（大地测量学与测量工程专业论文）基于神经网络的大坝变形分析模型研究.pdf

东南大学学位论文独创性声 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书而使用过 的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并 表示了谢意。 研究生签名： 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内 容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可 以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授权东南大学研 究生院办理。 研究生签名：壅篷丝：导师签名： 期： 印蝴珊 鼎 蝌明 摘要 摘要 本文结合国家8 6 3 计划项目“空间数据挖掘的神经网络技术研究 ( n o 2 0 0 7 从1 2 2 2 2 8 ) 展开研究。 大坝观测资料的分析是判断大坝安全运行的重要手段，因此对大坝观测资料作出及 时、合理、有效的分析是大坝安全工作之一。大坝安全监测的效应量包括变形值监测、 环境量监测、渗流监测和应力应变及温度监测等方面。在监测的各种效应量中，变形能 够很好地反映大坝的运行状态，因此大坝变形监测成为一个非常重要的监测项目。变形 监测量又因其直观、可靠、易于测量且精度高等特点，成为了目前国内外大坝普遍使用 的主要监测量。 目前，对大坝变形监测数据进行处理的方法有很多种，按照其建模的方法可以分为： 统计模型、确定性模型和混合模型；新兴的方法有神经网络模型、小波模型等。近年来， 神经网络技术迅速发展，其强大的非线性映射能力和自我学习能力使神经网络技术得到 了广泛的应用。 神经网络技术是空间数据挖掘技术中的一种重要方法。本文将神经网络技术引入大 坝变形分析领域，进行大坝变形分析建模和分析工作。主要内容包括： ( 1 ) 介绍了神经网络的基本概念、原理和网络结构。 ( 2 ) 总结了大坝常用的变形分析模型，包括统计模型、确定性模型和混合模型。 统计模型主要采用回归分析技术，包括全回归分析和逐步回归分析等。 ( 3 ) 详细介绍了大坝变形分析的神经网络模型的原理及其建模方法。 ( 4 ) 在统计模型和神经网络模型的基础上，创新地提出了一种融合模型。该模型 综合了统计模型的经验性和神经网络模型高度非线性映射能力的优点。 ( 5 ) 结合某工程实例，尝试用全回归统计模型、逐步回归统计模型，神经网络常 规b p 算法以及融合模型进行大坝变形分析及预报。结果表明，在垂直位移和径向位移 的预测分析中，融合模型的预测精度明显高于统计模型。对于垂直位移，全回归模型的 预测中误差为o 4 3 3 m m ，而“全回归+ b p 算法”的融合模型的预测中误差为0 2 8 8 m m ； 逐步回归模型的预测中误差为o 4 3 8 m m ，而“逐步回归+ b p 算法”的融合模型的预测 中误差为0 2 9 3 m m 。对于径向位移，全回归预测中误差为0 2 1 5 m m ，而“全回归+ b p 算法”的融合模型的预测中误差为o 1 1 6 m m ；逐步回归模型的预测中误差为 0 2 7 0 m m ，而“逐步回归+ b p 算法 的融合模型的预测中误差为0 0 7 1 m m 。 关键词：b p 神经网络，统计模型，融合模型，大坝变形，预报 a b s t r a c t a b s tr a c t t i l i sr e s e a r c hh a sb e e ns p o n s o r e db yt h en a t i o n a lh i 【g ht e c h n o l o g yr e s e a r c ha n d d e v e l o p m e n tp r o g r a mo fc h i n a ( 8 6 3p r o g r a m ) “r e s e a r c ho l ln e u r a ln e t w o r kt e c h n i q u ef o r s p a t i a ld a t am i n i n g ( n o 2 0 0 7 a a l 2 2 2 2 8 ) i ti sa ni m p o r t a n tm e a n st oa n a l y z et h eo b s e r v a t i o nd a t at om a s t e rt h ew o r k i n gs t a t eo ft h e d a m s o ，i ti sav e r yi m p o r t a n ti o bt om a k ei tt i m e l y , r e a s o n a b