基于深度学习的水利工程智慧化应用现状及展望.pdf

基于深度学习的水利工程智慧化应用现状及展望傅小孙1袁 张秀琴2渊1.新余市水利电力建筑工程有限公司袁江西新余338000曰2援江西国利工程项目管理有限责任公司袁江西南昌330038冤咱摘要暂 深度学习的发展为水利工程向智慧化发展提供了新的技术保障遥 为了解和分析现阶段水利工程中深度学习应用情况和存在问题袁 本文首先阐述了深度学习的发展现状以及图像尧 洪水预报和大坝安全监控等方向具体在水利工程中的运用情况曰 深入总结了深度学习在水利工程的应用方面尧 水利数据智慧化存在的问题以及传统信息化和数据智慧化的差别曰 最后对智慧化水利行业的发展方向和应用领域做了展望和分析袁 以期为相关研究人员提供可靠的信息遥咱关键词暂 水利工程曰 深度学习曰 智能算法曰 发展现状曰 综述咱中图分类号暂 TV 698.1咱文献标识码暂 BCurrent situation and prospect of intelligent application ofhydraulic engineering based on deep learningFu Xiaosun1袁Zhang Xiuqin2渊1援Xinyu Water Conservancy and Electric Power Construction Engineering Co.袁LTD.袁Xinyu338000袁Jiangxi袁China曰2援Jiangxi Guoli Engineering Project Management Co.袁LTD.袁Nanchang330038袁China冤Abstract院At present袁the development of deep learning provides a new technical guarantee for the intelligentdevelopment of hydraulic engineering.In order to understand and analyze the application situation and existingproblems of deep learning in water conservancy projects at the present stage袁this paper first describes the de鄄velopment status of deep learning and the application of images袁flood forecasting and dam safety monitoring inwater conservancy projects.The application of deep learning in water conservancy engineering袁the problemsexisting in water conservancy data intelligence and the differences between traditional information and data in鄄telligence are deeply summarized.Finally袁the development direction and application fields of the intelligentwater conservancy industry are prospected and analyzed袁in order to provide reliable information for relevantresearchers.Keywords院Water conservancy project曰Deep learning曰Intelligent algorithm曰Development status曰Summarize咱收稿日期暂 2023-05-16咱作者简介暂 傅小孙渊1984-冤袁男袁汉族袁江西新余人袁工程师袁主要从事水利水电工程设计尧施工及管理工作遥咱文章编号暂 1009-2846 