羅亦泳， 吳大衛(wèi)， 張立亭， 黃 城， 劉宏宏

(1. 東華理工大學(xué) 測(cè)繪工程學(xué)院，江西 南昌 330013；2. 南昌市新建區(qū)土地管理勘察測(cè)量隊(duì)，江西 南昌 330100)

目前，我國(guó)水庫(kù)大壩面臨大壩數(shù)量多、氣候變化、建設(shè)條件復(fù)雜等多重因素帶來(lái)的風(fēng)險(xiǎn)(中華人民共和國(guó)水利部，2018)。大壩在運(yùn)營(yíng)過(guò)程中受到水位、溫度等多種復(fù)雜因素影響，大壩的安全將受到巨大的威脅。大壩變形監(jiān)測(cè)技術(shù)是保障大壩安全運(yùn)行的重要技術(shù)手段，通過(guò)建立大壩變形預(yù)測(cè)模型可及時(shí)掌握大壩變形發(fā)展趨勢(shì)，為大壩安全預(yù)報(bào)預(yù)警提供可靠的理論依據(jù)(顧沖時(shí)等，2016)。因此，大壩變形預(yù)測(cè)模型研究是大壩安全監(jiān)測(cè)的核心內(nèi)容之一，對(duì)大壩變形災(zāi)害防治具有重要的意義。

近年來(lái)，大壩變形預(yù)測(cè)模型的研究成果較為豐富，主要包括確定性模型、統(tǒng)計(jì)預(yù)測(cè)模型及機(jī)器學(xué)習(xí)算法等(吳中如，2003；Mata et al.,2013；Liang et al.，2018；汪宏宇等，2021)。大壩變形是一個(gè)多因素影響的非線性系統(tǒng)，無(wú)法精確地掌握變形過(guò)程及機(jī)理。因此，確定性預(yù)測(cè)模型非線性映射能力不足，預(yù)測(cè)結(jié)果的精度有待于提高。大壩統(tǒng)計(jì)預(yù)測(cè)模型主要包括統(tǒng)計(jì)回歸模型、時(shí)序分析模型(潘國(guó)榮,2005)、模糊數(shù)學(xué)模型和灰色系統(tǒng)模型(靖洪文等，2012)等，這類方法是一種經(jīng)驗(yàn)?zāi)Ｐ?，存在過(guò)度依靠數(shù)學(xué)處理、隨機(jī)性大和預(yù)報(bào)時(shí)間短等缺點(diǎn)。隨著機(jī)器學(xué)習(xí)方法的快速發(fā)展，機(jī)器學(xué)習(xí)算法在變形預(yù)測(cè)領(lǐng)域得到較好的應(yīng)用。智能算法、人工神經(jīng)網(wǎng)絡(luò)模型被應(yīng)用于大壩變形，該方法預(yù)測(cè)精度得到較大提高(陳俊風(fēng)等，2020；王新洲等，2005；胡紀(jì)元等，2014；徐鋒等，2012)。但神經(jīng)網(wǎng)絡(luò)模型存在局部最優(yōu)、收斂慢、結(jié)構(gòu)設(shè)計(jì)難，并且當(dāng)樣本較少時(shí)，預(yù)測(cè)精度不理想。針對(duì)神經(jīng)網(wǎng)絡(luò)模型的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小原則的缺點(diǎn)，提出基于支持向量機(jī)的大壩變形預(yù)測(cè)方法(王新洲等，2008；董明等，2017；宋志宇等，2007；張豪等，2011；羅亦泳等，2010；朱軍桃等，2019)，但支持向量機(jī)存在核函數(shù)參數(shù)和損失函數(shù)難以確定等問(wèn)題。基于極限學(xué)習(xí)機(jī)(ELM)構(gòu)建了變形預(yù)測(cè)模型，預(yù)測(cè)結(jié)果的精度得到一定的提高(王曉玲等，2020)。但由于 ELM 對(duì)噪聲敏感，且特征映射存在隨機(jī)性，因此降低了算法的魯棒性和泛化能力。當(dāng)前研究成果表明，機(jī)器學(xué)習(xí)算法能較好地表達(dá)變形影響因素與變形量之間的復(fù)雜關(guān)系，是變形預(yù)測(cè)研究的發(fā)展趨勢(shì)。當(dāng)前研究主要集中在提高變形預(yù)測(cè)方法精度方面，而對(duì)預(yù)測(cè)結(jié)果的可靠性分析研究較少。用于變形的機(jī)器學(xué)習(xí)算法通常包含多個(gè)需要用戶確定的參數(shù)，參數(shù)取值是否合理嚴(yán)重影響預(yù)測(cè)精度及可靠性。因此，需要構(gòu)建一種參數(shù)自適應(yīng)及結(jié)果可靠性高的大壩變形預(yù)測(cè)模型。