l ea n de f f e c t i v e t h ee f f e c t so f d a ms a f e t ym o n i t o r i n gi n c l u d i n gt h ed e f o r m a t i o nm o n i t o r i n g ，e n v i r o n m e n t a lm o n i t o r i n g ，f l o w m o n i t o r i n g ，s t r e s s s t r a i nm o n i t o r i n ga n dt e m p e r a t u r em o n i t o r i n g t h eo p e r a t i o n a ls t a t u so f t h e d a mc a nb ew e l lr e f l e c t e db yt h ed e f o r m a t i o nd a t a i ti sav e r yi m p o r t a n tm o n i t o r i n gd a t a i ti s i n t u i t i v e ，r e l i a b l e ，e a s y - t o m e a s u r ea n dh a sh i g ha c c l m a c y i ti sc o m m o n l yu s e d t om o n i t o rt h e d a ma th o m ea n da b r o a d a tp r e s e n t ，t h e r ea r es om a n yw a y st op r o c e s sd a md e f o r m a t i o nm o n i t o r i n gd a t a i tc a nb e d i v i d e di n t o ：s t a t i s t i c a lm o d e l d e t e r m i n i s t i cm o d e la n dm i x e dm o d e l si na c c o r d a n c ew i t hi t s m e t h o do fm o d e l i n g n e wm e t h o d sh a v eb e e np r o p o s e d ，s u c ha sn e u r a ln e t w o r km o d e la n d w a v e l e tm o d e l i nr e c e n ty e a r s ，t h en e u r a ln e t w o r kt e c h n i q u eh a sd e v e l o p e dr a p i d l y i th a s b e e nw i d e l yu s e df o rt h es t r o n gn o n l i n e a rm a p p i n ga b i l i t ya n ds e l f - l e a r n i n ga b i l i t y n l en e u r a ln e t w o r kt e c h n i q u ei so n eo ft h ei m p o r t a n tm e a n si ns p a t i a ld a t am i n i n g t h e b pn e u r a ln e t w o r kt e c h n i q u ei si n t r o d u c e dt od ot h ea n a l y s i so ft h ed a md e f o r m a t i o n m o d e l i n g t h em a i nc o n t e n t sa r ea sf o l l o w s ： ( 1 ) 1 1 1 eb a s i cc o n c e p to fn e u r a l n e t w o r k , p r i n c i p l e s ， a n dn e t w o r ks t r u c t u r ea r e i n t r o d u c e d ( 2 1t h ed a md e f o r m a t i o na n a l y s i sm o d e l sw h i c hw e r ec o m m o n l yu s e da r es u m m e du p t h em o d e l sa r es t a t i s t i c a lm o d e l d e t e r m i n i s t i cm o d e la n dm i x e dm o d e l t h ee