文摘

大坝行为很难预测由于其复杂性。同时,大坝变形行为对大坝系统至关重要。开发一个精确的大坝变形预测模型原型数据仍然是具有挑战性但行列式的结构安全评估。在这篇文章中,一个人工神经网络(ANN),由改进的人工鱼群算法训练(IAFSA)和反向传播(BP)算法,提出了预测大坝变形。最初,交叉算子嵌入AFSA,旨在提高性能。根据许多因素对大坝变形行为的影响机制,混合(IAFSA和BP)模型使用统计输入获得最优的神经网络连接权值和阈值。混合模型集成了IAFSA强大的全局搜索能力和BP的局部搜索能力强。为了避免过度拟合训练集的数据,采用一套验证检查泛化能力。随后,获得最优参数应用于预测大坝变形行为。混合模型的准确性进行验证的径向位移摆混凝土拱坝和模拟的四个模型:统计模型,三层优化的遗传算法(GA),粒子群优化(PSO), AFSA。 Results demonstrate that the proposed model outperforms other models and may provide alarms for safety control.

1。介绍

大坝失败通常是灾难性的结构是否违反了(1]。大坝是一个复杂的系统,它由许多相互关联的组件,如坝体、溢洪道、电厂等。大坝的行为本质上是很难预测由于给定的大坝之间的组件或系统之间的相互作用及其环境。通过大坝安全监测,在大坝原型观测行为可以获得。在不同的观测中,最重要的指标是变形(2]。在过去的几年中,研究相对较好处理大坝变形模型,通过基于原型观测(3- - - - - -6]。

预测模型,在大坝安全监测的背景下,提供了一个解决方案,首先从先前的经验和创造知识学习模型参数,为了预测大坝的行为可能的输入数据(7]。他们有强大的吸引力和有效的输入信息不足,噪音,和不确定性7]。著名的基于数据的行为模型包括遗传算法(GA) [8,9),粒子群优化(PSO) (10],差分进化(DE) [11],引力搜索算法(GSA) [12),和声搜索算法(13,14),支持向量机(SVM) [15),树突神经元模型(认为)(16,17),提高了回归树(18,19),极端学习机(20.,21)和人工神经网络(ANN) [22]。人工神经网络(ANN) (23,24)是用于检测非线性模式,并已广泛应用于许多不同的领域,包括大坝工程(25- - - - - -27]。

以高效的方式,训练神经网络工具,如反向传播算法(BP) (28)中使用的基于数据的行为模型。BP神经网络(29日)算法是一种多层前馈网络,根据误差反向传播训练算法,它是一种应用最广泛的神经网络模型。BP网络可以用来学习和存储大量的输入输出映射关系模型,不需要以前的知识描述映射关系的数学方程。它的学习规则是采用最陡下降法,权值和阈值的网络监管实现期望之间的最小sum-of-squared误差和计算输出(30.]。

尽管使用BP算法是合理的(31日)对于大多数情况来说,问题可能出现在解决复杂的血统梯度由于固有的trapment局部而不是全局最小值(32]。近年来,研究人员一直在研究的方法来抵消这个缺点,如定义修改(33)或混合形式的BP算法。特别是,混合形成了新的在大坝变形模型与许多争论导致faster-converging和更好的结果,而不是原始的BP算法(34]。

提出了BP和人工鱼混合群算法(AFSA)模型对于了解大坝的行为。AFSA [35)已经被用来优化群体智慧。AFSA的基本前提是模仿鱼类捕食等行为,云集,和追逐,鱼人的搜索会导致全局最优的解决方案(35]。这种方法有助于准确的结果,高收敛速度、灵活性、和宽容失败(36,37]。提高优化性能,提出了新颖的变体,名叫改进人工鱼群算法或IAFSA。在这个交叉算子,人工鱼获得父母的属性,促进多样化和获得全局最优解的可能性上升。

剩下的纸是组织如下。节2。1之间的统计关系,简要介绍了载荷和变形行为。部分2。2处理改善了人工鱼的概念群算法(IAFSA)。人工神经网络(ANN)和反向传播(BP)算法中引入部分2。3和部分2。4。节2。5混合学习算法的整体结构,IAFSA-BP介绍培训安。大坝的案例研究中描述的部分3。节4预测精度,验证该算法的潜力。和讨论和结论部分4和5,分别。

