任秋兵，沈 揚，李明超，孔 銳，李明昊

（1.水利工程仿真與安全國家重點實驗室，天津大學(xué)，天津 300354；2.中國長江三峽集團(tuán)有限公司，北京 100038；3.中國電建集團(tuán) 西北勘測設(shè)計研究院有限公司，陜西 西安 710065）

1 研究背景

為達(dá)到防洪、發(fā)電、灌溉、供水等目的，需要修建不同類型的水工建筑物以控制和調(diào)配水流，如擋水建筑物（大壩、堤防等）、輸水建筑物（渠道、渡槽等）、整治建筑物等[1]。結(jié)構(gòu)安全是建筑物發(fā)揮調(diào)控功能的前提，而安全管理為建筑物正常運行提供保障，尤以長期安全監(jiān)控為甚。將各種儀器布設(shè)于水工建筑物關(guān)鍵部位，通過監(jiān)測變形、滲流等效應(yīng)量，從不同維度綜合反映其工作性態(tài)[2]。根據(jù)原型觀測資料，利用統(tǒng)計學(xué)、機(jī)器學(xué)習(xí)等方法，構(gòu)建多效應(yīng)量數(shù)學(xué)監(jiān)控模型，能夠及時掌握和預(yù)測建筑物結(jié)構(gòu)性能的重要變化，從而為評價建筑物安全狀況、發(fā)現(xiàn)建筑物異常跡象提供科學(xué)依據(jù)[3]。

依據(jù)構(gòu)建方法的不同，常規(guī)水工建筑物安全監(jiān)控模型大致分為統(tǒng)計模型、確定性模型和混合模型。以統(tǒng)計模型為代表的三大常規(guī)模型應(yīng)用頗廣，時至今日仍然發(fā)揮著重要作用，其推導(dǎo)過程和適用范圍詳見文獻(xiàn)[4]；然而，常規(guī)建模方法難以適應(yīng)繁多因子與效應(yīng)量間的復(fù)雜非線性關(guān)系，且易受不確定性因素干擾，故無法確保所建模型的準(zhǔn)確性和穩(wěn)健性[5]。20世紀(jì)末，人工智能技術(shù)攻關(guān)和行業(yè)應(yīng)用發(fā)展勢頭迅猛。徐洪鐘等[6]和蘇懷智等[7]率先將人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）、支持向量機(jī)（Support Vector Machine，SVM）等建模方法成功應(yīng)用于水工建筑物安全性態(tài)分析；之后，利用機(jī)器學(xué)習(xí)算法對不同效應(yīng)量進(jìn)行建模預(yù)測一直是水工建筑物安全監(jiān)控領(lǐng)域的研究熱點[8-11]。Wang等[12]、Wei等[13]和李明超等[14-15]進(jìn)一步發(fā)展并創(chuàng)新提出了組合模型、時空模型等一系列先進(jìn)方法，并取得了豐富成果。據(jù)此，吳中如等[5]歸納總結(jié)出安全監(jiān)控模型的總體發(fā)展趨勢如下：三大常規(guī)模型逐漸向組合化、時空化和智能化發(fā)展，以此提高模型的準(zhǔn)確性、魯棒性和外延性。