n t e rr e g r e s s i o n a n a l y s i sa n ds t e p w i s er e g r e s s i o na n a l y s i sa r eu s e dc o m m o n l yt os o l v et h es t a t i s t i c a lm o d e l ( 3 ) 1 1 1 et h e o r yo fb pn e u r a ln e t w o r km o d e la n dt h ew a yh o w t om o d e li ta r ei n t r o d u c e d i nd e t a i l s 似1b a s e do nt h es t a t i s t i c a lm o d e la n dn e u r a ln e t w o r km o d e l ，t h ef u s i o nm o d e lo fn e u r a l n e t w o r ki si n n o v a t i v e l yp r o p o s e d 1 r i l es t a t i s t i c a lm o d e la n dn e u r a ln e t w o r km o d e la d v a n t a g e s h a v eb e e nc o m b i n e de f f e c t i v e l y t h em o d e lc o m b i n e se m p i r i c a ls t a t i s t i c a lm o d e l sa n dn e u r a l n e t w o r km o d e lo ft h ea d v a n t a g e so fh i g h l yn o n l i n e a rm a p p i n g ( 5 ) a p p l i c a t i o no ft h em o d e l 谢t l lap r o j e c ti sc a l c u l a t e d mr e g r e s s i o ns t a t i s t i c a lm o d e l ， s t e p w i s er e g r e s s i o ns t a t i s t i c a lm o d e la n dt h e i rf u s i o nm o d e l sa r ea p p l i e dw i t ha l le n g i n e e r i n g e x a m p l e r e s u l t ss h o wt h a t t h e p r e c i s i o n o ff u s i o nm o d e li n t h ev e r t i c a la n dr a d i a l d i s p l a c e m e n ti ss i g n i f i c a n t l yh i g h e rt h a nt h ep r e c i s i o no ft h es t a t i s t i c a lm o d e l t h em e a n s q h a r ee r r o ro fe n t e rr e g r e s s i o nm o d e li n c r e a s e df r o m 士0 4 3 3 m mt o 士0 2 8 8 m mi nv e r t i c a l d i s p l a c e m e n t t h em e a ns q u a r ee r r o ro fs t e p w i s er e g r e s s i o nm o d e li n c r e a s e df r o m 士o 4 38 m m t o 士0 2 9 3 m m t h em e a ns q u a r ee r r o ro fe n t e rr e g r e s s i o nm o d e li n c r e a s e df r o m 士0 215 m mt o = k - 0 116 m mi nr a d i a ld i s p l a c e m e n t 1 1 1 em e a ns q u a r ee r r o ro fs t e p w i s er e g r e s s i o nm o d e l i n c r e a s e df r o m 士0 2 7 0 m mt o 士0 0 71m m k e y w o r d s ：b pn e u r a ln e t w o r k ，s t a t i s t i c a lm o d e