基于人工神经网络预测大坝测压管水位精选.docx

基于人工神经网络预测大坝测压管水位V Rankovi?，A Novakovi?，N Grujovi?，D Divac，N Milivojevi?摘要：大坝安全控制是通过某些测量数据范围的关系来实现的，例如渗流量，渗流水的清澈度、测压管水位值、水位、水压、大坝形变量和形变方向、温度的变化、大坝负荷情况等等。解读这些可得到的数据对大坝安全管理是非常重要的，而且这些数据都是通过构造数学模型而获得的。对大坝工程而言，在坝身和坝址周围模拟地质渗流是一个挑战性很大的工作。本文主要是研究基于前馈神经网络来预测大坝测压管水位，在过去人们常常用一种改进弹性传递算法来训练前馈神经网络。测量数据结果经常用来和多元线性规划模型、前馈神经网络模型模拟的结果进行对比，这种方法广泛的使用在结构坝的性态研究中。利用九年来大坝的所有实测数据作为实验数据，开发和测试前馈神经网络模型和多元线性规划模型，用来预测大坝测压管水位。这项研究的结果显示，在大坝评估方面，前馈神经网络模型得到的结果要比多元线性规划模型得到的结果更有说服力。关键字：大坝测压管水位神经网络模型改进弹性反馈神经模型1 介绍所有的水坝在一定程度上都会受到渗水的影响，因为一个大坝所阻断的水会通过大坝及其周围的环境找到办法渗透。除非这样会由于管道塌陷[1,2]而破坏大坝渗流结构导致大坝的失败才会被阻止。为了监测渗流，测压装置安装在大坝的某些部分。利用物理和数学模型可以解决渗流路径问题。物理模型的例子包括一个由Turkmen[3]等人开发的，包括钻孔和使用为染料示踪试验确定渗流路径，而通过panthulu[4]等人用电的方法可以检测和映射的渗流路径，以及为了评价水渗流的潜力Uromeihy和Barzegari[5]进行研究联合系统的岩石单元。渗流分析的数学方法包括确定的方法和统计的方法。确定性方法包括有限差分法[6,7]、有限体积法[8]、有限元法[9]和边界元法[10]。这些方法的主要思想是将偏微分方程转化为代数方程组，并在流域上解决它们。确定性的方法需要知道的每个节点流域的空间分布的材料属性的。然而，在某些情况下，它是不可能的来获得这些信息，因为大部分的字段测量仅包括单个点的数据。虽然有几种方法来产生的材料性能的空间分布的单个点的数据，但一些不确定的结果，可能导致参数的不确定性。统计模型的使用目前是首选，统计方法是基于实验数据所获得的结果。统计中最常用的方法之一是回归分析，研究变量之间的关系[11,12]。主要成分分析方法已应用于不同条件下的地下水演化研究，人工智能方法（神经网络、模糊系统和神经模糊系统）为不同的应用开辟了新的途径，如输沙[13]、和地下水[14-16]工程[17-20]。在过去的几年中，软计算方法已经经历了重要的发展，在大坝工程领域的问题。这些技术在大坝位移预测中的应用[21,22]，拱坝体形优化[23]，拱坝裂缝检测[24]，评价和预测爆破震动[25]。为了预测在测压管水位，Tayful[26]等人开发的人工神经网络（ANN）在大坝上游和下游侧模型和用水水平作为输入变量。人工神经网络的输入变量的选择对测压管水位是重要的精确建模。Bonelli和Royet [27]研究表明，测压管测量一般是由水位的影响，降雨的影响。如果帷幕或水库的核心是水密和降雨对水压的影响是最小的，压力计的反应变化的源头或尾水平取决于他们相对于帷幕的距离。尾水水压的变化不会对水源有影响，反之亦然。然而，如果帷幕在一些位置是不防水的，在水源和水之间的渗透通道测压会对传感器[28]的变化作出反应。本研究的目的是开发一个人工神经网络模型预测测压管水位。为了实现最精确的模型，输入变量已被仔细筛选。一种改进的弹性传递算法已被用来减少神经网络的预测和所需的输出之间的误差。2 案例研究：铁门2大坝铁门2大坝（图1）是在塞尔维亚和罗马尼亚两国政府合资建造的大坝，它生产的电力供两国使用。它位于长约80公里的的多瑙河运河上，且为铁门1大坝下游1公里处，它和铁门1大坝构成了一个完整的运行系统。整体铁门大坝系统由两个水力发电厂，两个船闸，两个溢流型堤坝，两非溢流坝和坝顶公路组成。2号水库是多瑙河通道的80公里长的一部分。在最高水位时，水库的体积是8亿2000万立方米。没有明显的支流流入。本文用于研究的测压管fp13和fp29，安装在一个非溢出堤坝段上（图2）。测压管水位测量频率是一个月两次且自1997年开始，其中1997年1月至2005年11月收集的数据用于训练和测试所采用的神经网络。图1 铁门2大坝全貌图2非溢流型土石坝的横截面3 人工神经网络模型和多元线性回归模型概述3.1人工神经网络模型人工神经网络能够从给定的模式中识别关系，因此可以解决大规模复杂问题，如模式识别、非线性建模、分类等问题。神经网络往往被分为两大类：循环性的网络，在