隨著安全監(jiān)控理論和計算機(jī)技術(shù)的不斷進(jìn)步，智能化是水工建筑物安全監(jiān)控發(fā)展的必然趨勢，其主要體現(xiàn)在監(jiān)測手段、數(shù)據(jù)管理和數(shù)值方法三個方面。目前，水利信息化建設(shè)偏重于監(jiān)測儀器和信息集成系統(tǒng)的升級改造，而對數(shù)據(jù)分析方法的研究和創(chuàng)新關(guān)注較少[2，16-19]。這就引發(fā)數(shù)學(xué)監(jiān)控模型的信息挖掘能力與數(shù)量日益龐大、形式日漸復(fù)雜的原型觀測資料不相適應(yīng)的問題，直接影響到模型的預(yù)測表現(xiàn)。盡管ANN、SVM 等淺層學(xué)習(xí)算法相較于統(tǒng)計模型在非線性信息提取方面有較大提升[20]，但在某些場景下仍舊難以滿足監(jiān)控需求。深層非線性網(wǎng)絡(luò)模型[21]為解決上述問題提供了可行性。深度學(xué)習(xí)[22]是ANN發(fā)展的突破，亦是機(jī)器學(xué)習(xí)領(lǐng)域的拓展，其利用復(fù)雜結(jié)構(gòu)或多重非線性變換處理層對數(shù)據(jù)進(jìn)行高度抽象，因而在隱含信息挖掘方面優(yōu)勢明顯。以長短期記憶網(wǎng)絡(luò)[23]（Long Short-Term Memory，LSTM）為例，其能夠充分挖掘時序數(shù)據(jù)中的時間依賴性以增加信息維度，從而實現(xiàn)對滑坡位移[24]、地下水埋深[25]等監(jiān)測量的高精度預(yù)測。而在水工建筑物安全監(jiān)控領(lǐng)域，有關(guān)LSTM等深度學(xué)習(xí)算法的應(yīng)用探索還鮮有報道，僅有少量研究[26-29]將其用于大壩變形預(yù)報，目前尚未擴(kuò)展到其他水工建筑物，亦未針對監(jiān)測數(shù)據(jù)自身特性進(jìn)行優(yōu)化處理。

為此，本文在LSTM算法的基礎(chǔ)上構(gòu)建水工建筑物安全監(jiān)控深度分析模型，并對算法進(jìn)行優(yōu)化，以提高所建模型的預(yù)測可靠性和工程適用性，其主要包括以下三個方面的內(nèi)容：（1）界定水工建筑物安全監(jiān)控大數(shù)據(jù)的概念，并闡明直接應(yīng)用深度學(xué)習(xí)算法構(gòu)建安全監(jiān)控模型的局限性；（2）有針對性地提出適用于不同類型水工建筑物的安全監(jiān)控深度模型構(gòu)建及優(yōu)化方法；（3）通過多類型水工建筑物的多效應(yīng)量實測數(shù)據(jù)驗證所提模型方法的有效性。

2 深度學(xué)習(xí)及其應(yīng)用分析

2.1 安全監(jiān)控大數(shù)據(jù)特性水工建筑物安全監(jiān)控大數(shù)據(jù)并不完全符合信息技術(shù)行業(yè)大數(shù)據(jù)的“5V”特征[30]（即Volume、Variety、Velocity、Value和Veracity），具有其獨特性，主要體現(xiàn)在以下五個方面。

（1）在容量方面，單一項目監(jiān)測數(shù)據(jù)量不大，仍屬于小規(guī)模數(shù)據(jù)集；繁多項目長期監(jiān)測記錄構(gòu)成的數(shù)據(jù)庫體量巨大，但遠(yuǎn)達(dá)不到PB級。

（2）在種類方面，數(shù)據(jù)多源自各種監(jiān)測儀器，如三峽大壩安全監(jiān)測系統(tǒng)布置的儀器種類有六十多種，數(shù)量達(dá)到一萬余支；數(shù)據(jù)格式呈現(xiàn)“大部分結(jié)構(gòu)化，小部分半/非結(jié)構(gòu)化”的特點，且結(jié)構(gòu)化數(shù)據(jù)演變形式復(fù)雜多樣，總體上以周期性演變?yōu)橹?，但也不乏突變、噪聲等情況。

（3）在獲取速度方面，各種監(jiān)測儀器本身采集頻率較高，但受限于系統(tǒng)設(shè)置，一般以天為單位進(jìn)行統(tǒng)一采樣；且運行初期采樣速度較快，后期逐步放緩，以至于數(shù)據(jù)存儲時間間隔不固定。

