一种基于GRA‑BP神经网络的中小型水库大坝安全评价方法与流程

本发明涉及水库大坝安全研究技术领域，尤其是一种基于GRA-BP神经网络的中小型水库大坝安全评价方法，广泛适用于各类中小型水库大坝的安全分析与评价。

背景技术：

我国已有水库总数9万8千多座，是世界上水库大坝数量最多的国家。已建成的大坝中96％都是中小型大坝，为我国的城市及周边的防洪、灌溉及发电起到了重要的作用。这些中小型水库大坝大多为土石坝，运行时间超过30～40年，随着时间的推移、坝龄的增长、大坝运行的各种条件(如结构、基础、环境等)逐渐发生变化，再加之建坝时的缺陷、运行不当、环境变化等因素，使得相当一部分大坝存在着设计标准偏低、基础渗漏、坝体材料老化变质、坝体结构性状衰减甚至恶化等影响大坝安全的问题，中小型水库大坝中约36％属于病险水库大坝，这种现状不仅影响了工程效益的发挥，还严重威胁着下游人民的生命和财产的安全。水库大坝的安全问题，已经不仅仅是工程安全，更是公共安全问题。因此，如何对水库大坝的安全性做出科学合理的评价，为水电管理工作提供决策依据，并以此为指导及时进行除险加固，确保水库大坝安全运行，是关系到国民经济发展和人民生命财产安全的重要课题，具有重要的现实意义。

对于建成多年并已运行的中小型水库大坝的安全评价，国外多重视运行性状的观察、观测资料的分析，国内多依靠现行的规程规范、重视施工期的质量及运行初期出现的一些现象分析。例如：应用统计回归法分析原型观测资料，提出安全时效数学模型；从徐变理论出发推导出坝体顶部时效位移的表达式，用周期函数模拟水压等周期荷载，并用非线性二乘法进行参数估计，同期还提出用组合流变模型研究时间效应；从物理学分析入手，提出以大坝安全状态为系统物元，利用物元理论、可拓集合理论及其关联函数，建立大坝安全可拓学综合评价模型；采用水坝总安全度(SD＝Ps/η)来作为评判标准评价水库大坝安全状态等。尽管目前对大坝的安全评价工作已取得了一定的成果，但尚存在以下问题:(1)对大坝安全分析评价的监控模型及评价方法还不够成熟；(2)目前对混凝土重力坝、拱坝等的安全评价研究较多，但对于中小型大坝如土石坝，由于其工程自身特性、筑坝材料的特定复杂性、运行状态等的不同，缺乏有针对性的评价模型和方法。因此，建立一种针对中小型水库大坝整体安全状态的评价方法与评价模型是十分必要的。

技术实现要素：

本发明所要解决的问题是针对上述现有技术的不足，提供一种基于GRA-BP神经网络的中小型水库大坝安全评价方法，其建立了针对中小型水库大坝的安全评价指标体系，构建了基于BP神经网络的智能大坝安全评价模型，能够实现安全评价、病险分析等功能，具有较高的科学性、有效性和实用性。

为了解决上述技术问题，本发明提出以下技术方案：一种基于GRA-BP神经网络的中小型水库大坝安全评价方法，其特征在于，它包括以下步骤：

步骤1：构建中小型水库大坝安全评价指标体系，筛选影响中小型水库大坝安全的主要因素，生成中小型水库大坝安全评价指标体系；

步骤2：生成神经网络训练样本；

步骤3：确定用于安全评价的BP神经网络的拓扑结构；

步骤4：训练和检验BP神经网络；

步骤5：将算法优化确定的BP神经网络评价模型用于新案例的评价。

所述步骤1具体步骤为：依据《大坝安全评价导则》，结合中小型水库大坝安全特性对评价指标进行初选，运用灰色关联分析法计算各初选指标与评价结果的关联程度，根据指标灰色关联度计算结果进行指标筛选，建立针对中小型水库大坝的安全评价指标体系。

所述步骤2进一步为：收集了一定数量的学习和检验样本，进行了评价指标原始数据的计算和预处理。

所述步骤3、4进一步为：建立GRA(Grey Relational Analysis)-ANN(Artificial Neural Networks)智能安全评价模型。

