摘 ?要：船閘在長期服役過程中會因?yàn)闇囟?、水壓等因素影響產(chǎn)生形變，嚴(yán)重危害通航安全。為實(shí)現(xiàn)精準(zhǔn)的船閘位移預(yù)測，構(gòu)建高效的船閘預(yù)測模型，文章引入深度學(xué)習(xí)方法，基于某大壩船閘的歷史觀測數(shù)據(jù)，利用長短記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建了船閘位移預(yù)測模型。結(jié)果顯示文章所提模型最終的預(yù)測效果MAE達(dá)到了0.008 1 mm，AEmax達(dá)到了0.015 4 mm，RMSE達(dá)到了0.009 9 mm，均遠(yuǎn)優(yōu)于傳統(tǒng)的多元線性回歸方法。說明該模型具有良好的預(yù)測性能，為實(shí)現(xiàn)船閘的安全預(yù)警提供了一種新方法。

關(guān)鍵詞：船閘；LSTM；位移預(yù)測

中圖分類號：TP183 ? 文獻(xiàn)標(biāo)識碼：A ? 文章編號：2096-4706（2023）16-0155-04

Research on Ship Lock Displacement Prediction Model Based on LSTM

DING Tengteng

（Pearl River Water Resources Institute of Pearl River Water Conservancy Commission， Guangzhou ?510611， China）

Abstract： The ship locks will be deformed during long-term service due to temperature， water pressure and other factors， which seriously endangers navigation safety. In order to achieve accurate ship lock displacement prediction and build an efficient ship lock prediction model， this paper introduces the Deep Learning method and constructs a ship lock displacement prediction model based on the historical observation data of a dam ship lock using LSTM neural network. The results show that the final prediction effect of MAE reaches 0.008 1 mm， AEmax reaches 0.015 4 mm and RMSE reaches 0.009 9 mm， which are better than the traditional multivariate linear regression method. The model proposed in this paper has good prediction performance and provides a new method to realize the safety warning of ship locks.

Keywords： ship lock; LSTM; displacement prediction

0 ?引 ?言

20世紀(jì)70年代以來，我國大壩的建設(shè)取得了飛速發(fā)展，先后建成了三峽、小浪底、溪洛渡等多座大壩。然而，在河道上修建的大壩會截?cái)嗪拥?，阻隔上下游貫通。因此，船只需要借助船閘來通航，實(shí)現(xiàn)大壩的跨越，保證流域航道的貫通。

水利部的《第一次全國水利普査公報(bào)》[1]顯示：截至2013年，我國現(xiàn)有船閘高達(dá)27萬余座，是世界上船閘數(shù)量最多的國家之一。如此多數(shù)量的船閘為我國水路交通網(wǎng)的構(gòu)建和水運(yùn)事業(yè)的發(fā)展做出了巨大的貢獻(xiàn)。可以說，船閘的安全與穩(wěn)定關(guān)系到船只的安全、航道的通暢以及水運(yùn)的發(fā)展等[2，3]。然而，船閘在長期服役過程中，會因?yàn)樗畨旱淖饔?、溫度的影響、材料的劣化等因素不可避免的發(fā)生位移——對船閘的安全運(yùn)行造成影響[2]。因此，基于環(huán)境因素對船閘的位移量做出預(yù)測，進(jìn)而對其安全程度進(jìn)行預(yù)警是提升船閘穩(wěn)定運(yùn)行水平，實(shí)現(xiàn)智能化管理的重要任務(wù)[2，4]。

當(dāng)前，關(guān)于船閘位移預(yù)測的研究，可以按照研究方法的不同分成兩部分：基于數(shù)值模型和基于統(tǒng)計(jì)回歸的研究?；跀?shù)值模型的研究主要是通過有限元等算法，從力學(xué)角度預(yù)測船閘在外部環(huán)境作用下會出現(xiàn)的位移變化。典型的研究比如：苑敬舜[5]根據(jù)實(shí)際工程資料，基于有限元對船閘閘首部位進(jìn)行數(shù)值模擬，實(shí)現(xiàn)了閘首的位移預(yù)測。凌威則利用有限元建立了船閘-巖土-支護(hù)樁耦合數(shù)值分析模型，對受基坑開挖影響的船閘的位移做出預(yù)測。不過基于有限元的數(shù)值模擬方法雖然準(zhǔn)確，但其需要大量的力學(xué)參數(shù)——參數(shù)的確定十分困難，而且數(shù)值模擬的速度較慢，難以實(shí)現(xiàn)快速的預(yù)警。基于統(tǒng)計(jì)回歸的方法主要是：找出影響船閘位移的環(huán)境量，根據(jù)環(huán)境量的測值與船閘位移的變化值，通過相關(guān)統(tǒng)計(jì)回歸模型（比如：多元線性回歸和機(jī)器學(xué)習(xí)方法）進(jìn)行回歸分析。

