邱德俊,周 洋,仲靜文,賈玉豪
(1.南京市水利規(guī)劃設(shè)計(jì)院股份有限公司,江蘇 南京 210022;2.河海大學(xué)水利水電學(xué)院,江蘇 南京 210098;3.上??睖y(cè)設(shè)計(jì)研究院有限公司,上海 200335)
借助先進(jìn)的數(shù)學(xué)模型,利用大壩長(zhǎng)時(shí)期服役過(guò)程中產(chǎn)生的位移監(jiān)測(cè)數(shù)據(jù),對(duì)大壩安全性態(tài)開(kāi)展研究一直是大壩安全監(jiān)控領(lǐng)域的重點(diǎn)研究方向[1-3]。然而,在大壩長(zhǎng)期服役過(guò)程中不可避免地會(huì)出現(xiàn)位移監(jiān)測(cè)數(shù)據(jù)缺失的情況,不利于大壩監(jiān)測(cè)數(shù)據(jù)的分析處理[4-5]。因此,研究大壩位移監(jiān)測(cè)缺失數(shù)據(jù)的補(bǔ)齊方法尤為重要。以往補(bǔ)齊大壩位移缺失數(shù)據(jù)多采用傳統(tǒng)的插值估計(jì)法。呂開(kāi)云[6]指出觀測(cè)數(shù)據(jù)插補(bǔ)的方法主要包括內(nèi)在物理聯(lián)系插補(bǔ)法和數(shù)學(xué)插補(bǔ)法,介紹了線性插補(bǔ)法的原理和過(guò)程;李雙平等[7]對(duì)比了常用的數(shù)學(xué)插值方法,并選擇了充分利用已有數(shù)據(jù)信息、插值曲線光滑的三次Hermite分段插值。但這類方法僅基于已知數(shù)據(jù),沒(méi)有結(jié)合大壩的長(zhǎng)效服役特點(diǎn)。由大壩變形統(tǒng)計(jì)模型理論可知,大壩變形主要受水位、溫度和時(shí)效3個(gè)分量的影響。為此,有學(xué)者提出將水位、溫度和時(shí)效作為大壩變形的影響因子,借助BP神經(jīng)網(wǎng)絡(luò)映射方法對(duì)位移缺失數(shù)據(jù)進(jìn)行補(bǔ)齊。然而,僅考慮大壩變形統(tǒng)計(jì)模型分量并不能合理地估計(jì)出缺失數(shù)據(jù),同時(shí)BP神經(jīng)網(wǎng)絡(luò)算法容易陷入局部最優(yōu)、收斂速度較慢的情況。由于大壩變形具有良好的整體性和連貫性,因此大壩局部區(qū)域的變形在一定程度上具有相關(guān)性,同一監(jiān)測(cè)項(xiàng)目的一系列測(cè)點(diǎn)在變形上具有高度的相似性,可以融合相關(guān)測(cè)點(diǎn)的監(jiān)測(cè)信息對(duì)目標(biāo)測(cè)點(diǎn)進(jìn)行插值[8-10]。
本文利用目標(biāo)測(cè)點(diǎn)的空間鄰近點(diǎn)變形值與統(tǒng)計(jì)模型中的分量(水位、溫度和時(shí)效)作為影響因子來(lái)估計(jì)目標(biāo)測(cè)點(diǎn)的缺失數(shù)據(jù)。為全面刻畫(huà)出各測(cè)點(diǎn)變形之間的未知作用關(guān)系,本文引入了極限學(xué)習(xí)機(jī)算法,極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)是由Huang等[11]提出的一種單隱層前饋神經(jīng)網(wǎng)絡(luò)算法,其可隨機(jī)選擇輸入權(quán)值和確定輸出權(quán)值。與BP神經(jīng)網(wǎng)絡(luò)等算法相比,ELM運(yùn)算速度更快,全局最優(yōu)解預(yù)測(cè)精度更高。本文基于空間臨近點(diǎn)和極限學(xué)習(xí)機(jī)算法,對(duì)大壩位移監(jiān)測(cè)缺失數(shù)據(jù)進(jìn)行補(bǔ)齊,并結(jié)合大壩工程實(shí)例進(jìn)行方法合理性的有效檢驗(yàn)。
給定一個(gè)包含N組大壩監(jiān)測(cè)數(shù)據(jù)的樣本集R(xi,ti),其中ti=[ti1,ti2,…,tim]T∈Rm,ti=[ti1,ti2,…,tim]T∈Rm,則一個(gè)具有M個(gè)隱含層節(jié)點(diǎn)以及激勵(lì)函數(shù)g(x)的極限學(xué)習(xí)機(jī)形式[12]為
(1)
(2)
(3)
(4)
假設(shè)某混凝土壩局部區(qū)域3個(gè)位移測(cè)點(diǎn)的位置相近,分別是測(cè)點(diǎn)A、B、C,如圖1所示,其中測(cè)點(diǎn)A和測(cè)點(diǎn)C的位移監(jiān)測(cè)數(shù)據(jù)序列完整,測(cè)點(diǎn)B的部分監(jiān)測(cè)數(shù)據(jù)缺失??紤]到大壩的整體性和連貫性,測(cè)點(diǎn)B的變形值與測(cè)點(diǎn)A和測(cè)點(diǎn)C的變形值之間存在一定的相關(guān)關(guān)系,因此可將測(cè)點(diǎn)A和測(cè)點(diǎn)C的變形值作為訓(xùn)練和補(bǔ)齊B點(diǎn)位移的影響因子。
