长江科学院院报

长江科学院院报 >

2025 , Vol. 42 >Issue 5: 208 - 214

DOI: https://doi.org/10.11988/ckyyb.20240409

工程安全与灾害防治

基于PSO-LSTM的大坝变形组合预测模型

  • 郝泽嘉 , 1 ,
  • 施玉群 2 ,
  • 成博超 2, 3 ,
  • 何金平 , 2
展开
  • 1 中国南水北调集团中线有限公司,北京 100038
  • 2 武汉大学 水利水电学院,武汉 430072
  • 3 合肥市水务局,合肥 230071
何金平(1964-),男,湖北罗田人,博士,教授,研究方向为大坝安全监测与健康诊断。E-mail:

郝泽嘉(1985-),男,北京人,高级工程师,硕士,研究方向为水利工程建设和运行管理。E-mail:

Copy editor: 王慰

收稿日期: 2024-04-20

  修回日期: 2024-07-11

  网络出版日期: 2024-12-27

基金资助

国家重点研发计划项目(2018YFC0406906)

收起

A Combined PSO-LSTM Prediction Model for Dam Deformation

  • HAO Ze-jia , 1 ,
  • SHI Yu-qun 2 ,
  • CHENG Bo-chao 2, 3 ,
  • HE Jin-ping , 2
Expand
  • 1 China South-to-North Water Diversion Middle Route Corporation Limited, Beijing 100038,China
  • 2 School of Water Resources and Hydropower Engineering, Wuhan University, Wuhan 430072, China
  • 3 Hefei Water Bureau, Hefei 230071, China

Received date: 2024-04-20

  Revised date: 2024-07-11

  Online published: 2024-12-27

Fold

摘要

传统的大坝变形预测模型难以反映效应量与环境量之间存在的复杂非线性关系,预测效果常常不够理想。考虑到LSTM模型具有较强的非线性学习能力,PSO模型具有优越的全局寻优能力,将PSO应用于LSTM超参数全局寻优之中,建立基于PSO-LSTM的大坝变形组合预测模型,既可以解决传统预测模型在描述非线性特性方面的不足,又可以提高LSTM超参数取值的合理性,并为提升大坝变形预测精度提供一种新思路。运用所提出的方法,以某混凝土重力坝和某混凝土拱坝实测水平位移为例,进行了实例研究。研究结果表明,所提出的PSO-LSTM组合模型在模型的RMSE、MAE和R2等指标方面均优于单纯的LSTM模型和传统的监测统计模型,在3种预测模型中,PSO-LSTM组合模型的预测效果更优。

关键词： 大坝; 安全监测; 变形预测; 长短时记忆神经网络; 粒子群算法

本文引用格式

郝泽嘉 , 施玉群 , 成博超 , 何金平 . 基于PSO-LSTM的大坝变形组合预测模型[J]. 长江科学院院报, 2025 , 42(5) : 208 -214 . DOI: 10.11988/ckyyb.20240409

Abstract

[Objective] Dam deformation results from the nonlinear effects of multiple complex environmental factors. Traditional mathematical models for dam deformation monitoring have difficulty reflecting the complex nonlinear relationships between effect variables and environmental variables, often leading to unsatisfactory prediction results. By leveraging the long-short-term memory (LSTM) model and particle swarm optimization (PSO) algorithm from artificial intelligence technology, a combined PSO-LSTM dam deformation prediction model is established, offering a novel approach for enhancing the accuracy of dam deformation prediction. [Methods] By applying PSO for global optimization of LSTM hyperparameters, a combined PSO-LSTM dam deformation prediction model was established. This method both addressed the deficiencies of traditional prediction models in describing nonlinearity between variables and enhanced the appropriateness of LSTM hyperparameter values. The specific methods included: constructing environmental variable factors based on the interaction mechanism between dam deformation and environmental variables; inputting deformation training sets to determine the range of hyperparameters to be optimized and training the network hyperparameters using the LSTM model; setting the particle position information as the hyperparameters to be optimized and using the PSO algorithm to optimize the LSTM hyperparameters; and outputting dam deformation predicted values at different prediction time points using the parameters obtained from training. [Results] Utilizing deformation monitoring data from concrete gravity dams and concrete arch dams, this study established a traditional monitoring statistical model, a standalone LSTM prediction model, and a combined PSO-LSTM model. The results showed that: (1) the combined PSO-LSTM model achieved the smallest RMSE and MAE values and the largest R2 value, indicating excellent prediction accuracy. Compared to statistical models for monitoring and standalone LSTM models, it demonstrated significantly improved prediction performance. (2) Due to its strong nonlinear learning capabilities, the combined PSO-LSTM model could effectively extract nonlinear characteristics from complex datasets, thereby achieving good prediction performance even with poor-quality deformation monitoring data. [Conclusion] (1) The combined prediction model established based on LSTM and PSO algorithms effectively extracts nonlinear characteristics between environmental variables and effect variables, leading to improved prediction performance. (2) The PSO-LSTM prediction model demonstrates good versatility. Its fundamental principles apply not only to concrete dams but also to earth-rock dams and other hydraulic engineering projects. However, when applying the model, the configuration of neurons in the LSTM model’s input layer must be tailored to the structural characteristics, operational conditions, and influencing factors of different dam types.

