本發(fā)明涉及水庫大壩安全研究技術(shù)領(lǐng)域，尤其是一種基于GRA-BP神經(jīng)網(wǎng)絡(luò)的中小型水庫大壩安全評價方法，廣泛適用于各類中小型水庫大壩的安全分析與評價。

背景技術(shù)：

我國已有水庫總數(shù)9萬8千多座，是世界上水庫大壩數(shù)量最多的國家。已建成的大壩中96％都是中小型大壩，為我國的城市及周邊的防洪、灌溉及發(fā)電起到了重要的作用。這些中小型水庫大壩大多為土石壩，運行時間超過30～40年，隨著時間的推移、壩齡的增長、大壩運行的各種條件(如結(jié)構(gòu)、基礎(chǔ)、環(huán)境等)逐漸發(fā)生變化，再加之建壩時的缺陷、運行不當(dāng)、環(huán)境變化等因素，使得相當(dāng)一部分大壩存在著設(shè)計標(biāo)準(zhǔn)偏低、基礎(chǔ)滲漏、壩體材料老化變質(zhì)、壩體結(jié)構(gòu)性狀衰減甚至惡化等影響大壩安全的問題，中小型水庫大壩中約36％屬于病險水庫大壩，這種現(xiàn)狀不僅影響了工程效益的發(fā)揮，還嚴(yán)重威脅著下游人民的生命和財產(chǎn)的安全。水庫大壩的安全問題，已經(jīng)不僅僅是工程安全，更是公共安全問題。因此，如何對水庫大壩的安全性做出科學(xué)合理的評價，為水電管理工作提供決策依據(jù)，并以此為指導(dǎo)及時進(jìn)行除險加固，確保水庫大壩安全運行，是關(guān)系到國民經(jīng)濟(jì)發(fā)展和人民生命財產(chǎn)安全的重要課題，具有重要的現(xiàn)實意義。

對于建成多年并已運行的中小型水庫大壩的安全評價，國外多重視運行性狀的觀察、觀測資料的分析，國內(nèi)多依靠現(xiàn)行的規(guī)程規(guī)范、重視施工期的質(zhì)量及運行初期出現(xiàn)的一些現(xiàn)象分析。例如：應(yīng)用統(tǒng)計回歸法分析原型觀測資料，提出安全時效數(shù)學(xué)模型；從徐變理論出發(fā)推導(dǎo)出壩體頂部時效位移的表達(dá)式，用周期函數(shù)模擬水壓等周期荷載，并用非線性二乘法進(jìn)行參數(shù)估計，同期還提出用組合流變模型研究時間效應(yīng)；從物理學(xué)分析入手，提出以大壩安全狀態(tài)為系統(tǒng)物元，利用物元理論、可拓集合理論及其關(guān)聯(lián)函數(shù)，建立大壩安全可拓學(xué)綜合評價模型；采用水壩總安全度(SD＝Ps/η)來作為評判標(biāo)準(zhǔn)評價水庫大壩安全狀態(tài)等。盡管目前對大壩的安全評價工作已取得了一定的成果，但尚存在以下問題:(1)對大壩安全分析評價的監(jiān)控模型及評價方法還不夠成熟；(2)目前對混凝土重力壩、拱壩等的安全評價研究較多，但對于中小型大壩如土石壩，由于其工程自身特性、筑壩材料的特定復(fù)雜性、運行狀態(tài)等的不同，缺乏有針對性的評價模型和方法。因此，建立一種針對中小型水庫大壩整體安全狀態(tài)的評價方法與評價模型是十分必要的。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的問題是針對上述現(xiàn)有技術(shù)的不足，提供一種基于GRA-BP神經(jīng)網(wǎng)絡(luò)的中小型水庫大壩安全評價方法，其建立了針對中小型水庫大壩的安全評價指標(biāo)體系，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的智能大壩安全評價模型，能夠?qū)崿F(xiàn)安全評價、病險分析等功能，具有較高的科學(xué)性、有效性和實用性。

為了解決上述技術(shù)問題，本發(fā)明提出以下技術(shù)方案：一種基于GRA-BP神經(jīng)網(wǎng)絡(luò)的中小型水庫大壩安全評價方法，其特征在于，它包括以下步驟：

