文摘

渗流分析一直是一个关注研究大坝安全与稳定。渗透压力监测数据的预测和分析是一种有效的方式,以确保大坝渗流的安全与稳定。监测值的变化的及时性和滞后由于外部影响,RS-LSTM模型本文编写的Python开发相结合粗糙集理论(RS)和长期和短期记忆网络模型(LSTM)。提出的模型计算大坝的渗流压力的预测评分经历由预订多个影响因素重要性值来消除冗余因素的干扰。一个案例研究表明,水位、降雨、温度、和持续时间都是影响渗流压力的因素,及其重要性值不断降低。因此,可以预测大坝的渗流压力确定系数R²0.96。与递归神经网络(RNN)模型和BP神经网络模型,RS-LSTM模型提出的培训时间是6.37秒,运行效率是41%和59%高于RNN的BP模型,分别。平均相对误差是3.00%,低于50%的RNN模型和31%低于BP模型。基于这些结果,该模型具有计算速度快,预测精度高。

1。介绍

水库大坝是一项重要的基础设施,发挥重要的作用在经济和社会的发展。然而,最近在水库大坝建设的快速增长,许多安全事故之后(1]。从1954年到2006年,3498座水坝打破了仅在中国,超过93%的地球岩石大坝失败(2]。根据材料特性和地球岩石大坝的运行机制,主要的失效模式是漫溢,滑坡失稳和渗流损伤(3]。结合相关数据,大坝失败引起的渗流失败在中国大约是总数的39% (4]。同样,外国调查数据表明,大约46%的地球岩石大坝失败引起的渗透破坏,排名仅次于漫溢失败(大约48%)(5- - - - - -8]。因此,渗流的影响失败在地球岩石大坝的安全是不言而喻的,和它的意义是首屈一指的。

渗漏故障主要指的是减少土壤有效应力和渗流变形由于土壤颗粒的运动在大坝由于渗透压力的作用,进而减少大坝的稳定性,甚至破坏了三峡大坝。因此,建立足够的渗流安全监测是一个重要的先决条件,以确保渗流安全:原型观测数据用于分析和渗流监控模型监测和评价水利工程的操作条件。

对于不稳定渗流,影响因素主要包括水位变化,降雨,温度变化和持续时间。例如,徐et al。9]认为大坝的渗流体主要是由水库水位和降雨的叠加,以及渗流头和水库水位往往是呈正相关的。Guangjin et al。10)和阿什拉夫et al。11]研究了土层边坡渗流的变化由于降雨强度和持续时间的改变。测试表明,随着降雨强度和持续时间的增加,降雨因素对土壤的影响越深,越改变渗流头和渗透压力的变化就越大。徐和柴12)研究温度变化对渗透系数的影响,计算水渗流领域。计算结果相比没有温度的变化,他们的研究结果表明,前者是更准确计算分布时的水渗流领域。然而,迄今为止,大多数研究集中在影响因素的变化对渗流的影响在单个或组合条件下,只有验证这些因素之间存在显著相关性和渗流场,即渗流压力测量值,使得它难以区分两者之间的关联或重要性。基于现有的渗透压力监测结果,测量渗透压力的改变很长一段时间通常是复杂的和变量;因此,很难直接确定渗流压力会随着时间而改变。也往往是一个长期推迟应对外部环境的变化。因此,重要的是要确定各种因素的影响,考虑渗流压力的动态变化特征监测分析渗流压力值的变化规律的长序列的大坝和实现相关的预测。

目前,有很多方法来建立数学模型来预测渗流监测数据。通过多元回归数据拟合和分析可以实现;然而,这种方法的准确性受到因素(输入变量之间的共线性13]。基于神经网络预测模型也被报道;例如,Zhang et al。14)利用遗传算法(GA)优化反向传播神经网络的权值和阈值(摘要),从而建立BPNN-GA渗流预测模型。施等。15),Rankovic et al。16),和其他人使用各种不同的神经网络模型,包括径向基神经网络模型,实现准确的预测大坝渗流。这些模型提供了各种选项预测实测渗流压力使用神经网络模型;然而,这样的静态模型主要是基于渗流压力和相关因素之间的相关性和描述渗流压力的滞后反应的变化因素通过使用现有的数据求平均值法。此外,这些静态模型不能描述大坝的渗流压力的及时性,因此无法描述的历史记忆功能的数据中隐藏的信息,维护信息,输出当前神经元计算。因此,基于动态预测模型开发的相关因素的变化将是有用的实际工程应用。