Key words： dam; safety monitoring; deformation prediction; long-short-term memory neural network; particle swarm optimization

开放科学(资源服务)标识码(OSID):

0 引言

大坝是水资源调控与管理的关键基础设施,承担着防洪安全、供水安全、能源安全等重要功能。大坝一旦失事,不仅会导致大坝结构的破坏和综合效益的丧失,还会危及下游公众的生命安全和财产安全,甚至造成社会经济和生态环境的严重灾难,因此,大坝安全问题既是工程安全问题,也是公共安全问题[1]。
安全监测是保障大坝安全运行的重要手段。通过安全监测,可以及时了解大坝当前的运行性态,预测大坝未来的运行性态,从而实现对大坝安全的实时在线监控[2]。在各种循环荷载、恶劣环境、材料老化等多重因素的综合作用下,随着服役年限的增加,大坝结构性能可能退化,大坝运行性态将向不利的方向演化,因此,开展大坝运行性态的预测十分必要。变形是大坝安全监测的主要效应量,也是对大坝运行性态最直观的综合反映,大坝变形预测是大坝运行性态预测的主要内容。
大坝变形预测建立在大坝监测数学模型的基础上。其中,目前应用最广泛的是三大类传统监测数学模型,即以环境量为自变量、以效应量为因变量、能较好地描述环境量对效应量影响程度和影响规律的监测统计模型、确定性模型和混合模型[3]。这些传统的监测数学模型均以回归分析为求解方法,属于统计理论中确定多个变量间因果定量线性关系的统计分析方法;当变量间存在非线性关系时,需要将非线性关系转化为线性关系来处理。大坝变形是多重复杂环境因素非线性作用的结果,以回归分析为基础的传统监测数学模型难以考虑效应量与环境量之间存在的复杂非线性关系[4],观测精度引起的异方差问题[5],以及因子间的多重共线性关系[6],从而导致基于传统监测数学模型的大坝变形预测方法存在一定的局限性,难以取得良好的预测效果。此外,基于时间序列、灰色系统等理论建立的自回归监测数学模型也可用于大坝变形预测[7],但这类自回归模型主要描述效应量随时间推移的变化情况,没有与大坝结构、环境影响等因素联系起来,在反映大坝变形规律方面缺乏物理力学的支撑,因此自回归模型的预测效果大多不够理想。
近年来,人工智能技术的快速发展为大坝变形预测研究提供了新理论和新方法。早期人工智能方法一经出现,一些坝工学者就将其应用于建立大坝监测效应量的分析和预测模型。杨杰等[8]基于误差逆传播的BP神经网络,建立了可一定程度上处理监测不确定性的大坝变形预测模型;苏怀智等[9]基于小波支持向量机,建立了可初步顾及变形非线性特性的预测模型;此外,小波分析、遗传算法等具有早期人工智能特点的方法也被应用于建立大坝变形预测模型之中。随着以机器学习和深度学习为代表的现代人工智能技术的进步,大坝监测效应量的分析和预测模型也得到了更深入的发展。王丽蓉等[10]基于卷积神经网络,建立了大坝安全监测异常数据的识别模型;郭张军等[11]借助开源深度学习框架Tensor Flow,初步建立了基于深度学习的混凝土坝变形预测模型。同时,随着人工智能算法的不断涌现,单独或组合地应用各种新方法开展大坝性态分析模型和变形预测模型研究已成为大坝安全监测领域的热点。
本文以大坝变形为研究对象,利用人工智能中最具代表性的长短时记忆神经网络(Long Short-Term Memory Neural Network,LSTM)[12]在时间序列预测上可利用学习和训练功能挖掘变量之间非线性特性的优势克服传统监测模型难以描述环境量与效应量之间非线性特性的不足,并引入粒子群算法(Particle Swarm Optimization,PSO)[13]以克服LSTM本身在超参数全局寻优方面的缺陷,构建PSO-LSTM组合预测模型,从而为建立顾及大坝监测效应量与环境量之间非线性特征的大坝变形预测模型提供新的研究思路。

