的變形分析模型。同時(shí)采用目前大壩變形建模中最常用的逐步回歸方法進(jìn)行建模對(duì)比分析。三種模型的擬合效果如圖1所示。圖中可以看出,三種模型都準(zhǔn)確反映了大壩的真實(shí)變形狀況,有著較好的擬合效果。相比逐步回歸,ELM和BP模型建立了自變量與大壩位移間的非線性關(guān)系,模型更加準(zhǔn)確。
圖1 三種大壩變形模型的擬合效果
在采用傳統(tǒng)的逐步回歸模型建立大壩變形模型中,回歸模型中的自變量選擇與ELM模型的輸入變量相同,建模結(jié)果結(jié)果如表1所示。逐步回歸中,剔除了前兩項(xiàng)不顯著的自變量因子,模型復(fù)相關(guān)系數(shù)R=0.9960,回歸方程顯著性檢驗(yàn)統(tǒng)計(jì)量F=5564.3926。所建立的回歸模型是可靠合理的。
逐步回歸模型系數(shù) 表1
接著,利用建立的逐步回歸模型與訓(xùn)練好的ELM模型和BP神經(jīng)網(wǎng)絡(luò)模型結(jié)合變量因子對(duì)接下來(lái)30 d的大壩變形狀況進(jìn)行預(yù)測(cè),同時(shí)結(jié)合引張線實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比分析,來(lái)驗(yàn)證各模型對(duì)大壩變形的預(yù)測(cè)能力。三種模型的擬合與預(yù)測(cè)統(tǒng)計(jì)結(jié)果如表2所示,統(tǒng)計(jì)中,將引張線實(shí)測(cè)數(shù)據(jù)作為大壩變形的真值。三種模型的預(yù)測(cè)結(jié)果如圖2所示。
逐步回歸模型、ELM和BP神經(jīng)網(wǎng)絡(luò)模型中殘差RMS值 表2
表2的結(jié)果表明逐步回歸模型在大壩建模中效果最不理想。這是由于雖然自變量中加入了環(huán)境因子的非線性項(xiàng),但回歸方法仍然是針對(duì)自變量的線性統(tǒng)計(jì)建模,不能準(zhǔn)確反映大壩變形與自變量因子之間的復(fù)雜關(guān)系。ELM和BP神經(jīng)網(wǎng)絡(luò)模型則屬于非線性統(tǒng)計(jì)模型,在大壩變形建模與預(yù)測(cè)精度上都有很大改善。其中,ELM的預(yù)測(cè)效果如圖2所示。
圖2 大壩ELM模型預(yù)測(cè)效果
兩種神經(jīng)網(wǎng)絡(luò)模型都能較好地?cái)M合大壩實(shí)際變形位移序列,但相比BP神經(jīng)網(wǎng)絡(luò)模型,基于ELM的大壩變形分析模型有著更高的預(yù)測(cè)精度。同時(shí),在實(shí)驗(yàn)過(guò)程中,ELM模型相比BP神經(jīng)網(wǎng)絡(luò)模型在運(yùn)算效率上有著明顯優(yōu)勢(shì)。
建立大壩位移監(jiān)測(cè)模型,是分析大壩變形狀況,保障大壩安全運(yùn)營(yíng)的重要手段。本文研究了利用ELM建立大壩變形分析模型的方法。結(jié)合影響大壩變形的變量因子選取了ELM建模中的輸入變量,建立了基于ELM的大壩位移監(jiān)測(cè)模型;模型能準(zhǔn)確反映大壩變形狀況,有著較高的預(yù)測(cè)精度;同時(shí),相比BP神經(jīng)網(wǎng)絡(luò)模型,ELM模型只產(chǎn)生唯一解,模型更具穩(wěn)定性,且相比BP神經(jīng)網(wǎng)絡(luò)模型,ELM算法在計(jì)算效率上有著明顯的優(yōu)勢(shì)。
[1]何金平.大壩安全監(jiān)測(cè)理論與應(yīng)用[M].北京:中國(guó)水利水電出版社,2010.
[2]修延霞,侯凱.卡爾曼濾波在大壩變形監(jiān)測(cè)中的應(yīng)用[J].城市勘測(cè),2010(1):92~94.
[3]李紅祥,岳東杰,李立瑞.基于主成分回歸的大壩位移模型[J].水電自動(dòng)化與大壩監(jiān)測(cè),2008,32(5):61~64.
[4]Dai Wujiao,Liu Bin,Ding Xiaoli,et al.Modeling dam deformation using independent component regression method[J].Trans. Nonferrous Met.Soc.China,2013,23(7):2194~2200.
[5]徐暉,李鋼.基于Matlab的BP神經(jīng)網(wǎng)絡(luò)在大壩觀測(cè)數(shù)據(jù)處理中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào):工學(xué)版,2005,38(3):50~53.
[6]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):25~29.
[7]Huang G.B.,Zhu Q.Y.,Siew C.K.Extreme learning machine:a new learning scheme of feedforward neural networks [C]//Neural Networks,2004.Proceedings.2004 IEEE International Joint Conference onvol.2:985~990.
[8]Huang G.B.,Zhu Q.Y.,Siew C.K.Extreme learning machine:Theory and applications[J].Neurocomputing,2006,70(1-3):489~501.
[9]陳津津,趙于前,鄒潤(rùn)民.基于超限學(xué)習(xí)機(jī)的腹部CT序列圖像肝臟自動(dòng)分割[J].中國(guó)醫(yī)學(xué)物理學(xué)雜志,2015,32 (5):611~616.
[10]He Bo,Xu Dongxun,Nian Rui,et al.Fast Face Recognition Via Sparse Coding and Extreme Learning Machine[J].Cognitive Computation,2013.
[11]Bazi Y.,Alajlan N.,Melgani F.,et al.Differential Evolution Extreme Learning Machine for the Classification of Hyperspectral Images[J].IEEEGeosci Remote SensLett,2014,11 (6):1066~1070.
Dam Deformation Analysis and Prediction Model Based on Extreme Learning Machine
Shao Nan,Yu Zhongwei
(Shenyang Geotechnical Investigation&Surveying Research Institute,Shenyang 110004,China)
Traditional learning methods such like Back Propagation(BP)neural network training need to set a number of parameters,and prone to local optimal solution.Extreme Learning Machine(ELM)randomly chooses the input weighs and the hidden layer biases and does not necessarily tuned.Finally it generates a unique optimal solution.In this paper,ELM algorithm is introduced in dam deformation analysis modelling,establishing a dam deformation and prediction model.Experimental results show that compared with BP neural networks model,the dam deformation prediction model based on ELM have improved on efficiency and accuracy.
dam deformation prediction;physical model;neural networks model;extreme learning machine
1672-8262(2016)04-134-03
P258
B
2016—04—05
邵楠(1989—),男,碩士,工程師,主要從事工程測(cè)量方面的工作。