基于FCM-WOA-LST...的大坝变形预测模型及其应用_曹梦茜.pdf

第4 1卷第5期2023年5月水 电 能 源 科 学W a t e r R e s o u r c e s a n d P o w e rV o l.4 1 N o.5M a y 2 0 2 3D O I:1 0.2 0 0 4 0/j.c n k i.1 0 0 0-7 7 0 9.2 0 2 3.2 0 2 2 1 8 8 7基于F C M-W O A-L S T M的大坝变形预测模型及其应用曹梦茜a,b,郑东健a,b(河海大学 a.水利水电学院;b.水文水资源与水利工程科学国家重点实验室,江苏 南京 2 1 0 0 9 8)摘要:随着大坝变形监测资料的持续积累和变形测点数量的不断增多,预测分析全部变形测点往往需耗费大量的时间,容易造成反馈不及时的问题。对此,引入模糊C-均值聚类算法(F CM),根据大坝变形规律的相似程度进行分区,将鲸鱼优化算法(WOA)用于长短期记忆神经网络(L S TM)模型的参数优化,建立基于F CM-WOA-L S TM的大坝变形预测模型,以某混凝土双曲拱坝的实测变形资料作为样本数据进行预测分析,并与L S TM模型和S VM模型的预测结果进行对比。结果表明,F CM-WOA-L S TM模型预测结果的平均绝对误差MMA E、均方误差MM S E、均方根误差RRM S E均为3种模型中最小,且拟合段的3个评价指标值和预测段的3个评价指标值均接近,F CM-WOA-L S TM模型具有更高的预测精度和更好的适用性。关键词:大坝变形;测点分区;模糊C-均值聚类;鲸鱼优化算法;长短期记忆网络中图分类号:TV 6 9 8.1+1 文献标志码:A 文章编号:1 0 0 0-7 7 0 9(2 0 2 3)0 5-0 0 7 1-0 5收稿日期:2 0 2 2-0 9-1 1,修回日期:2 0 2 2-1 1-1 8基金项目:国家重点研发计划(2 0 1 8 Y F C 1 5 0 8 6 0 3);国家自然科学基金重点项目(5 1 7 3 9 0 0 3)作者简介:曹梦茜(1 9 9 8-),女,硕士研究生,研究方向为水工结构安全监测,E-m a i l:6 9 0 8 1 7 8 5 0q q.c o m通讯作者:郑东健(1 9 6 5-),男,博士、教授、博导,研究方向为水工结构安全与健康诊断,E-m a i l:z h e n g d j h h u.e d u.c n1 引言变形监测是评判大坝安全性态的重要依据之一,对大坝变形进行预测分析是保障大坝安全长效运行的必要手段1。目前,大坝变形预测模型可大致分为统计模型、确定性模型和混合模型三类,其中,统计模型因其结构形式简单和计算快捷等优点,是大坝变形预测分析较常用的模型,但统计模型难以建立影响因子之间的非线性关系,无法表征大坝变形的一些复杂特征2,3。随着计算机技术的不断发展,机器学习算法逐渐应用于大坝变形分析和预测模型构建中,如鄢涛等4提出了一种基于E EMD-E LM的大坝变形预测方法,有效平抑了原变形序列的波动特征,且叠加不同特征尺度变形分量后的预测结果相较于单一模型的预测结果更准确;苏燕等5构建了联合时间注意力机制和门控循环单元神经网络的大坝动态变形预测模型,引入随机森林分析各影响因子的重要程度并揭示了大坝变形的作用机制,克服了神经网络模型在训练过程中产生的信息缺失;温勇兵等6利用小波包分解技术对变形监测资料进行细化重构,并建立基于逐步回归和支持向量机的组合预测模型,工程实例表明,所建组合模型具有较强的泛化能力和较高的预测精度。近年来,相继提出了基于智能仿生的元启发式优化算法,如灰狼算法(GWO)、人工蜂群算法(A B C)、鲸鱼优化算法(WOA)等,这类算法全局搜索能力强、计算高效稳定,已成功应用于各领域的高精度预测分析中7-9,但采用此类方法逐一对大坝所有测点进行建模不利于及时反馈大坝运行性态。