渊2023冤 09-0070-05第 09 期渊总第 496 期冤吉林水利圆园圆3 年 09 月0引言水资源是社会发展进步的重要资源之一袁水利工程在社会发展中起到了基础性作用1袁2遥 我国水资源最明显的特征为总量大尧人均少袁同时水资源的流失和浪费袁使人水的矛盾日益凸显3遥 水利工程对水资源调控发挥着基础性作用袁 也是保障流域经济发展的关键遥 随着我国技术的发展袁我国水利工程的建造技术已经处于世界先进水平遥 随着其他产业信息化的科技升级袁 水利工程信息化得到了较快的发展4遥 水利信息化和智慧化的发展70-吉林水利基于深度学习的水利工程智慧化应用现状及展望傅小孙等圆园圆3 年 09 月方向和平台建设在升级过程中都面临需要解决的技术难题袁 而深度学习则为解决这些难题提供了一个较好的方式遥 深度学习的本质在于通过多隐层的神经网络的学习结构袁 利用海量数据进行训练以更好地捕捉数据内部的本征袁 从而提高学习的可靠性和算法模型的精度遥 较之其他机器学习算法袁深度学习对数据特征的学习能力更强袁可以较好地解决传统机器学习算法对特征提取不足的问题遥 此外袁较之传统的浅层神经网络袁深度学习的网络结构更深更复杂袁 解决了浅层神经网络学习能力不强的问题遥 随着深度学习技术的深度发展袁 水利信息化和智慧化的发展方向和平台建设都面临亟需解决的问题遥 如深度学习的可靠度和精度问题尧不同数据库平台的兼容情况尧无人大坝监控平台的风险度的评估尧 水情系统的预报预警的难题等遥近年来袁水利工程的信息化主要以采集尧传输和存储为信息化的核心遥 但结合智能算法尧数据挖掘尧大数据技术的智慧水利发展相对缓慢遥因此袁当前水利工程的信息化发展需要借助深度学习5-7遥在水利行业智慧化的落实过程中袁 需要及时总结行业的发展现状和趋势遥 本文主要从深度学习在水利行业的应用现状尧 水利工程数据智慧化的特点及展望两个方面内容进行阐述袁 以期望为相关从业研究人员提供基础性的价值遥1深度学习在水利行业的应用现状深度学习已经在水利行业的各个方面内应用袁 并且水利行业涉及的门类比较多袁 如水库调度尧洪水预报尧大坝监测预警尧水价的综合决策尧水库的遥感监测尧边坡风险评价等遥 因此袁本文从其中选取遥感图片尧洪水预报尧大坝安全监控等具体的应用进行阐述总结遥1.1遥感图像识别和分类遥感技术是获取水文基础数据的有力途径之一袁 特别是降水径流数据的获取以及下垫面特性的基础数据的分析和研究遥 其中遥感图像分类是遥感技术的核心袁 且遥感图像分类的质量直接决定了后期问题处理的质量遥 因此袁需要对水利工程中的遥感图像进行深入研究和探析遥 随着技术的进步袁 在不同时期遥感图像分类的处理方式也越来越多袁如有监督和无监督的处理尧参数化和非参数化处理尧 通过不同等级的像素单元进行识别分析等遥 这些办法能够较好地处理某一类图像袁处理其他遥感图像的能力则偏弱袁甚至精度特别低袁需要进一步地研究和优化8袁9遥 其中智能算法和深度学习就是对遥感图像处理的一种新的思路遥 如地表水体的研究成果是研究该地区水文及其水资源保护与分配的基础性资料10遥在较早的时候袁 研究人员都是以地质勘查和人力计算等方式确定地下水的分布情况遥 随着信息技术的发展袁遥感技术被投入到地下水的研究遥当前袁遥感在地下水及相关水体的勘察过程中袁已经探究出多个技术路线袁如许颢砾等人11采用深度学习算法深入研究了某岛的地下水情况袁 由案例结果可知袁 该研究方法具有较高的精度和工程实用价值曰杨雪等人12利用人工神经网络解决了遥感图像解译的难题袁 并且根据图像信息结合智能算法进行岩溶区地下水富集性的预测袁 预测结果与实际情况较为符合袁 说明深度学习算法可以较好地对遥感资料进行深入分析和提取关键信息曰Rahman 等人13通过 GIS 平台及遥感数据采用了融合算法 MCDM-AHP 对地下水潜力指数进行估算袁该研究为识别地下水潜力区提供了一种简单实用的方法,可能有助于完善规划可持续地下水资源管理遥 Abdulkerim 等人14以埃塞俄比亚奥罗米亚苏德区为研究对象袁 基于地理信息系统和遥感图像研究了地下水补给地点的识别和划分袁 由该研究成果可知袁 