基于遗传神经网络的灌浆单位注灰量预测方法.pdf

水利水电技术(中英文)第 54 卷 2023 年第 S2 期Water Resources and Hydropower Engineering Vol.54 No.S2闫福根,李子康,钟坤.基于遗传神经网络的灌浆单位注灰量预测方法J.水利水电技术(中英文),2023,54(S2):224-230.YAN Fugen,LI Zikang,ZHONG Kun.Prediction method of grouting unit amount of cement injection based on genetic neural networksJ.Water Resources and Hydropower Engineering,2023,54(S2):224-230.基于遗传神经网络的灌浆单位注灰量预测方法闫福根,李子康,钟 坤(长江勘测规划设计研究有限责任公司,湖北 武汉 430010)收稿日期:2023-03-22基金项目:长江设计集团自主创新项目“深水水下灌浆关键技术研究与应用”(CX2021Z21);长江设计集团自主创新项目“智慧灌浆三维可视化分析平台开发与应用”(CX2020Z08)作者简介:闫福根(1987),男,高级工程师,博士,研究方向为大中型水库、高坝坝基处理、边坡防护设计及水利工程数字化研究。E-mail:512340259 摘 要:灌浆为地下隐蔽工程,合理预测单位注灰量对于控制灌浆工程质量具有重要指导意义。考虑单位注灰量与岩体透水率、岩性、RQD 值、破碎程度、灌浆压力和高程等有高度非线性关系,提出一种基于遗传神经网络模型的单位注灰量预测方法,模型由输入层(6 个神经元节点)、隐藏层(13 个神经元节点)和输出层(1 个神经元节点)构成,并采用遗传算法确定初始权重向量,以确保模型获取的最优值为全局最优解。为验证模型精度,以某水电站为例,采用模型对 10 组样本进行预测,结果表明:10 组样本单位注灰量预测值和实际值绝对误差为 0.38 78.75 kg/m,相对误差平均值为15.78%,两者基本吻合,模型具有较好的预测精度,灌浆工程师可根据预测值实时调整灌浆工艺,实现灌浆质量过程控制。关键词:遗传神经网络;单位注灰量;预测分析;灌浆工程DOI:10.13928/ki.wrahe.2023.S2.037中图分类号:TV72文献标志码:A文章编号:1000-0860(2023)S2-0224-07Prediction method of grouting unit amount of cement injection based on genetic neural networksYAN Fugen,LI Zikang,ZHONG Kun(Changjiang Institute of Survey,Planning,Design and Research Co.,Ltd.,Wuhan 430000,Hubei,China)Abstract:Grouting is an underground concealed engineering,and reasonable prediction of the unit amount of cement injection has important guiding significance for controlling the quality of grouting engineering.Considering the unit amount of cement in-jection has a high nonlinear relationship with the water permeability,lithology,RQD,crushing degree,grouting pressure and ele-vation of rock mass,this paper proposes a prediction method for the unit amount of cement injection based on the genetic neural network model.The model consists of input layer(6 neuron nodes),hidden layer(13 neuron nodes)and output layer(1 neu-ron node),and the genetic algorithm is used to determine the initial weight vector to ensure that the optimal value obtained by the model