步驟1：構(gòu)建中小型水庫大壩安全評價指標(biāo)體系，篩選影響中小型水庫大壩安全的主要因素，生成中小型水庫大壩安全評價指標(biāo)體系；

步驟2：生成神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本；

步驟3：確定用于安全評價的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)；

步驟4：訓(xùn)練和檢驗BP神經(jīng)網(wǎng)絡(luò)；

步驟5：將算法優(yōu)化確定的BP神經(jīng)網(wǎng)絡(luò)評價模型用于新案例的評價。

所述步驟1具體步驟為：依據(jù)《大壩安全評價導(dǎo)則》，結(jié)合中小型水庫大壩安全特性對評價指標(biāo)進(jìn)行初選，運用灰色關(guān)聯(lián)分析法計算各初選指標(biāo)與評價結(jié)果的關(guān)聯(lián)程度，根據(jù)指標(biāo)灰色關(guān)聯(lián)度計算結(jié)果進(jìn)行指標(biāo)篩選，建立針對中小型水庫大壩的安全評價指標(biāo)體系。

所述步驟2進(jìn)一步為：收集了一定數(shù)量的學(xué)習(xí)和檢驗樣本，進(jìn)行了評價指標(biāo)原始數(shù)據(jù)的計算和預(yù)處理。

所述步驟3、4進(jìn)一步為：建立GRA(Grey Relational Analysis)-ANN(Artificial Neural Networks)智能安全評價模型。

所述步驟3進(jìn)一步為：設(shè)計BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)：安全評價神經(jīng)網(wǎng)絡(luò)為多輸入多輸出的前向式三層網(wǎng)絡(luò)結(jié)構(gòu)，包括一個輸入層，一個隱含層和一個輸出層，輸入層節(jié)點數(shù)為評價指標(biāo)個數(shù)，輸出層節(jié)點數(shù)為5，隱含層節(jié)點數(shù)根據(jù)經(jīng)驗公式和試驗確定。

所述步驟4進(jìn)一步為：確定BP神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)：隱含層傳遞函數(shù)采用S型正切函數(shù)tansig，輸出層傳遞函數(shù)采用S型對數(shù)函數(shù)logsig；設(shè)定BP神經(jīng)網(wǎng)絡(luò)的主要訓(xùn)練參數(shù)，包括學(xué)習(xí)速率和動量因子；初始網(wǎng)絡(luò)連接權(quán)值和閾值在區(qū)間[0,1]內(nèi)隨機(jī)生成；設(shè)定網(wǎng)絡(luò)訓(xùn)練的終止條件：誤差精度和訓(xùn)練次數(shù)；采用L-M算法訓(xùn)練所述BP神經(jīng)網(wǎng)絡(luò)。

所述步驟5進(jìn)一步為：對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)優(yōu)化；調(diào)整主要訓(xùn)練參數(shù)，提高網(wǎng)絡(luò)訓(xùn)練速度；將樣本中的檢驗樣本代入安全評價神經(jīng)網(wǎng)絡(luò)模型進(jìn)行檢驗。

本發(fā)明有如下有益效果：

首先，從《大壩安全評價導(dǎo)則》7個方面24個評價指標(biāo)中，依據(jù)中小型大壩的安全特性，采用灰色關(guān)聯(lián)分析進(jìn)行指標(biāo)的篩選與優(yōu)化，構(gòu)成中小型大壩安全評價指標(biāo)體系，將主觀分析判斷轉(zhuǎn)化為定量的分析計算過程，有效保證了指標(biāo)體系的針對性和科學(xué)性；其次，收集大量中小型水庫大壩的真實評價案例做為神經(jīng)網(wǎng)絡(luò)訓(xùn)練檢驗樣本，有效保證了BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度；最后，采用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行大壩安全評價與預(yù)測，通過對已知樣本信息的學(xué)習(xí)和訓(xùn)練，發(fā)現(xiàn)并掌握專家評價的知識與規(guī)律，將傳統(tǒng)的定性綜合評價轉(zhuǎn)化為專家型、智能型的評價方法。

附圖說明

下面結(jié)合附圖和實施例對本發(fā)明作進(jìn)一步說明。

圖1本發(fā)明的流程圖。

圖2三層中小型水庫大壩安全評價BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)示意圖。

圖2中：ω_il表示輸入層的第i個神經(jīng)元到隱含層第l個神經(jīng)元間的權(quán)值，ω_lj表示隱含層第l個神經(jīng)元到輸出層第j個神經(jīng)元間的連接權(quán)值。

具體實施方式

下面結(jié)合附圖對本發(fā)明的實施方式做進(jìn)一步的說明。

為解決現(xiàn)有技術(shù)存在的問題，申請人對現(xiàn)有技術(shù)進(jìn)行了深入的、具有創(chuàng)造性的研究工作。本發(fā)明提出了一種新的基于GRA-BP神經(jīng)網(wǎng)絡(luò)的中小型水庫大壩安全評價方法，通過：1)建立中小型大壩安全評價指標(biāo)體系；2)安全監(jiān)測資料數(shù)據(jù)的分析與處理；3)采用神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建大壩安全評價模型，可有效解決上述問題，實現(xiàn)智能化綜合集成的大壩安全評價方法。