（4）在價值方面，多數(shù)項目監(jiān)測數(shù)據(jù)價值密度較高，即有價值的數(shù)據(jù)所占比例較大。

（5）在真實性方面，除非監(jiān)測儀器發(fā)生故障或失效，否則數(shù)據(jù)質(zhì)量往往較高，但也伴隨著局部離群值等。

2.2 LSTM原理概述水工建筑物在施工和運行過程中所產(chǎn)生的監(jiān)測數(shù)據(jù)大多為結(jié)構(gòu)化時序數(shù)據(jù)。傳統(tǒng)ANN每相鄰兩層節(jié)點全互連，同層節(jié)點卻相互獨立，故難以學(xué)習(xí)時序數(shù)據(jù)的內(nèi)在延續(xù)性。循環(huán)神經(jīng)網(wǎng)絡(luò)[31]（Recurrent Neural Networks，RNN）將時序概念引入網(wǎng)絡(luò)結(jié)構(gòu)中，表現(xiàn)為隱層間節(jié)點相連，且隱層輸入同時包含輸入層輸出與上一時刻隱層輸出，使其在時序數(shù)據(jù)分析方面適應(yīng)性較佳。但RNN 經(jīng)過多次迭代容易出現(xiàn)梯度爆炸或梯度消失的問題，導(dǎo)致網(wǎng)絡(luò)不穩(wěn)定甚至無法收斂[32]。為此，LSTM[23]應(yīng)運而生，其不僅克服了梯度問題，還提高了預(yù)測間隔或延遲較長的時序數(shù)據(jù)的能力，遂成為當(dāng)前處理時序數(shù)據(jù)最流行的深度學(xué)習(xí)算法之一。

LSTM在RNN的基礎(chǔ)上增加了特殊單元（即記憶模塊），其學(xué)習(xí)當(dāng)前信息的同時，還會提取長時間跨度數(shù)據(jù)之間的關(guān)聯(lián)性，以此減緩信息丟失速度，實現(xiàn)持久記憶。如圖1所示，記憶模塊由遺忘門（）、輸入門（）和輸出門（）構(gòu)成，用于決定數(shù)據(jù)更新或丟棄。具體來說，遺忘門控制上一時刻內(nèi)部狀態(tài)（）需遺忘的信息量，輸入門控制當(dāng)前時刻候選狀態(tài)（）需保存的信息量，而輸出門則控制當(dāng)前時刻內(nèi)部狀態(tài)（）需輸出給外部狀態(tài)（）

（1）利用上一時刻外部狀態(tài)（）和當(dāng)前時刻輸入（），計算出、和：

（2）結(jié)合和更新記憶單元狀態(tài)（）：

（3）通過將信息傳遞給：

式中：σ(?)、tanh(?)分別為Sigmoid函數(shù)和雙曲正切函數(shù)；w、b分別為權(quán)重矩陣和偏置向量；⊙表示兩向量的標(biāo)量積。

圖1 LSTM單元內(nèi)部結(jié)構(gòu)[25]

2.3 深度學(xué)習(xí)算法適用性分析對于水工建筑物安全監(jiān)控大數(shù)據(jù)，深度學(xué)習(xí)（如LSTM）與淺層學(xué)習(xí)相比，主要“深”在能夠更為全面地獲取數(shù)據(jù)潛在規(guī)律，從而為提升模型預(yù)測性能奠定信息基礎(chǔ)。因此，LSTM算法在水工建筑物安全監(jiān)控通用模型構(gòu)建框架中，不僅能承擔(dān)模型層的預(yù)測功能，而且能減少特征層中手工提取有效信息的工作量。再者，LSTM模型結(jié)構(gòu)便于調(diào)整，可依據(jù)數(shù)據(jù)形式的復(fù)雜程度而定[33]。不過，根據(jù)監(jiān)測數(shù)據(jù)特性，直接應(yīng)用LSTM算法構(gòu)建安全監(jiān)控模型仍有以下幾點不足：（1）監(jiān)測數(shù)據(jù)中存在含噪失真、非等間距以及局部空值野值等現(xiàn)象，需加強(qiáng)數(shù)據(jù)前端處理；（2）監(jiān)測數(shù)據(jù)處理講究及時有效，模型難以實現(xiàn)全數(shù)據(jù)處理，需限定記憶區(qū)間以減少模型訓(xùn)練時長；（3）模型表現(xiàn)易受監(jiān)測數(shù)據(jù)多重共線性等的影響；（4）模型超參數(shù)較多，而單一項目監(jiān)測數(shù)據(jù)量并不大，容易發(fā)生過擬合；加之，監(jiān)測項目眾多，數(shù)據(jù)形式多樣，對模型泛化能力提出了更高要求；（5）監(jiān)測數(shù)據(jù)外延對模型多步預(yù)測精度和特殊場景應(yīng)對能力亦較為重視。因此，有必要優(yōu)化深度模型架構(gòu)以適應(yīng)安全監(jiān)控大數(shù)據(jù)分析的需求。的信息量。其對應(yīng)計算過程如下：