is the global optimal solution.In order to verify the accuracy of the model,this paper takes a hydropower station as an ex-ample and uses the model to predict 10 sets of samples.The result show that the absolute error between the predicted value and the actual value of the unit amount of cement injection in the 10 groups of samples is 0.3878.75 kg/m,and the average relative error is 15.78%,which is basically consistent.The model has good prediction accuracy,and the grouting engineer can adjust the grouting process in real time according to the predicted value to realize control of grouting.Keywords:genetic neural networks;unit amount of cement injection;predictive analysis;grouting engineering422闫福根,等/基于遗传神经网络的灌浆单位注灰量预测方法水利水电技术(中英文)第 54 卷 2023 年第 S2 期0 引 言0 引 言 基础处理事关高坝大库全生命期安全运行,灌浆几乎是所有大坝基础处理必须采取的工程措施,受限于灌浆工程地下隐蔽性的特点,如何精准高效控制灌浆,满足坝基防渗及水库蓄水运行要求,一直是灌浆领域关注的焦点科学问题。单位注灰量是岩体可灌性最直接的量化指标,也是对岩体裂隙的可充填程度最直观的反映,但受限于岩体岩性、裂隙发育程度、破碎程度的不同,以及灌浆工艺(如:灌浆压力、浆液水灰比等)不同,灌浆工程单位注灰量预测一直是个复杂的问题。YANG1选取帷幕施工资料中地层、坝基区域、灌浆段深度、注入压力和 Lugeon 值等作为注浆量影响因素,以 3532 个灌浆数据为样本,采用均值法、线性回归对注浆量进行了估计。ABDOLLAD 等2利用岩体特性和裂隙隙宽参数,以及吕荣值和二次渗透性系数(SPI),采用回归分析的方法对注浆量进行了分析。伍远朋等3提出基于蜻蜓算法优化支持向量机的灌浆效果预测方法,选取 248 组灌浆现场实测数据,以地质参数和灌浆施工参数作为输入参数,以灌后透水率和灌后裂隙填充率作为表征灌浆效果的输出参数图 1 BP 神经网络的结构对灌浆效果进行预测。李凯等4提出基于 Bootstrap 方法和改进灰狼算法的支持向量机(Bootstrap-IGWO-SVM)的帷幕灌浆量区间预测模型,量化了预测模型的不确定性。郭晓刚等5建立了基于 LIBSVM 的注浆量预测模型,并对注浆量进行预测,取得了良好的效果。饶小康等6-7利用 Spark 大数据平台对灌浆大数据进行分布式存储和并行处理,对单位注入量具有较好的预测精度和较高的效率。石祖智等8提出基于改进混合和极限学习机(ICSO-MKELM)的注浆量预测代理模型。李建光等9提出灌浆加固工程中预测单位深度吸浆量的人工神经网络模型。上述研究成果均实现了注灰量的预测,但在模型输入因子选择合理性及模型适用性上存在一定不足,本文结合以往学者的研究成果及工程实践,在充分考虑影响单位注灰量因子的前提下,提出基于遗传神经网络的单位注灰量预测方法。1 遗传神经网络1 遗传神经网络方法方法1.1 BP 神经网络遗传神经网络方法是将人工神经网络(ANN)和遗传算法(GA)相结合的一种智能算法,其中 BP(Back Propagation)神经网络是应用最为广泛的人工神经网络,其采用误差向后传播学习算法进行学习10-12,其网络结构包括输入层和输出层以及若干个隐藏层,层与层之间通过神经元节点权重进行连接,比如:输入层的第 i 个节点与隐藏层的第 j 个节点的连接权重可表示为 wij。对于输入层的各神经元节点,由于各神经元节点变量的量纲存在很大的差异性,为避免不同量纲对网络训练的不利影响,通常需要将输入变量值进行归一化处理,即变量值分布在区间0,1之间,BP 神经网络的结构如图 1 所示。基于 BP 神经网络的训练要确定网络的结构以及各神经元节点的连接权重。