渗透压力的预测模型是建立在本文中考虑多个因素和动态变化的影响,结合粗糙集理论和动态神经网络技术,并探讨了动态模型的优势基于误差的分布和决定系数R²(17]。模型的性能特点是通过比较其结构特点和预测结果的其他模型基于工程实例为渗流压力的预测提供参考价值和工程安全评估。

2。材料和方法

2.1。项目概述

一个concrete-faced堆石坝研究,与项目规模类(1)。坝顶的高程413.8米最大水坝高度为99.8米,坝顶宽10米,坝顶长度540.46米。一个l型混凝土防波墙高度4米的上游侧设置坝顶。水库的正常水位为410 m,存储容量是11076000米³。监控大坝安全,一个全面的大坝原型监测系统,由变形监测、渗流监测和环境监测(例如,降雨和水库水位)和其他设备安装在储层。渗流监测设备使用埋和渗压计安装;总共四个渗压计安装的数据收集时间间隔1 - 3 d,如图1。

考虑渗压计PB4作为一个例子,过去8年数据的变化从2008年到2015年在图2。渗流压力测量波动在一个相对稳定的范围内,随水位变化,降雨、温度、和其他因素;因此,监测结果是合理的。雨季集中在每年7月和8月,展品每年循环。最大降雨监测期间是95.50毫米7月8日,2012年。年之间的温度变化是相对稳定的;然而,在给定的年内变化大,大约37.8°C的高价值和低价值的−9.70°C。在监视期间,上游和下游水位的变化是次要的,以及385年和410年之间的上游水位变化。相比,降雨量和温度的周期性变化,渗透压力的变化更温和的和落后的水平的影响大坝的渗流压力在前面。例如,从2011年1月至2011年3月,水库的水位逐渐下降了4到5米; however, the change in the seepage pressure started at the end of March 2011 and gradually decreased from approximately 0.1 to 0.3 m (see Figure2(一个))。

2.2。方法

2.2.1。粗糙集理论

粗糙集(RS)理论是一个理论方法,可以实现相同的知识库分类能力通过属性约简来解决问题或应用分类规则(18,19),通常是由一个决策信息表表示 ,在哪里U非空的的领域或一组有限的对象; 属性设置;C条件属性;D是决定属性, 是满意的;V所有属性值的集合域;和 代表每一个对象的属性值在域对应的属性。还原过程的影响因素的渗透压力描述如下:(1)域渗流压力值U,这是由渗流压力及相关影响因素数据,pswlak分为两个等价类的属性重要性的方法,这是 和 ,分别。(2) 计算基于渗流压力值的依赖吗D在影响因素集C,公式如下: (3)删除某一影响因素的重要性从渗流压力D可以被定义为 (4)属性影响因素的重要性 是

公式(4)代表了单因素的程度c_我影响因素去除后的渗流压力的分类:更大的价值是,影响因素的重要性越大,反之亦然。

大坝的渗流特点受到多个因素的影响。然而,由于各种因素的不同重要性关于渗流,因素没有影响或无关的冗余可以筛选通过这种方法促进动态神经网络的预测。

2.2.2。神经网络动态模型/长期和短期记忆网络模型

RS方法可以用来屏幕渗流压力的影响因素;然而,它不能获得准确的预测。考虑到时间性渗流压力的变化和影响因素之间的滞后,长期和短期记忆网络模型(LSTM)介绍20.]。LSTM模型,这是一种改进形式的复发性神经网络(RNNs),是一个深度学习模型,可以处理时间序列数据(21]。相比,BP神经网络模型(BP模型),在LSTM隐藏层之间的节点连接到彼此;隐藏层的相邻节点连接(15),它可以描述记忆功能,保留历史数据中的隐藏信息,数据和输出数据的当前神经元计算。这些节点也不断更新与输入数据(见图3)。RNN相比,LSTM包含一个内存单元解决梯度预测期间失踪或爆炸的问题(22)来表达数据中隐藏的历史信息更准确。的内存单元模型由一个输入门,忘记大门,大门和输出,用于控制信息传输在不同的时间。输入门控制新的输入的力量进入内存单元并确定有多少新的记忆会合并与先前的记忆。忘记门管理内存单元的强度保持在最后一刻(即价值。,选择或拒绝历史信息)。如果忘记门是关闭的,没有内存可以通过;否则,所有的记忆都可以通过。输出门控制的强度输出内存单元,并确定LSTM应对外部世界(14]。详细的描述可以算出图4。

