基于人工神經(jīng)網(wǎng)絡(luò)的大壩安全風(fēng)險評價研究

饒紹立，萬思源，周志維

（1.江西省樟樹市水利工程服務(wù)中心，江西樟樹，331200；2.江西省水利科學(xué)院，江西南昌，330029）

0 引言

每年進入汛期，大壩安全是防汛最重要的工作，大壩運行狀態(tài)是保障安全度汛的主要依據(jù)。隨著大壩風(fēng)險概念的引入及信息化、智能化技術(shù)發(fā)展，人工智能、大數(shù)據(jù)分析技術(shù)迅速發(fā)展，數(shù)據(jù)海量化、多源化、集中化、融合化、智能化的發(fā)展趨勢不可逆轉(zhuǎn)。作為傳統(tǒng)的擋水建筑物，大壩多源化、智能化、自動化監(jiān)測技術(shù)已成為當前及未來提升水庫管理水平的主流。大壩在為當?shù)厣鐣?、?jīng)濟的發(fā)展帶來了巨大貢獻的同時，工程自身也給下游安全帶來了一定風(fēng)險。隨著人們對大壩安全管理的要求提高，大壩的風(fēng)險必須控制在可接受范圍，在風(fēng)險控制體系中，大壩自身存在的風(fēng)險因素應(yīng)該重點關(guān)注，因此，必須快速識別大壩風(fēng)險，強化大壩系統(tǒng)風(fēng)險評價能力，尤其重點關(guān)注大壩自身存在的安全性及穩(wěn)定性[1]。

隨著大壩的監(jiān)測數(shù)據(jù)海量化、結(jié)構(gòu)復(fù)雜化，如傳統(tǒng)的滲流、變形數(shù)據(jù)、智能巡檢數(shù)據(jù)、視頻監(jiān)控、運行管理等數(shù)據(jù)，包括線性、半線性及非線性數(shù)據(jù)，這些數(shù)據(jù)都能從單一側(cè)面單獨反映大壩的運行狀況。大壩安全是系統(tǒng)風(fēng)險，是多源信息融合后的表現(xiàn)，對單一要素進行風(fēng)險評價存在局限；同時，大壩的潰壩風(fēng)險是一系列的鏈接反映，通過融合多源監(jiān)測信息，采用FMECA 法[1-3]，對不同的潰壩模式以及潰壩路徑逐一分析，是定量評價風(fēng)險的主要方法之一，但這種方法存在相對局限性，表現(xiàn)為：每個事件的概率確定數(shù)值存在主觀性；潰壩路徑的確定存在主觀性，潰壩路徑是多種行為的組合，不同事件均有導(dǎo)致潰壩的風(fēng)險。因此，如何系統(tǒng)有效的開展風(fēng)險評價，是當前的研究重點。

人工神經(jīng)網(wǎng)絡(luò)在多源非線性評估問題上具有明顯優(yōu)勢。利用人工神經(jīng)網(wǎng)絡(luò)進行風(fēng)險評估，可以解決非線性最值問題，減輕數(shù)據(jù)處理壓力。近年來很多學(xué)者對風(fēng)險評估方法進行了改進，主要采用神經(jīng)網(wǎng)絡(luò)算法進行分析，Addo[3]基于機器學(xué)習(xí)和深度學(xué)習(xí)模型建立了金融風(fēng)險預(yù)測模型；Ma[4]提出了結(jié)合MLIA 算法與線性回歸模型構(gòu)建出信用風(fēng)險預(yù)測模型；Yu[5]提出了基于BP 神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)，建立了神經(jīng)網(wǎng)絡(luò)風(fēng)險評估模型，并應(yīng)用于風(fēng)險評估系統(tǒng)中。王煦瑩等[6]基于人工神經(jīng)網(wǎng)絡(luò)開展了金融信息系統(tǒng)風(fēng)險評價，為大數(shù)據(jù)和人工神經(jīng)網(wǎng)絡(luò)在信息系統(tǒng)中風(fēng)險評價提供有力實證；閔星[7]采用卷積神經(jīng)網(wǎng)絡(luò)對無人機采集的影像數(shù)據(jù)進行風(fēng)險源識別。通過數(shù)據(jù)增強的方式制作多角度、多尺度的風(fēng)險源數(shù)據(jù)集，利用神經(jīng)網(wǎng)絡(luò)能進一步提升模型的識別準確率，比傳統(tǒng)方法具有效率高、成本低等優(yōu)點；王麗蓉[8]構(gòu)建了CNN 監(jiān)測數(shù)據(jù)異常識別模型，定量展現(xiàn)了數(shù)據(jù)異常識別結(jié)果。本文利用人工神經(jīng)網(wǎng)絡(luò)，提出風(fēng)險評價模型，開展大壩風(fēng)險評價，實現(xiàn)大壩智能化、及時了解大壩安全狀況。