l ，f u s i o nm o d e l ，d a md e f o r m a t i o n ，p r e d i c t i o n i i 目录 目录 摘要i a b s t r a c t i i 目录i i i 第一章绪论1 1 1 立题背景及意义1 1 2 研究现状1 1 2 1 数据分析与建模j 2 1 - 2 2 大坝安全评价3 1 2 3 目前模型存在的问题4 1 3 本文主要研究的内容5 第二章神经网络基本理论6 2 1 神经网络概述6 2 1 1 神经网络的发展6 2 1 2 神经网络基本特点7 2 2 神经元7 2 3b p 神经网络的原理与建模9 2 3 1b p 神经网络原理9 2 3 2b p 神经网络具体实现步骤1 0 2 3 3b p 神经网络的缺陷1 3 2 3 4b p 神经网络的改进1 4 2 3 5 神经网络建模时应注意的问题1 4 2 4 本章小结1 5 第三章变形分析模型1 6 3 1 概述1 6 3 1 1 根据影响因子分类1 6 3 1 2 根据建立的方法分类1 6 3 2 多元线性回归分析理论1 7 3 2 1 多元线性回归的基本假定1 7 3 2 2 回归方程1 8 3 2 3 回归方程的有效性和精度指标2 0 3 3 逐步回归分析理论2 3 3 3 1 逐步回归方程的求解2 3 l l i 东南人学硕i ：学位论文 3 3 2 引入和剔除因子的选择2 4 3 3 3 逐步回归分析模型的检验和校正2 5 3 4 大坝变形分析的统计模型2 5 3 4 1 水压分量因子万，的选择2 6 3 4 2 温度分量因子万，的选择2 6 3 4 3 时效分量因子万。的选择2 7 3 5 大坝变形分析的b p 神经网络模型2 9 3 5 1 常规b p 模型2 9 3 5 2 融合模型3 0 3 6 位移监控指标3 1 3 7 本章小结3 2 第四章工程实例3 3 4 1 工程概况3 3 4 2 数据的采集3 5 4 3 大坝原型观测资料预处理3 6 4 3 1 系统误差判别3 6 4 3 2 粗差剔除3 6 4 4 垂直位移的变形分析模型3 6 4 4 1 变形数据及建模3 7 4 4 2 统计模型4 1 4 4 3 常规b p 神经网络模型4 l 4 4 4 融合模型4 1 4 4 5 综合分析4 2 4 5 水平位移的变形分析模型4 4 4 5 1 变形数据及建模4 4 4 5 2 统计模型4 5 4 5 3 融合模型4 6 4 5 4 综合分析4 6 4 6 本章小结4 9 第五章总结与展望5 0 5 1 总结5 0 5 2 展望5 1 致谢5 3 参考文献5 4 硕士期间发表的论文及获奖情况5 6 第一章绪论 第一章绪论 1 1 立题背景及意义 本文结合国家8 6 3 计划项目“空问数据挖掘的神经网络技术研究 ( n o 2 0 0 7 从1 2 2 2 2 8 ) 展开研究。 我国已有8 7 万多座水库大坝，大中型水库约3 8 0 0 座，小型水库约8 3 0 0 0 座，其 中绝大多数修建于2 0 世纪7 0 年代以前。由于历史的原因，很多水库大坝先天不足，后 天失调，约有4 0 左右的水库是病险水库，其中大中型水库的病险率接近3 0 ，小型水 库的病险率更高。这些水库是社会经济发展的重要基础设施，在防洪、灌溉、发电、供 水、水产养殖等方面有着无可替代的巨大作用。2 0 世纪3 0 年代以来国际上相继发生了 v a j o n t ( 意) 、m a l p a s s e t ( 法) 、t e t o n ( 美) 等著名的垮坝事件，我国也先后发生了板 桥、石漫滩( 1 9 7 5 年) 洪水漫顶以及沟后水库( 1 9 9 3 年) 渗透破坏等溃坝事件，这些 大坝的失事给相关国家带来了惨重的灾难和巨大的经济损失。进入8 0 年代以后由于一 些大坝的兴建，如葛洲坝工程、三峡工程等，使大坝安全进一步地受到了重视。人们逐 渐认识到大坝安全监测的重要性和迫切性。 我国有坝高1 8 5 m 的三峡大坝，1 7 8 m 的黄河龙羊峡重力拱坝，高1 6 5 m 的乌江渡重力 拱坝，以及二滩等高坝，这些工程不仅对我国的经济建设做出巨大贡献，也使我国的坝 工技术水平达到一个新的高度。但同时也要看到，这些工程一旦失事，后果将不堪设想。 因此，大坝安全显得更为突出和重要。 据溃坝资料调查，大部分水库大坝垮坝之前是有征兆，并且是可以通过巡视检查发 现的。及时采取措施可以避免或减少溃坝事件的发生。在常规人工巡视检查基础上，国 内学者开始深入研究人工巡视检查路线、方法、手段等，以提高人工巡视检查的技术水 平和效果。为实现全天候对水库大坝进行巡视检查，许多新技术已应用于大坝安全运行 管理中。如大坝c ，i - 技术、g p s 变形监测技术、光纤监测技术、水下监测技术等。 我国对大坝安全工作十分重视，先后颁布了一系列法令法规。