1 PSO-LSTM组合预测模型

1.1 LSTM模型

人工神经网络技术(Artificial Neural Networks,ANN)具有可进行非线性优化训练的特点,开拓了解决大坝变形预测中的非线性问题的途径。但早期的BP神经网络模型存在收敛速度慢、全局寻优能力弱等缺点[8],此后逐步在网络结构和训练算法等方面进行了改进,如提高全局寻优能力的Hopfield神经网络,代表深度学习的卷积神经网络(Convolutional Neural Networks,CNN)和循环神经网络(Recurrent Neural Network,RNN)等。
RNN具有信息回路的网络结构,存在反馈机制,属于反馈型神经网络。传统的RNN网络结构在处理短时依赖关系变量时具有良好的学习效果,但在处理长程依赖关系时,反向传播过程可能会出现误差梯度消失(误差梯度迅速趋近于0)或梯度爆炸(误差梯度迅速趋近于∞)的现象,无法完成正常的训练学习。
1997年,Hochreiter 和Schmidhuber 引入了记忆神经元代替RNN网络的神经元,建立了新的RNN网络结构,即长短时记忆神经网络(LSTM),因此,LSTM是一种特殊的RNN。LSTM的记忆神经元由内部状态(记忆c)、输入节点、输入门、遗忘门和输出门组成,如图1。在时刻t,LSTM记忆神经元的输入为上一时间点(t-1)隐含层的状态值 h t - 1和记忆神经元内部状态值 c t - 1以及当前时刻t的输入向量 x t;然后输入信号依次通过遗忘门 f t、输入门 i t、输出门 o t,经过门运算与激活函数计算得到t时刻隐含层状态值 h t和记忆神经元内部状态值 c t,最后 h t经过输出层计算得到t时刻的输出值 y t,并与 c t一起进入下一时刻(t+1)记忆神经元。重复以上训练过程,直至满足设定精度要求时训练过程结束,得到最终参数并作为预测集的预测参数。基本计算公式见式(1)。
图1 LSTM网络记忆神经元示例图

Fig.1 Schematic diagram of neurons in LSTM

f t = σ ( W f [ h t - 1 , x t ] + b f ) 　 ; i t = σ ( W i [ h t - 1 , x t ] + b i ) 　 ; C ~ t = t a n h ( W c [ h t - 1 , x t ] + b c ) 　 ; c t = f t c t - 1 + i t · C ~ t 　 ; o t = σ ( W 0 [ h t - 1 , x t ] + b 0 ) 　 ; h t = o t t a n h ( c t ) 。
式中:x为输入向量;h为输出向量; f t为遗忘门; i t为输入门; o t为输出门;t为时刻; h t - 1和 x t分别为t-1时刻的单元输出以及t时刻的单元输入向量; c t和 c t - 1分别为隐藏层在t时刻与t-1时刻的单元状态, W f、 W i、 W o、 W c分别为遗忘门、输入门、输出门和tanh单元的权重矩阵; b f、 b i、 b o、 b c分别为对应的 W f、 W i、 W o、 W c的偏置向量。
大坝变形实测值序列是典型的时间序列,因此采用LSTM构建大坝变形预测模型是合适的。基于LSTM的大坝变形预测模型的网络结构包括3层,分别为输入层、隐含层和输出层。其中,输入层用于输入训练样本,输入层的神经元个数为所设置的环境量因子个数。隐含层用于学习和训练环境量因子与渠堤变形之间的非线性关系,一般设置2~4层,其中2层结构在平衡计算难度和预测精度方面效果较好,较常采用,因此本文设置2个隐含层。输出层用于得到测点在不同预测时间点上的变形预测值,输出层神经元个数设置为1个。
在建立基于LSTM的大坝变形预测模型时,本文采用自适应矩估计算法(Adaptive Moment Estimation,Adam算法)作为模型参数训练的优化算法,以提高LSTM网络结构的稳定性和收敛速度,克服经典LSTM模型对学习速率取值过于敏感的缺点;采用修正线性单元函数(Rectified Linear Unit,ReLU函数)作为激活函数,以加快模型的收敛速度,避免经典LSTM模型易产生梯度爆炸或梯度消失的现象;在迭代过程中引入Dropout正则化技术,以提高模型的泛化能力,避免出现过拟合现象。

