随机森林算法在大坝安全监测中的应用.pdfVIP

144 低 温 建 筑 技 术 2016年第 1期(总第211期) DOI：10．13905／j．cnki．dwjz．2016．01．053 随机森林算法在大坝安全监测中的应用 朱成冬 ， 李 栋 ， 黄凌超 ， 范晓洁 (1．中水珠江规划勘测设计有限公司． 广州 510000； 2．河海大学水利水电学院， 南京 210098) 【摘 要】 大坝裂缝开合度预测准确性对大坝安全监控十分重要。为解决传统回归模型预测效果差及人工 智能模型预测过拟合问题，将随机森林算法运用到某混凝土坝裂缝开度预测中，优选模型参数，得到的训练、预测 期模拟值较实测值基本一致，预测效果 良好。并与BP神经网络、支持向量机模型就预测精度与稳定性做了对比。 【关键词】 裂缝开度 ；随机森林；BP神经网络；支持向量机 【中图分类号】 TU196．1 【文献标识码】 B 【文章编号】 1001—6864(2016)01—0144 —02 建立合理的大坝安全监控模型可实时监测大坝的安全 成k个袋外数据；⑤将生成的k棵决策树组成随机森林，对 状态对于水利工程建设与维护十分重要…。其中大坝裂缝 新的数据进行回归分析或分类预测。 开合度预测的准确性对大坝安全监控十分重要。在实际工 2 实例分析 程中，大坝安全监测分析方法主要有 自回归模型 (AR)、自 某混凝土重力拱坝在施工及运行过程中，坝体混凝土 回归滑动平均模型 (ARMA)等传统统计模型和人工神经网 陆续出现了大量裂缝。以该大坝实测裂缝开度资料为例 ， 络、小波神经网络、支持向量机人工智能模型。传统的统计 建立大坝裂缝开合度的随机森林模型。 回归法结构简单易于识别 ，但需要考虑因子的多重线性，使 (1) 模型输入量。选取冠梁JlO一40测点的监测资 用不便；人工神经网络等人工智能模型具有较强的非线性 料，采用其中的2018年8月10日～2014年9月20日共477 和 自学习能力，但其受训练样本分布影响较大，存在过学习 组实际观测数据用于拟合，2014年 9月26Et～2014年 11 和稳健性不足等问题，影响了模型的实用性与准确性。随 月 18日共计40组实际观测数据用来预测。实际工程中，大 机森林是有LeoBreiman和CutlerAdele在2001年开发完成 坝运行条件十分复杂，其中大坝裂缝开合度受温度、水位、 的一种数据挖掘方法 ，它是现代分类与回归技术，同时也是 时效、施工、混凝土性能等多种因素影响。根据现有的裂缝 一 种组合式的自学习技术 ，已被广泛应用于医学、生物 、 开合度模型 ，主要考虑温度、水位、时效因子。开始监测 经济等领域。 日期、过程监测 日期的上游水头用 风 、日来表示；最初监测 近年来随机森林算法也逐渐被用在水利工程上 J， 31期到监测 日期的总天数用t来表示 ；0为从始测 日算起， 但随机森林算法在大坝监测学领域中应用较少 ，鉴此，本文 每增加 ld，0增加0．01。综上得，模型输入量为水位 Ⅳ一 根据某混凝土坝测量实测资料，构建了基于随机森林算法 Ho 一H0)2 一Ho)3、温度 sin 、c0s 、sin 、 的大坝裂缝开合度预测模型，优选模型参数 ，检验分析了其 预测结果，并 比较了它与 BP神经网络和支持 向量机 回归 Cos 、时效 一eo、In( 一00)。 (SVR)模型的预测精度与运行性能差异。 (2) 模型参数选取。本文通过调用 R软件中的rail． 1 随机森林