2。混合IAFSA-BP-ANN模型

2.1。统计负荷和大坝的变形行为之间的关系

为了提供可靠的结构响应,影响大坝变形的因素行为的机制需要调查和简单但准确地复制38]。统计(也hydrostatic-season-time (HST)模型)方法符合这一标准。

从这个意义上说,一个多阶段的谐波可以选为大坝温度变化的因素,一旦水化热分布和准稳定的坝体温度场已经达到。统计负荷和大坝的变形行为之间的关系( )可以被描述为3项之和:温度变化、静水压力变化,和其他意想不到的原因,如时间的影响。这是(38] 在哪里静水压力组件;是温度组件;是时间效应分量;是恒定的; , , , ,和表示系数;水负荷;是整数依赖大坝类型(3重力坝、拱坝的4或5);表示时间(1年周期,2半个周期);累计天数从监测值的初始值; ;和通常是1或2。静压推力的影响,季节性的环境,和不可逆转的时间条件被视为输入的安。

2.2。群算法改进的人工鱼

2.2.1。回顾人工鱼的蜂群算法

在自然界中,一个地区从事大型鱼类数量通常是有营养的。鱼可以发现的最有营养的区域智能行为,如捕食行为,聚集行为,下列行为等。35]。鱼人工蜂群算法(AFSA)是一种人工智能算法基于鱼群体的行为。该算法能够达到全球最佳模仿人工鱼的集体运动(AF) [36,39]。AFSA的有吸引力的功能,如良好的鲁棒性、全局搜索能力,宽容的参数设置和钝性初始值(35,36]。

房颤的视觉概念如图1。从图,术语一步步长和吗视觉是视觉距离。房颤的空间坐标表示 ,在哪里是一个潜在的解决方案。房颤的食物一致性在当前位置用目标函数, 。相邻的AF个人(之间的距离我th和jth)表示为 和人群的因素是 。

鱼的行为依赖于检查附近的地区,到行为的条件满足的地方。因此,如果房颤条件在一个方向的一步,它的到来 ;否则,它继续检查它的视觉范围内。

刷新位置可以被描述为 在哪里在视觉上是一个位置;是随机生成的数字0和1之间;和是变量的数量;其他是一样的。

房颤模型包含四个经典行为:掠夺行为,群集行为,行为后,和随机行为。

(1)掠夺的行为。掠夺的行为主要是作为一种行为倾向于更多的食物。的上下文中优化算法,它是一个迭代的方式搬到一个更有营养,比如房颤中的视觉概念。

我们的当前位置房颤 ,和一个随机位置的视觉范围 。然后,以最大的问题为例(因为最大问题可以转化成最小的问题通过目标函数的倒数)和位置 其他条款上面是一样的。

因此,如果客观的标准, ,遇见,房颤步骤在这个方向;否则,选择一个新的随机位置 ,和执行的客观条件。如果条件不满足,指定次数后,称为try_number,随机步。的掠夺行为,一个小try_number暗示了房颤游泳随机,因此发散当地极端值的字段。刷新位置 在上面的条款是一样的。

(2)群集行为。群集行为可以被描述,使用两个规则从雷诺40]:

搬到最近的同伴尽可能多的中心。为了避免过度拥挤,所以人工鱼的聚集能力可以基本实现。旅行时,鱼组装组自然避免危险,保证群体的存在。让是这次会议的中心区域 在哪里是鱼的总人口。

让是房颤的同伴在附近的数量( )。如果 ,这意味着房颤伴中心有更多的食物(高适应度函数值),一小群人的因素;因此,房颤伴步骤中心;否则,房颤执行掠夺行为。更新后的位置条件 在上面的条款是一样的。

(3)以下行为。以下行为可以被理解为向最好的邻居伙伴。没有指定方向的随机行为,由于缺乏目的。

让AF当前位置,和同伴在附近( )最大的食品一致性 。如果 ,房颤步骤由于同伴的浓度更高的食品和宽敞的周围(高适应度函数值);否则,它遵循掠夺行为。的条件是

(4)随机的行为。鱼在水中游泳随机;事实上,他们正在寻求食物和同伴在更大的范围。这是掠夺的默认行为。房颤的位置是 在上面的条款是一样的。

2.2.2。改善ASFA

AFSA系统是基于AFs的集体行为。房颤的一个有争议的弱点是其寻求能力在大型或平坦的地区。更准确地说,随着局部最优搜索和更新其自组织系统(37)个人房颤,其他同伴的行为混乱,从而减少全球最适条件的追求效率。

