預(yù)測模型在壩基帷幕注漿量預(yù)測中應(yīng)用效果分析

梁峰

（喀左縣水資源辦公室，遼寧 朝陽 122300）

0 引言

據(jù)統(tǒng)計，已有的大壩失事事件中，近40%是由于壩基的基礎(chǔ)問題造成的。因此，在大壩的施工建設(shè)過程中，做好壩基的工程技術(shù)處理顯得尤為重要。目前，帷幕灌漿是大壩壩基處理領(lǐng)域最常用的方式，具有施工方法簡單，工程經(jīng)濟性高的優(yōu)勢。但是，帷幕灌漿的施工對象均在隱蔽處，其漿液的流動和擴散填充情況無法直接探知，這也給灌漿工程的質(zhì)量控制造成諸多困擾[1]。

在大壩帷幕灌漿設(shè)計和施工中，對灌漿量的預(yù)測一般都依靠工程技術(shù)人員的經(jīng)驗。由于壩基巖土體的性質(zhì)比較復(fù)雜，其內(nèi)部的裂隙發(fā)育程度及分布特征難以有效判斷，因此，人工經(jīng)驗為基礎(chǔ)的注漿量預(yù)測，往往造成預(yù)測結(jié)果存在較大的偏差，不利于工程經(jīng)濟性的實現(xiàn)和注漿施工質(zhì)量的有效控制[2]?；诖?，諸多學(xué)者將人工智能方法應(yīng)用于灌漿量的預(yù)測研究，并取得了一定的工程效果[3]。此次研究以具體工程為背景，對常用的3 種預(yù)測模型進行對比分析，為相關(guān)應(yīng)用提供有益的支持和借鑒。

1 注漿量預(yù)測模型

1.1 BP 神經(jīng)網(wǎng)

人工神經(jīng)網(wǎng)具有大規(guī)模并行處理、分布式信息存儲、良好的自組織和自學(xué)能力，目前已經(jīng)廣泛應(yīng)用于巖土工程研究領(lǐng)域[4]。BP 神經(jīng)網(wǎng)算法作為人工神經(jīng)網(wǎng)的一種，在計算過程中具有信號向前轉(zhuǎn)播和誤差反向傳播兩個過程。在正向傳播過程中，輸入信號可以通過隱含層作用輸出節(jié)點，經(jīng)過非線性變換從而產(chǎn)生輸出信號，如果實際輸出值和期望值存在不相符的現(xiàn)象，則轉(zhuǎn)入誤差反向傳播過程。誤差反向傳播是將輸出誤差通過隱含層向輸入層反傳，然后通過輸入節(jié)點和隱含節(jié)點連接強度及閾值的調(diào)整，使誤差沿著梯度方向不斷下降，經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，確定最小誤差與相應(yīng)的網(wǎng)絡(luò)參數(shù)，算法結(jié)束。

1.2 LIBSVM 支持向量機模型

支持向量機（Support VectorM achine，SVM )以統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化原理為基礎(chǔ)，基于嚴(yán)格的數(shù)學(xué)理論，可以實現(xiàn)在較小樣本的基礎(chǔ)上最大限度提高預(yù)測的準(zhǔn)確性和可靠性，對工程中的小樣本問題具有良好的學(xué)習(xí)和推廣能力。即使樣本的容量不大，也不會陷入“維數(shù)災(zāi)難”[5]。同時，該方法還具有良好的泛化性能，可以獲得全局最優(yōu)解。LIBSVM 是臺灣大學(xué)著名教授林智仁開發(fā)設(shè)計的一款簡單、易于使用和快速有效的SVM 模式識別和軟件包。在此次研究中，基于Matlab 平臺編寫注漿量LIBSVM 模型，對背景工程的注漿量進行計算。