上述函数方程,在每个机制传播LSTM培训描述如下(23- - - - - -25]: 在哪里 , ,和是向量描述输入门,忘记门,和输出门模型的时间吗t分别;是渗流压力的影响因素集RS减少后时间吗t;的渗流压力的时间吗t−1,代表LSTM的隐藏的历史信息;W₁是连接输入层和隐层之间的重量;W₂是一个隐藏层和输出层之间的连接权; , , ,和分别偏差项对应于每个结构;是向量内存单元的时间吗t和只用于内存单位忘记旧信息和添加新信息;是一个新的候选向量tan创造价值吗h,这是双曲正切函数;和是一个激活函数,它可以将实数映射到[0,1],1表明,所有信息在单位保留前面的时候,0代表单位的所有信息在之前的时间就会被丢弃。

2.2.3。RS-LSTM模型结构

大坝渗流是复杂的,通常受到许多因素的影响。证明这两种方法的优越性能数据分析,提出了采用RS减少LSTM前预测和分析,和RS-LSTM构造模型结构如图5实现分析和预测大坝渗流下的运行期多种因素的影响。

基于RS分析结果,LSTM预测模型,考虑各种影响因素构建预测渗流压力。选择两个隐藏层和隐层神经元的数目是由以下公式: 在哪里l是在隐藏层节点的数目;米是在输出层节点的数目;n输入层的节点数;和α是1到10之间调整常数。多个计算后确定最佳预测模型结构和训练,训练时发现最有效的隐藏层节点的数目是10;因此,神经网络拓扑结构是6-10-1,这是显示在图6。

考虑PB4作为一个例子,样本数据包含水杆、温度、降雨量、持续时间、和监测值和8673组,其中包括1239组渗透压力监测值。196组数据(数据集总数的2%)被选为预测样本,28组数据被选为输出样本预测,剩下的被选为训练样本。迭代的数量设置为5000,误差范围设置为0.001,校正因子设置为0.02。

3所示。结果与讨论

3.1。应用RS的结果和分析

基于现有文献[9- - - - - -12),7个影响因素被认为是预测和分析在这项研究中,包括上游水位、下游水位和温度在观察一天,平均降雨量前四天,时间组件θ,e^{1 +θ}和ln (1 +θ)。这些因素被记录X₁- - - - - -X₇分别的影响因素集C,在这C₁:X₂- - - - - -X₇;C₂:X₁,X₃- - - - - -X₇;C₃:X₁- - - - - -X₂,X₄- - - - - -X₇;C₄:X₁- - - - - -X₃,X₅- - - - - -X₇;C₅:X₁- - - - - -X₄,X₆- - - - - -X₇;C₆:X₁- - - - - -X₅,X₇;和C₇:X₁- - - - - -X₆。渗流压力设置为决策属性D。后的归一化和离散化C和D,决策序列。离散化是通过等距离的方法;因此,归一化后的决策序列值,离散成五个层次,即。,(0, 0.2), [0.2, 0.4), [0.4, 0.6), [0.6, 0.8), and [0.8, 1], which are recorded as 1, 2, 3, 4, and 5, respectively. After merging similar values, 100 groups of data to be deduced are obtained and recorded asU₁- - - - - -U_{One hundred.}(见图7(一)详情;根据决策属性D,它可分为正常数据和异常数据)。这组数据可以减少使用公式(1)- (3),结果呈现在图7 (b),这表明的重要性X₆是0;X₁,X₂,X₃,X₄,X₅,X₇所有必要的属性,可以获得它们的重要性顺序。水位上游和下游的重要性最高,得分0.31和0.29,分别;降雨和气温的影响组件关注,得分0.25和0.24;和时间的影响组件θ和ln (1 +θ)很小,只有得分0.12和0.14。

考虑X₁作为一个例子来描述决策还原过程,条件属性的等价类C和D是 和 ,分别是由结合集体知识的基础上 ,在哪里 。与和设置 , , ,等等,总共31套数据集不是子集(如图7 (b)横轴是集数量,不属于印第安纳州(D));因此, 。X₁是必要的C相对于D,的重要性X₁来C相对于D可以确定基于方程(40.31),产生的结果。