3 水工建筑物安全監(jiān)控深度分析模型優(yōu)化構(gòu)建方法

針對上述不足，以LSTM深度學(xué)習(xí)算法為基礎(chǔ)，從數(shù)據(jù)前端處理、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和外延預(yù)測方法三個方面著手改進(jìn)，提出一種適用于不同類型水工建筑物的安全監(jiān)控深度分析模型。

3.1 數(shù)據(jù)前端處理為了提高安全監(jiān)控模型的外延能力，需提前對原型觀測資料進(jìn)行清洗、降噪和變換等必要的處理?，F(xiàn)給定包含T個數(shù)據(jù)的任一效應(yīng)量監(jiān)測序列yj(t)，t=1，2，…，T；j=1，2，…，J，其中缺失值和異常值分別用表示，那么前端處理具體操作步驟如下：（1）步驟1。數(shù)據(jù)清洗。利用筆者先前所提“插值填補(bǔ)”和“異常檢測”算法分別對監(jiān)測數(shù)據(jù)中局部缺失值異常值進(jìn)行實時處理（詳見文獻(xiàn)[10]），得到修正序列不同于傳統(tǒng)數(shù)據(jù)清洗方法[34]，“插值填補(bǔ)”算法能通過分布式建模充分利用缺失區(qū)域雙側(cè)已知監(jiān)測數(shù)據(jù)估計未知空值yjnu(t)，而“異常檢測”算法則能通過魯棒分解對異常值起到明顯放大作用，使其便于識別。

（2）步驟2。降噪平滑。一般認(rèn)為，實際監(jiān)測數(shù)據(jù)往往含有不同程度的噪聲。在處理含噪數(shù)據(jù)時，為了最大限度還原真實信號，同時避免相移，先將輸入序列按順序濾波，再將濾波結(jié)果逆轉(zhuǎn)并反向通過濾波器，最后將所得結(jié)果逆轉(zhuǎn)后輸出，即為降噪平滑序列其數(shù)學(xué)描述[35]為：

式中：hj(t)為所用數(shù)字濾波器沖激響應(yīng)序列；分別為第一、二次濾波結(jié)果；分別為第一、二次濾波結(jié)果的逆轉(zhuǎn)序列。

需要說明的是，上述步驟均是針對效應(yīng)量yj(t)而言，若是對影響因子xi(t)，t=1，2，…，T；i=1，2，…，I進(jìn)行前端處理，將yj(t)替換為xi(t)即可。此外，倘若優(yōu)化深度模型選擇對效應(yīng)量yj(t)進(jìn)行一元時序預(yù)測，就在上述步驟的基礎(chǔ)上，補(bǔ)充運用分段三次Hermite 插值函數(shù)[36]完成數(shù)據(jù)均勻化。為表述方便起見，下文將經(jīng)過前端處理的效應(yīng)量（或因子仍稱為yj(t)（或xi(t)）。

3.2 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)全部數(shù)據(jù)（包括效應(yīng)量yj(t)及其影響因子xi,j(t)）經(jīng)過預(yù)處理后，按照一定比例劃分為訓(xùn)練集Tr、驗證集Va和測試集Te，隨后采取以下措施對深層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)進(jìn)行優(yōu)化改進(jìn)。

（1）并聯(lián)搭建深層網(wǎng)絡(luò)LSTM1和LSTM（2統(tǒng)稱LSTM1，2），其中LSTM1用于一元時序預(yù)測，直接根據(jù)歷史監(jiān)測數(shù)據(jù)對效應(yīng)量yj(t)未來變化趨勢進(jìn)行外延分析；LSTM2則用于多元回歸預(yù)測，即通過效應(yīng)量yj(t)及其影響因子xi,j(t)間的因果關(guān)系構(gòu)建數(shù)學(xué)模型，進(jìn)而求解待估計參數(shù)。

（2）超參數(shù)調(diào)試對深層網(wǎng)絡(luò)的預(yù)測效果影響較大。以LSTM2為例，通過試算和隨機(jī)搜索算法，對隱層數(shù)nh、各隱層節(jié)點數(shù)nn、學(xué)習(xí)率lr和優(yōu)化迭代次數(shù)ni等超參數(shù)進(jìn)行迭代優(yōu)化，選取最優(yōu)超參數(shù)組合相較于LSTM2，LSTM1需將時序問題轉(zhuǎn)化為監(jiān)督學(xué)習(xí)問題，故增加時間窗口長度wt這一超參數(shù)。