提高AFSA的性能,嵌入到AFSA交叉算子,将遗传算法用于参考。交叉算子结合两个人的特点,创造了一个潜在的更好的后代。搜索全球最适条件的改进,允许一些不确定性。

在每个迭代中,指定数量的AF池中提出,根据交叉概率。最初,每一个房颤之间的交叉操作,为了生成一个相应的孩子AF。孩子AF取代了父母房颤和地位是由父房颤的算术交叉: 在上面的条款是一样的。

最后,一个新的鱼类群产生的迭代过程。

2.3。人工神经网络(ANN)

人工神经网络(ANN)是一个模糊数学模型的灵感来自动物的大脑的生物神经网络(41]。单隐层,前馈神经网络是最简单的单向(输入输出)形式,组成的三层:输入、隐藏和输出。图2描述了这一点。也许,这种方法最大的优势(多层感知器只有一个隐藏层),根据万能逼近定理,是能够近似每(实)有界函数42]。因此用于广泛的激活函数,例如,乙状结肠函数(43),和用于分类和回归问题。对于回归,通常 ,与一个输出单元( )在顶部(44]。

对大坝变形预测,一个流行的方法是首先将原始观测数据通过统计模型对大坝变形(方程(1))。然后,特性(液压组件,组件,温度和时间影响组件)成为神经网络的输入。最后,输出成为观察的数据, ,从变形行为。

2.4。反向传播(BP)算法

反向传播(BP)算法是一种广泛使用的算法在训练前馈神经网络。反向传播算法通过计算梯度损失函数对每个重量的链式法则。更明确,它一次一层的计算梯度迭代向后(从最后一层),以避免冗余计算中间条款的链式法则(45]。

见图2,考虑到训练集 , , (在大坝变形观测数据)神经网络,让有吗输入神经元,一个输出神经元隐藏的神经元。

的阈值隐层神经元 。以类似的方式,让 的输入隐层神经元,代表重量从输入神经元的连接我隐藏的神经元j, ,输出层神经元的输入,代表重量从隐藏的神经元的连接j输出神经元和表示的输出隐层神经元。然后,网络的输出kth训练数据 可能被描述为 在哪里激活函数和吗表示输出层神经元的阈值。

的拟合误差kth训练数据计算:

BP算法的迭代过程中描述下面的步骤:(1)计算网络的输出 。(2)计算输出层神经元的梯度项 。(3)计算隐层神经元的梯度项 。(4)更新连接权重 , 和阈值 , 根据梯度下降策略。获得的累积误差训练集由网络安装 (5)评估停止标准。如果满意,存储输出;否则,重复步骤1 - 4。

2.5。混合IAFSA-BP-ANN大坝变形预测模型的行为

两个AFSA和BP算法组合成一个混合学习算法,称为IAFSA-BP,克服他们的独立的缺点。IAFSA-BP算法的搜索过程始于一个随机房颤组,执行IAFSA算法实现全球最佳位置。随后,使用BP算法搜索全局最优,导致整体收敛快、精度较高的结果。IAFSA-BP神经网络预测模型的过程总结在图3。该模型夫妇三个阶段。

在阶段1中,通过统计模型统计关系进行了研究。神经网络的输入向量得到统计;也就是说, ,在哪里 。

在阶段2中,安训练在训练集和它的性能比较与验证集。步骤1。确定神经网络的拓扑结构。初始化神经网络的权值和阈值的范围(0,0.1)。注意每一个房颤表示一组神经网络的权值和阈值。参数的数量被识别 ,如图2。步骤2。实施下列行为,群集行为和掠夺行为(默认行为)。步骤3。使用函数计算基本BP神经网络的验证错误IAFSA算法的适应性函数(一致性)的食物。IAFSA算法训练权值和阈值。步骤4。评估AFs的行为。每个人工鱼(AF)试图找到更好的食物一致性位置通过模拟群集行为和行为后,分别。如果这是成功,选择更好的执行;否则,执行掠夺行为。步骤5。算术交叉操作;然后,生成新的鱼类群。步骤6。如果到达最大迭代次数,到第7步;转到第2步。步骤7。输出最优权重和阈值的安。