1.2 PSO-LSTM组合预测模型的建立

LSTM模型在开始训练学习前,需要预先设置网络结构学习速率、隐含层神经元个数、网络最大迭代次数等超参数(Hyper-parameter)。这些超参数的预设主要是根据目标问题的特性和同类问题的已有经验人为设定。在应用LSTM模型进行大坝变形预测时,由于不同大坝和不同测点变形的影响因素和数据特性存在差异,因此极有可能因为超参数设置不当导致神经网络在训练过程中出现收敛速度慢、陷入局部最优等问题,最终导致变形预测结果精度低。随着机器学习等智能技术的发展,遗传算法、蚁群算法、粒子群算法等启发式算法在优化问题中得到广泛应用。
粒子群算法(PSO)是Kennedy和Eberhart在1995年提出的一种模拟鸟群觅食行为的启发式智能算法,可用于处理非线性、多极值的复杂优化问题。其核心思想是:在论域空间内设计一种具有速度属性和位置属性的粒子,这种粒子相当于目标问题的一个潜在解,速度属性代表粒子移动的快慢,位置属性代表粒子移动的方向;每一个粒子单独在论域空间内搜寻最优解,即单个粒子在论域空间的局部最优解,并把局部最优解分享到整个粒子群之中;每个粒子根据其他粒子分享到粒子群中的速度和位置信息更新自己的速度和位置,如此不断迭代,从而搜寻整个论域空间上的全局最优解。
粒子的速度和位置更新公式为
v i ( t + 1 ) = ω v i (t) + c 1 r 1 ( X i p (t) - x i (t) ) + 　 　 c 2 r 2 ( X i g (t) - x i (t) ) 　 ; x i ( t + 1 ) = x i (t) + v i ( t + 1 ) 。
式中:i为单个粒子,i=1,2,…,N,N为粒子总数;t为当前时刻,t+1为下一时刻; v i为粒子的当前速度; x i为粒子的当前位置; ω为惯性权重,表示粒子继承先前速度的能力; c 1 、 c 2为学习因子; c 1表示粒子收敛到局部最优解的学习率(Learning rate); c 2表示粒子收敛到全部最优解的学习率,其取值范围为[0,4],通常取 c 1 = c 2 = 2[14]; r 1 、 r 2为[0,1]之间的随机数,其作用为增加寻优过程的随机性; X i p (t) 为粒子i的当前最优解, X i g (t) 为粒子群的当前最优解。
与其他遗传算法相比,PSO的粒子具有记忆性,且粒子之间可进行信息共享,因此能通过群体协同来更快地搜寻到全局最优解。
PSO作为一种智能优化算法,将PSO应用于LSTM超参数全局最优解的搜寻之中,建立基于PSO-LSTM的渠堤变形组合预测模型,能获得更好的预测效果。PSO-LSTM组合预测模型的具体建模框架见图2。
图2 PSO-LSTM大坝变形组合预测模型建模框架

Fig.2 Diagram of modeling framework for combined PSO-LSTM prediction model for dam deformation

