中國華電集團有限公司福建分公司 林棟來 肖樹燦 林建成 太極計算機股份有限公司 劉 剛 樊子昂
水利水電工程中,大壩的安全監(jiān)測是大壩安全管理的重要內(nèi)容,是控制安全風險的重要措施。其中形變監(jiān)測是水庫大壩安全評價的基礎(chǔ)和重要組成?,F(xiàn)階段水庫形變監(jiān)測多是在重點部位布設(shè)分散、不連續(xù)的單個監(jiān)測點,利用全站儀、全球?qū)Ш叫l(wèi)星系統(tǒng)等測量手段按以點代面、以局部代替整體的方法采集離散點形變信息進行數(shù)據(jù)處理,這種方式難免會遺漏一些重大的安全隱患。星載合成孔徑雷達干涉測量(interferometric synthetic aperture radar,InSAR)作為近年來迅速發(fā)展的空間大地測量新技術(shù),能夠全天時、全天候、大面積同步獲取地形信息及地表形變信息,與傳統(tǒng)測量手段相比有效縮短了觀測周期,擴大了空間范圍,提高了監(jiān)測精度[1]。
本文中利用InSAR數(shù)據(jù)在池潭水電站進行了形變監(jiān)測應(yīng)用。電站裝機總?cè)萘?08MW,系閩江富屯溪支流金溪干流的第一級電站,壩址位于泰寧縣池潭村上游3km的峽谷中。工程以發(fā)電為主,兼顧防洪、航運、養(yǎng)殖等綜合效益。
本文使用了高分辨率TerraSAR雷達衛(wèi)星遙感數(shù)據(jù)進行監(jiān)測,完成了地質(zhì)災(zāi)害檢測數(shù)據(jù)的分析,利用該分析結(jié)果進行人工智能模型的預(yù)測。TerraSAR-X衛(wèi)星由德國航空航天中心和歐洲EADSAstrium公司合作開發(fā),是固態(tài)有源相控陣的X波段合成孔徑雷達衛(wèi)星,具有10cm精度的軌道數(shù)據(jù)。本文采用覆蓋池潭水電站區(qū)域的2021年12月~2022年05月共計8景TerraSAR-X數(shù)據(jù)進行輔助地質(zhì)災(zāi)害隱患排查和預(yù)測分析,其中工作區(qū)DEM采用ALOS12.5mDEM。
基于雷達衛(wèi)星的地質(zhì)災(zāi)害隱患排查數(shù)據(jù)處理,通過對TerraSAR-X雷達衛(wèi)星影像開展數(shù)據(jù)配準、高相干點識別、干涉對組合、時序分析、形變區(qū)快速識別等技術(shù)手段,運用SVD方法得到池潭水電站區(qū)域2021年12月~2022年05月期間的地表形變速率。
LSTM模型全稱長短期記憶模型,是在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上進行的改進,因此也屬于RNN網(wǎng)絡(luò)的一種,主要規(guī)避了標準RNN網(wǎng)絡(luò)結(jié)構(gòu)中梯度爆炸和梯度消失問題,在其基礎(chǔ)上引入了門控機制概念,通過輸入門、遺忘門和輸出門對數(shù)據(jù)信息流動進行控制,因此訓練速度也會更快?;贚STM模型內(nèi)部結(jié)構(gòu)及網(wǎng)絡(luò)結(jié)構(gòu),本文針對InSAR數(shù)據(jù)的分布及特點構(gòu)建了LSTM網(wǎng)絡(luò)。具體操作步驟為進行處理和標準化后的數(shù)據(jù)作為模型的輸入xt,輸入到LSTM模型,模型的輸出經(jīng)過兩個全連接層及最后的反標準化操作,得到的結(jié)果為最終的預(yù)測結(jié)果。
本文收集整理的信息涵蓋了33327個InSAR點,其中每一個點都包含多個屬性,如InSAR點ID、相對位置xy、經(jīng)緯度、高程、形變速率、標準差以及八個觀測到的形變值。此外為了實現(xiàn)分級預(yù)測,根據(jù)形變速率對數(shù)據(jù)進行劃分,其等級標記、形變速率區(qū)間(mm/y)、數(shù)據(jù)量分別為:4:[17,+ ∞)、3105,3:[7,17)、4689,2:[4,7)、4607,1:[2,4)、5107,0:[0,2)、6740,-1:[-3,0)、4739,-2:[-6,-3)、2068,-3:[-13,-6)、1757,-4 :(- ∞,-13)、515。