標(biāo)準(zhǔn)高斯過(guò)程回歸(GP)是近年來(lái)一種基于貝葉斯網(wǎng)絡(luò)的新型學(xué)習(xí)算法，對(duì)處理高維、小樣本數(shù)據(jù)及非線性問(wèn)題具有很好的適應(yīng)性和泛化能力，并且參數(shù)自適應(yīng)，可以輸出預(yù)測(cè)變量的方差與期望，可分析結(jié)果的可靠性(蘇國(guó)韶等，2008；Rasmussen et al.,2006; Gibbs,1997;Kocian et al.,2008)。因此，GP受到廣泛關(guān)注而成為機(jī)器學(xué)習(xí)的研究熱點(diǎn)，并已被應(yīng)用于變形預(yù)測(cè)(羅亦泳,2016)。但標(biāo)準(zhǔn)的GP假定噪聲為高斯分布，且整個(gè)數(shù)據(jù)集中噪聲方差為常值。在實(shí)際的變形監(jiān)測(cè)過(guò)程中，監(jiān)測(cè)環(huán)境在不斷地變化。因此，假設(shè)噪聲方差為常數(shù)不符合實(shí)際，影響預(yù)測(cè)結(jié)果及可靠性。針對(duì)標(biāo)準(zhǔn)GP算法的上述缺點(diǎn)，GP的改進(jìn)算法——異方差高斯過(guò)程回歸算法(HGP)被構(gòu)建(Kersting et al.,2007)。HGP算法將觀測(cè)數(shù)據(jù)中的噪聲方差作為變量，并利用高斯過(guò)程進(jìn)行對(duì)其建模，基于變分推理進(jìn)行解算。由于HGP算法充分考慮了數(shù)據(jù)中的噪聲變化特征，其改進(jìn)方法更加符合實(shí)際工程環(huán)境，可以有效提高算法實(shí)際應(yīng)用效果(Rogers et al.,2020;Wang et al.,2019;Rodrigues et al.,2018; Lzaro-Gredilla et al.,2013)。鑒于HGP算法在處理復(fù)雜系統(tǒng)建模上的優(yōu)勢(shì)，筆者針對(duì)當(dāng)前大壩變形預(yù)測(cè)模型存在的問(wèn)題，提出一種基于異方差高斯過(guò)程的大壩變形預(yù)測(cè)模型，以提高變形預(yù)測(cè)結(jié)果的精度及可靠性，并與多種變形預(yù)測(cè)方法進(jìn)行對(duì)比，驗(yàn)證新方法的有效性。

1 異方差高斯過(guò)程回歸算法

標(biāo)準(zhǔn)的高斯過(guò)程學(xué)習(xí)算法將測(cè)量噪聲的方差作為常數(shù)，但變形監(jiān)測(cè)過(guò)程往往受到多種隨機(jī)性因素干擾。因此，將噪聲的方差看成常數(shù)進(jìn)行建模和解算會(huì)影響算法的預(yù)測(cè)精度。對(duì)此，異方差高斯過(guò)程被提出應(yīng)用于復(fù)雜系統(tǒng)的建模。相比標(biāo)準(zhǔn)高斯過(guò)程學(xué)習(xí)算法，該方法取得更好的預(yù)測(cè)結(jié)果。HGP是標(biāo)準(zhǔn)高斯過(guò)程算法的拓展，將建模過(guò)程分成兩部分(Wang et al.,2019;史宇偉等，2014；Lzaro-Gredilla et al.,2011;嚴(yán)宏等，2018)。首先運(yùn)用標(biāo)準(zhǔn)高斯過(guò)程對(duì)無(wú)噪聲輸出進(jìn)行建模，然后對(duì)噪聲再運(yùn)用高斯過(guò)程進(jìn)行建模，該方法能體現(xiàn)出變形監(jiān)測(cè)量的隨機(jī)性及波動(dòng)性。

HGP算法將變形量分為兩部分：

y=s+r

(1)