本文考慮到船閘的位移是多因素耦合作用的結(jié)果，其位移具有不確定性和非線性的特點(diǎn)，引入深度學(xué)習(xí)的方法，將LSTM模型引入船閘位移預(yù)測，基于其強(qiáng)大的數(shù)據(jù)擬合能力、信息選擇記憶能力以及泛化能力，提出基于LSTM算法的船閘位移預(yù)測模型。本文首先介紹了LSTM的原理和算法架構(gòu)；其次基于工程實(shí)測的溫度、水壓和位移序列數(shù)據(jù)，建立了多輸入單輸出的船閘位移模型；然后，將數(shù)據(jù)輸入模型中進(jìn)行訓(xùn)練，并利用訓(xùn)練出的網(wǎng)絡(luò)在驗(yàn)證集上做位移預(yù)測，并與多元線性回歸方法進(jìn)行比較，評估LSTM算法在船閘位移預(yù)測方法中的可行性和優(yōu)越性。最終建立基于LSTM的船閘位移預(yù)測模型。

1 ?LSTM模型介紹

長短記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）是一種強(qiáng)大的機(jī)器學(xué)習(xí)算法，其改善了RNN中存在的長期依賴問題，能夠?qū)W習(xí)長序列的依賴關(guān)系，可作為復(fù)雜的非線性單元用于構(gòu)造更大型深度神經(jīng)網(wǎng)絡(luò)，非常適合用于進(jìn)行映射關(guān)系挖掘和時(shí)序預(yù)測。LSTM由Hochreiter等提出，其整體結(jié)構(gòu)如圖1所示。

通過將環(huán)境量按照時(shí)序逐步、循環(huán)地輸入到LSTM單元中，而后比較輸出結(jié)果與預(yù)期結(jié)果間的差異，來實(shí)現(xiàn)單元內(nèi)部參數(shù)的優(yōu)化。不過，不同于傳統(tǒng)RNN的是，LSTM模型內(nèi)部引入了門控機(jī)制，使得LSTM可以實(shí)現(xiàn)長序列數(shù)據(jù)的學(xué)習(xí)，其內(nèi)部的結(jié)構(gòu)如圖2所示。

圖2中：⊙表示操作矩陣中對應(yīng)的元素相乘，⊕表示矩陣相加；xt表示當(dāng)前序列的輸入數(shù)據(jù)，ht-1表示上一個(gè)狀態(tài)傳遞下來的數(shù)據(jù)，兩者拼接得到四個(gè)狀態(tài)：z f、zi、zo和z。其中z f、zi、zo表示由拼接向量乘以權(quán)重矩陣之后通過一個(gè)sigmoid激活函數(shù)轉(zhuǎn)換成0到1之間的數(shù)值，來作為一種門控狀態(tài)，而z則是將結(jié)果通過一個(gè)tanh激活函數(shù)將轉(zhuǎn)換成-1到1之間的值。ct表示在長時(shí)間學(xué)習(xí)中，之前狀態(tài)需要被記錄的內(nèi)容：

（1）

（2）

sigmoid和tanh的算式為：

（3）

（4）

LSTM在訓(xùn)練的時(shí)候主要分三個(gè)階段：忘記階段、選擇記憶階段和輸出階段。忘記階段是對上一個(gè)節(jié)點(diǎn)傳進(jìn)來的輸入進(jìn)行選擇性忘記，即通過計(jì)算得到的z f（ f表示forget）來作為忘記門控，來控制上一個(gè)狀態(tài)的C t-1哪些需要留哪些需要忘。選擇記憶階段則是將這個(gè)階段的輸入有選擇性地進(jìn)行“記憶”。當(dāng)前的輸入內(nèi)容由前面計(jì)算得到的z表示。而選擇的門控信號則是由z（i代表information）來進(jìn)行控制。輸出階段將決定哪些將會被當(dāng)成當(dāng)前狀態(tài)的輸出——主要是通過zo來進(jìn)行控制——并對上一階段得到的co進(jìn)行放縮（通過一個(gè)tanh激活函數(shù)進(jìn)行變化）。