為保證LSTM模型快速收斂、保持數(shù)據(jù)一致性及提高模型的預(yù)測精度,在輸入時對數(shù)據(jù)進行標準化處理,在輸出時進行反標準化式中:x代表輸入數(shù)據(jù),xmax代表輸入數(shù)據(jù)的最大值,abs()為取絕對值操作,代表標準化后的輸入數(shù)據(jù)。
為充分發(fā)揮數(shù)據(jù)作用,本文采樣連續(xù)七個時刻InSAR數(shù)據(jù)遞歸預(yù)測下一時刻,即采用2021年12月2日到2022年4月13日的數(shù)據(jù)預(yù)測2022年5月5日的形變量。根據(jù)構(gòu)建完畢的樣本數(shù)據(jù)訓練預(yù)測模型,模型的輸出可與InSAR實際觀測值進行比較,根據(jù)評價指標的大小評判模型的表現(xiàn)力,選取最優(yōu)異的模型進行最終的預(yù)測。最終預(yù)測樣本的構(gòu)建本文選取2021年12月24日到2022年5月5日之間七個連續(xù)時刻的數(shù)據(jù),預(yù)測的值為下一個時刻,即2022年5月27日的形變值。
本文基于InSAR遙感衛(wèi)星數(shù)據(jù)根據(jù)形變速率劃分九個等級,并對每一個等級內(nèi)的全部InSAR點進行聯(lián)合預(yù)測。本文使用Python語言進行編程,基于Pytorch的深度學習框架構(gòu)建了LSTM模型(圖1)。
評價指標:為展現(xiàn)LSTM模型對形變值的預(yù)測結(jié)果,本文使用了均方誤差(MSE)的評價指標來衡量預(yù)測結(jié)果與實際值間的差距。均方誤差既可作為LSTM模型的損失函數(shù)進行網(wǎng)絡(luò)的訓練,還可度量評估網(wǎng)絡(luò)輸出與真實值的距離。損失函數(shù)越小、距離越小,也就是均方誤差的值越小,模型的表現(xiàn)力就越優(yōu)異
實驗參數(shù):進行預(yù)測前根據(jù)多個水電站附近的inSar數(shù)據(jù)進行多次嘗試,最終確定采用Adam算法進行優(yōu)化,并最終確定LSTM模型中關(guān)于網(wǎng)絡(luò)結(jié)構(gòu)的參數(shù):"predictionLSTM_lr":0.001,預(yù)測模型學習率;"predictionEpoch":50,預(yù)測模型訓練周期;"predictionBatch":16,預(yù)測模型批大?。?predictionLSTM_numLayers":"1",LSTM層數(shù);"predictionLSTM_hidden_size":256,Lstm隱藏層狀態(tài);"predictionLSTM_embed_dim1":1024,全連接層1的映射維度;"predictionLSTM_embed_dim2":512,全連接層2的映射維度;"predictionLSTM_stepLr":20,步長 ;"k":5,根據(jù)k折劃分訓練集和測試集。
本文通過對9個不同等級多個觀測點的數(shù)據(jù),訓練出一個LSTM模型。圖2每個小圖中一條曲線代表一個觀測點的觀測值,圖中曲線上前七個點是歷史觀測值特征,最后一個點是預(yù)測的結(jié)果。從中可看出,預(yù)測模型可沿著數(shù)據(jù)走勢對未來進行預(yù)測。
在實際應(yīng)用方面,本文構(gòu)建的深度學習預(yù)測模型可很好地擬合時序數(shù)據(jù)的特點,能有效幫助管理人員對重點地質(zhì)災(zāi)害點進行安全排查監(jiān)測。盡管本文提出了使用LSTM對未來InSAR數(shù)據(jù)進行預(yù)測,但是還有很多可補充改進的地方。本模型僅使用了循環(huán)神經(jīng)網(wǎng)絡(luò)提取時序間的依賴關(guān)系,成千上萬個InSAR點之間的空間拓撲并未納入建模過程中。在未來的研究過程中,將考慮根據(jù)InSAR數(shù)據(jù)之間的物理距離構(gòu)建圖網(wǎng)絡(luò)模型。空間圖模型可用作捕獲基于物理距離的相關(guān)度,獲取的空間特征可應(yīng)用于時序預(yù)測模型。隨著數(shù)據(jù)的不斷積累,圖網(wǎng)絡(luò)方法的結(jié)果也會和LSTM方法進行比較。相信基于深度學習的模型和方法將會越來越多地應(yīng)用于地災(zāi)監(jiān)測的應(yīng)用之中。