基于门控循环单元的混凝土坝变形预测模型.pdf

2023年第5 期水科学与工程技术59基于门控循环单元的混凝土坝变形预测模型钟紫蒙（上饶市河道湖泊管护中心，江西上饶3340 0 0）摘要：基于数据驱动的变形预测作为混凝土坝健康监测的重要研究内容，也是实现数字李生工程与数字李生流域平台建设的核心引擎。为深人挖掘混凝土坝及其解释变量间复杂的非线性因果函数关系，采用具有良好记忆功能的深度神经网络-门控循环单元(Gated RecurrentUnit,GRU），建立基于GRU的混凝土坝变形预测模型。结合某拱坝实测水平位移监测资料，阐述模型构建流程。结果表明，相比于常用的神经网络算法，如径向基网络（Radial BasisFunction,RBF)、循环神经网络（RecurrentNeural Network,RNN）、极限学习机(Extreme learning machine,ELM),所建模型拟合良好与精度提高，为混凝土坝变形预测提供一种可行的新方法。关键词：混凝土坝；变形预测；门控循环单元中图分类号：TV642D0I:10.19733/ki.1672-9900.2023.05.18文献标识码：B文章编号：1 6 7 2-9 9 0 0(2 0 2 3)0 5-0 0 5 9-0 4A concrete dam deformation prediction model based ongated recurrent unitZHONG Zimeng(River and Lake Management Center of Shangrao City,Jiangxi Province,Shangrao 334000,China)Abstract:Algorithm-based deformation prediction is an important research content of concrete dam health monitoring,andit is also the core engine to realize the platform of digital twin engineering and digital twin river basin.To deeply excavatethe complex nonlinear causal function relationship between concrete dam its influencing variables recurrent unit(GRU),adeep neural network with good memory function is used to establish a concrete dam deformation prediction model.Combined with the measured horizontal displacement monitoring data of an arch dam,the implementation process of themodel is described.The example analysis shows that,compared with the commonly used neural network algorithms,such asradial basis function(RBF),recurrent neural network(RNN)and extreme learning machine(ELM),the proposed model hasbetter fitting and prediction accuracy.A feasible novel method is provided for concrete dam deformation prediction.Key words:concrete dam;deformation prediction;gated recurrent unit我国混凝土坝建设在数量、高度与规模等方面均居世界前列(1 1,其在发电、防洪、灌溉等方面发挥了显著的经济效益与生态效益，有效保障了国民经济的持续发展与受益区域的防洪安全 2 。混凝土坝的运行环境要求比较严格，其运行健康状态不仅影响工程效益的发挥,更与水环境与水生态安全、经济社会平稳息息相关。为此，保障混凝土坝的运行安全是水利工程领域高度关注的方面。变形作为最能直观反应环境荷载与结构性能变化综合作用下混凝土坝工作性态的重要数据，通过对实测变形资料进行系统分析，建立能够精准预测大坝未来变形的预测模型是感知与把控工程安全运行的重要手段 3收稿日期 2 0 2 2-0 8-1 2【作者简介钟紫蒙（1 9 9 5 一），女（汉族），江西上饶人，助理工程师，主要从事水工结构方向研究。E-mail：1 0 5 6 8 0 2 9 5 1 q q.c o m依据建模方法不同，混凝土坝变形预测模型主要分为统计模型、确定性模型和混合模型 3。