一種基于GRA-BP神經(jīng)網(wǎng)絡(luò)的中小型水庫大壩安全評價方法，包括如下步驟：

步驟1：構(gòu)建中小型水庫大壩安全評價指標(biāo)體系，篩選影響中小型水庫大壩安全的主要因素，生成中小型水庫大壩安全評價指標(biāo)體系；

步驟2：生成神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本；

步驟3：確定用于安全評價的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)；

步驟4：訓(xùn)練和檢驗、優(yōu)化BP神經(jīng)網(wǎng)絡(luò)；

步驟5：將構(gòu)建完成的BP神經(jīng)網(wǎng)絡(luò)評價模型用于新案例的評價。

具體地，該方法的實現(xiàn)過程如下：

步驟1進(jìn)一步為：依據(jù)《大壩安全評價導(dǎo)則》，從7個一級指標(biāo)24個二級指標(biāo)中初選21個主要影響中小型大壩安全的因素，構(gòu)成初步的安全評價指標(biāo)體系；指標(biāo)對中小型大壩不具有針對性，采用灰色關(guān)聯(lián)分析進(jìn)行指標(biāo)的篩選與優(yōu)化；根據(jù)指標(biāo)序列與結(jié)果序列構(gòu)成的曲線之間的幾何相似度來確定他們之間的關(guān)聯(lián)度，曲線的幾何形狀越相似，則該指標(biāo)與評價結(jié)果之間的關(guān)聯(lián)度就越大。具體步驟如下：

(1)參考序列與比較序列的選擇。本方法選擇大壩安全評價結(jié)果為參考序列x₀(k)，將初選指標(biāo)組成的序列作為比較序列。本實例中，參考序列與比較序列的初始數(shù)據(jù)均為5座大壩(N1，N2，N3，N4，N5)樣本數(shù)據(jù)，比較序列數(shù)據(jù)用表1的21個初始指標(biāo)數(shù)據(jù)表示，表2是這5座大壩的總體安全性水平綜合評價的評價結(jié)果，將其設(shè)為參考序列。

表1初選指標(biāo)樣本數(shù)據(jù)表

表2大壩安全性綜合評價等級

(2)數(shù)據(jù)無量綱化。對各指標(biāo)的原始數(shù)據(jù)進(jìn)行歸一化處理，本方法采用最大最小歸一化方法。

(3)計算關(guān)聯(lián)系數(shù)。即比較數(shù)列x_i(k)對參考數(shù)列x₀(k)的關(guān)聯(lián)系數(shù)為ξ_oi(k)，利用參考序列指標(biāo)的關(guān)聯(lián)系數(shù)計算公式計算：

${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{\underset{i=1,2,...,m}{min}\underset{k=1,2,...,n}{min}|x_o\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\×\underset{i=1,2,...,m}{min}\underset{k=1,2,...,n}{min}|x_o\left(k\right)-x_i\left(k\right)|}{|x_o\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\×\underset{i=1,2,...,m}{min}\underset{k=1,2,...,n}{min}|x_o\left(k\right)-x_i\left(k\right)|}$

表3各樣本序列相對參考數(shù)列的關(guān)聯(lián)系數(shù)

(4)計算關(guān)聯(lián)度。記比較數(shù)列和參考數(shù)列的關(guān)聯(lián)度為γ，利用參考序列指標(biāo)的關(guān)聯(lián)度計算公式計算：

${\mathrm{\γ}}_{0i}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_{0i}\left(k\right),(i=1,2,...,m)$

表4各指標(biāo)的灰色關(guān)聯(lián)度

(5)指標(biāo)關(guān)聯(lián)度比較。通過關(guān)聯(lián)度的計算量化地比較各評價指標(biāo)的優(yōu)劣，實現(xiàn)壩體的安全評價指標(biāo)的篩選及確定。最終刪除關(guān)聯(lián)度較低指標(biāo)，保留15個指標(biāo)作為評價指標(biāo)，建立中小型水庫大壩評價指標(biāo)體系。

上述步驟2進(jìn)一步為：收集一定數(shù)量的中小型水庫大壩安全綜合評價實例，將實例的指標(biāo)原始數(shù)據(jù)進(jìn)行量化處理，再進(jìn)行相關(guān)預(yù)處理，生成樣本數(shù)據(jù)。其中，一部分樣本作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練樣本，另一部分作為網(wǎng)絡(luò)檢驗樣本。