借助遥感技术圈定地下水补给点有助于有效识别地下水开采的适宜地点遥孙禧勇等人15采用综合信息提取算法对不同卫星遥感数据进行处理分析以得到雄安新区地表水时序变化情况袁其综合算法在地表水域的提取上能够很好地兼顾精度和效率曰崔忠捷等人16采用 DM-LSTM 的联合深度学习算法构建了城市降雨径流预测模型袁 该模型可以较好地满足城市降雨径流预测对实时性尧准确性和安全性的要求遥由以上研究可知袁 基于深度学习技术的遥感图像分析方法可以大大提高地下和地表水体识别以及降雨径流量感知的精度袁 能较好保证数据的可靠性遥 但深度学习对遥感图像的精度和图像库的规模有较为严格的要求袁 这对一般工程项目的技术成本投入和人员管理也提出了新的要求遥1.2基于深度学习的洪水预报水文预报对水资源的调度发挥着重要的作71-用袁也是水资源管理的核心任务16遥 由于洪水是影响水利工程安全的主要因素之一袁因此袁对于洪水预警预报是水文预报的重要内容之一遥 目前袁基于深度学习的洪水预报研究成果颇多袁 主要包括两大类袁一类为物理机理模型袁另一类为数学模拟模型遥 随着深度学习算法的发展袁两类模型均得到了较大的发展遥 如 Wang 等人18为了解决在无数据或数据有限的集水区建立基于物理的水文洪水预测模型的难题袁 提出了一种基于美国国家航空航天局全球陆地数据同化系统渊GLDAS冤数据的数据驱动方法袁用于在伽马测试的帮助下进行洪水预测遥基于最先进的深度学习模型袁 即长短期记忆渊LSTM冤网络袁建立了径流生成模型和路由模型遥基于 Nash-Sutcliffe 效率系数渊NSE冤对所建立的模型进行验证袁 发现地表径流生成模型表现出良好的性能遥 Nevo 等人19利用该框架构建了一个没有任何卫星降雨支持的洪水预报模型袁 用于中国山洪频发的小流域遥 评估表明袁EF5 模型在洪水预测情况下表现良好袁在验证期间袁Pearson 线性相关系数渊PCC冤 值超过 0.9袁Nash-Sutcliffe 效率系数渊NSE冤值超过 0.85袁 大量指标和图证明了模型预测的良好效果遥Wan 等人20引入了一个通用框架来统一描述不同的动态网络袁包括聚焦时延网络渊FTDN冤尧分层递归网络渊LRN冤和具有外生输入的非线性自回归网络渊NARX冤袁构建了 1 080 个具有 6 个不同提前期尧10 个神经元数的模型袁以及6 种不同的时间延迟来预测中国东部的水库入库流量遥 数值和实验结果表明袁 模型的训练误差随着神经元数量和时间延迟呈现出显著的变化趋势遥Indra21等人提供了一个基于推特数据的具有大数据分析的最优深度学习洪水预测模型 渊ODLFF-BDA冤遥 建议的ODLFF-BDA 技术旨在在大数据环境中使用推文来预测洪水的存在遥 ODLFF-BDA 技术包括数据预处理袁以将输入的推文转换为可用的格式曰使用具有多层卷积神经网络 渊MLCNN冤 的门控递归单元渊GRU冤来提取局部数据并预测洪水遥由上述研究可知袁 深度学习在洪水预报中已经得到了较为充分的发展袁 各种基于智能算法的预报模型的精度和可靠性得到了较大的提高袁工程实用性也越来越高遥 研究中影响预报洪水的因素也逐步多元复杂化袁 使得洪水预报系统的健壮性得到了很大地提升遥 需要注意的是袁基于智能算法的模型种类繁多袁 这一方面导致工程管理人员选用困难袁 另一方面对数据库的兼容提出了更高的要求遥 这些问题也是深度学习发展过程中必须解决好的问题遥1.3基于深度学习的大坝安全监控由于大坝通常是水利枢纽的控制性工程袁大坝的安全性态对水利工程效益的发挥至关重要22遥随着信息技术的发展袁大坝安全监控理论和技术也得到了很大的进步遥监测测点从人工测量记录发展到仪器自动测量读取曰大坝安全监测系统平台也是从无到有袁自动化程度和可靠性越来越高23曰大坝安全理论的监控模型经历了统计模型尧 基于模糊数学的预测模型尧 确定性模型和混合模型以及基于深度学习算法的模型遥 其中大坝效应量 渊如变形尧渗流尧应力等冤的预测预警模型是大坝安全监控的基础研究内容遥目前袁基于深度学习尧大数据挖掘及深度学习算法的大坝预测模型的研究成果颇多24遥为提高模型的可靠性袁 基于深度学习算法的监控模型从单一算法发展到了联合融合算法25遥 如田菊飞等人26应用随机森林算法建立了大坝的应力监控模型袁对大坝的应力做出了较好预测且精度满足了工程需要曰刘浩27则通过 