（3）多數(shù)效應(yīng)量監(jiān)測序列存在長期相關(guān)性（即記憶性），通常越接近待預(yù)測值的數(shù)據(jù)對外延精度的影響越大，且過多的歷史冗余數(shù)據(jù)會增加模型的復(fù)雜度[37]。在預(yù)設(shè)范圍內(nèi)，通過限定步長l改變Tr跨度，循環(huán)訓(xùn)練得到不同的網(wǎng)絡(luò)根據(jù)Va多次評估選取精度較高的網(wǎng)絡(luò)結(jié)構(gòu)其對應(yīng)的有效記憶區(qū)間Tr +Va（區(qū)間長度設(shè)為d）即可滿足預(yù)測Te的要求。

（4）為避免LSTM1，2因Tr數(shù)據(jù)量較少而出現(xiàn)過擬合等問題，一方面，控制網(wǎng)絡(luò)深度和訓(xùn)練周期，根據(jù)訓(xùn)練損失和Va性能評估確定何時提早停止；另一方面，采用L2正則化、Dropout、批標(biāo)準(zhǔn)化等方法對模型參數(shù)進(jìn)行約束，提高模型的泛化能力[38]。此外，添加正則項也有助于解決共線性問題。

（5）針對不同應(yīng)用場景，將多步預(yù)測精度和逐步誤差累積作為競選指標(biāo)，自動擇優(yōu)選用或進(jìn)行外延預(yù)測，并利用全連接層進(jìn)行維度變換（一維輸出），以此實現(xiàn)最優(yōu)化數(shù)學(xué)建模。

3.3 外延預(yù)測方法直接多步預(yù)測（Direct Multi-step Prediction，DMP）能夠一次返回多個時刻的預(yù)測值是目前安全監(jiān)控模型中最常用的外延方法。DMP的學(xué)習(xí)、估計過程分別見下式：

式中：f1(?)為預(yù)測模型，文中指代LSTM2；ε為學(xué)習(xí)誤差；H為外延步數(shù)。

與DMP 不同，滾動單步預(yù)測（Rolling One-step Prediction，ROP）是將上一時刻預(yù)測值yj(t) 作為下一時刻預(yù)測值yj(t+1) 的輸入，利用動態(tài)更新間接實現(xiàn)多步預(yù)測，直至達(dá)到待預(yù)測步數(shù)H為止。ROP的學(xué)習(xí)、估計過程分別見下式：

式中：f2(?)為預(yù)測模型，文中指代LSTM1；d為有效記憶區(qū)間長度。

對于一個穩(wěn)定的預(yù)測模型，無需高頻次學(xué)習(xí)更新，通過設(shè)定更新時間tu即可完成周期性的模型迭代。

綜合上述三個方面的改進(jìn)，以LSTM算法為基礎(chǔ)的水工建筑物安全監(jiān)控優(yōu)化深度模型得以構(gòu)建，稱為優(yōu)化LSTM模型（Optimized LSTM，OLSTM）。

4 工程實例驗證

圖2 某混凝土壩IP4_01_X方向變形監(jiān)測數(shù)據(jù)