1 9 8 7 年原水电部颁布 了水电站大坝管理暂行办法，1 9 8 8 年原能源部颁布了水电站大坝安全检查施行细 则，1 9 9 1 年国务院发布了水库大坝安全管理条例，1 9 9 5 年水利部发布了水库大 坝安全鉴定办法，2 0 0 0 年水利部发布了水库大坝安全评价导则。 1 2 研究现状 大坝安全监控的内容可以分为以下几个方面：大坝安全监测仪器和技术方法的研 究；观测资料的误差处理与分析；观测资料的分析与处理( 包括观测资料的正分析和观 测资料与大坝结构性态的反分析) ；大坝安全综合评判与决策；大坝安全监控智能系统 的开发和研究等。 东南人学硕i ：学位论文 1 2 1 数据分析与建模 对于已建大坝来说，为了了解大坝的安全状况，就必须对其进行全面的监测，以便 对其性态做出及时和准确的评估比1 。到目前为止国内外在大坝数据分析方面均已取得了 一定的研究成果。 、 早在1 9 5 5 年，意大利法那林和葡萄牙罗卡口1 等人，应用统计回归方法定量分析了大 坝的变形观测资料，在此基础上法那林等又于1 9 7 7 年提出混凝土变形的确定性模型和 混合混型，即运用有限元计算将理论计算值与实测数据有机地结合起来，这类模型对监 控大坝安全比较适用。法国在资料分析方面要求简便、迅速，他们在测值序列中去掉水 压和温度分量后分析其剩余量值的变化规律，用以判断大坝的运行状况。此外，苏联、 同本、法国等国家也丌展不同内容的反分析，主要研究领域为坝体材料的物理力学参数 反演及施工期反馈分析。 我国对大坝数据分析研究起步的比较晚。1 9 7 4 年以后，在河海大学陈久宇教授的开 创下，应用统计回归方法分析原型观测资料，并将分析成果加以物理成因的解释，使其 逐渐用于大坝安全运行监测和评价领域。在此基础上，全国逐渐开展了资料分析工作， 并向纵深方向发展。7 0 年代末，陈久宇教授结合刘家峡大坝，建立了统计模型，并用平 面理论解析法反演坝体混凝土弹性模量。在此基础上，吴中如院士等提出利用原型观测 资料，由确定性模型及统计模型结合有限元成果，反演坝体混凝土弹模和温度线膨胀系 数的方法h 1 ，取得了较好的效果。近年来，位移反馈分析方法，己从弹性问题发展到粘 弹性、弹塑性及粘弹塑性问题的位移反馈分析。 8 0 年代中期，吴中如院士等人从徐变理论出发推导了坝体顶部时效位移的表达式， 用周期函数模拟温度、水压等周期荷载，并用非线性二乘法进行参数估计。还提出了裂 缝开合度统计模型的建立和分析方法，坝顶水平位移的时间序列分析法，以及连拱坝位 移确定性模型的原理和方法，并在实际工程中得到了成功应用。还通过三维有限元渗流 分析，建立了渗流测点的扬压力、绕坝渗流测孔水位的确定性模型，用于分析和评价大 坝基础及岸坡的渗流性。8 0 年代以来，模糊数学、灰色理论、小波分析、混沌动力学、 神经网络等各种理论和方法也纷纷被引入大坝安全监测资料分析中来，并取得了一定成 果。李珍照等在1 9 9 1 年提出了用模糊数学喳1 进行资料分析的思路，并阐述了大坝观测数 据模糊识别的方法和步骤；杨杰等对神经网络在大坝观测资料处理中的应用进行了探 讨；吴中如、顾冲时等通过引入空间三维坐标，提出混凝土坝空间位移场的时空分布模 型，将单测点模型拓宽至空间三维，以及他们提出的用专家系统进行大坝安全综合评价 的概念；1 9 9 4 年何金平提出的多测点统计模型指出它明显比单测点统计模型效果要好。 2 0 0 1 年徐洪钟等m 1 将偏最小二乘回归引入到大坝安全监测资料分析中，使传统的统计模 型有了新的发展；2 0 0 2 年吴云方、李珍照将改进后的神经网络运用到大坝监测预报中盯1 ； 2 0 0 3 年岳建平提出的基于动态灰色理论的b p 神经网络的改进，根据灰色系统理论，对 大坝安全监控模型的因子集进行优化，选择有显著影响的因子建立模型陋1 。2 0 0 6 年翁静 君利用改进后的神经网络，建立大坝多因素监控模型、三维位移模型、整体模型比传统 的单点模型和局部模型更好地反映了大坝的形变状态和发展趋势。闰滨将遗传算法与基 2 笙二堂笙堡 于训练算法的网络结合构成了遗传神经网络，在此基础上提出了大坝安全监控逐一粒子 群模型和整体粒子群模型。 总之，经过几十年的发展，大坝安全监控理论同趋完善，其主要研究方向继续向纵 深发展，相关领域的新技术、新方法不断被运用到大坝安全监测中来。安全监控的方法 有很多，概括起来可以包括材料极限强度法、数学模型法、安全系数法、极值概率法、 综合评判法、模糊数学综合评判等。目前建立监控模型的方法用的最多的是数学模型， 主要有统计模型、确定性模型和混合模型呻1 。统计模型是目前国内外使用最为普遍的一 种方法，它属于经验模型，采用回归技术。统计模型需要较长时问的监测资料( 一般不 少于3 0 个测点) 。该方法若取样范围长、包含工况多，则预报效果好，反之则不佳。