(1)输入层。读取大坝变形效应量和环境量实测值;根据大坝变形与环境量之间的作用机理,构造环境量因子,形成LSTM训练集。
(2)LSTM训练层。采用LSTM模型对网络超参数进行训练。输入变形训练集,确定待优化超参数取值范围,随机生成一组超参数带入LSTM模型训练;计算每个神经元的参数并反向计算每个神经元的误差项,更新相应函数的权重矩阵,直至损失函数满足要求。
(3)PSO寻优。为克服LSTM自身在超参数优化方面的不足,采用PSO算法对LSTM的超参数进行寻优。将粒子的位置信息设为待寻优超参数,根据粒子的更新状态训练每次LSTM网络,并计算每个粒子的适应度值;满足最大迭代次数后输出最优的粒子信息,即为LSTM最优超参数。
(4)输出层。根据训练学习后得到的参数,输出不同预测时间点上的大坝变形预测值。

2 工程实例

某水电站枢纽位于江西赣江支流,是一座以发电为主的水电工程,工程等别为一等,主要建筑物级别为1级。枢纽由混凝土重力坝和土石坝等主要建筑物组成,其中混凝土重力坝最大坝高51m。为监控大坝安全,在大坝坝顶布置了1条引张线,在基础廊道布置了3条引张线,在坝体内布置了5条垂线组,观测坝顶及坝体水平位移,其中坝顶布置的引张线共5个测点,编号EX41-EX45。
本节以EX41-EX45测点为例,采用本文提出的PSO-LSTM组合模型进行水平位移预测。选取这些测点1996年6月—2014年12月的水平位移人工观测测值作为样本,其中,1996—2013年变形测值作为训练集,2014年变形测值作为预测集。

2.1 输入层神经元的构造

已有的研究表明[1],混凝土重力坝变形主要包括大坝水压作用引起的水压变形分量 y ∧ H (t) 、温度变化引起的温度变形分量 y ∧ T (t) 和时效因素引起的时效变形分量 y ∧ θ (t) ,即
y ∧ (t) = y ∧ H (t) + y ∧ T (t) + y ∧ θ (t) = a 0 + ∑ i = 1 n a i H i + ∑ j = 1 m b j T j + c 1 t 1 + c 2 l n ( t 1 + 1 ) + c 3 ( 1 - e - t 1 ) 。
式中: y ∧ (t) 为大坝变形y在时刻t的统计估计值或预测值;H为大坝水深,对混凝土重力坝取n=3; T j为温度因子,可采用观测日前期若干天的气温平均值,对本例的大坝,经温度滞后性分析取4个温度因子,即 T 1 = T 0 - 1 、 T 2 = T 1 - 15 、 T 3 = T 16 - 30 、 T 4 = T 31 - 60 , 其 中 T i - j表示从观测日的前期第i天到第j天的气温平均值;t1为观测日时序。
式(3)所构造的10个环境量因子构成了LSTM模型的输入层神经元;为防止模型的过拟合以及提高模型的泛化能力,在输入层设置了1个偏置项a0。因此,输入层共设置11个输入神经元。

2.2 超参数寻优

在基于PSO-LSTM的大坝变形组合预测模型中,选择LSTM的学习速率(r)、2个隐含层的神经元个数(h1,h2)和网络的最大迭代次数(N)作为LSTM模型的超参数。
在LSTM模型开始训练学习前,根据相关领域已有研究成果和工程经验,预设各超参数的大致范围为:隐含层神经元寻优范围设置为[20,300],学习速率 r取值范围为[0.001,0.02],迭代次数 N取值范围为[50,300]。考虑时间成本与现实条件,本文PSO -LSTM优化模型中,设置种群个数为20,迭代次数为100次;自适应权重参数a=0.6,b=0.3;学习因子 c 1 = c 2 = 2,粒子速度 V m a x = 1, V m i n = - 1。
采用粒子群算法(PSO)对EX41-EX45测点LSTM模型的超参数进行寻优,得到最优超参数见表1。
表1 EX41-EX45测点LSTM超参数寻优结果

Table 1 Optimization results of LSTM hyperparameters at EX41-EX45 measurement points

超参数 EX41 EX42 EX43 EX44 EX45
h1 212 294 196 256 198
h2 88 102 79 158 99
r 0.018 0.019 0.019 0.016 0.020
N 166 220 110 174 66