1 大壩風(fēng)險基本理論

1.1 大壩破壞模式

大壩破壞模式及路徑分析是大壩風(fēng)險分析的關(guān)鍵步驟。大壩破壞一般都是從某一初始條件開始的，經(jīng)過一系列事件，才導(dǎo)致最終的破壞，破壞過程是復(fù)雜的災(zāi)變體，是由大壩自身風(fēng)險因素結(jié)合外部荷載共同作用造成的結(jié)果。由于影響因素存在較多不確定性，根據(jù)不同的劃分因素，確定的大壩破壞模式及潰壩路徑也是不同的，因此大壩存在多種不同組合下的潰決模式及路徑。根據(jù)現(xiàn)有研究，土石壩主要分為五大類潰壩模式，從主要因素來看，分為防洪能力、滲透穩(wěn)定、結(jié)構(gòu)穩(wěn)定、閘門運行、管理設(shè)施等因素。

圖1 列出了常見的潰壩路徑。由圖可知，大壩的潰壩過程由許多事件構(gòu)成，但起始事件和結(jié)束事件相同，均為洪水、潰壩，期間發(fā)展路徑無固定順序，主要由上一事件的誘導(dǎo)產(chǎn)生，存在較多不確定性；同一事件下，下一步發(fā)展過程也可能不同。為分析潰壩風(fēng)險，需要從潰壩路徑中尋找關(guān)鍵路徑及關(guān)鍵事件，定義節(jié)點事件較多或路線較短的路線作為關(guān)鍵路線，并將相關(guān)節(jié)點作為關(guān)鍵事件。根據(jù)疏理統(tǒng)計，主要關(guān)鍵事件是指大壩壩高不夠、漫頂、管涌、壩下涵管破壞、閘門不正常、下游壩體失穩(wěn)、上游壩坡失穩(wěn)等，其余事件可歸納為次要事件。

圖1 大壩潰壩路徑圖

1.2 風(fēng)險分析思路

根據(jù)上述破壞模式分析可知，大壩的風(fēng)險是多個路徑發(fā)展的一系列事件。為定量分析風(fēng)險，現(xiàn)有文獻主要通過事件樹法進行風(fēng)險分析，通過概率事件，逐一對各個事件進行概率定義，并將所有事件的概率相乘作為最終潰壩概率，并依據(jù)概率大小劃分風(fēng)險等級。但實際上，許多大壩的出險過程可能不完全按照上述路徑發(fā)展，有可能增加或減少路徑，從而導(dǎo)致對實際的風(fēng)險評價產(chǎn)生偏差。采用傳統(tǒng)的線性方法難以全面有效的評價大壩風(fēng)險。因此，需要將所有事件歸納為整體，并將風(fēng)險分析理解為：關(guān)鍵事件出現(xiàn)越多的，風(fēng)險越大，同理，次要事件越多，風(fēng)險越大，反之亦然；關(guān)鍵路徑越接近，事件出現(xiàn)的順序越相似，則風(fēng)險越大，反之亦然。如對于潰壩路徑：洪水→壩坡大面積散浸→浸潤線升高→壩體失穩(wěn)→漫頂→干預(yù)無效→潰壩。若只出現(xiàn)洪水事件，但未出現(xiàn)其他事件，則風(fēng)險較小，若增加了浸潤線升高、壩體失穩(wěn)等事件時，則風(fēng)險增加。

該風(fēng)險分析思想既沿用傳統(tǒng)風(fēng)險分析理論，又將整體與局部有機結(jié)合起來，為實現(xiàn)多源數(shù)據(jù)的融合提供了基礎(chǔ)，且能夠提前預(yù)判大壩風(fēng)險狀態(tài)，而無需所有事件發(fā)生后才能進行風(fēng)險分析。