网络的结构是指整个网络包括的隐藏层的层数以及其包括的神经元节点的个数,理论上来讲神经元节点的数目越多,预测的精度也越准确;但是实际网络结构设计,目前基本上要通过不断的试验确定13,且不宜选择过多的节点,因为其大大增加了网络训练时间。在网络结构确定后,则需要确定各节点的连接权重,BP 神经网络的权重确定方法主要是依据误差梯度下降标准,实践表明该标准存在收敛速度过慢并且不能保证收敛到全局最小点的缺陷。1.2 遗传神经网络 针对 BP 神经网络的上述不足,需要借助遗传算法14对网络的权重进行优化,遗传算法是一个典型的迭代过程,其主要包括以下 5 个步骤:(1)随机生成 N 个染色体组成的种群,其中染色体的数量 N 称为种群的大小或者规模。(2)建立评价函数用于判断染色体的优劣程度,各染色体的评价值反映了其对环境的适应度。522闫福根,等/基于遗传神经网络的灌浆单位注灰量预测方法水利水电技术(中英文)第 54 卷 2023 年第 S2 期(3)基于适应度的选择策略,从目前种群中选择一定数目的染色体作为下一代染色体,各染色体被选中的可能性与其适应度呈正相关。(4)新种群进行交叉、变异操作,该操作可有效地防止陷入局部最优解。(5)判断该次操作是否达到迭代次数阈值 M,是则结束算法,将最大适应度个体进行输出,否则返回步骤 2 直至满足阈值 M。从神经网络 BP 和遗传算法其各自特点上来讲,前者存在容易落入局部最小点的问题;而后者则擅长全局搜索,但对于局部的精确搜索能力不足。两者的结合,既利用了神经网络的网络推理、非线性映射能力和预测能力,又利用了遗传算法的获取全局最优解的优势,其流程如图 2 所示。图 2 遗传神经网络方法求解流程2 单位注灰量预测遗传神经网络模型2 单位注灰量预测遗传神经网络模型 单位注灰量与多种因子具有高度相关性,总体分为两类:灌注岩体特征和灌浆工艺,选择合适的输入因子直接关系到单位注灰量预测的准确性。王冬升15分析认为单位注灰量与岩体透水率存在指数函数关系,蒋鹏飞等16分析认为单位注灰量与岩体透水率存在较强相关关系,但实际灌浆工程中仍存在大量透水率较大而单位注灰量较小的实例,主要是由于岩体内微小裂隙发育导致岩体吸水不吃浆,另外岩体的软弱夹层发育、岩体的 RQD 值、岩体的破碎带发育程度均与单位注灰量有着高度的相关性17-21。从灌浆工艺来看,灌浆压力对单位注灰量具有主导作用,灌浆压力越大,岩体可注入量越大22,但过大的灌浆压力会导致岩体劈裂,造成岩体渗漏新通道23,实际灌浆过程应避免发生。此外,大量工程实践表明24-29,灌浆孔注灰量与其高程呈一定相关关系,即上部灌浆孔单位注灰量总体高于下部灌浆孔,其主要原因为上部岩体质量普遍较下部岩体差,但下部岩体发育有破碎带等不良地质体时,注灰量会出现突变现象。基于上述分析,考虑到单位注灰量与岩体透水率、软弱夹层发育、RQD、破碎程度、灌浆压力和高程等有着高度的非线性关系,本文采用具有较好的非线性处理能力的遗传神经网络模型对灌浆工程的单位注灰量进行预测分析,目的是为灌浆工程师判断各灌浆孔的水泥注入量提供必要的决策支持。本文建立的单位注灰量预测遗传神经网络模型由输入层、隐藏层和输出层组成,其中输入层包括 6 个神经元节点,即岩体透水率 q、软弱夹层发育 R、岩体 RQD、破碎程度 B、灌浆压力 P 和高程 E,隐藏层包括 13 个神经元节点,输出层包括 1 个神经元节点,即单位注灰量 CT,隐藏层的神经元节点数由大量仿真试验计算结果所获得。模型通过遗传算法确定网络的初始权重向量,有效地提高了模型的收敛速度,并保证了获取的最优值为全局最优解,其中遗传算法最大遗传代数为 50,每代 40 个个体,采用适应度函数选择预测样本的预测值与期望值的误差矩阵的范数,模型网络结构如图 3 所示。3 工程应用3 工程应用 本文从某水电站厂房坝段选取102 组数据,即 102 组灌浆孔段的单位注灰量 CT、透水率 q、软弱夹层发育 R、岩体 RQD 值、岩体的破碎程度 B、灌浆压力 P 和高程 E,其中单位注灰量 CT、透水率 q、灌浆压力 P 和高程 E 可从现场灌浆记录仪获取,高程 E 为灌浆孔段中心点高程,软 弱 夹 层 发 育 R、岩 体 RQD622闫福根,等/基于遗传神经网络的灌浆单位注灰量预测方法水利水电技术(中英文)第 54 卷 2023 年第 S2 期图 3 单注灰量遗传神经网络模型网络结构 值、岩体的破碎程度 B 由钻孔岩芯素描资料获取,软弱夹层发育 R 为灌浆孔段发育软弱夹层累计长度、破碎程度 B 为灌浆孔破碎段岩体长度,两者均以米计量。随机选取 92 组作为模型训练样本数据,余下的 10 组作为模型预测精度的检验样本,训练样本和检验样本数据如表 1 所列(受篇幅所限,表中列出部分数据)。为实现单位注灰量预测,首先对表 1 中训练样本进行归一化处理,处理结果如表 2 所列(受篇幅所限,表中列出部分数据),进而将归一化后的 92 组训练样本数据代入单位注灰量遗传神经网络模型对其进行训练,从训练结果可知试验样本的真实值与模型训练结果获取的预测性具有较好的逼近结果,预测精度较高。