式中，y為變形監(jiān)測(cè)值，s為時(shí)間t對(duì)應(yīng)的理想標(biāo)準(zhǔn)值，r為對(duì)應(yīng)的偏差項(xiàng)。

p(s,s*)～N(0,KN+1)

(2)

式中，KN+1為此多元高斯分布的協(xié)方差矩陣，具有如下的形式：

(3)

式中，k**=k(t*,t*),k*=[k(t1,t*)k(t2,t*)…k(tN,t*)]T,KN如式(4)所示。k(ti,tj)為核函數(shù)，通常采用squared exponential核函數(shù)(史宇偉等，2014)。

(4)

因此，可以利用標(biāo)準(zhǔn)高斯過(guò)程的結(jié)果計(jì)算測(cè)試集中時(shí)間t*對(duì)應(yīng)的標(biāo)準(zhǔn)值s*的后驗(yàn)分布，計(jì)算公式如下：

(5)

(6)

(7)

利用高斯過(guò)程原理分別對(duì)標(biāo)準(zhǔn)值和偏差項(xiàng)建模后，需要對(duì)模型進(jìn)行解算，求解超參數(shù)，最終得到預(yù)測(cè)變量的驗(yàn)后分布(期望和方差)。根據(jù)標(biāo)準(zhǔn)高斯過(guò)程的推導(dǎo)結(jié)論，可以計(jì)算出關(guān)于s*的后驗(yàn)分布p(s*|t*,y,t,r,r*):

p(s*|t*,y,t,r,r*)～N(μ*,σ2)

(8)

對(duì)r和r*進(jìn)行積分，得到y(tǒng)*的后驗(yàn)分布：

(9)

由于無(wú)法直接求解式(9)，因此采用變分推斷求取近似解。首先對(duì)邊緣概率p(y)的對(duì)數(shù)進(jìn)行分解，如式(10)。當(dāng)尋求分布q(s)和q(r)最大化下界時(shí)，也就會(huì)使式(10)中KL散度最小化。優(yōu)化p(s,r|y)在分解形式q(s)q(r)關(guān)于q(s)最大化的推導(dǎo)結(jié)論，可以進(jìn)一步得到一個(gè)依賴于q(r)的近似下界，如式(11)所示。

ln(p(y))=L(q(s),q(r))+KL(q(s)

q(r)‖p(s,r|y))

(10)

式中，KL(·‖·)表示KL散度(Kullback-Leibler divergence)，L(q(s),q(r))是ln(p(y))的下界。根據(jù)式(11)的極值點(diǎn)與偏導(dǎo)數(shù)的關(guān)系，可得到μq和Σq，如式(12)和式(13)所示。

(11)

(12)

(13)

式中，tr(·)表示矩陣的跡，R為一對(duì)角矩陣，其對(duì)角元素為[R]ii=exp([μq]i-[Σq]ii)，而Kr是使用協(xié)方差函數(shù)kr(t,t′)計(jì)算的協(xié)方差矩陣,Λ表示半正定對(duì)角矩陣。

采用共軛梯度法優(yōu)化參數(shù)高斯過(guò)程協(xié)方差函數(shù)中的參數(shù)、矩陣Λ中的對(duì)角線元素以及用于控制偏差項(xiàng)方差平均水平的μr，進(jìn)而得到s*的后驗(yàn)分布：

(14)

基于以上結(jié)果，可以得到y(tǒng)*的后驗(yàn)分布(Lzaro-Gredilla et al.,2011;嚴(yán)宏等，2018)：

(15)

2 大壩變形預(yù)測(cè)模型構(gòu)建

2.1 預(yù)測(cè)模型構(gòu)建

(16)

圖1 基于HGP的大壩變形預(yù)測(cè)方法建模流程Fig.1 Modeling flow of dam deformation prediction method based on HGP