當(dāng)前，LSTM模型已經(jīng)在重力壩變形預(yù)測、土石壩滲流預(yù)測和土石壩沉降預(yù)測等方面得到了應(yīng)用。這些研究充分說明了LSTM模型在水工結(jié)構(gòu)工程安全監(jiān)測方面的巨大潛力。因此，本文立足實(shí)際工程，嘗試將LSTM模型應(yīng)用于船閘位移變形的預(yù)測中。基于LSTM模型，本文構(gòu)建了船閘位移預(yù)測模型。以環(huán)境量作為輸入層輸入，以船閘位移作為輸出層輸出。通過將長序列的環(huán)境量和位移量輸入到LSTM模型中進(jìn)行訓(xùn)練，來獲得具備時(shí)間關(guān)聯(lián)度和數(shù)據(jù)深度挖掘能力的船閘位移預(yù)測模型。

2 ?算例分析

本文以南方珠江流域某船閘的監(jiān)測數(shù)據(jù)為例，基于LSTM算法建立船閘位移預(yù)測模型。該船閘位于廣西，由上下游引航道、上閘首、閘室、下閘首組成。船閘閘室有效尺寸為：280 m×34 m，采用人字形閘門，最高擋水位達(dá)47.5 m，最大通過船隊(duì)為6×3 000噸，年貨運(yùn)量達(dá)5 189萬噸。該船閘于2020年4月正式建成通航。

本文通過在船閘內(nèi)部布置的多點(diǎn)位移傳感器讀取得到船閘的真實(shí)位移量。本文采用的多點(diǎn)位移計(jì)為基康儀器生產(chǎn)的BGK-A3多點(diǎn)位移計(jì)。該位移計(jì)由錨頭、測桿、PVC保護(hù)桿、過渡桿以及安裝基座構(gòu)成，安裝在閘室右側(cè)工作閥門附近，可以測量出船閘三個(gè)不同高程處的位移變形。本文以基底處的位移數(shù)據(jù)為例，日期區(qū)間為2020年4月—2022年7月。

本文所提出的船閘位移預(yù)測模型是一個(gè)關(guān)于溫度T、水壓H以及結(jié)構(gòu)自身的時(shí)變t三個(gè)因素的映射模型[4]，假設(shè)船閘位置y處的位移D可以表示為：

（5）

式中：f1（T，y）表示與位置y處的溫度有關(guān)的溫度分量；f2（H，y）表示與上下游水位差有關(guān)的水壓分量；f3（T，y）表示與船閘運(yùn)行時(shí)長有關(guān)的時(shí)效分量。溫度值可以由多點(diǎn)位移計(jì)一并測得；水位差由超聲波水位計(jì)讀取上下游水位后相減得到；而對于時(shí)效分量，通常可用式（6）近似計(jì)算得到。

（6）

式中：c1和c2為待確定常數(shù)，θ = t（船閘運(yùn)行天數(shù)）×0.01。之所以在式中加入ln θ，是因?yàn)樗そㄖ锏臅r(shí)效變形往往是非線性且緩慢增加的。

3 ?結(jié)果分析

基于構(gòu)建的訓(xùn)練集和測試集，本文對LSTM模型進(jìn)行訓(xùn)練。如表1所示，本文的LSTM模型的優(yōu)化器為梯度下降，步長為0.1；初始學(xué)習(xí)率為0.005，每經(jīng)過25次迭代會乘0.1。

為了進(jìn)一步驗(yàn)證本文所提模型的性能，我們還將LSTM與傳統(tǒng)的多元線性回歸方法進(jìn)行對比。兩者在測試集上的預(yù)測效果如圖3所示。