2 基于神經(jīng)網(wǎng)絡(luò)的風(fēng)險評價模型

2.1 神經(jīng)網(wǎng)絡(luò)理念

人工神經(jīng)網(wǎng)絡(luò)是通過對人類大腦特征進行模擬，通過適量的神經(jīng)單元及適當?shù)幕ミB方式而構(gòu)建成非線性自適應(yīng)系統(tǒng)，具有很強的學(xué)習(xí)能力及魯棒性。根據(jù)輸入數(shù)據(jù)樣本，依照構(gòu)建的算法，不斷優(yōu)化神經(jīng)單元與反饋結(jié)果之間的連續(xù)強弱關(guān)系，并以連接權(quán)重的方式表征樣本數(shù)據(jù)的特征。BP 算法是一種應(yīng)用廣泛的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)算法，它通過輸出層的預(yù)測與實際輸出誤差來反向調(diào)整輸出層至中間誤差，以此類推，最終獲得輸入層預(yù)測。因此，一個神經(jīng)網(wǎng)絡(luò)在用來進行分析評價之前，首先要對神經(jīng)系統(tǒng)進行訓(xùn)練；而BP 神經(jīng)網(wǎng)絡(luò)是多層神經(jīng)網(wǎng)絡(luò)中最有效的學(xué)習(xí)方法，它得到了廣泛應(yīng)用（見圖2）。

圖2 神經(jīng)網(wǎng)絡(luò)拓樸圖

傳遞函數(shù)采用S 型，按式（1），將前一層作為輸入，得出的輸出結(jié)果作為下一層輸入，直至求得最終輸出結(jié)果。

其偏差期望為：

為使Ek隨著連接權(quán)值調(diào)整按梯度下降，按照誤差梯度下降原則，則有：

因此，隱含層至輸出層的連接權(quán)值V 調(diào)整值為：

同理，連接權(quán)值w 調(diào)整值為：

2.2 風(fēng)險評價模型

風(fēng)險評估數(shù)學(xué)模型見圖3。依據(jù)1.2 節(jié)介紹的風(fēng)險分析思想，將大壩風(fēng)險要素作為有機整體，并依據(jù)關(guān)鍵事件及關(guān)鍵路線進行風(fēng)險分析，其主要評價過程如下：

對不同色調(diào)和粒徑的磷灰石X射線粉晶分析結(jié)果見表3，P2O5含量見表4。從表4可以看出僅熒色調(diào)不同，但X射線粉晶分析及P2O5含量相近。

圖3 風(fēng)險評估數(shù)學(xué)模型

（1）確定神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)激活函數(shù)采用S 函數(shù)，各節(jié)點輸出值在[0，1]區(qū)間。為統(tǒng)一數(shù)據(jù)標準，將每個事件的取得定為0 或1，0 代表該事件未發(fā)生，1 代表已發(fā)生。輸入數(shù)據(jù)數(shù)量為26 個數(shù)據(jù)，如圖1中26 個指標。

（2）確定輸出結(jié)果數(shù)據(jù)。大壩風(fēng)險輸出結(jié)果確定為確定為4 個等級，低風(fēng)險、中風(fēng)險、高風(fēng)險、極高風(fēng)險。根據(jù)均勻分布原則，將不同風(fēng)險等級對應(yīng)的風(fēng)險值范圍確定為（0，0.25］，（0.25，0.5］，（0.5，0.75］，（0.75，1］。

（3） 確定網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)。網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)是數(shù)學(xué)模型計算可靠的關(guān)鍵。在選取訓(xùn)練數(shù)據(jù)時，若僅選擇現(xiàn)有的潰壩路徑，則數(shù)據(jù)過少，訓(xùn)練得出的神經(jīng)網(wǎng)絡(luò)模型實用性不強，數(shù)據(jù)融合性不理想，網(wǎng)絡(luò)魯棒性差，數(shù)據(jù)模型達不到預(yù)期成果；為此，將不同數(shù)據(jù)進行隨機組合，并依據(jù)有關(guān)成果定義風(fēng)險等級，本文共選擇1 000組數(shù)據(jù)組合，訓(xùn)練數(shù)據(jù)形式如表1。

表1 輸入數(shù)據(jù)樣本集

通過0、1 特征值分布，則可以表征大壩潰壩特征。通過目前已有的潰壩路徑，確定相應(yīng)的風(fēng)險值。在確定數(shù)據(jù)組合下的輸出結(jié)果時，依據(jù)以下原則：對于事件包含了關(guān)鍵事件，潰壩路徑與現(xiàn)有路徑相同時，則輸出結(jié)果為1，表征極高風(fēng)險；對于事件包含了關(guān)鍵事件，有關(guān)潰壩路徑次要事件部分相同時，則輸出結(jié)果為0.75，表征高風(fēng)險，具體標準如表2所示。

