灰色神经网络模型在补强加固大坝监测分析中的应用.pdf

灰色神经网络模型在补强加固大坝监测分析中的 应用 摘 要：本文通过对灰色理论和神经网络技术的融合研究，提出了针对短序列、不确定性的 补强加固大坝监测资料灰色神经融合网络分析模型，发挥了灰色理论和神经网络的各自优 势，提高了贫序列监测数据的预测分析精度，从而为评估大坝补强加固效果提供了一个有效 途径。 关键词：补强加固；大坝；灰色；神经网络；数据分析 中图分类号：TV 1. 引言 在大坝的补强加固过程中，要求利用有限的大坝安全监测数据及时分析大坝的补强加固 效应，此时用于大坝安全分析建模的数据系列较短，或者大坝进行了监测设备更新改造，新 的观测设备所采集的数据序列较短。从数理统计的观点，认为该种监测资料为短序列数据， 即贫信息的少样本序列。此时若采用常规的统计模型对补强加固后监测资料进行分析评价， 拟合精度不高，很难对这种少样本序列作出准确的分析评价。而灰色系统理论[1]研究的是贫 信息下建模，它提供了贫信息下解决系统问题的有效途径。它把一切随机过程看作是在一定 范围内变化的、与时间有关的灰色过程，对灰色量不是从统计规律的角度应用大样本进行研 究，而是通过灰色生成或序列算子的作用弱化原始数据序列的随机性，挖掘潜在的规律，经 过灰色差分方程与灰色微分方程之间的互换实现利用离散的数据序列建立连续的动态微分 方程，从而实现系统动态模型的建立。而神经网络可以把系统看作一个“黑箱”，它侧重于对 [2] 象外部特征，通过输入输出关系或因果关系研究对象功能和特征 。 2. 灰色神经网络技术分析监测数据的可行性 虽然人工神经网络和灰色预测方法存在较大的差异，但是根据它们各自的特点，存在以 下互补性： （1）人工神经网络的优点是具有逼近任意函数的能力，但有时会因过分逼近大坝监测 资料曲线上的细节而影响泛化能力。灰色预测方法不适合逼近复杂的非线性函数的能力，但 能较好地预测补强加固大坝各效应量的总体变化趋势； （2 ）人工神经网络虽然理论上具有逼近任意函数的能力，但前提条件是具有足够多的 隐节点[3] ；而较多的隐节点会导致神经网络参数增多，相应地需要更多样本来训练神经网络。 灰色预测方法则能够利用少样本进行建模和预测。 （3 ）BP 神经网络中最常用的激励函 数是单调增长的 Sigmoid 函数。灰色预测方法的 累加生成不但能够削弱随机干扰的影响，而且累加后的序列呈单调增长，比较适合用 BP 神 经网络进行逼近[4] 。 因此，将灰色预测方法与BP 神经网络结合起来建立对补强加固大坝的监控模型，可以 有效的发挥出两种方法各自的优势，以便更有效地分析补强加固大坝监测资料。 - 1 - 3. 全融合修正灰神经网络模型的构建 考虑对灰色微分方程的灰色参数进行白化，即构造一个 BP 神经网络对灰色微分方程的 参数进行白化。在构造的的 BP 神经网络中考虑微分方程的参数，使其能够包含在网络中， 从灰色系统已知的数据中提取样本对 BP 神经网络进行训练。当 BP 神经网络收敛时，可以 提取白化的灰色微分方程参数，这样就可以得到满足一定精度的确定微分方程，实现系统的 连续建模。 GM （1，N ）的白化模型为： dx (1) n−1 1 +ax (1) ∑b x (1) (k ) (1) 1 i i+1 dt i 1 GM （1，N ）的白化模型只有形式上的意义。 建立模型 GM （1，N ）： n x (0) (k ) + az (1) (k ) = b x (1) (k ) + b x (1) (k ) + L+