如 过去是在低水位情况下建立的统计模型，要预报高水位情况下的测值，其误差可能较大。 这是统计时子样没有高水位情况下的资料造成的。确定性模型又称设计模型，是按照设 计要求用有限元方法，计算建筑物重要部位的效应量，即能表征建筑物和基础性状的效 应量及其在外界条件作用下的变化幅度。如大坝顶部和基础的垂直和水平位移，以及坝 踵和坝址应力，都可通过模拟计算得到预报值。尤其在大坝第一次蓄水时将预报值作为 监控指标尤其重要，这是确定性模型的主要优点。混合模型是对统计模型和确定性模型 中的效应量择优而用，是确定性模型和统计模型的种混合形式，其模型中水压分量用 确定性模型求出，温度分量或时效分量用统计模型求出，也有的自重、水压、温度分量 用确定性模型求出，而时效分量用统计模型求出。 神经网络方法为我们提供了新思路，神经网络属于隐式模型，有自组织、自适应能 力。已有的一些研究表明，用神经网络对大坝的变形、渗流进行拟合，其精度优于传统 的统计模型。在统计模型的基础上，用神经网络方法来对大坝变形数据进行分析和建模 是一种新方法。 综上所述，安全监控的模型按测点分类可以分为：单测点模型和多测点模型；按测 点的维数可分为：一维和多维模型；按数学模型分类可以分为：统计模型，确定性模型 和混合模型；新兴的方法有神经网络监控模型等。 1 2 2 大坝安全评价 大坝安全评价就是在考虑大坝运行期间影响大坝安全的各种定量与非定量因素所 表现出来的特征信息或准则的情况下，对大坝的安全性所做出的决策。其实质就是根据 己经掌握的在设计、施工、运行的全过程所积累起来的历史资料，运用各种理论、实验 和统计的方法，或凭借专家丰富的经验进行综合分析和推理，以评判大坝等水工建筑物 的工作性态是否满足现行规程、规范、标准和设计文件的要求。 根据大坝监测资料对大坝安全性态进行评价是大坝安全评价的一个非常重要的环 节。目前这种“正常 、“病”、“险 的评价标准还不是十分的健全，尚无明确的识别指 标n 0 1 。 吴中如、顾冲时、沈振中等提出并开发了建立在机四库( 推理机、数据库、知识 库、方法库和图库) 基础上的大坝安全综合评价专家系统n 。该系统应用模式识别和模 糊评判，通过综合推理机，对四库进行综合调用，将定量分析和定性分析结合起来，实 3 东南人学硕i ：学位论义 现了对大坝安全状态的在线实时分析和综合评价。1 9 9 8 年赵斌等提出将神经网络与大坝 安全评价专家系统相结合的原理及实现方法。2 0 0 6 年翁静君利用改进后的神经网络，建 立大坝多因素监控模型、三维位移模型、整体模型比传统的单点模型和局部模型更好地 反映了大坝的形变状态和发展趋势。在分析和总结大坝安全评判方法发展概况的基础 上，提出了改进的神经网络评判法2 1 。闫滨在神经网络的基础上提出了大坝安全监控逐 一粒子群模型和整体粒子群模型引。在国外，美国、加拿大等国采用s e e d 法及风险值 概念，对大坝失事的总概率进行计算。如b c y e n 对随机荷载和抗力作用下水工建筑物 系统的可靠性估算方法进行研究，联合应用均值一次二阶矩法和失事树法，为定量考虑 影响整个系统可靠性的所有因素提供了一个虽然近似但较为合理的框架。b c y e n 描述 了6 种常用的可靠性工程设计方法，并用安全系数来考虑水文不确定性和结构设计的不 确定性。l d u c k s t e i n 和e j p l a t e 发展了b c y e n 的工程可靠性分析方法，从直接应 用安全系数考虑风险与可靠性改为用更一般的离散系统性能识别指标考虑风险和可靠 性。加拿大大坝安全协会还制订了全国导则，计算在某时段某一座水坝发生地震、洪水 和其他类事件的总概率。还建议将风险值分解为生命损失和经济损失，成为一个涉及若 干技术学科和多项社会经济领域的十分复杂的课题。但是需要大量动态信息的数据库和 多种复合数学模型才能较可靠地算出风险值。美国j l v t h u n 提出的风险除了某种功 能失效概率和因此引起的损失两因子外，还增加了不同破坏型式( 如漫顶溃坝、溢洪道 或其他辅助设施破坏等) 发生的概率。上述方法都未能改变分项计算失效概率的片面性 及由此所得最终结果的不可靠性，反而使问题更加复杂。为此，1 9 9 9 年李君纯等综合考 虑水库工程结构的安全性p s 和大坝兴利或成灾对人类社会的影响因素刁，提出了大坝 总体安全度劝的定义( 卯书s 刁) ，并将其作为大坝安全评价的判别标准。该方法在一 定程度上避免了单纯强调结构可靠性的片面性，取得了一定的成果。 1 2 3 目前模型存在的问题 大坝变形监测的数据处理和变形预报方面，目前国内外主要采用的有以下几类模 型，存在一些问题： ( 1 ) 依赖于统计分析建立的统计模型。此方法是通过分析所观测的变形和外因之 间的相关性，来建立荷载变形之间关系的数学模型。以多元回归分析、逐步回归分析和 岭回归分析为主。