为弥补预测 效 率 的 不 足,可 采 用K o h o n e n聚 类、D B-S C AN等算法对大坝变形测点进行合理分区,但测点之间的分区界定存在模糊性。鉴此,本文引入模糊C-均值聚类算法(F CM),并将鲸鱼优化算法(WOA)和适用于长序列预测的长短期记忆神经网 络(L S TM)模 型 相 结 合,提 出 一 种 基 于F CM-WOA-L S TM的大坝变形预测模型,提高了大坝变形的预测效率和预测精度,为大坝变形的精准预测分析提供了新的技术手段。2 基于 FCM-WOA-LSTM 的大坝变形预测模型建立2.1 算法原理2.1.1 F CM聚类算法采用模糊C-均值聚类算法(F CM)可有效实现大坝变形分区。F CM聚类算法通过优化目标函数,得到每个变形数据相对于所有类别样本中心的隶属度,继而将变形数据聚类到具有最大隶属值的类中,以实现变形测点的准确聚类1 0。假设大坝存在n个变形测点,分别为x1,x2,xn,F CM聚类算法的目标函数为:m i nJmU,c()=cj=1ni=1umi jxi-vj2(1)式中,U为隶属度矩阵,U=ui jcn;c为大坝变形的聚类中心数;ui j为测点xi与聚类中心vj的隶属度;m为模糊指数,一般取值区间为1.5,2.5。F CM聚类算法的具体实现过程如下。步骤1 给定具体的模糊指数m和变形测点聚类个数c,初始化隶属度矩阵U,同时计算各变形测点之间的欧氏距离。步骤2 计算聚类中心vj:vj=nj=1umi jxjni=1umi j(2)步骤3 构建隶属度矩阵U并进行更新计算:ui j=1ck=1di jdk j()2m-1(3)步骤4 重复步骤2、3,直到迭代过程中前、后2次隶属度差值小于某设定阈值时结束。2.1.2 鲸鱼优化算法鲸鱼优化算法(WOA)是模拟座头鲸捕猎行为的一种新型优化算法,具有良好的全局搜索能力,由包围猎物、泡泡网攻击和随机搜索三部分组成。(1)包围猎物。座头鲸在包围猎物过程中会选择最优路径,具体计算公式为:D=C X*(t)-X(t)(4)X(t+1)=X*(t)-A D(5)式中,D为猎物与最优搜 索代理之间 的距离;X*(t)为猎物位置;X(t)为鲸鱼位置;t为迭代次数;A、C均为系数向量。(2)泡泡网攻击。采用收缩包围和螺旋更新2种方式模拟座头鲸捕猎行为,通过这2种方式更新座头鲸位置进而向猎物移动,根据随机产生的概率交替更新最优搜索代理,具体计算公式为:X(t+1)=Deb lc o s 2 l+X*(t)(6)D=X*-X(t)(7)式中,b为对数螺旋的形状参数;l为01之间的随机数。(3)随机搜索。座头鲸之间存在随机搜索方式,搜索阶段可按最近搜索代理更新位置,具体计算公式为:D=C Xr a n d(t)-X(t)(8)X(t+1)=Xr a n d(t)-A D(9)式中,Xr a n d(t)为猎物的随机位置。WOA算法寻优过程中,生成随机数q0,1,当满足q0.5时进入泡泡网攻击模式,否则对系数向量A进行判断,A1时对目标猎物进行搜索,A1时对目标猎物进行包围,随着WOA算法的迭代次数增加,逐渐从猎物搜索状态转变为猎物包围状态。2.1.3 L S TM算法长短期记忆(L S TM)网络是循环神经网络的改进模型,用输入门、输出门、遗忘门三种“门”和细胞状态组成的结构来代替传统神经网络中的隐藏层,L S TM算法能较准确地预测长时间序列,同时能克服计算中出现的梯度消失和爆炸等问题,图1为L S TM的内部结构。图1 L S TM内部结构F i g.1 L S TM i n t e r n a l s t r u c t u r e遗忘门ft:ft=(fht-1,xt+bf)(1 0)式中,为s i g m o i d函数;f为遗忘门的权重值;ht-1为上一时刻的单元输出;xt为t时刻的输入;bf为遗忘门的偏移值。输入门it:it=(iht-1,xt+bi)(1 1)ct=t a n h(cht-1,xt+bc)(1 2)ct=ftct-1+itct(1 3)式中,i、c分别为输出门、细胞状态的权重值;bi、bc分别为输入门、细胞状态的偏移值;ct为前一时刻细胞状态;ct为当前时刻细胞状态。