圖3 某調(diào)水工程多效應(yīng)量監(jiān)測儀器讀數(shù)記錄

基于上述模型方法，選取多組不同效應(yīng)量實測數(shù)據(jù)作為典型應(yīng)用場景，對OLSTM進(jìn)行有效性和準(zhǔn)確性驗證，旨在通過此實例說明OLSTM在多類型水工建筑物安全監(jiān)控方面的優(yōu)勢。為此，以某混凝土壩IP4_01_X方向變形監(jiān)測數(shù)據(jù)（數(shù)據(jù)示于圖2，豎線以右為預(yù)測期）與某調(diào)水工程關(guān)鍵部位鋼筋計、測縫計、應(yīng)變計和滲壓計讀數(shù)記錄（數(shù)據(jù)示于圖3，豎線以右為預(yù)測期）為例，設(shè)定3種實際應(yīng)用場景，引入逐步回歸統(tǒng)計模型（SRSM）和SVM、反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）等淺層模型與OLSTM深度模型進(jìn)行性能對比。仿真實驗中需要注意以下幾點：（1）確保各模型輸入數(shù)據(jù)前端處理步驟（詳見3.1節(jié)）的一致性，濾波結(jié)果示于圖2和圖3；（2）將淺層模型性能調(diào)至最優(yōu)，SVM超參數(shù)（懲罰因子、高斯核函數(shù)參數(shù)）和BPNN 超參數(shù)（連接權(quán)重、閾值）均由隨機(jī)搜索算法優(yōu)化；（3）OLSTM 采用自適應(yīng)矩估計算法更新內(nèi)部參數(shù)，損失函數(shù)、隱層激活函數(shù)分別設(shè)為均方誤差（MSE）和tanh 函數(shù)；（4）由于SVM、BPNN 和OLSTM 預(yù)測存在隨機(jī)性，遂將各模型10 次運行結(jié)果取均值作為最終輸出；（5）選用MSE、平均絕對誤差（MAE）和平均絕對百分比誤差（MAPE）作為量化評估各模型預(yù)測性能的統(tǒng)計指標(biāo)。需要說明的是，本文限于篇幅僅在圖2和圖3中繪制出效應(yīng)量監(jiān)測序列。

4.1 場景一：數(shù)據(jù)量大，形式簡單由圖2可知，該測點變形呈明顯的周期性變化，是工程中最常見也是最簡單的一種數(shù)據(jù)演變形式[39]；監(jiān)測數(shù)據(jù)樣本量較大，數(shù)值變化幅度基本一致；存在幾處分布較為離散的異常突變（圖2紅色框選處）?，F(xiàn)采用SRSM、SVM、BPNN 和OLSTM 這4種模型對大壩變形進(jìn)行外延預(yù)測，各模型的DMP結(jié)果如圖4所示。從圖4可以看出：（1）所有模型均未準(zhǔn)確把握大壩變形的局部細(xì)微波動，僅預(yù)測出大致變化趨勢；（2）SVM預(yù)測結(jié)果區(qū)別于其余3種模型，與實測值差距較大，說明其性能易受數(shù)據(jù)波動的影響；（3）前150 步內(nèi)，OLSTM 預(yù)測效果明顯優(yōu)于SRSM 和BPNN，這正是此3 種模型性能差別的主要所在，表現(xiàn)出深度模型在大量數(shù)據(jù)挖掘分析方面的潛力。表1 是上述4 種模型的性能評估結(jié)果，各模型預(yù)測效果按照統(tǒng)計指標(biāo)從優(yōu)到劣排序為：OLSTM>SRSM>BPNN>SVM。

圖4 IP4_01_X測點變形的多模型預(yù)測結(jié)果

表1 IP4_01_X測點變形多模型預(yù)測性能量化評估結(jié)果

4.2 場景二：數(shù)據(jù)量小，形式復(fù)雜正如圖3（a）—（c）所示，該調(diào)水工程鋼筋計、測縫計和應(yīng)變計的讀數(shù)記錄是符合本應(yīng)用場景的3個實例，其數(shù)據(jù)特征描述如下：與4.1節(jié)中大壩變形相比，3組數(shù)據(jù)樣本量相對較小，演變形式復(fù)雜多樣；鋼筋應(yīng)力數(shù)值變化幅度隨著時間推移逐漸變大，且在預(yù)測期伊始陡然上升；裂縫開合度數(shù)值在實測期始末變化速率較快，中間呈平穩(wěn)變化狀態(tài)；應(yīng)變數(shù)據(jù)中存在諸多幅度不一的波動，周期性特征被掩蓋?，F(xiàn)將不同模型（SRSM、BPNN和OLSTM）用于外推估計上述儀器讀數(shù)，各模型的ROP結(jié)果如圖5（a）—（c）所示。由圖可知：（1）3種模型的預(yù)測誤差均隨外推步長的增加而增大（即誤差累積效應(yīng)），尤以SRSM為甚，表明傳統(tǒng)統(tǒng)計模型難以適應(yīng)非平穩(wěn)數(shù)據(jù)處理；（2）BPNN和OLSTM短期預(yù)測效果相仿，OLSTM長期預(yù)測結(jié)果與實測值更為接近，說明深度模型可用以長期安全監(jiān)控；（3）3種模型中僅有OLSTM 捕捉到局部數(shù)據(jù)波動，但仍存在一定偏差。從“多步預(yù)測精度”角度而言，3種模型在不同效應(yīng)量預(yù)測中的性能量化評估結(jié)果（表2）亦能佐證上述觀點，各模型預(yù)測效果按照統(tǒng)計指標(biāo)從優(yōu)到劣排序為：OLSTM>BPNN>SRSM。