所述步骤3进一步为：设计BP神经网络拓扑结构：安全评价神经网络为多输入多输出的前向式三层网络结构，包括一个输入层，一个隐含层和一个输出层，输入层节点数为评价指标个数，输出层节点数为5，隐含层节点数根据经验公式和试验确定。

所述步骤4进一步为：确定BP神经网络相关参数：隐含层传递函数采用S型正切函数tansig，输出层传递函数采用S型对数函数logsig；设定BP神经网络的主要训练参数，包括学习速率和动量因子；初始网络连接权值和阈值在区间[0,1]内随机生成；设定网络训练的终止条件：误差精度和训练次数；采用L-M算法训练所述BP神经网络。

所述步骤5进一步为：对BP神经网络进行改进优化；调整主要训练参数，提高网络训练速度；将样本中的检验样本代入安全评价神经网络模型进行检验。

本发明有如下有益效果：

首先，从《大坝安全评价导则》7个方面24个评价指标中，依据中小型大坝的安全特性，采用灰色关联分析进行指标的筛选与优化，构成中小型大坝安全评价指标体系，将主观分析判断转化为定量的分析计算过程，有效保证了指标体系的针对性和科学性；其次，收集大量中小型水库大坝的真实评价案例做为神经网络训练检验样本，有效保证了BP神经网络的训练精度；最后，采用BP神经网络算法进行大坝安全评价与预测，通过对已知样本信息的学习和训练，发现并掌握专家评价的知识与规律，将传统的定性综合评价转化为专家型、智能型的评价方法。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1本发明的流程图。

图2三层中小型水库大坝安全评价BP神经网络的拓扑结构示意图。

图2中：ω_il表示输入层的第i个神经元到隐含层第l个神经元间的权值，ω_lj表示隐含层第l个神经元到输出层第j个神经元间的连接权值。

具体实施方式

下面结合附图对本发明的实施方式做进一步的说明。

为解决现有技术存在的问题，申请人对现有技术进行了深入的、具有创造性的研究工作。本发明提出了一种新的基于GRA-BP神经网络的中小型水库大坝安全评价方法，通过：1)建立中小型大坝安全评价指标体系；2)安全监测资料数据的分析与处理；3)采用神经网络技术构建大坝安全评价模型，可有效解决上述问题，实现智能化综合集成的大坝安全评价方法。

一种基于GRA-BP神经网络的中小型水库大坝安全评价方法，包括如下步骤：

步骤1：构建中小型水库大坝安全评价指标体系，筛选影响中小型水库大坝安全的主要因素，生成中小型水库大坝安全评价指标体系；

步骤2：生成神经网络训练样本；

步骤3：确定用于安全评价的BP神经网络的拓扑结构；

步骤4：训练和检验、优化BP神经网络；

步骤5：将构建完成的BP神经网络评价模型用于新案例的评价。

具体地，该方法的实现过程如下：

步骤1进一步为：依据《大坝安全评价导则》，从7个一级指标24个二级指标中初选21个主要影响中小型大坝安全的因素，构成初步的安全评价指标体系；指标对中小型大坝不具有针对性，采用灰色关联分析进行指标的筛选与优化；根据指标序列与结果序列构成的曲线之间的几何相似度来确定他们之间的关联度，曲线的几何形状越相似，则该指标与评价结果之间的关联度就越大。具体步骤如下：

(1)参考序列与比较序列的选择。本方法选择大坝安全评价结果为参考序列x₀(k)，将初选指标组成的序列作为比较序列。本实例中，参考序列与比较序列的初始数据均为5座大坝(N1，N2，N3，N4，N5)样本数据，比较序列数据用表1的21个初始指标数据表示，表2是这5座大坝的总体安全性水平综合评价的评价结果，将其设为参考序列。