1.3 改進混合學(xué)習(xí)機算法（DCI-ELMK）

DCI-ELMK 是一種基于Delta 檢驗（DT）算法和混沌優(yōu)化算法（COA）的極限學(xué)習(xí)機算法[6]。該方法的基本思路是先利用COA 的全局搜索能力對（I-ELM）的隱含層節(jié)點參數(shù)(a，b) 進行參數(shù)識別，再根據(jù)DT 計算輸出權(quán)值，可以有效減少IELM 算法學(xué)習(xí)時間，降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜程度，提高算法學(xué)習(xí)能力。同時，采用位置核映射代替一直隱含層映射，可增強算法的在線預(yù)測能力[7]。

2 預(yù)測模型對比研究

2.1 對比研究方案

三道嶺水庫是一座以防洪和供水為主要功能，兼具農(nóng)田灌溉、旅游、養(yǎng)殖等多種功能為一體的?。?）型水利工程，其壩址位于遼寧省營口市周家鎮(zhèn)境內(nèi)。鑒于該水庫病險情況比較嚴(yán)重，營口市積極籌措資金對該水庫進行除險加固，并在原壩址下游100.0 m 處新建水庫大壩。根據(jù)工程設(shè)計階段的地質(zhì)調(diào)查資料，新建大壩壩基表面的覆蓋層主要是沙壤土與堆積的砂礫石，河谷基底主要為白堊紀(jì)砂巖和礫巖，巖體表面風(fēng)化比較嚴(yán)重。因此，施工中需要清除上層的沙壤土，并對壩基進行防滲帷幕處理，設(shè)計灌漿線與壩軸線重合，主河床的灌漿長度為265.5 m，防滲帷幕原始設(shè)計深度為基巖面以下18.0～20.0 m。

此次研究以三道嶺水庫新壩址壩基帷幕灌漿工程為依據(jù)，利用BP 神經(jīng)網(wǎng)、LIBSVM 支持向量機模型、改進混合學(xué)習(xí)機算法（DCI-ELMK）等預(yù)測模型對注漿量進行預(yù)測研究，并與施工中采集的具體數(shù)據(jù)進行對比，對注漿量、性能指標(biāo)進行對比研究，對3 種模型的預(yù)測效果和精度進行評價[8]。

2.2 模型預(yù)測結(jié)果分析

2.2.1 注漿量預(yù)測結(jié)果

利用3 個預(yù)測模型對背景工程的65 個注漿孔的注漿量、注灰量進行預(yù)測分析，并與實測結(jié)果進行對比，根據(jù)注漿量結(jié)果繪制出注漿量和注灰量的對比圖，如圖1 和圖2 所示。由圖1，2 可以看出，3 種不同的預(yù)測模型相比，LIBSVM 模型的預(yù)測結(jié)果和實測值最為接近，預(yù)測精度最高，BP 神經(jīng)網(wǎng)模型次之，誤差最大的是DCI-ELMK 模型。由此可見，LIBSVM 模型的預(yù)測結(jié)果可以為工程應(yīng)用提供較有說服力的理論支持。

圖1 注漿量實測值與預(yù)測值對比

圖2 注灰量實測值與預(yù)測值對比

2.2.2 不同模型的性能指標(biāo)對比

研究中對不同模型的性能指標(biāo)進行計算，結(jié)果如表1 所示。從表1 可以看出，LIBSVM 模型的各項指標(biāo)均為最優(yōu)，因此，在注漿量的預(yù)測計算方面具有較為明顯的優(yōu)勢，利用該方法對施工現(xiàn)場的注漿量及注灰量進行對比分析，可以有效確定各個注漿孔段的注漿量是否合理，避免造成注漿材料的浪費，造成不必要的經(jīng)濟損失。

表1 模型性能指標(biāo)計算結(jié)果

3 結(jié)語

利用理論和實踐相結(jié)合的方法，對注漿量預(yù)測領(lǐng)域的3 個數(shù)學(xué)模型的預(yù)測精度進行對比分析，結(jié)果顯示，LIBSVM 模型的預(yù)測結(jié)果可以為工程應(yīng)用提供較有說服力的理論支持。當(dāng)然，在模型計算過程中的參數(shù)優(yōu)化方法眾多，此次研究直接應(yīng)用計算機軟件進行優(yōu)化分析，在今后的研究中需要采用更多的參數(shù)優(yōu)化方法，進一步提升模型的預(yù)測精度。