输出门ot:ot=(oht-1,xt+bo)(1 4)ht=ott a n h(ct)(1 5)式中,o为输出门的权重值;bo为输出门的偏移值;ht为t时刻单元输出。2.2 基于 FCM-WOA-LSTM 的大坝变形预测建模流程 基于F CM-WOA-L S TM的大坝变形预测建模流程见图2。27水 电 能 源 科 学 2 0 2 3年 第4 1卷第5期曹梦茜等:基于F CM-WOA-L S TM的大坝变形预测模型及其应用图2 基于F CM-WO A-L S TM的大坝变形预测建模流程F i g.2 F CM-WO A-L S TM d a m d e f o r m a t i o n p r e d i c t i o n m o d e l i n g p r o c e s s混合监控模型预测的具体流程如下。步骤1 采用F CM聚类算法对坝体变形测点进行有效分区,基于F CM的大坝分区结果,选取不同分区的典型测点。步骤2 将测点变形时间序列按一定的比例划分训练集和测试集。步骤3 将训练集输入WOA算法对L S TM模型的超参数进行寻优,确定L S TM模型的具体结构后,将训练集的变形数据代入模型进行预测。步骤4 根据实测坝体变形数据和模型的最终预测结果计算平均绝对误差MMA E、均方误差MM S E、均方根误差RRM S E这3个预测评价指标,以此验证F CM-WOA-L S TM模型的预测效果。3 应用3.1 工程概况某混凝土双曲拱坝坝高坝顶高程1 8 8 5 m,坝基高程1 5 8 0 m,2 0 1 2年1 1月3 0日开始蓄水,2 0 1 3年6月 完 成 坝 体 建 设。水 库 正 常 蓄 水 位1 8 8 0 m,设计 库容7 7.6 51 08m3。在#1、#5、#9、#1 1、#1 3、#1 6、#1 9、#2 3坝段共布置了3 4个正倒垂监测点,选取测点2 0 1 7年1月1日2 0 1 8年1 2月3 1日的变形监测资料作为样本数据,测点的具体分布情况见表1。表1 测点分布情况T a b.1 D i s t r i b u t i o n o f m e a s u r e m e n t p o i n t s高程/m#1坝段#5坝段#9坝段#1 1坝段#1 3坝段#1 6坝段#1 9坝段#2 3坝段1 8 8 5 P L 1-1 P L 5-1 P L 9-1 P L 1 1-1P L 1 3-1P L 1 6-1P L 1 9-1P L 2 3-11 8 2 9P L 5-2 P L 9-2 P L 1 1-2P L 1 3-2P L 1 6-2P L 1 9-21 7 7 8P L 5-3 P L 9-3 P L 1 1-3P L 1 3-3P L 1 6-3P L 1 9-31 7 3 0P L 5-4 P L 9-4 P L 1 1-4P L 1 3-4P L 1 6-4P L 1 9-41 6 6 4P L 9-5 P L 1 1-5P L 1 3-5P L 1 6-5P L 1 9-51 6 0 1I P 1 1-1I P 1 3-2I P 1 6-13.2 基于 FCM 聚类算法的测点分区结果为提高大坝变形预测效率,首先采用F CM聚类算法对变形测点进行分区,算法中的聚类中心数c采用轮廓系数法确定,某变形测点yi的轮廓系数Si为:Si=a yi()-p yi()/m a xp yi(),a yi()(1 6)式中,a(yi)为变形测点yi与本聚类集内其他变形测点的平均距离;p(yi)为变形测点yi与最邻近聚类集内所有变形测点的平均距离。Si0,1,其值越大说明聚类效果越好。为确定达到最佳聚类效果,假定聚类中心数c的变化范围为2,1 0,分别计算不同聚类中心数下的轮廓系数,具体计算结果见图3。0.540.500.460.420.