在此基础上分析,影响因素不包括渗流压力X₆因为它的重要性是0;因此,序列可以获得相对减少的决定。

3.2。预测结果和分析

图8揭示了渗流压力的预测结果,表1比较模型的预测结果。的结果,显示了神经网络方法预测准确渗透压力。确定系数R²RS-LSTM, RNN和BP模型是0.97,0.89,和0.83,分别和平均相对误差是3.00%,6.08%,和9.85%,分别都是在10%;因此,预测精度要求是令人满意的。这三个模型的预测结果比较,发现RS-LSTM模型预测精度最高,其次是RNN模型和BP模型。前者的计算精度是RNN的2.03倍和3.28倍,和BP模型,分别基于均值相对误差。

在RS-LSTM的操作模型,影响因素的重要性排序是由RS计算,为输入的选择提供决策支持层和重量LSTM设置;消除冗余因素的干扰;,明显提高了运行效率。在这种情况下,预测可以在6.37年代和278次迭代完成;训练误差收敛过程如图941%和59%,平均运行效率高于RNN模型和BP模型,分别。此外,LSTM和RNN模型考虑历史数据中隐藏的信息,它可以保持渗透压力间的相关性,在不同的时间和使用它们来描述渗流压力的动态特性,BP模型无法描述。

实现过程认为历史渗流压力值。隐层的输出模型中有一个连接体重较前隐藏层当前层。渗流压力输出时,当前的上游水位、降雨等因素会影响当前的输出通过内存单元与输出层的输出状态,将再次影响渗流压力下一个时间步的内存单元的输出层现状。这个循环重复。

RNN模型相比,LSTM模型包含一个输入通道,忘记大门,大门和输出的内存单元,可以选择忘记,当前输入和输出(即影响因素在当前时刻),隐藏状态的输出值h_{t - 1}在最后一刻(即隐层的渗流压力值在最后一刻),和最大的预订和输出重要的隐藏信息,分别显著提高预测精度。具体过程描述如下。当数据和通过忘记门,必须丢弃的信息数据中确定基于设定范围(0,1)模型和确定的信息保持水平 。输入门后,本研究中的数据由两部分构成:乙状结肠层主要是用来描述更新的数值范围和双曲正切层是用来创建新的候选人向量值 。这些层结合生成一个新的被遗忘的大门向量值 。在接下来的时间步长,存储单元渗流压力预测,包括输出 。当前时间的输出值确定。

的主要优势RS-LSTM包括以下三个点。首先,RS-LSTM认为历史信息。通过存储、写作或阅读信息的内存单元,每个单元可以确定哪些信息是通过门开关,当它允许读,写,或清除,可以更明智地描述时间序列数据的预测和分析。其次,RS-LSTM产量预测精度高、收敛速度快和更少的迭代和避免局部最小值。最后,RS-LSTM减轻单因素之间的相关性在渗流和渗透压力,如水位增加渗透压力的增加。

4所示。结论

摘要RS-LSTM模型结构构造使用工程实例,不同影响因素的意义上使用粗糙集理论研究了渗流压力,和不同的影响模型的预测描述渗流压力通过比较平均相对误差。本研究的具体结论如下:(1)用Python编写的,RS理论和LSTM模型集成开发RS-LSTM模型。例子说明,该模型认为在渗流实测渗流压力的变化以及它们与外部因素之间的相关性和同步描述渗流的影响因素的重要性排序。与此同时,这个模型可以消除冗余的影响因素和预测大坝渗流监测准确和有效。模型可以提供相应的理论支持渗流安全在未来期间大坝项目的操作。(2)一个实际的例子表明,渗流压力的主要影响因素包括上游水位、下游水位,温度,平均降雨量的四天,时间组件θ和ln (1 +θ)。这些因素的重要性得分是0.31,0.29,0.25,0.24,0.12,和0.14,分别按时间的组件e^{1 +θ}是多余的。(3)预测结果表明,神经网络可以用来预测大坝的渗流压力,决定系数R²RS-LSTM模型的提出可以达到0.96。与传统的神经网络模型相比,RS-LSTM模型收益率更高的预测精度,和RS-LSTM模型的准确性的2.03和3.28倍RNN模型和BP模型,分别。

作为未来研究的一部分,该模型可以用于在其他大坝数据集。进一步提高该模型的性能,它可以试图整合各种渗透压力仪表实现多点和多因素预测的压力。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

江海峰发达RS-LSTM模型并准备手稿。赵梦蝶,Shoukai陈和Bie Yajing概念化,提供想法和建议的研究,和编辑的手稿。所有作者已阅读及同意发布版本的手稿。

确认

作者要感谢华北大学水资源和电力。这项研究是由国家重点研发计划(2018 yfc0406900)和中国国家自然科学基金(52009045)。