圖1 混凝土壩局部區(qū)域測(cè)點(diǎn)變形示意
由大壩變形的統(tǒng)計(jì)模型可知,變形主要由水壓分量δH、溫度分量δT和時(shí)效分量δθ組成,即δ=δH+δT+δθ,因此可將水位、溫度和時(shí)效作為訓(xùn)練和補(bǔ)齊測(cè)點(diǎn)B位移的另一部分影響因子。
綜上所述,對(duì)目標(biāo)測(cè)點(diǎn)B的缺失數(shù)據(jù)補(bǔ)齊時(shí),首先應(yīng)將上述兩部分影響因子同時(shí)作為極限學(xué)習(xí)機(jī)的輸入項(xiàng),將測(cè)點(diǎn)B相應(yīng)的位移作為輸出項(xiàng),進(jìn)而訓(xùn)練得到影響因子與位移的擬合關(guān)系;最后通過(guò)訓(xùn)練得到的擬合關(guān)系,輸入缺失值對(duì)應(yīng)的影響因子則可得到擬合的缺失值。
通常使用平均絕對(duì)誤差(Mean Absolute Error,MAE)、平均相對(duì)誤差(Mean Relative Error,MRE)、均方誤差(Mean Square Error,MSE)對(duì)缺失數(shù)據(jù)補(bǔ)齊后的結(jié)果進(jìn)行合理性評(píng)價(jià),計(jì)算式分別為
(5)
(6)
(7)
式中,yD(i)表示大壩位移補(bǔ)齊值;y(i)表示大壩位移實(shí)際值;n為缺失樣本總數(shù)。
某水電站位于我國(guó)沿海地區(qū),大壩主體為碾壓混凝土重力壩,最大壩高72.4 m,壩頂高程634.40 m,壩頂全長(zhǎng)206 m,水庫(kù)總庫(kù)容4 700萬(wàn)m3。選取該壩6號(hào)壩段上的順河向水平位移的監(jiān)測(cè)數(shù)據(jù)序列,共有132測(cè)值,人為構(gòu)造出一個(gè)32個(gè)測(cè)值數(shù)據(jù)缺失段,對(duì)該位移缺失數(shù)據(jù)段進(jìn)行補(bǔ)齊。其相鄰測(cè)點(diǎn)的水平位移監(jiān)測(cè)數(shù)據(jù)、壩體溫度和庫(kù)水位觀測(cè)數(shù)據(jù)如圖2所示。
圖2 某碾壓混凝土重力壩監(jiān)測(cè)數(shù)據(jù)
為了進(jìn)行成果對(duì)比,分別采用下列3組方案進(jìn)行位移缺失數(shù)據(jù)補(bǔ)齊:
(1)方案1。基于極限學(xué)習(xí)機(jī)算法,選取目標(biāo)測(cè)點(diǎn)的空間臨近點(diǎn)位移測(cè)值和大壩變形統(tǒng)計(jì)模型分量(水位、溫度和時(shí)效)作為影響因子,對(duì)大壩位移缺失數(shù)據(jù)進(jìn)行補(bǔ)齊,該方案為本文推薦方法。
(2)方案2?;贐P神經(jīng)網(wǎng)絡(luò)算法,影響因子的選取和方案1相同。
(3)方案3?;跇O限學(xué)習(xí)機(jī)算法,僅選取大壩變形統(tǒng)計(jì)模型分量(水位、溫度和時(shí)效)作為影響因子。
圖3為各方案位移缺失數(shù)據(jù)補(bǔ)齊結(jié)果對(duì)比。由圖3可知,方案1的擬合效果較好,擬合精度更高。對(duì)比上述3種方案的評(píng)價(jià)指標(biāo)(MAE、MRE、MSE),如表1所示。通過(guò)對(duì)比各評(píng)價(jià)值結(jié)果,再次驗(yàn)證了方案1的有效性。由表1可知,方案1的各類評(píng)價(jià)指標(biāo)值均小于另外2種方案,說(shuō)明方案1的補(bǔ)齊數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的相似度最高,誤差最小。
圖3 各方案位移缺失數(shù)據(jù)補(bǔ)齊值對(duì)比
表1 各方案評(píng)價(jià)指標(biāo)值
(1)對(duì)于大壩位移缺失數(shù)據(jù)補(bǔ)齊,將目標(biāo)測(cè)點(diǎn)的空間鄰近點(diǎn)測(cè)值和統(tǒng)計(jì)模型中的分量同時(shí)作為影響因子比僅將統(tǒng)計(jì)模型中的分量作為影響因子的效果更好,準(zhǔn)確度更高。
(2)工程實(shí)例證明,在選擇相同影響因子的條件下,基于極限學(xué)習(xí)機(jī)算法的缺失數(shù)據(jù)補(bǔ)齊方法比基于BP神經(jīng)網(wǎng)絡(luò)算法的缺失數(shù)據(jù)補(bǔ)齊方法準(zhǔn)確率更高,更適用于大壩位移缺失數(shù)據(jù)補(bǔ)齊。
(3)大壩位移缺失數(shù)據(jù)受到多維度因素的影響,運(yùn)用先進(jìn)的數(shù)學(xué)、力學(xué)工具對(duì)大壩位移缺失數(shù)據(jù)的影響因子進(jìn)行多角度深入挖掘,是未來(lái)研究的重點(diǎn)方向。