鮑中秋，季 駿，徐 蘇，田菊飛

(1.南京市水利規(guī)劃設(shè)計(jì)院股份有限公司，江蘇 南京 210000；2.河海大學(xué)水利水電學(xué)院，江蘇 南京 210098；3.中國電建西北勘測(cè)設(shè)計(jì)研究院有限公司，陜西 西安 710000)

0 引言

為了監(jiān)控大壩的安全運(yùn)行和預(yù)警大壩的異常情況，通常在大壩壩體和近壩區(qū)布置大量傳感器以掌握大壩各效應(yīng)量的變化趨勢(shì)[1]。這些大壩的監(jiān)測(cè)檢測(cè)設(shè)備隨著大壩的服役會(huì)積累形成圍繞大壩運(yùn)行性態(tài)的數(shù)據(jù)庫，因此從數(shù)據(jù)庫中挖掘和提取大壩的安全狀況則是工作中的關(guān)鍵和重點(diǎn)。為了從數(shù)據(jù)庫中更好更全面地研究和分析大壩的服役性態(tài)，基于數(shù)據(jù)驅(qū)動(dòng)的大壩安全監(jiān)控模型被提出和應(yīng)用[2]。數(shù)據(jù)驅(qū)動(dòng)模型被廣泛用于大壩安全監(jiān)控模型中，各種傳感技術(shù)和硬件軟件接口的最新發(fā)展使定期收集數(shù)據(jù)和實(shí)時(shí)監(jiān)控預(yù)警成為可能，收集的數(shù)據(jù)通常用于開發(fā)數(shù)據(jù)驅(qū)動(dòng)模型[3]。與確定性模型相比[4-5]，數(shù)據(jù)驅(qū)動(dòng)模型的開發(fā)難度較低，其參數(shù)可以根據(jù)可用監(jiān)測(cè)數(shù)據(jù)更容易進(jìn)行迭代和更新。

依據(jù)監(jiān)控對(duì)象的不同，Li[6]等對(duì)大壩安全監(jiān)控模型的數(shù)據(jù)驅(qū)動(dòng)模型進(jìn)行了分類，將監(jiān)控模型分為了3類：監(jiān)測(cè)模型、監(jiān)測(cè)指標(biāo)模型和異常值檢測(cè)模型。其中監(jiān)測(cè)模型是一個(gè)輸入-輸出模型，以環(huán)境變量為輸入，以大壩響應(yīng)為輸出；監(jiān)測(cè)指標(biāo)法用于產(chǎn)生警告或極值，考慮到大壩響應(yīng)的先前變化，并確定未來變化是否安全；異常值檢測(cè)模型也是發(fā)現(xiàn)大壩狀態(tài)異常變化的重要方法。同樣地，依據(jù)數(shù)據(jù)驅(qū)動(dòng)的數(shù)學(xué)方法和技術(shù)的不同，數(shù)據(jù)驅(qū)動(dòng)模型可以分為3種，分別為統(tǒng)計(jì)模型，人工智能模型和無損檢測(cè)方法。本文對(duì)這3個(gè)主要方法分別進(jìn)行國內(nèi)外研究現(xiàn)狀的闡述，并討論大壩安全監(jiān)控模型未來的發(fā)展趨勢(shì)和主要面臨的問題和挑戰(zhàn)。

1 數(shù)據(jù)驅(qū)動(dòng)模型的研究現(xiàn)狀

1.1 統(tǒng)計(jì)模型

大壩響應(yīng)由幾種可逆和不可逆效應(yīng)的組合產(chǎn)生。不可逆效應(yīng)通常與蠕變、膨脹和沉降等隨時(shí)間變化的現(xiàn)象有關(guān)。從大壩安全的角度來看，這些影響最為關(guān)鍵，需要監(jiān)控其發(fā)展，可逆效應(yīng)通常不是關(guān)鍵的，并且由于每日溫度變化、季節(jié)變化和水庫水位波動(dòng)而產(chǎn)生。建立統(tǒng)計(jì)模型的主要假設(shè)是大壩響應(yīng)y為可逆效應(yīng)的疊加，傳統(tǒng)統(tǒng)計(jì)模型都是根據(jù)這一假設(shè)開發(fā)的[7]。通常的效應(yīng)變量有靜水效應(yīng)yH、季節(jié)性效應(yīng)yS、溫度效應(yīng)yT和不可逆效應(yīng)(如時(shí)間相關(guān)效應(yīng)yt)。常見的統(tǒng)計(jì)模型有HST(水位-季節(jié)-時(shí)間)模型和HTT(水位-溫度-時(shí)間)模型等，其中HST模型、HTT模型的表達(dá)式分別為：