2.2 工程實(shí)例

以豐滿大壩為例，驗(yàn)證大壩變形預(yù)測(cè)HGP模型的有效性及可靠性。豐滿水電站是中國(guó)最早建成的大型水電站,東北電網(wǎng)骨干電站之一，位于吉林省吉林市第二松花江的中游，吉林市東南為24 km處。攔江大壩為鋼筋混凝土重力壩，壩長(zhǎng)為1 080 m，壩高為91 m，水庫(kù)正常蓄水位標(biāo)高為263.5 m，庫(kù)容為108億m3。壩體從左岸到右岸共分60個(gè)壩段，每個(gè)壩段長(zhǎng)為18 m。本研究選取30號(hào)壩段變形數(shù)據(jù)開(kāi)展變形預(yù)測(cè)模型研究，收集了大約3年的大壩變形監(jiān)測(cè)數(shù)據(jù)，包括大壩變形量γ(mm)、氣溫T(℃)、上游水位H(m)和累積時(shí)間t(d)數(shù)據(jù)。顧沖時(shí)等(2016)、吳中如(2003)、陳俊風(fēng)等(2020)、王曉玲等(2020)較好地分析了豐滿大壩和類似大壩的變形影響因子，在此基礎(chǔ)上確定豐滿大壩變形的影響因子包括11個(gè)，其中4個(gè)與水位有關(guān)的影響因子H、H2、H3、H4，5個(gè)溫度有關(guān)的因子T、sin(2πt/365)、cos(2πt/365)、sin(4πt/365)、cos(4πt/365)，2個(gè)時(shí)間效應(yīng)影響因子θ=0.01t、lnθ。將11個(gè)大壩變形影響因子作為HGP算法的輸入，對(duì)應(yīng)變形量作為輸出。總共收集了164期變形數(shù)據(jù)，其中前129期數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，用于確定HGP算法的超參數(shù)，進(jìn)而建立變形預(yù)測(cè)模型(表1)；后35期數(shù)據(jù)作為測(cè)試集，用于分析預(yù)測(cè)模型的精密度及可靠性(表2)。

表1 訓(xùn)練集中的部分?jǐn)?shù)據(jù)

表2 測(cè)試數(shù)據(jù)集

近年來(lái)，反向傳播(BP)神經(jīng)網(wǎng)絡(luò)算法、最小二乘支持向量機(jī)(LS-SVM)和標(biāo)準(zhǔn)GP在變形預(yù)測(cè)領(lǐng)域得到較好的應(yīng)用。為了進(jìn)一步驗(yàn)證HGP算法具有更好的大壩變形預(yù)測(cè)精度，分別利用標(biāo)準(zhǔn)的GP算法(采用與HGP相同的核函數(shù))、BP神經(jīng)網(wǎng)絡(luò)算法和LS-SVM算法構(gòu)建大壩變形預(yù)測(cè)模型。分別對(duì)測(cè)試集進(jìn)行預(yù)測(cè)(表3)。

表3 變形預(yù)測(cè)結(jié)果

為了定量評(píng)價(jià)各預(yù)測(cè)模型的精度，采用平均絕對(duì)誤差(MAE)和均方根誤差(RMSE)評(píng)價(jià)各模型的精度，具體計(jì)算見(jiàn)式(17)和式(18)。根據(jù)各模型的預(yù)測(cè)結(jié)果，分別統(tǒng)計(jì)各模型的精度指標(biāo)MAE和RMSE(表3)。由表3中的4種變形預(yù)測(cè)方法的精度指標(biāo)可知，HGP算法的平均絕對(duì)誤差和均方根誤差均小于BP、LS-SVM和GP算法，驗(yàn)證了HGP算法具有更好的大壩變形預(yù)測(cè)精度。HGP算法的預(yù)測(cè)精度優(yōu)于標(biāo)準(zhǔn)GP算法，表明HGP算法在標(biāo)準(zhǔn)GP的基礎(chǔ)上，充分考慮了數(shù)據(jù)噪聲變化的特點(diǎn)，有效改善了標(biāo)準(zhǔn)GP算法的大壩變形預(yù)測(cè)精度。

(17)

(18)

圖2 HGP的預(yù)測(cè)結(jié)果及95%置信度的置信區(qū)間圖Fig.2 HGP prediction results with the 95% confidence interval chart

3 結(jié)論

針對(duì)大壩變形的特點(diǎn)，利用標(biāo)準(zhǔn)GP的改進(jìn)HGP算法構(gòu)建大壩變形預(yù)測(cè)新模型，并對(duì)其預(yù)測(cè)精度及可靠性進(jìn)行分析驗(yàn)證。結(jié)果表明，與GP、LS-SVM、BP神經(jīng)網(wǎng)絡(luò)等算法相比，HGP算法具有更高的大壩變形預(yù)測(cè)精度和可靠性，并且彌補(bǔ)了當(dāng)前大壩變形預(yù)測(cè)方法缺少結(jié)果可靠性分析功能的缺點(diǎn)。