定义培训后,验证和测试集,与一些例子,最好的安验证性能选择,并演示了对测试集,解决最大的问题是作为一个例子,和的倒数验证集误差设置为食物鱼群体的一致性。

最终,第三阶段处理大坝的变形仿真。 是在测试集预测。提出了阶段在图的图表吗3。

3所示。案例研究

研究使用的数据对应一个混凝土拱坝,位于雅砻江在中国。双曲率拱坝,建成于2014年,由26节,最大水坝高度为305米。大坝的波峰的宽度和底部是16米和63米,分别。水库容量是77.6亿米³。

图4描述了大坝,以及监控装置的位置。使用可用的记录,研究集中在径向位移测量摆PL13-1(沿油气上下游方向)。图5显示了记录,分为三组:培训(第一个样本80%),验证(中间10%的样本),和测试样本(去年10%);位移向上游是消极的,,积极向下游。

训练集用于计算梯度和更新连接权值和阈值的安。在验证范围内,输出错误的食物一致性(适应度函数)在每个房颤的当前位置;也就是说, ,在哪里通常是平方误差的总和。在模型中,追求的目标错误的最低转化为食物浓度的最大值。

模型计算精度的美好的根均方误差(RMSE)的预测值和观测值之间的差异。目标的大小和偏差变量确定的平均相对方差(ARV) (18,46]。他们被定义为 在哪里分析数据集的长度;是观察变形行为;预测的值;是观察的意思;均方误差, ;和的方差分析数据集。

统计模型是最广泛应用于大坝工程(5]。通过统计模型,广博的知识分析混凝土大坝的行为提供了载荷和变形之间的先验知识。它将有利于基于数据模型的预测精度,如安。因此,根据载荷和变形之间的统计关系(方程(1)), 被视为安输入。

Hyper-parameters(例如,数量的隐藏层和单位,激活函数)中扮演重要角色的表现安(47,48]。由于神经网络的鲁棒性受到隐藏层,以达到更好的准确性,Hecht-Nielson方法(49)是用来确定隐层神经元数目;因此,当输入层的神经元数 ,隐层的神经元数 。研究由一个输入层的安10参数(输入),以21个节点的一个隐藏层和一个输出层与一个参数(表示油气上下游PL13-1摆的径向位移)。因此,神经网络结构是10-21-1。

隐层的激活函数被假定为乙状结肠(方程(15)),输出层的激活函数是线性函数(方程(16))。Levenberg-Marquardt算法用于训练过程:

考虑到房颤的立场代表安的连接权值和阈值,每个AF的 参数。从0到1的组件。表1提供其他IAFSA参数的值。

4所示。结果与讨论

4.1。预测结果

图6IAFSA提出了优化过程,这也是最小验证集误差不同迭代次数。迭代时间达到6时,验证错误聚集。IAFSA-BP-ANN预测结果与观测PL13-1如图7。图7比较观察和计算位移的训练集,验证集和测试集通过IAFSA-BP-ANN PL13-1摆。它提供了一个直觉的良好的性能在训练集,验证集和测试集。

4.2。模型比较

该模型的预测精度和潜在的验证对四个受欢迎的方法:统计模型,反向传播神经网络优化的遗传算法(GA-BP-ANN)的反向传播神经网络优化算法(PSO-BP-ANN)和反向传播神经网络优化AFSA (AFSA-BP-ANN)。

由于缺乏统计模型的验证,其训练集样本的90%,而其余的模型的80%。至关重要的是要记住比较可能的偏见,因为增加的训练会导致更好的性能。结构采用10-21-1 GA-BP-ANN, PSO-BP-ANN AFSA-BP-ANN, IAFSA-BP-ANN模型。其他条件不变,准确性越高,模型越好。

图8描述了模型的优化过程,除了统计模型。IAFSA有收敛后6迭代(错误= 0.6),最快的是,这一趋势是类似但略少比AFSA准确(更高的错误)。聚合算法的误差相对较高,约为2.5,虽然它的收敛速度是适度的迭代(19)。GA执行最严重,通过实现一个45的迭代收敛后,均方误差( )17岁。