y=yH+yS+yt+ε

(1)

y=yH+yT+yt+ε

(2)

式中，ε—誤差項(xiàng)，通常假設(shè)是獨(dú)立同分布的，并用于監(jiān)控和預(yù)警。

傳統(tǒng)統(tǒng)計(jì)模型的一個(gè)主要缺點(diǎn)是這些模型不包括參數(shù)和模型不確定性。由于缺乏物理數(shù)據(jù)(如材料特性、大壩幾何結(jié)構(gòu)、巖體剖面和破壞模式)的支持，大壩安全監(jiān)控模型存在不確定性。為了解決這個(gè)問題，研究人員開發(fā)了貝葉斯概率模型[8-9]，該模型結(jié)合了所有可用信息并減少了不確定性。Gamse[9]等將貝葉斯框架應(yīng)用于HST模型，并使用貝葉斯模型類別選擇最佳模型，模型性能使用從填石路堤上的永久大地測(cè)量監(jiān)測(cè)系統(tǒng)獲得的長(zhǎng)期數(shù)據(jù)進(jìn)行了驗(yàn)證。同樣，有人指出統(tǒng)計(jì)模型的參數(shù)沒有物理意義[10]，為了解決這個(gè)問題，研究人員使用盲源分離來找出各種外部載荷(如空氣溫度、靜水壓力、結(jié)構(gòu)變形和不可逆分量)對(duì)結(jié)構(gòu)響應(yīng)的貢獻(xiàn)。

統(tǒng)計(jì)模型的另一個(gè)主要缺點(diǎn)是它不能再現(xiàn)變量之間的非線性關(guān)系和相關(guān)性。人工智能模型可以克服這個(gè)問題，因?yàn)槿斯ぶ悄苣Ｐ湍軌驅(qū)W習(xí)輸入和輸出變量之間復(fù)雜的非線性相互關(guān)系，并將各種不確定性納入預(yù)測(cè)。

1.2 人工智能模型

人工智能技術(shù)的關(guān)鍵思想是用給定的大壩響應(yīng)數(shù)據(jù)訓(xùn)練模型(有監(jiān)督或無監(jiān)督學(xué)習(xí))，并將其用于未來預(yù)測(cè)。過去，各種人工智能模型，如神經(jīng)網(wǎng)絡(luò)(Neural Network，NN)、支持向量機(jī)(Support Vector Machine，SVM)、高斯過程回歸(Gaussian Process Regression，GPR)、深度學(xué)習(xí)等，已經(jīng)用于大壩安全監(jiān)控模型。例如，Liu[11]等使用單隱層神經(jīng)網(wǎng)絡(luò)算法來預(yù)測(cè)149.5m高混凝土拱壩的位移。Assaad等[12]使用基于神經(jīng)網(wǎng)絡(luò)的決策支持系統(tǒng)開發(fā)了現(xiàn)有大壩的潛在風(fēng)險(xiǎn)預(yù)測(cè)技術(shù)。Li[13]等開發(fā)了一種基于圖像的神經(jīng)網(wǎng)絡(luò)，用于對(duì)大壩的表面裂縫進(jìn)行分類和定位。