IABC-LSSVM 联合智能算法构建了大坝的变形预测模型袁 其预测结果精度较高曰刘永涛等人28利用 EEMD 算法对非稳态的渗流序列进行处理袁结合 RVM 构建了土石坝的渗流预测模型遥由此可知袁在大坝安全监控领域袁智能算法尧深度学习以及大数据挖掘等技术已经成为较成熟的应用袁特别是能够满足高坝大库的智慧化尧信息化的要求遥 而对于监测资料较少的老坝小库袁深度学习则依然面临渗透率不高尧应用性不强的问题袁需要解决小数据库及小样本下的应用难题遥2深度学习在水利工程应用中存在的问题及展望2.1基于深度学习的水利智慧化存在的问题由前文论述可知袁 基于深度学习的水利智慧化得到了较好的发展30遥 无论是流域的系统管理袁还是单个水库大坝等水工建筑物袁 其基于智慧水利的安全监控都在不断探索发展中进步31-32遥 但在发展过程中依然存在一定的挑战和问题33院渊1冤涉及深度学习的技术与平台等需要海量数据袁但水工建筑物的监测数据一般较少袁不足以吉林水利基于深度学习的水利工程智慧化应用现状及展望傅小孙等圆园圆3 年 09 月72-模型水利工程的传统信息化水利工程深度学习的智慧化信息采集采集重要信息全信息采集数据格式电子数据数字数据数学分析方法统计方法分析模型机器学习分析速度慢快更新方式人工自动化系统稳定性差好模型迭代能力差好维护成本低高信息反馈能力差好模型平台数据信息化-工程技术和数据工程师主导信息记录-建立算法-形成反馈闭环平台支持相关算法和平台的运行遥 因此袁需要解决在较少数据情况下如何保证深度学习的实现的问题遥此外袁监测仪器不稳定也会使深度学习出现误判袁难以识别数据变化的原因和问题遥渊2冤深度学习的训练收敛性问题遥 水利信息化和智慧化系统是复杂且非线性的袁 为了让总体结果达到较好的精度袁 深度学习需要构建较多的隐层网络袁需要多次学习和训练袁并且需要对超参数进行多次寻优袁 这会导致收敛速度较慢和学习时间长的问题遥 此外袁并不是精度越高的模型就一定越适合袁 需要应用人员根据实际情况选择合适的深度学习模型遥渊3冤数据及资源库的兼容和优化问题遥 目前基于深度学习的模型种类较多袁 同一类型的水利应用平台对不同的模型和数据库的格式要求不一样袁使得不同数据库较难兼容袁减弱了深度学习模型的可拓性遥 深度学习模型的优化需要专业人员调试袁 这对一线水利信息平台管理人员也提出了更多的要求遥2.2传统信息化和深度学习的智慧化差别相较于传统信息化袁 深度学习的系统较为复杂袁在水利工程的应用领域也越来越广34-35遥 为了更好地辨析两者的特点袁按信息采集尧数据格式尧数学分析方法等 10 个方面进行对比36袁具体情况如表 1 所示遥2.3基于深度学习的水利工程智慧化的展望针对深度学习在水利智慧化应用中存在的问题袁需要在其发展过程中进一步完善和解决遥 具体有如下三个方面院渊1冤由于水利工程的智慧化对数据的数量和质量要求比较高袁 需要加强对数据库的建设以提高智慧化水利的水平遥 同时袁对于小样本数据库袁需要进一步提高深度学习算法的稳定性和可靠性遥渊2冤深度学习向自动化和无人化发展的趋势对水利管理人员提出了更高的要求遥 需要进一步提高从业人员的信息技术应用管理水平袁 需要加强深度学习算法与水利信息系统之间的贴合度袁使水利工程管理达到高效率尧自动化尧无人化尧智慧化的目标袁 从而使项目满足柔性和快速反应性的需求遥渊3冤由于深度学习的发展时间较短袁其规范化尧标准化和安全性等方面还没有建立完善的规章和标准袁 需要进一步协调各单位和科研院所构建统一的标准袁 以更好地应用智慧算法及物联网技术袁 服务水利工程袁 推进智慧水利大平台的建设袁实现水利枢纽群尧水库群及流域的统一管理遥3结语基于深度学习的水利工程智慧化已经取得了较多的成果袁 但深度学习在水利工程的不同领域的应用水平和精度水平仍存在较大差距遥 新建水利工程的智慧化水平较之在役时间较长的工程要高很多遥 深度学习较之传统信息化具有明显的优势和特点袁但是依然存在较多需要解决的难题袁如数据库的统一化尧数据安全的保护尧智能算法的适应性等袁还需要深入研究袁并探析未来可应用的方向遥随着我国 5G 和互联网+的快速推进以及水利传统工程信息化与智慧化水利工程的对比表 1吉林水利基于深度学习的水利工程智慧化应用现状及展望傅小孙等圆园圆3 年 09 月73-工程智慧开发的需要袁 深度学习在水利行业将会有更加广阔的前景袁 这也是现阶段科研和技术人员需要进一步研究的内容遥 阴参考文献院1陈晶袁华中袁孔敏袁等.