其中，通过数理分析方法剖析大坝变形与其解释变量间因果函数关系而构建的统计模型，因具有结构形式简单、计算高效等显著优势，在实际工程领域受到广泛关注与普遍应用 4。传统的统计模型主要通过基于最小二乘法的多元回归与逐步回归等方法加以建模,然而由于大坝结构的复杂性及荷载的非线性,此类线性分析方法无法合理解决解释变量间的因子共线性问题，且难以有效挖掘变形及其解释变量间复杂的非线性关系 5 ,容易导致模型的稳定性与外延预测性能下降。随着计算机技术的发展，机器学习算h60法被广泛应用到大坝变形监控领域，如ELM6、支持向量机(SupportVectorMachine,SVM)7、RB F 8 、相关向量机 9 、李生支持回归机 2 等，此类非线性方法能更好地挖掘变形及解释变量间的非线性函数关系，显著提升统计模型的预测精度。近年来，深度学习算法取得巨大进展，与浅层机器学习算法相比，深度学习算法具有更强大的非线性映射能力和更优异的预测精度，基于深度学习算法的混凝土坝变形预测模型也取得一些初步运用。如Liu等 1 0 、冷天培等 1 1 采用长短期记忆网络(LongShort-Term Memory,LSTM）构建混凝土坝变形预测模型,并检验所建模型的预测能力;Li等 1 2 采用改进一维残差块提取大坝变形特征，并结合LSTM构建了大坝变形预测模型。隗轶伦等 1 3 针对不同运行时期白鹤滩大坝变形的变化规律，在首蓄期初期与中后期分别采用多元回归模型与优化的LSTM模型构建该坝的变形预测模型,所建模型拟合效果较好。作为LSTM 的一种变体,GRU 网络具有结构形式简单、计算高效的显著优势,为此,本文采用GRU网络构建混凝土坝变形预测模型。结合某混凝土拱坝水平位移监测数据，阐述所提模型的建模手段,并验证模型的预测性,为大坝变形预测提供一种新方法。1混凝土坝变形预测原理混凝土坝变形是水位、温度等环境荷载变化作用于坝体_坝基系统，进而导致结构力学行为变化的宏观表征，混凝土坝的变形主要由水压、温度和时效分量组成。水压与温度分量是上游水位与环境温度变化引发的可逆变形，水压分量常采用上游水深的高次多项式加以计算，温度分量常采用谐波因子进行模拟。时效分量通常表征结构性能时变演化导致的不可逆变形，并采用运行时间的线性函数与对数函数加以分析。因此,混凝土坝变形预测模型可具体表示为：S=0+0f+O0i=1+c,O+c,lng式中o为常数;i,b1,bzi,C1,c2为统计系数;H为坝前水深；对于重力坝而言,n=3;对于拱坝而言,n=4；=t一，为监测日至始测日的累积天数。100钟紫蒙：基于门控循环单元的混凝土坝变形预测模型r,=o(W,hi-1,x+b,)式中hi-1为前一时刻输出;x,为当前输人;W,为重置门的权重矩阵;b,为偏置项;为sigmoid激活函数，()=1/(1-e);重置门的输出r,的取值范围为 0,1 ,当r为1 时表示完全保留上一时刻隐藏状态中的信息，当r，为0 则表示完全丢弃上一时刻隐藏状态中的信息。更新门z,控制上一时刻隐藏状态中的信息保留26,sin2元it+b2;cos2元iti=13652023年第5 期2基于GRU的大坝变形预测模型GRU是Cho等 1 41 2 0 1 4年提出的一种RNN网络的特殊变体,RNN网络中不仅层与层之间相互连接，同一隐藏层内的神经元两两相连,因此,RNN网络具有一定的记忆功能。然而，在处理长序列时序数据时，由于其结构缺陷，RNN网络常会发生梯度消失和梯度爆炸与长期依赖问题，导致预测效果不佳。对此，LSTM通过引人“遗忘门”“输入门”与“输出门”3种门控结构与细胞状态，有效解决RNN模型缺陷。相比LSTM,GRU网络更为精巧地采用“重置门”与“更新门”两个门控结构，在保留与LSTM网络相当的模型性能的同时,可较大程度地减少模型参数,提高训练效率。RNN与GRU网络结构如图1。(a)RNN重置门便新门Lanh(b)GRU图1 RNN与GRU网络结构重置门r，控制着上个隐藏状态信息的流人。决定上一时刻隐藏状态ht-1中可传递至隐藏候选状态中的信息，其可计算为：(2)至当前状态h,的程度,其可计算为：365z,=o(W,:h-1,xi+b.)(1)式中W，为更新门的权重矩阵;b.为偏置项;为sigmoid 激活函数,o()=1/(1-e);更新门的输出z,取值范围为 0,1 ,当z,为1 时表示完全保留，当z,为0则表示完全遗忘。hutanh(3)2023年第5 期基于上述更新门，当前时刻GRU网络的输出h,为：h,=z,hi-i+(1-z.)ut式中u=tanh(W。r hu-1,x+b.),W。为权重矩阵,b。为偏置项,tanh为双曲正切函数,tanh()=(1-e-)/(1+e)。在搭建基于GRU网络的混凝土坝变形预测模型时，不同的隐藏层层数会导致模型的拟合精度和训练速度相差很大。一般而言，隐藏层层数的增加会提高模型的拟合精度，但其层数的增加会导致训练时间和内存呈指数级增长。前期研究表明,具有两个隐藏层的深度神经网络可有效地训练大坝变形及其解释变量间复杂的非线性函数关系 1 5 ,故本文采用双层隐藏层的GRU网络进行变形预测。