研究人員比較了各種人工智能模型的結(jié)果，并為特定大壩選擇了最合適的模型。例如，Hu[14]等比較了隨機(jī)森林(RF)、最小二乘支持向量機(jī)(LS-SVM)、簡(jiǎn)單增強(qiáng)回歸樹(SBRT)和核極限學(xué)習(xí)機(jī)(K-ELM)的結(jié)果，用于大壩變形預(yù)測(cè)。類似地，Cheng[15]等比較了SVM、ANN和混合AI模型用于大壩位移預(yù)測(cè)的結(jié)果。結(jié)果表明，混合人工智能模型為DHM提供了比傳統(tǒng)人工智能模型更好的精度。Kang[16]等人比較了GPR-HST模型和GPR模型的結(jié)果，并得出結(jié)論，GPR方法更有效地捕捉了大壩響應(yīng)中的非線性。Wei B[17]等將時(shí)空混合模型與單點(diǎn)統(tǒng)計(jì)模型和SVM模型的性能進(jìn)行了比較。劉浩[18]借助IABC-LSSVM融合人工智能模型對(duì)大壩變形進(jìn)行監(jiān)控，其結(jié)果精度較高和魯棒性較高，說明融合不同的智能算法能夠發(fā)揮各自的優(yōu)勢(shì)，提高監(jiān)控模型的精度和可靠性。

此外，文獻(xiàn)[19]對(duì)用于大壩響應(yīng)建模的機(jī)器學(xué)習(xí)技術(shù)進(jìn)行了比較和回顧。在他們的工作中，比較了各種人工智能模型的測(cè)試和預(yù)測(cè)能力，如隨機(jī)森林(RF)、增強(qiáng)回歸樹(BRT)、神經(jīng)網(wǎng)絡(luò)(NN)、支持向量機(jī)(SVM)和多元自適應(yīng)回歸樣條(MARS)。發(fā)現(xiàn)BRT模型在預(yù)測(cè)中表現(xiàn)最好，其次是NN和RF。進(jìn)一步地，如果大壩運(yùn)行后的前幾年數(shù)據(jù)被排除在訓(xùn)練集之外，模型擬合和預(yù)測(cè)能力會(huì)提高。

1.3 無損檢測(cè)技術(shù)

無損檢測(cè)技術(shù)在工程安全健康檢測(cè)的從業(yè)者和工程師中非常流行，如聲發(fā)射、光纖、光纖布拉格光柵和超聲波技術(shù)被用于評(píng)估現(xiàn)有大壩的健康狀況。

聲發(fā)射是指伴隨固體材料在斷裂時(shí)釋放儲(chǔ)存的能量產(chǎn)生彈性波的現(xiàn)象，利用接收聲發(fā)射信號(hào)研究材料、動(dòng)態(tài)評(píng)價(jià)結(jié)構(gòu)的完整性，聲發(fā)射法適用于實(shí)時(shí)動(dòng)態(tài)監(jiān)控檢測(cè)，且只顯示和記錄擴(kuò)展的缺陷，這意味著與缺陷尺寸無關(guān)，而是顯示正在擴(kuò)展的最危險(xiǎn)缺陷[20]。這樣，應(yīng)用聲發(fā)射檢驗(yàn)方法時(shí)可以對(duì)缺陷不按尺寸分類，而按其危險(xiǎn)程度分類。Kepler[21]等應(yīng)用聲學(xué)走時(shí)層析成像方法來檢測(cè)和定位大型混凝土大壩的損傷。Shiotani[22]使用AE技術(shù)評(píng)估了舊大壩中修復(fù)混凝土橋墩的性能，并指示修復(fù)前后混凝土大壩結(jié)構(gòu)構(gòu)件修復(fù)階段的效率。在另一項(xiàng)研究中，Zhang[23]等提出了AE技術(shù)來監(jiān)測(cè)拱壩的破壞階段，AE分形特征用于預(yù)測(cè)大壩的破壞和評(píng)估大壩的整體狀況。Li[24]等將數(shù)字圖像相關(guān)和AE技術(shù)相結(jié)合，研究了混凝土壩在不同荷載作用下的損傷擴(kuò)展和斷裂過程，結(jié)果表明，AE分析捕捉了不同加載速率下的裂紋擴(kuò)展。

