确定大坝效应量分量比例的神经网络方法.pdfVIP

水 利 学 报 2003 06 SHUILI XUEBAO 6 年 月 第 期 文章编号：0559-9350（2003）06-0111-04 确定大坝效应量分量比例的神经网络方法 1 2 1 2 徐洪钟 ，吴中如 ，施斌 ，王建 (1.南京大学 地球科学系，江苏 南京 210093；2.河海大学 水利水电学院，江苏 南京 210098) 摘要：为了评价水位、温度等环境量对大坝观测效应量的综合影响程度，并由此定量分析评价大坝的运行状态，提 出了确定大坝观测效应量的各分量比例的神经网络方法。根据大坝的观测资料，利用误差反向传播的神经网络(BP 网络)建立效应量与环境量关系的神经网络模型，BP网络的输入变量为水位、温度、时效等环境量因子，网络的输出 变量为效应量。利用网络的权值来表示网络的输入变量对网络的输出变量的影响程度，从而确定水位、温度等分量 占效应量的比例。文章通过工程实例验证了该方法的有效性。结果表明，该方法简便实用，可定量分析水位、温度 等环境对效应量的影响程度，有助于进一步分析大坝的安全性态。 关键词：大坝；神经网络；BP网络；效应量；环境量；比例 中图分类号：TV698 文献标识码：A 在大坝监测资料定量分析中，通常对观测数据序列建立统计模型、混合模型和确定性模型等数学模型， 不仅需要预报未来值，还要进行水位、温度、时效等分量分离，以此来定量分析水位、温度等环境量对效 应量的影响程度。通常通过回归分析求出水位、温度等对应的回归系数，从而得到水压分量、温度分量与 时效分量的表达式，进而得到各分量时间序列，它们代表水位、温度等环境量对效应量的影响程度，并由 此定量分析评价大坝的运行状态。由于每个观测值用数学模型分离的分量值各不相同，例如某一日的观测 值分离的分量与另一日不相同，为此一般选择典型观测值(如最大值、最小值或效应量的变幅)进行分量分 离。这就难以全面反映各个分量对效应量的综合影响程度。为解决该问题，本文利用误差反向传播的神经 网络(BP神经网络)来综合评价各环境量对效应量的影响程度(比例)。 1 基本原理 1.1 BP网络 在众多的神经网络模型中，使用最为广泛的 是误差反向传播神经网络(Back Propagation Network,简称 BP网络)。BP网络是多层前向网络的一种，其典型结构如图1 所示。理论已经证明[2]，一个三层的神经网络能够以任意精 度实现任意连续函数的映射，这为BP网络在函数逼近、数据 拟合中的应用提供了理论基础。采用误差反向传播训练算法 (Back Propagation Learning Algorithm，简称BP算法) 图1 BP网络的结构 可以实现BP网络的训练，获取网络的权值。误差反向传播的 主要思想是：对网络的权值和阈值进行修正使误差函数沿负梯度方向下降。由于标准BP算法在许多文献中 多有描述，本文不再赘述。 收稿日期：2002-02-19 基金项目：国家自然基金重点项目资助 作者简介：徐洪钟(1974-)，男，江苏高邮人，博士，南京大学博士后，主要从事岩土工程安全监控研究。 111 水 利 学 报 2003 06 SHUILI XUEBAO 6 年 月 第 期 在实际应用中标准BP算法存在两个主要问题，即收敛速度慢和目标函数存