图 4 为单位注灰量遗传神经网络模型训练结果。表 1 训练样本和检验样本数据样本类型序 号输入层输出层Q/LuR/mRQD/%B/mP/MPaE/mC_T/kgm-1训练样本18.33 0.44 39.33 0.14 1.77 190.50 295.42 25.54 0.00 41.06 0.03 1.85 185.00 155.20 36.03 0.00 35.00 0.02 2.36 173.00 303.80 44.74 0.13 56.44 0.03 2.32 167.00 27.27 59.63 0.19 37.33 0.02 2.51 149.00 418.78 67.71 0.22 41.00 0.00 2.46 143.00 355.97 77.21 0.47 31.78 0.52 2.34 137.00 289.30 87.04 0.01 19.44 0.06 2.30 131.00 335.45 97.73 0.00 38.69 0.21 2.39 125.00 356.87 108.86 0.28 65.11 0.00 2.52 119.00 195.75 115.47 0.00 60.17 0.13 2.28 113.00 170.87 127.42 0.13 68.00 0.13 2.46 107.00 350.18 138.79 0.43 55.87 0.08 2.40 89.00 401.88 149.85 0.36 33.33 0.05 1.64 190.50 237.32 157.41 0.00 52.56 0.00 2.10 179.00 241.07 165.72 0.00 29.17 0.08 2.39 173.00 72.83 176.02 0.00 27.56 0.15 2.35 167.00 272.62 185.77 0.00 19.75 0.35 2.38 161.00 334.62 196.70 0.00 55.00 0.00 2.48 155.00 432.08 208.38 0.38 54.33 0.00 2.25 149.00 407.88 925.970.0028.60.002.3383.0052.73检验样本18.75 0.19 24.49 0.50 2.46 131.00 349.13 27.48 0.00 58.78 0.01 2.26 155.00 297.45 35.19 0.00 40.61 0.11 2.31 113.00 191.38 43.85 0.00 63.67 0.00 1.64 190.50 75.40 55.05 0.43 48.56 0.15 1.90 185.00 159.77 69.75 0.05 52.85 0.05 2.43 119.00 312.03 76.39 0.00 52.38 0.00 2.25 131.00 219.85 87.98 0.00 63.06 0.03 2.00 185.00 307.77 96.28 0.52 24.97 0.12 2.38 137.00 180.93 106.81 0.07 36.22 0.03 2.26 179.00 434.12 722闫福根,等/基于遗传神经网络的灌浆单位注灰量预测方法水利水电技术(中英文)第 54 卷 2023 年第 S2 期表 2 训练样本和检验样本归一化数据样本类型序 号输入层输出层Q/LuR/mRQD/%B/mP/MPaE/mC_ T/kgm-1训练样本1 0.49 0.46 0.20 0.14 1.00 0.57 0.27 20.00 0.48 0.04 0.23 0.95 0.27 0.10 30.00 0.40 0.02 0.75 0.84 0.59 0.13 40.15 0.69 0.05 0.71 0.78 0.00 0.05 5 0.21 0.43 0.02 0.91 0.61 0.84 0.35 60.24 0.48 0.00 0.86 0.56 0.70 0.24 70.52 0.36 0.74 0.73 0.50 0.56 0.20 80.01 0.19 0.08 0.69 0.45 0.66 0.19 90.00 0.45 0.30 0.78 0.39 0.70 0.24 100.31 0.80 0.00 0.92 0.33 0.36 0.31 110.00 0.74 0.19 0.67 0.28 0.31 0.10 120.15 0.84 0.19 0.86 0.22 0.69 0.22 130.48 0.68 0.12 0.79 0.06 0.80 0.30 