與傳統(tǒng)的機(jī)械和電氣傳感器相比，光纖傳感器具有一些獨(dú)特的優(yōu)點(diǎn)，如體積小、重量輕、抗電磁干擾和抗腐蝕性以及嵌入能力，因此它們已在全球工程結(jié)構(gòu)監(jiān)測(cè)中得到應(yīng)用。Khan[25]等提出了一種利用光纖傳感器收集的溫度測(cè)量值進(jìn)行大壩泄漏檢測(cè)的方法，研究結(jié)果證明，所提出的方法能夠識(shí)別并提供大壩泄漏的預(yù)警系統(tǒng)。Fan[26]等使用光纖布拉格光柵(FBG)應(yīng)變傳感器來監(jiān)測(cè)和評(píng)估低強(qiáng)度材料的應(yīng)變，實(shí)驗(yàn)研究結(jié)果表明，F(xiàn)BG應(yīng)變傳感器能夠捕捉動(dòng)態(tài)應(yīng)變，并檢測(cè)和定位地震作用下大壩的裂縫。作者得出結(jié)論，這種類型的傳感器可用于提取動(dòng)態(tài)參數(shù)，并預(yù)測(cè)小型水壩內(nèi)部的損傷起始和擴(kuò)展。

超聲波在構(gòu)件內(nèi)部傳播時(shí)遇到不同界面將有不同的反射信號(hào)(回波)，利用傳遞到探頭的不同反射信號(hào)，可以對(duì)目標(biāo)進(jìn)行檢測(cè)[27-28]。Indrasari[29]等使用超聲波和水流傳感器開發(fā)了大壩洪水管理的早期洪水檢測(cè)和預(yù)警系統(tǒng)：兩個(gè)超聲波傳感器和一個(gè)水流傳感器用于檢測(cè)Katulampa大壩的水位和流量。研究的結(jié)果表明，所開發(fā)的系統(tǒng)作為洪水災(zāi)害警報(bào)具有較高的性能和效率。Wang[30]等提出了一種使用超聲波傳感器的損傷檢測(cè)和定位技術(shù)：所提出的技術(shù)用于改進(jìn)傳統(tǒng)超聲計(jì)算機(jī)斷層掃描的性能，以檢測(cè)和定位鋼筋混凝土結(jié)構(gòu)中的故障。石濤[31]使用基于超聲波的方法來監(jiān)測(cè)和評(píng)估安裝在大壩工程中的耳軸錨桿的健康狀態(tài)。

因此，無損檢測(cè)技術(shù)能夠定期對(duì)大壩結(jié)構(gòu)的安全穩(wěn)定性進(jìn)行評(píng)估，其結(jié)果的精度和可靠性在大量工程實(shí)踐中得到了驗(yàn)證。隨著信號(hào)分析技術(shù)的發(fā)展，由信號(hào)數(shù)據(jù)驅(qū)動(dòng)的大壩安全檢測(cè)技術(shù)會(huì)得到進(jìn)一步發(fā)展。

2 發(fā)展趨勢(shì)及主要問題

由上可知，HST和HTT等統(tǒng)計(jì)模型以及NN和SVM等人工智能模型已經(jīng)成功地廣泛應(yīng)用于大壩安全監(jiān)控，無損檢測(cè)技術(shù)也較好地應(yīng)用在大壩安全健康檢測(cè)中。

統(tǒng)計(jì)模型的優(yōu)勢(shì)在于可以解決較為簡(jiǎn)單的回歸模型，比如線性回歸和相關(guān)性強(qiáng)的非線性問題。統(tǒng)計(jì)模型對(duì)于長(zhǎng)時(shí)間的大壩安全監(jiān)控的預(yù)測(cè)和預(yù)警精度則較低，以及對(duì)復(fù)雜的非線性問題的解答能力較弱。未來主要在小型水利工程中進(jìn)行應(yīng)用，一是小型水利工程的數(shù)據(jù)庫較小，二是小型水利工程的管理經(jīng)費(fèi)較少，復(fù)雜的智能模型的開發(fā)和維護(hù)經(jīng)費(fèi)則相對(duì)較高，基于這兩點(diǎn)的原因，統(tǒng)計(jì)模型依然是安全監(jiān)控模型中必不可少的模型。