原因比较清晰,只有测试设备及其残差的预测输出显示在数字9和10,分别。IAFSA-BP-ANN的预测可以看到从图的测试周期7。所有的模型捕获测试集的总体趋势,虽然精度变化在很大程度上,根据模型和测试集的范围。例如,在上半场阶段算法预测差曲线然后大幅提高,最小的,如果在某个点,残差(图10 (c))。相反,适度的统计模型的预测略有恶化随着时间的推移(图10 ())。GA预测准确的最后部分事先观察但低估了。AFSA捕获开始和结束相对较好,但未能捕获高原的中间过程和启动。IAFSA收益率好的结果,包含最少的错误偏差(整体较低的残差,见图10 (e))。

在定量分析结果,两个性能指标(方程(13)和(14本研究采用)。在表2之间,一套比较合适的四个方法,在均方误差( )和平均相对方差( )。值最低的大胆的字体。

很明显从这个表很好的拟合训练集不因此导致准确的预测验证,或者一个好的验证可靠的模拟测试。例如,GA-BP-ANN显示最佳的性能验证训练集,但最糟糕的(过度拟合)。AFSA-BP-ANN验证错误的最小的但类似于PSO-BP-ANN, AFSA-BP-ANN, IAFSA-BP-ANN。IAFSA-BP-ANN,拟议的模型,达到最好的测试结果,即使其培训成果最糟糕但是温和的。

4.3。讨论

方差的残差表中给出了5个模型3。观察到,这两个统计估计,和 ,IAFSA-BP-ANN的最低,从而暗示最窄的置信区间下相同级别的意义。鉴于良好的预测精度,可以采用IAFSA-BP-ANN健康评价大坝的变形行为,为了获得良好的性能和更少的假警报。

有时评论说,该模型不是基于力学的原则只统计性质的知识。虽然这可能是真的,不过,物理行为是观测值(即内在。,观察统计数据,但仍然由结构的实际行为(22),因此,statistical-based模型预测是合理和实用的。

更精确地评估每个优化算法的性能,他们测试了30独立运行和性能指标(和 )计算。三是突出IAFSA的效果。然后,解决分布30独立运行使用三层,GA-BP-ANN, PSO-BP-ANN, AFSA-BP-ANN, IAFSA-BP-ANN是描绘在图11。

表4和5显示性能指数和的平均值IAFSA值与其他算法相比。最佳值的性能指标以粗体突出显示在表中4和5。没有一个伟大的区别的性能指标上的所有算法训练集,验证的结果是相似的,除了GA-BP过度拟合。从他们身上,我们可以看到,测试精度IAFSA-BP-ANN优于其他算法。

采用单向方差分析来检测IAFSA行为之间的差异和对比算法(表4和5)。一个值小于0.05意味着IAFSA之间的显著差异和对比算法。根据图11和表4和5IAFSA显示,比其他算法更好的泛化能力。与前分析结果是一致的。

5。结论

摘要IAFSA-BP-ANN模型提出了预测大坝变形行为,特别是波峰径向位移。模型的输入生成的统计负荷和大坝的变形行为之间的关系。IAFSA选择其全局搜索能力,和英国石油公司,其局部搜索能力。结合算法克服了他们独立的缺点。案例研究大坝被用来验证模型,连同其他四种方法:统计模型,GA-BP-ANN PSO-BP-ANN, AFSA-BP-ANN。该模型的优越性以定量的方式证明(误差图,根均方误差 ,平均相对偏差 ,等等)。

IAFSA-BP-ANN的主要优势是其预测精度高,收敛速度快,和低残差的性能指标,因此,这意味着一个狭窄的置信区间和大坝的假警报。此外,该模型与工程经验,也就是说,最流行的数据驱动模型、统计模型。

至于大坝安全监测,基于数据的行为模型不应该是唯一的信息来源进行评估。法治行为模型,如有限元分析,应考虑。在未来的作品,可以检验模型有效性更多大坝可用信息提供更大的见解大坝变形行为。

数据可用性

超高弧大坝的监测数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(批准号51739003和51739003),河海大学(没有的自由探索项目。B200201058)和开放长江的基础调查,规划、设计和研究有限公司。(CX2019K01)。