通過圖3可以看出，相較于傳統(tǒng)的多元回歸方法，本文提出基于LSTM的位移預(yù)測模型的預(yù)測結(jié)果更加逼近實(shí)測值，精確度明顯高于多元回歸。而且，LSTM算法的精度在進(jìn)行長時(shí)間預(yù)測時(shí)（如對2022-07-28）仍然可以保證較高的精度，這說明本文所提算法具有長時(shí)間預(yù)測穩(wěn)定性，可以進(jìn)行長時(shí)序和穩(wěn)定的船閘位移預(yù)測。

同時(shí)，兩種算法預(yù)測結(jié)果的MAE、AEmax和RMSE如表2所示。

通過對比兩種模型的評價(jià)指標(biāo)（表2），可以看出：本文所提出的LSTM模型的MAE遠(yuǎn)低于多元線性回歸，這說明模型預(yù)測的精度遠(yuǎn)遠(yuǎn)優(yōu)于多元線性回歸方法。同時(shí)，AEmax也更小，反映了LSTM在長時(shí)序預(yù)測過程中的穩(wěn)定性良好，魯棒性強(qiáng)。而更低的RMSE進(jìn)一步表明了：本文所提模型的預(yù)測結(jié)果最接近真實(shí)值，且預(yù)測具有長期穩(wěn)定性，可用于船閘位移的準(zhǔn)確預(yù)測。值得注意的是，本文訓(xùn)練集的RMSE值大于測試集，這主要是由于測試集時(shí)間歷程相對較短，每一組的預(yù)測值都較為準(zhǔn)確造成的。

由于水位和溫度在不同高程處的作用有不同的效果，為此，本文還選取該位移計(jì)另外兩個(gè)高程處的數(shù)據(jù)進(jìn)行位移預(yù)測，以此來驗(yàn)證本文所選取的影響因子的可靠性和模型的泛化性。預(yù)測結(jié)果如表3所示。

結(jié)果顯示，在不同高程處，本文所提模型的位移預(yù)測效果均優(yōu)于多元線性回歸方法，這充分說明：本文所提模型在不同高程處均有良好的效果，水位、時(shí)間和溫度對不同高度的船閘位移變形均起著關(guān)鍵作用。

4 ?結(jié) ?論

針對船閘在長期服役過程中出現(xiàn)的位移變形難以預(yù)測的問題，本文通過深度學(xué)習(xí)的方法有效解決了這一問題，并通過實(shí)驗(yàn)驗(yàn)證該方法的有效性，本文結(jié)論如下：

1）提出了基于LSTM的船閘位移預(yù)測模型利用溫度、水位差以及兩個(gè)時(shí)效量作為輸入，船閘的位移變形量作為輸出，有效解決了位移預(yù)測中多因素耦合和非線性作用的問題，從而進(jìn)一步提高了船閘位移的預(yù)測精確度。

2）通過工程實(shí)例與多元回歸方法對某船閘從2022年6月—2022年8月的位移預(yù)測結(jié)果進(jìn)行對比，證明了該模型的預(yù)測效果優(yōu)于多元回歸模型，具有較好的應(yīng)用價(jià)值。

3）將本文所提出的模型進(jìn)一步推廣至不同的多點(diǎn)位移計(jì)上，預(yù)測效果也均優(yōu)于傳統(tǒng)的多元線性回歸。證明了本文所提算法的有效性和可推廣性。

參考文獻(xiàn)：

[1] 第一次全國水利普查公報(bào) [J].中國水利，2013（7）：1-3.

[2] 覃盼.三峽壩區(qū)船舶通航安全風(fēng)險(xiǎn)演化規(guī)律研究 [D].武漢：武漢理工大學(xué)，2016.

[3] 王文意.風(fēng)險(xiǎn)源管理在葛洲壩船閘檢修中的應(yīng)用 [J].交通企業(yè)管理，2016，31（3）：69-71.

[4] 張?zhí)?基于SVR和PSO-BP的船閘三維動態(tài)風(fēng)險(xiǎn)管理方法研究 [D].哈爾濱：哈爾濱工程大學(xué)，2020.

[5] 苑敬舜.塢式船閘閘首結(jié)構(gòu)應(yīng)力變形三維有限元分析 [D].合肥：合肥工業(yè)大學(xué)，2015.

作者簡介：丁騰騰（1988.06—），男，漢族，安徽阜陽人，工程師，學(xué)士學(xué)位，研究方向：水利水電工程。