表2 輸出結(jié)果表征定義

（4）確定網(wǎng)絡(luò)拓樸結(jié)構(gòu)。網(wǎng)絡(luò)拓撲結(jié)構(gòu)的合理性直接影響到模型的可靠性，確定內(nèi)容包括輸入層節(jié)點數(shù)、隱含層數(shù)、隱含層節(jié)點數(shù)、輸出層節(jié)點數(shù)等幾個方面。現(xiàn)主要需確定隱含層數(shù)及隱含層節(jié)點數(shù)。

隱含層數(shù)直接影響網(wǎng)絡(luò)性能優(yōu)劣。當前，一般3 層網(wǎng)絡(luò)已完成任意n 維到m 維的映射[9-10]；而在確定隱含層節(jié)點數(shù)時，則根據(jù)經(jīng)驗公式判斷，隱含層節(jié)點數(shù)太少，網(wǎng)絡(luò)精度不佳，隱含層節(jié)點數(shù)太多，訓(xùn)練時間過長；本文采用經(jīng)驗公式確定，經(jīng)驗公式如下：

式中：m 代表隱含層節(jié)點數(shù)，n 代表輸入節(jié)點數(shù)。

2.3 網(wǎng)絡(luò)模型訓(xùn)練

圖4 訓(xùn)練誤差過程線圖

由圖4 可知，利用神經(jīng)網(wǎng)絡(luò)進行計算時，誤差能夠較快收斂。當?shù)螖?shù)120 次時，誤差已降到10%以內(nèi)；當?shù)螖?shù)370 次時，誤差已降到1%以內(nèi)；當?shù)螖?shù)650 次時，誤差在0.1%，預(yù)測模型效果較理想。

3 應(yīng)用實例

在江西省選擇2 座?。?）型水庫（水庫1 與水庫2）。該兩座水庫均為均質(zhì)土壩，并分別在2011年及2013年完成除險加固。近10年以來，由于管護力量及條件不足，大壩運行過程中出現(xiàn)不同問題，對這兩座水庫進行風(fēng)險調(diào)研，調(diào)研情況如下：

水庫1 現(xiàn)場檢查主要問題如下：大壩庫水位運行較高，達到正常蓄水位；大壩壩頂高程超出校核洪水位2m 以內(nèi)；下游壩坡存在散浸現(xiàn)象（土體濕潤、土質(zhì)松軟），面積在1m2以內(nèi)，非汛期散浸現(xiàn)象消失。溢洪道采用有閘控制，經(jīng)現(xiàn)場運行，閘門開閉正常，但金屬銹蝕嚴重，運行過程中有微量震動。大壩表面存在少量裂縫，縫寬在2mm，裂長3m。

水庫2 現(xiàn)場檢查主要問題如下：大壩庫水位低于正常蓄水位，但壩腳存在集中滲漏現(xiàn)象，滲水有土質(zhì)帶出；壩頂無明顯裂縫，壩坡存在隆起等現(xiàn)象。

依據(jù)上述問題，輸入節(jié)點逐一填寫風(fēng)險調(diào)查表，如表3所示。

表3 水庫風(fēng)險調(diào)查情況

將表3 的輸入數(shù)據(jù)代入模型中，利用matlab 編制的程序，經(jīng)計算，輸出結(jié)果分別為R1=0.43，R2=0.75，表明水庫1 的風(fēng)險為中風(fēng)險，水庫2 的風(fēng)險為高風(fēng)險。水庫2 的風(fēng)險因子少于水庫1，但風(fēng)險值卻更高，從潰壩路徑來看，水庫2 各事件形成的潰壩路徑與某一路徑相同，且包含了關(guān)鍵事件，而水庫1 各事件與路徑不同，因此，水庫2 的風(fēng)險更高是科學(xué)合理的。

4 結(jié)論

（1）本文探討了大壩風(fēng)險破壞模式，并結(jié)合破壞模式及潰壩路徑，提煉了大壩風(fēng)險關(guān)鍵路徑及關(guān)鍵事件，創(chuàng)新提出了大壩風(fēng)險評價新思路；

（2）提出了風(fēng)險因素數(shù)據(jù)的處理方法，將事件數(shù)據(jù)定義為1 或0，充分融合了多源信息，為開展風(fēng)險評價提供數(shù)據(jù)基礎(chǔ)。

（3）構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)的大壩風(fēng)險評估模型，該模型收斂性好，精度高，滿足評價要求。通過案例分析，結(jié)論科學(xué)合理，表明該模型操作性較強，改善了傳統(tǒng)機理模型基本需要專家主觀評測的缺點，有較大推廣價值。