2.3 变形预测结果

将利用PSO方法得到的最优超参数作为LSTM预测模型的建模超参数,对EX41-EX45测点水平位移进行训练学习,得到各测点在相应预测时间点上的坝顶变形预测值,见图3。图3中水平位移向下游为正,向上游为负。
图3 某混凝土重力坝坝顶水平位移EX41—EX45测点PSO-LSTM模型预测结果

Fig.3 Prediction results of horizontal displacement of dam crest at EX41-EX45 measurement points on a concrete gravity dam using PSO-LSTM model

为验证本文提出的PSO-LSTM组合预测模型的效果,使用相同的观测数据,分别采用监测统计模型、单纯LSTM预测模型对各测点水平位移进行了预测。选择EX42、EX43为代表性测点,预测结果见图4。
图4 不同预测模型的预测结果对比

Fig.4 Comparison of prediction results using different models

采用均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)作为预测模型的评价指标[15],对3种预测模型的效果进行了比较分析,见表2。
表2 EX42、EX43不同预测模型预测效果评价

Table 2 Evaluation of prediction performance of different models at measurement points EX42 and EX43

测点 模型 评价指标
RMSE/mm MAE/mm R2
统计模型 1.577 3 1.357 4 0.868 7
EX42 LSTM 0.999 2 0.864 6 0.941 9
PSO-LSTM 0.643 1 0.573 1 0.967 8
统计模型 2.216 2 1.989 7 0.869 0
EX43 LSTM 1.570 3 1.438 8 0.942 2
PSO-LSTM 0.916 5 0.774 6 0.966 1
由图4所示的预测过程线可知:3预测方法中,PSO-LSTM组合模型的预测值过程线与实测值过程线最接近,监测统计模型的预测值过程线与实测值过程线偏离较为明显。由表2中所示的预测效果评价指标可知:3种预测方法中,PSO-LSTM组合模型的RMSE值和MAE值均为最小,监测统计模型的RMSE值和MAE值均为最大;PSO-LSTM组合模型的R2值最大,监测统计模型的R2值最小。因此,3种预测方法中,PSO-LSTM组合模型的预测效果最优,单纯LSTM模型的预测效果次之,监测统计模型的预测效果较差,表明本文提出的基于PSO-LSTM的组合预测模型具有良好的预测精度,与监测统计模型和单纯LSTM模型相比,预测效果有较明显的提高。

2.4 模型的进一步分析

本次还选择了某混凝土拱坝的坝体水平位移,采用本文提出的PSO-LSTM组合模型进行了变形预测。该拱坝位于雅砻江下游,是一座以发电为主的一等工程;大坝为双曲薄拱坝,最大坝高240 m。大坝在坝体布置了8条倒垂线和10条正垂线,组成5组正倒垂线组,共20个测点,采用自动化观测坝体水平位移。
选择21#拱冠坝段上的2个测点(TCN08、TCN09)作为代表性测点,选取2016—2021年测值作为样本,其中,2016—2020年变形测值作为训练集,2021年变形测值作为预测集。输入神经元构造仍采用式(2)。对拱坝,取n=4;经温度滞后性分析,取m=3,即 T 1 = T 0 - 1 、 T 2 = T 1 - 15 、 T 3 = T 16 - 30。2测点水平位移预测结果见图5,预测效果评价见表3。
图5 某混凝土拱坝TCN08、TCN09测点不同预测模型的预测结果对比

Fig.5 Comparison of prediction results using different models at measurement points TCN08 and TCN09 on a concrete arch dam

表3 TCN08、TCN09测点不同预测模型预测效果评价

Table 3 Evaluation of prediction performance of different models at measurement points TCN08 and TCN09

