摘 ?要：船閘在長期服役過程中會因為溫度、水壓等因素影響產(chǎn)生形變，嚴重危害通航安全。為實現(xiàn)精準的船閘位移預測，構建高效的船閘預測模型，文章引入深度學習方法，基于某大壩船閘的歷史觀測數(shù)據(jù)，利用長短記憶神經(jīng)網(wǎng)絡構建了船閘位移預測模型。結果顯示文章所提模型最終的預測效果MAE達到了0.008 1 mm，AEmax達到了0.015 4 mm，RMSE達到了0.009 9 mm，均遠優(yōu)于傳統(tǒng)的多元線性回歸方法。說明該模型具有良好的預測性能，為實現(xiàn)船閘的安全預警提供了一種新方法。

關鍵詞：船閘；LSTM；位移預測

中圖分類號：TP183 ? 文獻標識碼：A ? 文章編號：2096-4706（2023）16-0155-04

Research on Ship Lock Displacement Prediction Model Based on LSTM

DING Tengteng

（Pearl River Water Resources Institute of Pearl River Water Conservancy Commission， Guangzhou ?510611， China）

Abstract： The ship locks will be deformed during long-term service due to temperature， water pressure and other factors， which seriously endangers navigation safety. In order to achieve accurate ship lock displacement prediction and build an efficient ship lock prediction model， this paper introduces the Deep Learning method and constructs a ship lock displacement prediction model based on the historical observation data of a dam ship lock using LSTM neural network. The results show that the final prediction effect of MAE reaches 0.008 1 mm， AEmax reaches 0.015 4 mm and RMSE reaches 0.009 9 mm， which are better than the traditional multivariate linear regression method. The model proposed in this paper has good prediction performance and provides a new method to realize the safety warning of ship locks.

Keywords： ship lock; LSTM; displacement prediction

0 ?引 ?言

20世紀70年代以來，我國大壩的建設取得了飛速發(fā)展，先后建成了三峽、小浪底、溪洛渡等多座大壩。然而，在河道上修建的大壩會截斷河道，阻隔上下游貫通。因此，船只需要借助船閘來通航，實現(xiàn)大壩的跨越，保證流域航道的貫通。

水利部的《第一次全國水利普査公報》[1]顯示：截至2013年，我國現(xiàn)有船閘高達27萬余座，是世界上船閘數(shù)量最多的國家之一。如此多數(shù)量的船閘為我國水路交通網(wǎng)的構建和水運事業(yè)的發(fā)展做出了巨大的貢獻。可以說，船閘的安全與穩(wěn)定關系到船只的安全、航道的通暢以及水運的發(fā)展等[2，3]。然而，船閘在長期服役過程中，會因為水壓的作用、溫度的影響、材料的劣化等因素不可避免的發(fā)生位移——對船閘的安全運行造成影響[2]。因此，基于環(huán)境因素對船閘的位移量做出預測，進而對其安全程度進行預警是提升船閘穩(wěn)定運行水平，實現(xiàn)智能化管理的重要任務[2，4]。

當前，關于船閘位移預測的研究，可以按照研究方法的不同分成兩部分：基于數(shù)值模型和基于統(tǒng)計回歸的研究?；跀?shù)值模型的研究主要是通過有限元等算法，從力學角度預測船閘在外部環(huán)境作用下會出現(xiàn)的位移變化。典型的研究比如：苑敬舜[5]根據(jù)實際工程資料，基于有限元對船閘閘首部位進行數(shù)值模擬，實現(xiàn)了閘首的位移預測。凌威則利用有限元建立了船閘-巖土-支護樁耦合數(shù)值分析模型，對受基坑開挖影響的船閘的位移做出預測。不過基于有限元的數(shù)值模擬方法雖然準確，但其需要大量的力學參數(shù)——參數(shù)的確定十分困難，而且數(shù)值模擬的速度較慢，難以實現(xiàn)快速的預警?；诮y(tǒng)計回歸的方法主要是：找出影響船閘位移的環(huán)境量，根據(jù)環(huán)境量的測值與船閘位移的變化值，通過相關統(tǒng)計回歸模型（比如：多元線性回歸和機器學習方法）進行回歸分析。

本文考慮到船閘的位移是多因素耦合作用的結果，其位移具有不確定性和非線性的特點，引入深度學習的方法，將LSTM模型引入船閘位移預測，基于其強大的數(shù)據(jù)擬合能力、信息選擇記憶能力以及泛化能力，提出基于LSTM算法的船閘位移預測模型。本文首先介紹了LSTM的原理和算法架構；其次基于工程實測的溫度、水壓和位移序列數(shù)據(jù)，建立了多輸入單輸出的船閘位移模型；然后，將數(shù)據(jù)輸入模型中進行訓練，并利用訓練出的網(wǎng)絡在驗證集上做位移預測，并與多元線性回歸方法進行比較，評估LSTM算法在船閘位移預測方法中的可行性和優(yōu)越性。最終建立基于LSTM的船閘位移預測模型。