基于改进蚁群智能算法求解下的多目标农业水资源配置模型分析研究 J.水利科技与经济袁2022袁28渊1冤院8-12+33.2曹国金袁苏超袁王文君.基于深度学习的灌区水工混凝土结构表面裂缝自动检测方法J.吉林水利袁2022渊12冤院14-17.3董艳青.辽宁省不同尺度农田灌溉水有效利用系数变化特征J.水利技术监督袁2022渊7冤院84-88+134.4王雷.双辽市现代水网体系构建思路与布局研究J.吉林水利袁2023渊3冤院23-26.5赵东雅.信息化技术在水利工程建设管理中的应用J.电子技术与软件工程袁2017渊3冤院261-261.6谭雪清.用信息技术解决水的问题要要要访水利部信息化工作领导小组办公室副主任 辛立勤J.电子商务世界袁2002渊9冤院20-21.7占辽芳.基于 GIS 水利信息管理系统的研究与实现D.北京院中国地质大学袁2013.8Colstoun E B D袁Story M H袁Thompson C袁et al.Vegetation mappingusing multi-temporal ETM+data and a decision tree classifierC/IEEE International Geoscience&Remote Sensing Symposium.IEEE袁2002.9王辉袁王克奇袁白雪冰.噪声环境下木材纹理分类的研究J.林业机械与木工设备袁2006渊10冤院13-15.10苑进.基于 RBF 神经网络的遥感图像分类和基于结构特征的水体识别D.青岛院山东科技大学袁2002.11许颢砾袁王大庆袁时玥袁等.基于卷积神经网络的东海岛屿地下水分布遥感预测J.陆军工程大学学报袁2022袁1渊4冤院82-86.12杨雪袁吕玉增.基于神经网络的遥感图像解译预测岩溶区地下水富集性要要要以广西桂林市东北部岩溶区为例 J.矿产与地质袁2022袁36渊5冤院1034-1040.13Rahman Md.Mizanur袁AlThobiani Faisal袁Shahid Shamsuddin袁etal.GIS and Remote Sensing-Based Multi-Criteria Analysis forDelineation of Groundwater Potential Zones院A Case Study for In鄄dustrial Zones in Bangladesh J.Sustainability袁2022袁14 渊11冤院6667.14Abdulkerim Eliyas袁Fufa Fekadu袁Takala Wakjira.Identification ofgroundwater recharge site using geographical information systemand remote sensing:院case study of Sude district袁Oromia袁EthiopiaJ.Environmental Earth Sciences袁2022袁81渊2冤.15Xu Yichao袁Jiang Zhiqiang袁Liu Yi袁et al.An Adaptive EnsembleFramework for Flood Forecasting and Its Application in a SmallWatershed Using Distinct Rainfall Interpolation MethodsJ.WaterResources Management袁2023袁37渊5冤.16Wang Qinghua袁Abdelrahman Walid.High-Precision AI-EnabledFlood Prediction Integrating Local Sensor Data and 3rd PartyWeather ForecastJ.Sensors袁2023袁23渊6冤.17薛海波.