时间序列分析模型、灰色系统分析模型、模糊聚类分析模型等也得到 了成功的应用。统计模型属于经验模型或后验模型。这种模型建模简单，使用方便，有 成熟的应用经验，被国内外监测界广泛使用。但此类模型的建立需要大量的数据，模型 的处理主要依赖于数学处理，没有很好地联系建筑物的结构状态，因此很难对其作出物 理意义的解释。同时由于随机因素的影响，模型预报的外延时间较短，精度不高。 ( 2 ) 靠力学关系和演绎推算建立的确定性模型。该方法是通过有关的物理力学理 论，用结构计算的方法建立各种影响大坝形变物理量之间的关系式，由此得出观测值的 理论模型。在这类模型中，以有限元模型为主。建立确定性模型不需要大量的数据，在 变形初期也能够进行预报。它的优点是能够使人们更深入的了解变形的状态和机理。但 4 第一章绪论 是，仿真工作量大，且由于变形的原因很复杂，有些量是很难用确定的模型表达出来的， 因此这种方法的预测精度不高。 ( 3 ) 一部分靠力学关系另一部分靠统计分析而建立的混合模型。根据各环境影响 分量的特点，选择不同模型中的分量。如水压分量使用统计模型求出的分量，而时效分 量选用确定性模型求出的分量。混合模型使数学模型有具体的意义，计算简单，但是在 技术层面上没有提高，只是将各个模型中的分量择优而用。 ( 4 ) 对人脑细胞进行模拟的神经网络模型。它是由大量的神经元通过极其丰富和 完善的联结而构成的，具有自适应性、非线性、能够进行复杂的逻辑运算等特点。它吸 收了生物神经网络的许多优点，因而具有高度的并行性、高度的非线性全局作用、良好 的容错性能，以及联想记忆功能和强大的自适应自学习能力。神经网络模型能够达到一 定的精度，但是神经网络方法也存在着计算结果不稳定，并且计算时问较长等问题。 1 3 本文主要研究的内容 针对目前研究存在的主要问题，本文结合国家8 6 3 计划项目“空问数据挖掘的神经 网络技术研究 ( n o 2 0 0 7 a a l 2 2 2 2 8 ) ，将空间数据挖掘技术中的一种，b p 神经网络技术 引入大坝变形分析领域，进行大坝变形分析工作。如果能提高大坝变形的预报精度，就 能准确地判断出大坝未来的变形，为大坝的变形分析工作提供一种全新、快捷、有效的 处理模式，同时为大坝安全评价提供重要的依据。具体研究内容如下： ( 1 ) 研究神经网络的发展和基本特点，学习b p 神经网络的原理、算法实现以及建 模。 ( 2 ) 研究大坝变形分析的传统方法，包括统计模型的全回归分析模型和逐步回归 分析模型。 ( 3 ) 研究大坝变形分析的神经网络常规b p 算法。包括网络结构、模型具体结构和 主要参数的设置等。 ( 4 ) 在统计模型和神经网络模型的基础上，尝试建立一种新的融合模型，期望能 够提高大坝变形预测精度。 ( 5 ) 结合工程实例用全回归统计模型、逐步回归统计模型、常规b p 算法、全回归 与b p 神经网络的融合模型、逐步回归与b p 神经网络的融合模型这六种模型，分别进行 大坝变形监测数据的分析建模。用建立的六种模型对大坝未来变形值进行预报，并对各 种模型的预报效果进行分析和比较。 5 东南人学硕1 ：学位论文 2 1 神经网络概述 第二章神经网络基本理论 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k 简称神经网络或a n n ) 是- f 崭新的 边沿交叉科学。它是真实人脑神经网络的模拟，由大量的神经元通过极其丰富和完善的 联结而构成。具有自适应、非线性，并且能够进行复杂的逻辑操作等特点。它吸收了生 物神经网络的许多优点，因而具有高度的并行性、高度的非线性全局作用、良好的容错 性与联想记忆功能和强大的自适应自学习功能。 2 1 1 神经网络的发展 目前人工神经网络的应用已经得到了很大的发展，人类对神经网络的认识和研究已 经有半个多世纪，其经历了曲折的发展过程。神经网络的发展大体可以分为四个阶段。 ( 1 ) 早期阶段 人工神经网络的研究最早可追溯到人类开始研究自己智能的时期，这一时期大致到 1 9 4 9 年。2 0 世纪4 0 年代初期，研究人员通过建立数学模型来检验对神经元及其功能模 式的研究成果。1 9 4 3 年，心理学家m c c u l l o c h 和数学家p i t t s 建立起了著名的阀值加权 和模型，简称m p 模型。1 9 4 9 年，神经生物学家d 0 h e b b 提出神经元之间突触联系是可 变的假说，称为h e b b 学习规则。1 9 5 7 年，r o s e n b l a t t 首次提出并设计了著名的感知器 ( p e r c e p t r o n ) 理论，感知器的出现使神经网络从理论研究转入工程实现阶段。这是人 工神经网络的研究被广为重视的一个时期。 ( 2 ) 停滞阶段 m l m i n s k y 和s p a p e r t 对单级感知器进行了深入研究，认为单级感知器只能进行 简单的线性分析。