同时,在两个隐藏层之间及第2 个隐藏层与输出层之间分别添加一个dropout层以避免模型的过拟合。3实例分析3.1工程概况我国某水电站拦河坝为混凝土抛物线型双曲拱坝，最大坝高2 40 m，坝顶弧长7 7 4.6 9 m。大坝由39个坝段组成。为监测拱冠、拱肩及1/4拱圈等部位的水平位移，在坝体内布置8 条倒垂线和1 0 条正垂线，组成5 组正倒垂线组，共2 0 个测点，采用人工和自动化两种方式进行监测。其中，8 条倒垂线分别位于4#、1 1#、1 9#、2 1#（2 条）2 3#、33#和37#坝段，1 0 条正垂线分别布置于4#、1 1#（2 条）、2 1#（4条）、33（2 条）和37#坝段。水平位移监测布置如图2。OP21205.00CNOLNOV110.0013.2建模预测以位于2 1#坝段TCN9正垂线测点为例，选取2015年1 2 月6 日至2 0 1 7 年7 月2 7 日该测点径向钟紫蒙：基于门控循环单元的混凝土坝变形预测模型(4)2元tsin365365lno,输出为变形8,因此,模型的输人与输出层节点数分别为1 0 和1。两个隐含层中节点数会显著影响模型精度，经试算，分别取两层隐含层节点数依次为220与1 1 0。GRU模型相关参数设置如下：两个dropout层的参数分别为0.1 与0.2，批处理大小为50,优化器采用Adam，初始学习率为0.0 0 0 0 5，最大迭代次数为40 0。为检验所提GRU模型的预测建模与预测精度，2010同时采用uu/0RBF,RNN-10位-2 0-与ELM3种-30常用的神经-402015/12/062016/04/012016/08/012016/12/012017/04/012017/07/27网络模型同时对该测点4.进行建模预测，模型的拟合与预测结果及残差-42015/12/062016/04/012016/08/012016/12/012017/04/012017/07/27如图3。为进一图3TCN09测点各模型拟合与预测结果步检验 GRU模型在大坝变形监控方面的适用性，同时结合正垂TCNO8测点实测的水平位移数据，分别采用上述4种模型进行建模分析，各口模型拟合和预测结果及其TCN11169.25NOCN08C2BC24CN04C20TCNO5TCNOOV1021.001V1010.2561自动化监测数据进行建模分析，并选取其中后4个月的数据作为预测集以验证模型预测能力。根据混凝土坝变形监控模型原理，模型的输人因子为H、H?、H,H4s i n4tICoS365-TCNO9GRURBFRNNELM日期(a)预测结果GRURBF-RNN-ELM日期(b)模型残差TCNTSTCN20C25口口VOTON1OTCNO07/ICN11TCN12N7940.0017900.00图2 水平位移监测点布置2元t残差如图4。此外，采用决定系数R2、平均绝对误差171110.0022TN19TCN1871010.25叉1 0 0 7.0 0TCN14972.504元t36571091.25(Mean Aabsolute Error,MAE)与均方根误差(RootMean Square Error,RMSE)3种指标量化评价模型的建模与预测精度,如表1。3.3结果分析根据图3与图4两个测点的建模预测结果可知，4种预测模型的变形拟合结果与实测变形变化规律基本一致，且相比于RBF、RNN、E L M模型,GRU模型的残差变化范围更62位9080702015/12/062016/04/012016/08/012016/12/012017/04/012017/07/2764uu/20位2-42015/12/062016/04/012016/08/012016/12/012017/04/012017/07/27图4TCN08测点各模型拟合与预测结果表1 各预测模型统计指标预测R2测点模型建模段预测段建模段预测段建模段预测段CRU0.9990.9950.3910.472RBF0.997 0.9920.5491.1840.7150.975TCNO9RNN0.996ELM0.995CRU0.999RBF0.998TCNO8RNN0.995ELM0.998小，模型残差较小。相比RNN预测模型，GRU模型通过引人门控结构能很好地解决处理长序列数据时引发的梯度消失问题，提高模型精度。同时，由表1 可知,GRU模型的各误差指标均显著优于其他模型，且模型训练集和预测集误差指标相近，可知各模型均不存在过拟合问题。因此,所得GRU模型能够更好地挖掘大坝变形与其解释变量间复杂的非线性函数关系,且具有更好的预测性能。4结语(1)基于GRU网络的混凝土坝变形监控模型,能深人挖掘大坝变形与影响因子之间复杂的非线性关系,具有良好的外延性和泛化性。(2)通过对某混凝土坝实测变形资料进行建模分析,与其他常用神经网络模型相比,基于GRU网络的变形预测模型具有更出色的建模与预测精度,为混凝土坝变形预测提供新手段。