不同水文模型在柴河水库汛期洪水预报中的对比分析与应用J.水利技术监督袁2022渊10冤院218-221.18Wang Yizhi袁Liu Jia袁Li Chuanzhe袁et al.A data-driven approachfor flood prediction using grid-based meteorological dataJ.Hy鄄drological Processes袁2023袁37渊3冤.19Nevo Sella袁Morin Efrat袁Gerzi Rosenthal Adi袁et al.Flood forecast鄄ing with machine learning models in an operational frameworkJ.Hydrology and Earth System Sciences袁2022袁26渊15冤.20Wan Xinyu袁Wu Qingyang袁Cao Zhenyu袁et al.Real-time floodforecasting based on a general dynamic neural network frameworkJ.Stochastic Environmental Research and Risk Assessment袁2022袁37渊1冤.21G.Indra袁N.Duraipandian.ModelingofOptimalDeepLearningBased Flood Forecasting Model Using Twitter DataJ.IntelligentAutomation&Soft Computing袁2023袁35渊2冤.22胡超.改进遗传算法优化的 LSTM 的大坝变形预测研究D.赣州院江西理工大学袁2021.23段清超.基于经验模态分解的多尺度大坝变形预测方法研究D.郑州院华北水利水电大学袁2017.24黄永涛袁刘晓青袁季威袁等.HCM-PSO-GRU 组合预测模型在大坝变形预测中的应用 J.水电能源科学袁2021袁39 渊12冤院120-123+61.25罗璐袁李志袁张启灵.大坝变形预测的最优因子长短期记忆网络模型J.水力发电学报袁2023袁42渊2冤院24-35.26田菊飞袁苏怀智.基于随机森林算法的大坝应力预测模型的构建及其应用J.水电能源科学袁2018袁36渊5冤院54-56+5.27刘浩.基于 IABC-LSSVM 的大坝变形监控模型研究J.水利技术监督袁2020渊4冤院164-167.28刘永涛袁郑东健袁孙雪莲袁等.基于 EEMD-RVM 的土石坝渗流量时间序列预测模型J.水利水电科技进展袁2021袁41渊3冤院89-94.29苏雨.基于机器学习的某混凝土坝裂缝成因与预警研究D.长沙院长沙理工大学袁2017.30康俊锋袁胡祚晨袁陈优良.基于布谷鸟搜索算法优化 LSTM 的大坝变形预测J.排灌机械工程学报袁2022袁40渊9冤院902-907.31Chen Y袁Lin Z袁Zhao X袁et al.Deep learning-based classification ofhyperspectral data J.IEEE Journal of Selected topics in appliedearth observations and remote sensing袁2014袁7渊6冤院2094-2107.32林雨萌袁陈炳才袁马致明袁等.新疆智慧水利综合管理平台J.计算机系统应用袁2021袁30渊10冤院86-94.33赵科锋袁曹慧群袁林莉袁等.人工智能视频识别在水利数字孪生中的典型应用J.长江科学院院报袁2023袁40渊3冤院186-190.34陈声威.水体富营养化预警模型研究现状和发展趋势J.水利科技与经济袁2014袁20渊4冤院5-8+10.35刘飞诗袁胡腾腾袁何晓静袁等.基于人工智能的农田水利自动化监测系统J.江苏水利袁2022渊11冤院46-49+65.36马静.人工智能技术在水利工程管理中的应用要要要评叶水利工程管理发展战略曳J.人民黄河袁2021袁43渊4冤院166.吉林水利基于深度学习的水利工程智慧化应用现状及展望傅小孙等圆园圆3 年 09 月74-