1 ?LSTM模型介紹

長短記憶神經(jīng)網(wǎng)絡（Long Short-Term Memory， LSTM）是一種強大的機器學習算法，其改善了RNN中存在的長期依賴問題，能夠學習長序列的依賴關系，可作為復雜的非線性單元用于構造更大型深度神經(jīng)網(wǎng)絡，非常適合用于進行映射關系挖掘和時序預測。LSTM由Hochreiter等提出，其整體結構如圖1所示。

通過將環(huán)境量按照時序逐步、循環(huán)地輸入到LSTM單元中，而后比較輸出結果與預期結果間的差異，來實現(xiàn)單元內(nèi)部參數(shù)的優(yōu)化。不過，不同于傳統(tǒng)RNN的是，LSTM模型內(nèi)部引入了門控機制，使得LSTM可以實現(xiàn)長序列數(shù)據(jù)的學習，其內(nèi)部的結構如圖2所示。

圖2中：⊙表示操作矩陣中對應的元素相乘，⊕表示矩陣相加；xt表示當前序列的輸入數(shù)據(jù)，ht-1表示上一個狀態(tài)傳遞下來的數(shù)據(jù)，兩者拼接得到四個狀態(tài)：z f、zi、zo和z。其中z f、zi、zo表示由拼接向量乘以權重矩陣之后通過一個sigmoid激活函數(shù)轉換成0到1之間的數(shù)值，來作為一種門控狀態(tài)，而z則是將結果通過一個tanh激活函數(shù)將轉換成-1到1之間的值。ct表示在長時間學習中，之前狀態(tài)需要被記錄的內(nèi)容：

（1）

（2）

sigmoid和tanh的算式為：

（3）

（4）

LSTM在訓練的時候主要分三個階段：忘記階段、選擇記憶階段和輸出階段。忘記階段是對上一個節(jié)點傳進來的輸入進行選擇性忘記，即通過計算得到的z f（ f表示forget）來作為忘記門控，來控制上一個狀態(tài)的C t-1哪些需要留哪些需要忘。選擇記憶階段則是將這個階段的輸入有選擇性地進行“記憶”。當前的輸入內(nèi)容由前面計算得到的z表示。而選擇的門控信號則是由z（i代表information）來進行控制。輸出階段將決定哪些將會被當成當前狀態(tài)的輸出——主要是通過zo來進行控制——并對上一階段得到的co進行放縮（通過一個tanh激活函數(shù)進行變化）。

當前，LSTM模型已經(jīng)在重力壩變形預測、土石壩滲流預測和土石壩沉降預測等方面得到了應用。這些研究充分說明了LSTM模型在水工結構工程安全監(jiān)測方面的巨大潛力。因此，本文立足實際工程，嘗試將LSTM模型應用于船閘位移變形的預測中?；贚STM模型，本文構建了船閘位移預測模型。以環(huán)境量作為輸入層輸入，以船閘位移作為輸出層輸出。通過將長序列的環(huán)境量和位移量輸入到LSTM模型中進行訓練，來獲得具備時間關聯(lián)度和數(shù)據(jù)深度挖掘能力的船閘位移預測模型。

2 ?算例分析

本文以南方珠江流域某船閘的監(jiān)測數(shù)據(jù)為例，基于LSTM算法建立船閘位移預測模型。該船閘位于廣西，由上下游引航道、上閘首、閘室、下閘首組成。船閘閘室有效尺寸為：280 m×34 m，采用人字形閘門，最高擋水位達47.5 m，最大通過船隊為6×3 000噸，年貨運量達5 189萬噸。該船閘于2020年4月正式建成通航。

本文通過在船閘內(nèi)部布置的多點位移傳感器讀取得到船閘的真實位移量。本文采用的多點位移計為基康儀器生產(chǎn)的BGK-A3多點位移計。該位移計由錨頭、測桿、PVC保護桿、過渡桿以及安裝基座構成，安裝在閘室右側工作閥門附近，可以測量出船閘三個不同高程處的位移變形。本文以基底處的位移數(shù)據(jù)為例，日期區(qū)間為2020年4月—2022年7月。