这一结果令人震惊。许多人受m l m i n s k y 和s p a p e r t 的影响，相信 神经网络已经走入了死胡同。同时由于当时没有功能强大的数字计算机来支持各种试 验，从而导致许多研究人员放弃了这一研究领域。其后神经网络的发展一直处于停滞阶 段。 ( 3 ) 发展阶段 到了2 0 世纪8 0 年代，随着个人计算机和工作站计算能力的急剧增强和广泛应用， 以及不断引入新的概念，克服了摆在神经网络研究面前的障碍。h o p f i e l d 提出了著名的 h o p f i e l d 网络模型，同时提出了用于训练多层感知器的误差反向传播算法，求解了感知 器所不能解决的问题，再次在世界范围内掀起了各位学者对神经网络的研究热潮。 ( 4 ) 平稳阶段 进入2 0 世纪9 0 年代后，神经网络领域的研究有了新发展，如支持向量机的发明， 为解决模式识别、回归及密度估测问题提供了新的途径。但是许多理论问题仍有待神经 网络解决。近期想用人工神经网络的方法在人工智能的研究中取得突破性的进展还需努 6 翌= 三至壁丝堕竺苎垒丝笙 力。因此人工神经网络的研究及应用将进一步深入与拓展。神经网络理论经过半个多世 纪的发展，硕果累累。 2 1 2 神经网络基本特点 神经网络又称为人工神经网络，是最近发展起来的- 1 7 十分热门的交叉学科。它是 人类在充分认识人脑结构和功能的基础上，是在现代神经生物学与认知科学对人类信息 处理研究成果的基础上提出的。神经网络在两个方面与人脑相似：神经网络获取的知识 是从外界环境中学习得来的；互连神经元的连接强度，即连接权值，用于储存获取的知 识。 神经网络方法起源于人们对人脑神经细胞工作方式的模拟，但实际上它的实际运算 却依赖于现代计算机技术来构造由大量简单元件、大量的神经元相互连接形成复杂、具 有逻辑操作能力和非线性关系的复杂网络，吸收了生物神经网络的许多优点。目前人工 神经网络己经被应用到信号处理、模式识别、系统辨识、自动控制、智能检测、医学、 经济以及军事、汽车、化工、土木水利等工程领域，显示了其强大的生命力。概括起来 神经网络有以下特点： ( 1 ) 并行分布处理 人工神经网络具有高度的并行结构和并行实现能力。其计算功能分布在多个处理单 元上，各处理单元能够同时操作。此外，其信息存储也是分布的和并行的，即信息存储 在整个网络上。因而人工神经网络有较好的容错能力和极快的整体处理速度。 ( 2 ) 非线性映射 人工神经网络具有固有的非线性特性，这源于其近似任意非线性映射( 变换) 的能 力，这正是它能够解决非线性问题的根本。 ( 3 ) 鲁棒性 所谓鲁棒性是指当一个控制系统中的参数发生摄动时系统能否保持正常工作的一 种特征或属性。神经网络具有很好的鲁棒性，一方面，由于信息的分布式存储，当网络 中部分神经元损坏时不会对系统的整体性能造成影响，这一点正如人脑中每天都有神经 细胞正常死亡而不会影响大脑的功能一样；另一方面，当输入模糊、残缺或变形的信息 时，神经网络能通过联想恢复完整的记忆，从而实现对不完整输入信息的正确识别。 ( 4 ) 自学习、自组织、自适应 当外界环境发生变化时，神经网络能在外部刺激下按一定规则调整神经元之间的突 触连接，调整结构参数，逐渐建立起新的神经网络，具有良好的自学习、自组织与自适 应性。 2 2 神经元 神经元n 钔是神经网络的基本处理单元，它一般是多输入单输出的信息处理单元，具 有处理非线性信息的能力。神经元输出除受输入影响外，同时也受到神经元内部其它因 素的影响，所以在人工神经元的建模中，常常还需加入一个额外输入信号，称为偏差伊， 7 东南人学硕。i ：学位论文 有时也称为阀值。图2 - 1 给出了一种简化的神经元结构，它是对生物神经系统的模拟， 是一个多输入、单输出的非线性元件，其输入输出关系可描述为： 而= 1 图2 - 1 人：r 神经元结构模型 = _ 一只 ( 2 1 ) = l 咒= 厂( ) ( 2 2 ) 式中： x j ( j = l ，2 ，刀) 是从其它细胞传来的输入信号； 2 为阈值； k 表示从细胞_ ，到细胞珀勺连接权值( 对于激发状态，取正值；对于抑制状态， 取负值) ； 疗为输入信号数目：咒为神经元输出； 厂( ) 称为传递函数，有时称为激发或激活函数。 神经元模型的输出矢量可表示为： a = f ( w x + o ) = 厂l 丢- + 口j q _ ) ，一、 式中：输入的矩阵形式可以由的行矢量以及彳的列矢量来表示；偏差9 也是固定常 数为1 的一个权值，被简单地加在w x x 上作为激活函数的另一个输入分量。在实际应 用中，偏差口使得激活函数的图形可以左右移动，增加了解决问题的灵活性；厂( 幸) 函数 有多种表示形式，可以是线性或非线性函数，通常在解决问题时，采用非线性函数，因 为这种函数能够处理比较复杂的问题