140.40 0.38 0.07 0.01 1.00 0.45 0.37 150.00 0.64 0.00 0.48 0.89 0.46 0.22 160.00 0.32 0.12 0.78 0.84 0.10 0.11 170.00 0.30 0.21 0.74 0.78 0.52 0.13 180.00 0.20 0.50 0.77 0.73 0.66 0.12 190.00 0.67 0.00 0.88 0.67 0.86 0.17 200.43 0.66 0.00 0.64 0.61 0.81 0.28 920.13 0.00 0.31 0.00 0.72 0.00 0.05 检验样本10.30 0.21 0.26 0.71 0.86 0.45/20.22 0.00 0.72 0.01 0.65 0.67/30.08 0.00 0.48 0.15 0.70 0.28/40.00 0.00 0.79 0.00 0.01 1.00/50.07 0.48 0.58 0.21 0.28 0.95/60.36 0.06 0.64 0.07 0.82 0.33/70.15 0.00 0.63 0.00 0.64 0.35/80.25 0.00 0.78 0.05 0.38 0.95/90.15 0.57 0.27 0.17 0.77 0.50/100.18 0.07 0.42 0.05 0.65 0.89/图 4 遗传神经网络仿真效果(训练样本)822闫福根,等/基于遗传神经网络的灌浆单位注灰量预测方法水利水电技术(中英文)第 54 卷 2023 年第 S2 期 为进一步验证本文提出的单位注灰量预测模型的精度,将 10 组检验样本经归一化处理后输入至上述已训练完成的模型中(归一化数据见表 2),10 组数据单位注灰量预测情况如表 3 所列,单位注灰量实测值和预测值的对比趋势图与误差直方图如图 5 和图 6所示。表 3 检验样本单位注灰量预测值与实际值对比序 号实际值/kgm-1预测值/kgm-1绝对误差/kgm-1相对误差/%1349.13 340.08-9.06-2.592297.45 326.50 29.05 9.773191.38 184.56-6.82-3.56475.40 36.06-39.34-52.185159.77 165.39 5.63 3.526312.03 265.05-46.98-15.067219.85 298.60 78.75 35.828307.77 307.38-0.38-0.129180.93 214.46 33.53 18.5310434.12 361.64-72.48-16.70 注:绝对误差=预测值-实际值;相对误差=预测值-实际值实际值。图 5 单位注灰量实测值和预测值的对比趋势图 6 单位注灰量实测值和预测值的误差直方图对比发现,10 组检验样本的单位注灰量实际值和模型预测值具有如下特点:(1)单位注灰量实际值与预测值两者的基本趋势比较吻合,未出现实际值较大但预测值较小的情况发生,模型对单位注灰量预测总体可靠。(2)10 组样本的误差绝对值范围在 0.3878.75kg/m,相对误差绝对值为 0.12%52.18%,平均值为 15.78%,误差总体可控。综上认为:考虑到单位注入量受岩体特征、灌浆施工工艺等众多因素影响,预测值很难达到极高精度,本模型预测可靠性总体较好、精度较高,预测值和实际值趋势基本吻合,具有普遍意义上指导灌浆施工的应用价值。4 结 论4 结 论 本文围绕灌浆工程单位注灰量预测问题开展研究,在充分分析已有预测分析方法及影响单位注灰量预测准确度的主要因素基础上,建立了基于遗传神经网络的灌浆单位注灰量预测方法,模型由输入层、隐藏层和输出层组成,输入层包括 6 个神经元节点,即岩体透水率 q、软弱夹层发育 R、岩体 RQD、破碎程度 B、灌浆压力 P 和高程 E,隐藏层包括 13 个神经元节点,输出层包括 1 个神经元节点,即单位注灰量CT,并以某水电站厂房坝段 102 组数据对模型进行训练和验证,验证结果表明:(1)单位注灰量模型预测值与实际值基本趋势吻合,10 组检验样本相对误差绝对平均值为 15.78%,模型预测可靠性总体较好、精度较高。(2)预测模型能够满足实际现场施工对单位注灰量的判断,灌浆工程师可通过预测值对灌浆过程进行必要的灌浆工艺调整,例如:当实际灌浆量远小于预测灌浆量时,可采用提高灌浆压力的方式,保证更多的浆液流入裂隙中;若实际灌浆量远大于预测的灌浆量时,此时采用待凝等方式保证灌浆孔周围的裂隙实现封堵即可,减少不必要的水泥浪费。(3)考虑到单位注入量受岩体特征、灌浆施工工艺等众多因素影响,任一模型实现其精准预测均十分困难,因此可将本模型与其他学者研究成果结合使用,以便实现灌浆工程施工全过程精准控制。