钟紫蒙：基于门控循环单元的混凝土坝变形预测模型140TCN08130Uuu/1201101002023年第5 期GRURBF日期(a)预测结果GRU一RBFRNNELM日期(b)模型残差MAE0.9850.782 0.8230.9820.8800.9571.0800.9930.5040.6520.7600.9870.5490.9890.954 0.7610.9870.6980.867RNN-ELMRMSE0.4890.5740.9571.0271.1200.6331.1840.8431.2020.852参考文献：1顾冲时,苏怀智.混凝土坝工程长效服役与风险评定研究述评 J.水利水电科技进展,2 0 1 5,35(5):1-1 2.2袁冬阳,顾冲时,顾昊.严寒地区混凝土重力坝变形行为分析与预测模型 J.水利学报,2 0 2 2:1-1 4.3吴中如.水工建筑物安全监控理论及其应用 M.北京：高等教育出版社,2 0 0 3.4任秋兵，沈扬，李明超，等。水工建筑物安全监控深度分析模型及其优化研究 J.水利学报,2 0 2 1,5 2(1):7 1-8 0.5李明超，任秋兵，孔锐,等.多维复杂关联因素下的大坝变形动态建模与预测分析 J.水利学报,2 0 1 9,5 0(6):6 8 7-6 9 8.6JKang F,Liu X,Li JJ.Temperature effect modeling in structuralhealth monitoring of concrete dams using kernel extremelearning machines JJ.Structural Health Monitoring,2020,19(4):987-1002.7JSu HZ,Chen ZX,Wen ZP.Performance improvement methodof support vector machine-based model monitoring damsafety JJ.Structural Control and Health Monitoring,2016,23(2):252266.8 JKang F,Li JJ,Zhao SZ,Wang YJ.Structural health monitoring ofconcrete dams using long-term air temperature for thermal effectsimulationJ.Engineering Structures,2019,180:642-653.9魏博文，袁冬阳,谢斌,等.基于鸡群算法优化相关向量机的混凝土坝变形预报模型 J.水利水电技术,2 0 2 0,5 1(4):2.67998-105.0.95310JLiu WJ,Pan JW,Ren YS,et al.Coupling prediction model1.052for long-term displacements of arch dams based on longshort-term memory network J.Structural Control andHealth Monitoring,2020,27(7).11冷天培，马刚，向正林,等.基于时序分解与深度学习的堆石坝变形预测 J.水力发电学报,2 0 2 1,40(1 0):1 47-1 5 9.12 JLi Mingchao,Li Minghao,Ren Qiubing,et al.DRLSTM:A dual-stage deep learning approach driven by raw monitoring datafor dam displacement prediction J.Advanced EngineeringInformatics,2022,51.13隗轶伦，胡昱，王亚军,等.白鹤滩首蓄期变形预测混合模型方法 J.水力发电学报,2 0 2 2,41(5):8 4-9 2.14Cho K,Merrienboer BV,Gulcehre C,et al.Learning PhraseRepresentations using RNN Encoder-Decoder for StatisticalMachine TranslationJJ.In Conference on Empirical Methodsin Natural Language Processing,2014:1724-1734.15 JBui KTT,Torres JF,Gutirrez-Avils D,et al.Deformationforecasting of a hydropower dam by hybridizing a long short-term memory deep learning network with the coronavirusoptimization algorithm J.Computer-Aided Civil andInfrastructure Engineering,2021,37:1368-1386.（责任编辑：王艳肖）