测点 模型 评价指标
RMSE/mm MAE/mm R2
多元回归 5.194 7 4.564 0 0.932 7
TCN08 LSTM 4.385 6 3.345 2 0.948 7
PSO-LSTM 3.052 9 2.324 5 0.975 6
多元回归 4.104 2 3.183 4 0.943 7
TCN09 LSTM 3.418 7 2.609 8 0.960 8
PSO-LSTM 2.764 4 1.873 6 0.972 8
由图5和表3均可知:PSO-LSTM组合模型的预测效果最优,单纯LSTM模型的预测效果次之,监测统计模型的预测效果较差。
对比表2和表3还可知,PSO-LSTM组合模型2个实例均具有良好的预测效果。由于实例中的拱坝观测成果精度较高,统计模型质量较好,因此从表3来看,PSO-LSTM组合模型对统计模型的预测效果虽有改善,但不够明显;实例中的重力坝观测成果精度不够理想,观测误差比重较大,掩盖了变形的客观规律性,增大了效应量与环境量之间的非线性,导致统计模型建模质量一般,因此从表2来看,PSO-LSTM组合模型对统计模型预测效果的改善十分显著。这也说明,PSO-LSTM组合模型对改善观测质量不佳引起的预测精度具有很好的效果,也为观测质量不佳的大坝变形预测提供了一种新的良好的途径。

3 结论

本文针对传统变形预测模型存在的难以反映监测效应量与环境量之间的复杂非线性关系的不足,引入人工智能中的长短时记忆神经网络(LSTM)和粒子群算法(PSO),构建了基于PSO-LSTM的变形组合预测模型。
(1)LSTM模型具有较强的非线性学习能力,能有效模拟自变量与因变量之间的非线性关系,在时间序列变量的预测上具有优势,适合于大坝变形的预测。PSO模型是一种智能优化算法,其粒子具有记忆性,粒子间可进行信息共享,能通过群体协同来搜寻全局最优解。将PSO应用于LSTM超参数全局寻优之中,建立基于PSO-LSTM的变形组合预测模型,既可以发挥LSTM强大的非线性学习能力,又可以利用PSO优越的全局寻优能力,为大坝变形预测提供一种预测效果更好的新思路。
(2)本文分别选择某混凝土重力坝和某混凝土拱坝变形监测为工程实例,分别采用传统的监测统计模型、单纯的LSTM预测模型和本文提出的PSO-LSTM组合模型,对三种预测模型的预测效果进行了分析和验证。实例表明,PSO-LSTM组合模型的预测效果优于单纯的LSTM模型和传统的监测统计模型,本文提出的基于PSO-LSTM的组合预测模型具有良好的预测精度。同时,工程实例还表明,PSO-LSTM组合模型对观测质量不佳的大坝的变形预测具有良好的改进效果,这主要是PSO-LSTM组合模型具有较强的非线性学习能力,能较好地从观测质量不佳的数据中挖掘非线性特性,在处理观测质量不佳条件下的非线性关系方面更具有优势,这也为观测质量不佳的大坝变形预测提供了一种新的良好的途径。
(3)本文提出的PSO-LSTM预测模型具有较好的普适性,模型的基本原理不仅可用于混凝土坝,也可应用于土石坝和其他水利工程,但是该模型在应用时,LSTM模型输入层神经元的构造需要结合不同坝型的结构特点、运行条件和影响因素来具体确定。此外,LSTM模型中隐含层的层数与监测数据的维度和样本大小等有关,本文采用了比较通行的两层隐含层结构型式,但对于具体研究对象,还需要进一步研究隐含层层数的合理设置。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
何金平. 大坝安全监测理论与应用[M]. 北京: 中国水利水电出版社, 2010.

(HE Jin-ping. Theory and Application of Dam Safety Monitoring[M]. Beijing: China Water & Power Press, 2010.) (in Chinese)

[2]
周心怡, 胡蕾, 张启灵. 考虑谷幅收缩变形的高拱坝多源信息融合安全评判[J]. 长江科学院院报, 2023, 40(1):87-93.

DOI

(ZHOU Xin-yi, HU Lei, ZHANG Qi-ling. Safety Evaluation of High Arch Dam Based on Multi-source Information Fusion in Consideration of Valley Shrinkage Deformation[J]. Journal of Yangtze River Scientific Research Institute, 2023, 40(1):87-93.) (in Chinese)

DOI

[3]
吴中如, 陈波. 大坝变形监控模型发展回眸[J]. 现代测绘, 2016, 39(5): 1-3, 8.