表5大壩樣本的評價指標(biāo)原始數(shù)據(jù)

步驟3進(jìn)一步為：進(jìn)行了安全評價神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)計。

本發(fā)明設(shè)計的安全評價神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如下：神經(jīng)網(wǎng)絡(luò)采用多輸入多輸出的前向式三層網(wǎng)絡(luò)結(jié)構(gòu)，主要包括一個輸入層，一個隱含層和一個輸出層。

(1)輸入向量：將篩選出的15個評價指標(biāo)設(shè)置為BP神經(jīng)網(wǎng)絡(luò)模型的輸入層，即輸入層節(jié)點數(shù)為15，輸入向量為X＝(x₁,x₂,...,x₁₅)；

(2)輸出向量：將大壩安全評價結(jié)果等級作為輸出向量，五種安全狀態(tài)：正常、基本正常、輕度異常、重度異常和惡性異常分別用5個分量表示，輸出層節(jié)點數(shù)為5個，輸出向量為Y＝(y₁,y₂,y₃,y₄,y₅)；五種評價狀態(tài)分別用5個分量表示：(1,0,0,0,0)、(0,1,0,0,0)、(0,0,1,0,0)、(0,0,0,1,0)、(0,0,0,0,1)；

(3)隱含層：采用經(jīng)驗法加試測法確定隱含層節(jié)點數(shù)，最終確定隱含層節(jié)點數(shù)為10個。

神經(jīng)網(wǎng)絡(luò)算法、參數(shù)設(shè)計如下：

(1)傳遞函數(shù)

隱含層傳遞函數(shù)定為S型正切函數(shù)tansig，函數(shù)形式:輸出層傳遞函數(shù)定為S型對數(shù)函數(shù)logsig，其函數(shù)形式為:

(2)誤差函數(shù)

對于每個輸入樣本p，標(biāo)準(zhǔn)誤差為：E＝∑E_P＝(∑(d_pj-o_pj)²)/2

累積網(wǎng)絡(luò)全局誤差：

式中：O_pj、d_pj分別表示對第p個輸入樣本輸出單元j的實際輸出和期望輸出。k表示m個樣本對中的任一樣本。

(3)權(quán)值修正改進(jìn)優(yōu)化。在權(quán)值調(diào)整中增加一個動量項，權(quán)值調(diào)整向量表達(dá)式為：

ΔW(t)＝ηδX+αΔW(t-1)

式中，W為某層權(quán)矩陣，X代表某層輸入向量，α為動量因子，一般有α∈(0,1)。

步驟4進(jìn)一步為：

將網(wǎng)絡(luò)訓(xùn)練樣本分成兩部分，一部分作為網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練樣本，另一部分作為網(wǎng)絡(luò)檢驗樣本；

設(shè)定BP神經(jīng)網(wǎng)絡(luò)的主要訓(xùn)練參數(shù)，包括學(xué)習(xí)速率和動量因子；

初始網(wǎng)絡(luò)連接權(quán)值和閾值在區(qū)間[0,1]內(nèi)隨機(jī)生成；

設(shè)定網(wǎng)絡(luò)訓(xùn)練的終止條件：誤差精度和訓(xùn)練次數(shù)；

采用L-M算法對各層節(jié)點之間的網(wǎng)絡(luò)連接權(quán)值和閾值進(jìn)行調(diào)整，采用累積網(wǎng)絡(luò)全局誤差進(jìn)行網(wǎng)絡(luò)修正，輸入訓(xùn)練和檢驗樣本對訓(xùn)練所述中小型水庫大壩安全評價BP神經(jīng)網(wǎng)絡(luò)。

其中，文中GRA為：灰色關(guān)聯(lián)分析。BP為：神經(jīng)網(wǎng)絡(luò)。

以上詳細(xì)描述了本發(fā)明的優(yōu)選實施方式，但是，本發(fā)明并不限于上述實施方式中的具體細(xì)節(jié)，在本發(fā)明的技術(shù)構(gòu)思范圍內(nèi)，可以對本發(fā)明的技術(shù)方案進(jìn)行多種等同變換，這些等同變換均屬于本發(fā)明的保護(hù)范圍。

通過上述的說明內(nèi)容，本領(lǐng)域技術(shù)人員完全可以在不偏離本項發(fā)明技術(shù)思想的范圍內(nèi)，進(jìn)行多樣的變更以及修改都在本發(fā)明的保護(hù)范圍之內(nèi)。本發(fā)明的未盡事宜，屬于本領(lǐng)域技術(shù)人員的公知常識。