本文所提出的船閘位移預測模型是一個關于溫度T、水壓H以及結構自身的時變t三個因素的映射模型[4]，假設船閘位置y處的位移D可以表示為：

（5）

式中：f1（T，y）表示與位置y處的溫度有關的溫度分量；f2（H，y）表示與上下游水位差有關的水壓分量；f3（T，y）表示與船閘運行時長有關的時效分量。溫度值可以由多點位移計一并測得；水位差由超聲波水位計讀取上下游水位后相減得到；而對于時效分量，通?？捎檬剑?）近似計算得到。

（6）

式中：c1和c2為待確定常數(shù)，θ = t（船閘運行天數(shù)）×0.01。之所以在式中加入ln θ，是因為水工建筑物的時效變形往往是非線性且緩慢增加的。

3 ?結果分析

基于構建的訓練集和測試集，本文對LSTM模型進行訓練。如表1所示，本文的LSTM模型的優(yōu)化器為梯度下降，步長為0.1；初始學習率為0.005，每經(jīng)過25次迭代會乘0.1。

為了進一步驗證本文所提模型的性能，我們還將LSTM與傳統(tǒng)的多元線性回歸方法進行對比。兩者在測試集上的預測效果如圖3所示。

通過圖3可以看出，相較于傳統(tǒng)的多元回歸方法，本文提出基于LSTM的位移預測模型的預測結果更加逼近實測值，精確度明顯高于多元回歸。而且，LSTM算法的精度在進行長時間預測時（如對2022-07-28）仍然可以保證較高的精度，這說明本文所提算法具有長時間預測穩(wěn)定性，可以進行長時序和穩(wěn)定的船閘位移預測。

同時，兩種算法預測結果的MAE、AEmax和RMSE如表2所示。

通過對比兩種模型的評價指標（表2），可以看出：本文所提出的LSTM模型的MAE遠低于多元線性回歸，這說明模型預測的精度遠遠優(yōu)于多元線性回歸方法。同時，AEmax也更小，反映了LSTM在長時序預測過程中的穩(wěn)定性良好，魯棒性強。而更低的RMSE進一步表明了：本文所提模型的預測結果最接近真實值，且預測具有長期穩(wěn)定性，可用于船閘位移的準確預測。值得注意的是，本文訓練集的RMSE值大于測試集，這主要是由于測試集時間歷程相對較短，每一組的預測值都較為準確造成的。

由于水位和溫度在不同高程處的作用有不同的效果，為此，本文還選取該位移計另外兩個高程處的數(shù)據(jù)進行位移預測，以此來驗證本文所選取的影響因子的可靠性和模型的泛化性。預測結果如表3所示。

結果顯示，在不同高程處，本文所提模型的位移預測效果均優(yōu)于多元線性回歸方法，這充分說明：本文所提模型在不同高程處均有良好的效果，水位、時間和溫度對不同高度的船閘位移變形均起著關鍵作用。

4 ?結 ?論

針對船閘在長期服役過程中出現(xiàn)的位移變形難以預測的問題，本文通過深度學習的方法有效解決了這一問題，并通過實驗驗證該方法的有效性，本文結論如下：

1）提出了基于LSTM的船閘位移預測模型利用溫度、水位差以及兩個時效量作為輸入，船閘的位移變形量作為輸出，有效解決了位移預測中多因素耦合和非線性作用的問題，從而進一步提高了船閘位移的預測精確度。

2）通過工程實例與多元回歸方法對某船閘從2022年6月—2022年8月的位移預測結果進行對比，證明了該模型的預測效果優(yōu)于多元回歸模型，具有較好的應用價值。

3）將本文所提出的模型進一步推廣至不同的多點位移計上，預測效果也均優(yōu)于傳統(tǒng)的多元線性回歸。證明了本文所提算法的有效性和可推廣性。

參考文獻：

[1] 第一次全國水利普查公報 [J].中國水利，2013（7）：1-3.

[2] 覃盼.三峽壩區(qū)船舶通航安全風險演化規(guī)律研究 [D].武漢：武漢理工大學，2016.

[3] 王文意.風險源管理在葛洲壩船閘檢修中的應用 [J].交通企業(yè)管理，2016，31（3）：69-71.

[4] 張?zhí)?基于SVR和PSO-BP的船閘三維動態(tài)風險管理方法研究 [D].哈爾濱：哈爾濱工程大學，2020.

[5] 苑敬舜.塢式船閘閘首結構應力變形三維有限元分析 [D].合肥：合肥工業(yè)大學，2015.

作者簡介：丁騰騰（1988.06—），男，漢族，安徽阜陽人，工程師，學士學位，研究方向：水利水電工程。