参考文献:1 YANG Chauping.Estimating cement take and grout efficiency on foundation improvement for Liyutan dam J.Engineering Geology,2004(75):1-14.2 ABDOLLAH S,AHMAD R,ABBAS Z.Estimation of the grout take using empirical relationships(case study:Bakhtiari dam site)J.Bulletin of Engineering Geology and the Environment,2016,75(2):425-438.3 伍远朋,刘宗显.基于蜻蜓算法优化支持向量机的帷幕灌浆效果预测研究J.四川水力发电,2022,41(6):97-100.4 李凯,任炳昱,关涛,等.帷幕灌浆量区间预测的 Bootstrap-IG-WO-SVM 模型研究J.水力发电学报,2022,41(10):18-29.5 郭晓刚,孟山辉.基于 LIBSVM 的高面板坝趾板基础灌浆智能预922闫福根,等/基于遗传神经网络的灌浆单位注灰量预测方法水利水电技术(中英文)第 54 卷 2023 年第 S2 期测J.人民长江,2011,42(1):33-36.6 饶小康,贾宝良,郭亮,等.基于大数据平台的灌浆工程单位注入量的预测研究J.水电能源科学,2018,36(4):130-133.7 饶小康.水利工程灌浆大数据平台设计与实现J.长江科学院院报,2019,36(6):139-145.8 石祖智,常峻,吴斌平,等.基于改进混合核极限学习机的坝基注浆量预测代理模型研究J.水利水电技术,2021,52(9):57-66.9 李建光,赵其华,傅荣华,等.人工神经网络在灌浆加固工程中的应用J.地质灾害与环境保护,2001,12(3):85-88.10 李业丽,常桂然,徐茜,神经网络在数据挖掘中的应用研究,计算机工程与应用,2000,8:103-105.11 黄江华,人工神经网络在数据挖掘中的应用D 长沙:中南大学,2006.12 LI J H,WANG F.Study on the forecasting models of slope stability under data mining/ASCE.Proceedings of the ASCE,2010:765-776.13 BORNHOLDT S,GRAUDENZ D.General asymmetric neural net-works and structure design by genetic algorithmsJ.IEEE,1992:DOI:10.1109/ICSMC.1993.384939.14 王小平,曹立明,遗传算法一理论、应用与软件实现M 西安:西安交通大学出版社,2002.15 王冬升.滇东岩溶地区帷幕灌浆单位注灰量与单位透水率相关分析J.水利水电快报,2021,42(8):67-72.16 蒋鹏飞,于同超,赵晓明.浅析透水率与注灰量的关系J.现代矿业,2009(11):124-125.17 洪振国,苟勤章.花岗岩地质条件下的帷幕灌浆试验研究J.能源与环保,2019,41(1):70-74.18 罗畅,聂永,党建涛.变质砂岩地质条件下的帷幕灌浆试验研究J.水利水电技术,2017,48(8):74-80.19 刘涛.桐子林水电站深厚覆盖层帷幕灌浆关键技术研究J.长江科学院院报,2013,30(6):95-98.20 夏峻峰,岳雪波,张绍奎,等.大坝帷幕灌浆第三方质量检查及效果评价J.人民长江,2013,44(6):89-92.21 罗亮.玄武岩帷幕灌浆J.建筑与文化,2013(10):507-507.22 樊贵超.大坝基础灌浆工程施工质量控制理论与应用研究D.天津:天津大学,2016.23 陈华俊.岩溶库区帷幕灌浆技术及其工艺参数优化J.长江科学院院报,2022,39(7):144-148.24 李维朝,梁铎,蔡红,等.堤坝帷幕灌浆效果评价J.中国水利水电科学研究院学报,2012,10(3):214-218.25 秦光斗,杨竣麟.帷幕灌浆的异常分析J.云南水力发电,2021,37(11):149-153.26 杨剑.紧水滩水库大坝帷幕灌浆施工工艺J.河南水利与南水北调,2022,51(5):37-38.27 廖大榜.水库大坝灌浆施工技术及其防渗加固策略J.工程技术研究,2019,4(22):91-92.28 童振科.帷幕灌浆施工技术在水库大坝基础防渗加固处理中的应用研究J.珠江水运,2019(13):98-99.29 杨剑.紧水滩水库大坝帷幕灌浆施工工艺J.河南水利与南水北调,2022,51(5):37-38.(责任编辑 陈小敏)032