表1初选指标样本数据表

表2大坝安全性综合评价等级

(2)数据无量纲化。对各指标的原始数据进行归一化处理，本方法采用最大最小归一化方法。

(3)计算关联系数。即比较数列x_i(k)对参考数列x₀(k)的关联系数为ξ_oi(k)，利用参考序列指标的关联系数计算公式计算：

${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{\underset{i=1,2,...,m}{min}\underset{k=1,2,...,n}{min}|x_o\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\×\underset{i=1,2,...,m}{min}\underset{k=1,2,...,n}{min}|x_o\left(k\right)-x_i\left(k\right)|}{|x_o\left(k\right)-x_i\left(k\right)|+\mathrm{\ρ}\×\underset{i=1,2,...,m}{min}\underset{k=1,2,...,n}{min}|x_o\left(k\right)-x_i\left(k\right)|}$

表3各样本序列相对参考数列的关联系数

(4)计算关联度。记比较数列和参考数列的关联度为γ，利用参考序列指标的关联度计算公式计算：

${\mathrm{\γ}}_{0i}=\frac{1}{n}\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_{0i}\left(k\right),(i=1,2,...,m)$

表4各指标的灰色关联度

(5)指标关联度比较。通过关联度的计算量化地比较各评价指标的优劣，实现坝体的安全评价指标的筛选及确定。最终删除关联度较低指标，保留15个指标作为评价指标，建立中小型水库大坝评价指标体系。

上述步骤2进一步为：收集一定数量的中小型水库大坝安全综合评价实例，将实例的指标原始数据进行量化处理，再进行相关预处理，生成样本数据。其中，一部分样本作为神经网络学习训练样本，另一部分作为网络检验样本。

表5大坝样本的评价指标原始数据

步骤3进一步为：进行了安全评价神经网络结构和参数设计。

本发明设计的安全评价神经网络的拓扑结构如下：神经网络采用多输入多输出的前向式三层网络结构，主要包括一个输入层，一个隐含层和一个输出层。

(1)输入向量：将筛选出的15个评价指标设置为BP神经网络模型的输入层，即输入层节点数为15，输入向量为X＝(x₁,x₂,...,x₁₅)；

(2)输出向量：将大坝安全评价结果等级作为输出向量，五种安全状态：正常、基本正常、轻度异常、重度异常和恶性异常分别用5个分量表示，输出层节点数为5个，输出向量为Y＝(y₁,y₂,y₃,y₄,y₅)；五种评价状态分别用5个分量表示：(1,0,0,0,0)、(0,1,0,0,0)、(0,0,1,0,0)、(0,0,0,1,0)、(0,0,0,0,1)；

(3)隐含层：采用经验法加试测法确定隐含层节点数，最终确定隐含层节点数为10个。

神经网络算法、参数设计如下：

(1)传递函数

隐含层传递函数定为S型正切函数tansig，函数形式:输出层传递函数定为S型对数函数logsig，其函数形式为:

(2)误差函数

对于每个输入样本p，标准误差为：E＝∑E_P＝(∑(d_pj-o_pj)²)/2

累积网络全局误差：

式中：O_pj、d_pj分别表示对第p个输入样本输出单元j的实际输出和期望输出。k表示m个样本对中的任一样本。

(3)权值修正改进优化。在权值调整中增加一个动量项，权值调整向量表达式为：

ΔW(t)＝ηδX+αΔW(t-1)

式中，W为某层权矩阵，X代表某层输入向量，α为动量因子，一般有α∈(0,1)。

步骤4进一步为：

将网络训练样本分成两部分，一部分作为网络学习训练样本，另一部分作为网络检验样本；

设定BP神经网络的主要训练参数，包括学习速率和动量因子；

初始网络连接权值和阈值在区间[0,1]内随机生成；

设定网络训练的终止条件：误差精度和训练次数；

采用L-M算法对各层节点之间的网络连接权值和阈值进行调整，采用累积网络全局误差进行网络修正，输入训练和检验样本对训练所述中小型水库大坝安全评价BP神经网络。

其中，文中GRA为：灰色关联分析。BP为：神经网络。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

通过上述的说明内容，本领域技术人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改都在本发明的保护范围之内。本发明的未尽事宜，属于本领域技术人员的公知常识。