圖5 多效應(yīng)量多模型預(yù)測結(jié)果

表2 多效應(yīng)量多模型預(yù)測性能量化評估結(jié)果

4.3 場景三：因子缺失，形式復(fù)雜圖3（d）中滲壓計讀數(shù)表現(xiàn)為密集型振蕩模式，隨機(jī)噪聲較大；數(shù)據(jù)樣本量較小，且缺失預(yù)測因子，難以依靠外生變量修正原始數(shù)據(jù)，準(zhǔn)確預(yù)測未來趨勢難度較大。在此場景下，無法使用傳統(tǒng)統(tǒng)計模型，只能將BPNN和OLSTM用于水位變化的外延預(yù)測，兩種模型的ROP結(jié)果如圖5（d）所示。從圖中可以看出：前10步內(nèi)，OLSTM預(yù)測結(jié)果更加貼近實測值，且數(shù)值存在恰當(dāng)?shù)牟▌樱?0步之后，實測數(shù)據(jù)變化幅度增大，OLSTM保守選取中值作為預(yù)測結(jié)果，而BPNN一直維持固有速率呈下降趨勢?？傮w而言，同等情況下深度模型能夠抓取更多信息來提高逐步預(yù)測精度。

5 結(jié)論

針對復(fù)雜非線性安全監(jiān)控大數(shù)據(jù)，從前端處理、網(wǎng)絡(luò)結(jié)構(gòu)和外延預(yù)測三個方面出發(fā)，通過改進(jìn)加強(qiáng)LSTM深層網(wǎng)絡(luò)，提出適用于不同類型水工建筑物的安全監(jiān)控優(yōu)化深度模型，為深度學(xué)習(xí)推廣應(yīng)用奠定了研究基礎(chǔ)?；谒岢龅哪Ｐ?，結(jié)合某混凝土壩和某調(diào)水工程多效應(yīng)量監(jiān)測數(shù)據(jù)，設(shè)置3種典型應(yīng)用場景下的多模型性能對比仿真實驗，結(jié)果表明該模型在外推估計方面優(yōu)勢明顯，主要表現(xiàn)為：（1）相比于常規(guī)、淺層模型，深度模型適用于更多場景，且同一場景下其預(yù)測效果提升顯著；（2）通過數(shù)據(jù)清洗、降噪平滑等前處理方法提高了數(shù)學(xué)建模效率，并改善了模型計算復(fù)雜度；（3）借助競爭機(jī)制和超參數(shù)優(yōu)化，自動選取較優(yōu)預(yù)測方式，不僅提高了模型的泛化能力，還減少了人工干預(yù)成本；（4）采用限定區(qū)間、早停、正則化等策略，縮短了模型訓(xùn)練時長，同時緩解了過擬合和共線性問題；（5）DMP重在把握整體演變趨勢，ROP則能反映局部數(shù)據(jù)波動。

鑒于深度學(xué)習(xí)算法在水工建筑物安全監(jiān)控領(lǐng)域的應(yīng)用研究尚處于起步階段，本文未能詳盡討論其他應(yīng)用場景，現(xiàn)提出以下兩點展望供相關(guān)人員參考：（1）深度模型預(yù)測性能與數(shù)據(jù)量密切相關(guān)，而部分地區(qū)水工建筑物歷史觀測資料完整性、可靠性均不足，如何利用有限數(shù)據(jù)開發(fā)高精度網(wǎng)絡(luò)是一個重要的研究課題；（2）目前多數(shù)從業(yè)人員只能通過加深或加寬網(wǎng)絡(luò)改善模型性能，而無法對網(wǎng)絡(luò)內(nèi)部進(jìn)行有效的數(shù)學(xué)解釋，因而亟待研究深層網(wǎng)絡(luò)的可判讀性和可理解性。