(WU Zhong-ru, CHEN Bo. A Review on Development of Dam Safety Monitoring Models[J]. Modern Surveying and Mapping, 2016, 39(5): 1-3, 8.) (in Chinese)

[4]
HARIRI-ARDEBILI M A, MAHDAVI G, NUSS L K, et al. The Role of Artificial Intelligence and Digital Technologies in Dam Engineering: Narrative Review and Outlook[J]. Engineering Applications of Artificial Intelligence, 2023, 126: 106813.

[5]
周元春, 薛桂玉, 何金平. 大坝安全监测统计模型中的异方差问题[J]. 长江科学院院报, 2002, 19(1): 42-44.

(ZHOU Yuan-chun, XUE Gui-yu, HE Jin-ping. Problem of Differential Deviation in Statistics Model of Dam Safety Monitoring[J]. Journal of Yangtze River Scientific Research Institute, 2002, 19(1): 42-44.) (in Chinese)

[6]
牛景太, 周华, 吴邦彬, 等. 考虑多重共线性影响的特高拱坝时空监控模型[J]. 水利水电科技进展, 2023, 43(1): 29-35.

(NIU Jing-tai, ZHOU Hua, WU Bang-bin, et al. Spatio-temporal Monitoring Model for Super-high Arch Dams Considering Multicollinearity Effects[J]. Advances in Science and Technology of Water Resources, 2023, 43(1): 29-35.) (in Chinese)

[7]
HUANG Chang-jun, ZHOU Lü, LIU Fen-liang, et al. Fenliang Deformation Prediction of Dam Based on Optimized Grey Verhulst Model[J]. Mathematics, 2023, 11(7):1729.

[8]
杨杰, 吴中如, 顾冲时. 大坝变形监测的BP网络模型与预报研究[J]. 西安理工大学学报, 2001, 17(1): 25-29.

(YANG Jie, WU Zhong-ru, GU Chong-shi. Dam Deformation Monitoring Model and Forecast Based on BP Algorithm of Artificial Neural Networks[J]. Journal of Xi’an University of Technology, 2001, 17(1): 25-29.) (in Chinese)

[9]
SU H, LI X, YANG B, et al. Wavelet Support Vector Machine-based Prediction Model of Dam Deformation[J]. Mechanical Systems and Signal Processing, 2018, 110: 412-427.

[10]
王丽蓉, 郑东健. 基于卷积神经网络的大坝安全监测数据异常识别[J]. 长江科学院院报, 2021, 38(1):72-77.

DOI

(WANG Li-rong, ZHENG Dong-jian. Anomaly Identification of Dam Safety Monitoring Data Based on Convolutional Neural Network[J]. Journal of Yangtze River Scientific Research Institute, 2021, 38(1): 72-77.) (in Chinese)

DOI

[11]
郭张军, 黄华东, 屈旭东. 基于深度学习的大坝变形预测模型[J]. 水电能源科学, 2020, 38(3): 83-86, 185.

(GUO Zhang-jun, HUANG Hua-dong, QU Xu-dong. Dam Deformation Prediction Model Based on Deep Learning[J]. Water Resources and Power, 2020, 38(3): 83-86, 185.) (in Chinese)

[12]
HOCHREITER S, SCHMIDHUBER J. Long Short-Term Memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

DOI PMID

[13]
KENNEDY J, EBERHART R C. Particle Swarm Optimization[C]// ICNN95 International Conference on Neural Networks, IV. Piscataway, New Jersey: IEEE Service Center, 1995:1942-1948.

[14]
EL-GALLAD A, EL-HAWARY M, SALLAM A, et al. Enhancing the Particle Swarm Optimizer via Proper Parameters Selection[J]. Canadian Conference on Electrical and Computer Engineering, 2002, 2: 792-797.

[15]
罗璐, 李志, 张启灵. 大坝变形预测的最优因子长短期记忆网络模型[J]. 水力发电学报, 2023, 42(2):24-35.

(LUO Lu, LI Zhi, ZHANG Qi-ling. Optimal Factor Long-term and Short-term Memory Network Model for Dam Deformation Prediction[J]. Journal of Hydroelectric Engineering, 2023, 42(2): 24-35.) (in Chinese)

Options
文章导航

/

〈 〉

*严禁使用本系统存储、处理、传输涉密信息*
版权所有 © 《长江科学院院报》编辑部
技术支持：北京玛格泰克科技发展有限公司