相較于統(tǒng)計(jì)模型，人工智能模型的精度得到了較大幅度的提高，也逐漸成為大壩安全監(jiān)控模型的主要應(yīng)用模型。盡管基于神經(jīng)網(wǎng)絡(luò)等人工學(xué)習(xí)的智能模型應(yīng)用廣泛，但它們?nèi)杂幸恍┚窒扌?，如?quán)重的初始化、需要最佳網(wǎng)絡(luò)架構(gòu)，以及過度擬合、訓(xùn)練時(shí)間長(zhǎng)效率低等。為了解決上述問題，深度學(xué)習(xí)、遷移學(xué)習(xí)是人工智能模型的主要發(fā)展方向，可以進(jìn)一步提高模型的學(xué)習(xí)能力和泛化能力。

隨著檢測(cè)監(jiān)測(cè)技術(shù)的發(fā)展，能夠得到關(guān)于大壩運(yùn)行性態(tài)的數(shù)據(jù)愈加龐大，這對(duì)基于數(shù)據(jù)驅(qū)動(dòng)的監(jiān)控模型提出新的要求。特別地，信息化和智能化的智慧大壩需要高精度的監(jiān)控模型來支撐和實(shí)現(xiàn)。過去實(shí)現(xiàn)單一目標(biāo)的單一模型對(duì)于目前的實(shí)時(shí)監(jiān)控大壩則明顯不足。因此，多目標(biāo)的大壩智慧監(jiān)控模型是未來發(fā)展的重點(diǎn)。大壩智慧監(jiān)控模型的關(guān)鍵在于判別系統(tǒng)的構(gòu)建，特別是對(duì)大壩模型的迭代和更新速度。

此外，除了數(shù)據(jù)驅(qū)動(dòng)模型本身技術(shù)和方法面臨的問題外，數(shù)據(jù)驅(qū)動(dòng)的大壩數(shù)據(jù)庫和大壩的結(jié)構(gòu)性態(tài)的信息也對(duì)模型的精度產(chǎn)生比較大的影響，其主要的問題包括有：

(1)收集數(shù)據(jù)中的噪聲。噪聲是由各種環(huán)境因素(如車，人，水流，風(fēng)荷載等)和傳感器本身電測(cè)(如電壓不穩(wěn)，電磁噪聲等)造成的。

(2)靜態(tài)模型和動(dòng)態(tài)模型的集成。例如，大壩的固有頻率和水平位移可以集成到同一模型中，以更好地指示大壩性能。

(3)基準(zhǔn)數(shù)據(jù)的缺失。與建筑物和橋梁等其他結(jié)構(gòu)不同，大壩監(jiān)測(cè)的基準(zhǔn)數(shù)據(jù)集通常式缺失的。

(4)安全預(yù)警閾值。大壩響應(yīng)閾值(如位移、應(yīng)變、固有頻率等)的設(shè)置是及時(shí)檢測(cè)損傷的重要步驟。需要開發(fā)算法來設(shè)置適當(dāng)?shù)拈撝?，以使錯(cuò)誤警報(bào)最小化，并檢測(cè)到早期損壞。

3 結(jié)論

(1)隨著信息技術(shù)的發(fā)展，統(tǒng)計(jì)模型、人工智能模型和無損檢測(cè)技術(shù)都得到了較好的發(fā)展，基于數(shù)據(jù)驅(qū)動(dòng)的大壩安全監(jiān)控模型的精度都有不同程度的提高。

(2)通過討論和闡述大壩安全監(jiān)控模型的發(fā)展趨勢(shì)和存在的主要問題可以為大壩安全管理人員提供新的基礎(chǔ)性信息，也可以為大壩安全監(jiān)控模型和系統(tǒng)的開發(fā)人員提供新的思路。

(3)考慮到大壩系統(tǒng)的復(fù)雜性，現(xiàn)有的安全監(jiān)控模型仍存在一定的局限性。大壩安全監(jiān)控模型的發(fā)展趨勢(shì)是實(shí)現(xiàn)大壩的實(shí)時(shí)監(jiān)控和預(yù)警，因此大壩安全監(jiān)控模型需要提高監(jiān)測(cè)檢測(cè)技術(shù)和智能算法的融合度和實(shí)時(shí)性。