一种用于大坝基岩的灌浆功率混合区间预测方法与流程

本发明属于水利水电工程中大坝基岩灌浆施工领域，具体涉及一种用于坝基灌浆施工过程中灌浆功率区间预测方法。

背景技术：

灌浆是大坝基础防渗、地基处理和修复的主要措施，对保证水工建筑物的安全施工和稳定运行具有重要意义。灌浆压力和浆液注入率是两个密切相关的灌浆工艺参数，二者相互影响、相互制约，灌浆压力和浆液注入率的联合调整是灌浆质量控制的关键措施。因此，提出了以灌浆压力和浆液注入率的乘积来定义的灌浆功率的概念，作为灌浆过程的控制指标。根据工程实际情况，灌浆压力和浆液注入率有相应的上下限。通过在考虑浆液注入率的情况下调整灌浆压力，使灌浆功率保持在一定范围内，可以使灌浆过程得到平稳、安全的控制。然而，在实际工程中，灌浆压力和浆液注入率往往是在灌浆条件出现问题后进行调节的，这给灌浆工程带来了不利的影响。因此，有必要对灌浆功率进行有效可靠的预测，为灌浆施工过程提供指导，然后进行提前调整，避免不利情况的发生。然而，现有的预测研究主要集中在可灌性、灌浆量、灌浆效果等方面，对灌浆功率预测的研究很少，另外，灌浆过程可能受施工方法和地质条件的影响，并且监测系统运行过程中不可避免地会出现测量数据失真，使得灌浆功率时间序列呈现出随机性、混沌性和非线性特征。因此，灌浆功率预测是一项具有挑战性的研究课题。

目前，大多数时间序列预测研究主要集中在确定性点预测，它提供了预测误差，但不能指出任何正确预测概率信息。这是由于每种预测方法都存在固有的和不可避免的不确定性，并且数据本身通常也是不确定的。因此，点预测不能提供可靠的结果且无法处理预测过程中的不确定性。

此外，单个预测模型总是有其自身的局限性，阻碍了对时间序列特征的完全挖掘和捕获，并且无法在所有情况下获得期望的预测结果。因此，许多研究人员致力于通过整合单一方法的优势来开发混合预测模型。一般而言，混合预测模型将预测模型与数据预处理方法、特征选择方法和优化算法相结合，这与单一模型相比具有较高的预测精度和稳定性。

为此，需要提供一种能够得到可靠的预测结果的关于大坝基岩的灌浆功率的预测方法，从而为灌浆决策者提供可靠有用的信息进行灌浆调控。

技术实现要素：

本发明的目的在于克服现有技术中存在的缺陷，提供一种用于大坝基岩的灌浆功率混合区间预测方法，所述预测方法基于改进igwo-elube的混合区间预测模型来构造灌浆功率预测区间，并对预测过程的不确定性进行量化，科学预测灌浆功率未来的变化趋势和波动范围，为灌浆决策者制定计划提供更可靠的和有用的信息。

一种用于大坝基岩的灌浆功率混合区间预测方法，具体包括以下步骤：

s1.利用现有的灌浆实时监测系统获得原始灌浆功率时序数据；

s2.对原始灌浆功率时序数据进行预处理；

s3.对预处理后的数据进行特征提取；

s4.建立改进的igwo-elube区间预测模型，将获得的最优模型输入作为输入实现灌浆功率区间预测。

其中“利用现有的灌浆实时监测系统获得原始灌浆功率时序数据”具体为：

利用传感器实时监测坝基的地层变化，灌浆量，浆液密度、灌浆压力和浆液注入率，将灌浆数据通过物联网技术传送至计算机，用于对灌浆过程参数的实时采集、传输、存储与分析；

提取灌浆压力和浆液注入率参数，对灌浆功率进行实时分析，获得原始灌浆功率时序数据。

s2“对原始灌浆功率时序数据进行预处理”步骤具体为：

s201对步骤1获得的原始灌浆功率时序数据进行数据降噪处理：

对原始灌浆功率时序数据执行小波变换，获取所述时序数据的离散小波的近似系数和细节系数；

对所述时序数据进行分解迭代，然后通过阈值将系数去除到一预设定值(根据实际时序数据具体确定)以下，通过小波逆变换得到降噪数据；

s202:使用基于自适应噪声的集成经验模态分解(以下简称ceemdan)方法分解降噪数据

通过经验模态分解(简称emd)方法对降噪数据进行微分获得首个固有模态函数(以下简称imf)；

计算当前残差并分解残差，得到下一个imf；

重复“计算当前残差并分解残差，得到下一个imf”步骤，直到无法进一步提取imf，从而获得多个imf。

s3:对预处理后的数据进行特征提取，具体为：

s301对获取的imf逐一判断其imf特征，进行相空间重构并采用wolf方法计算各imf的最大李亚普诺夫指数；

若最大李雅普诺夫指数大于零，则说明所述imf有混沌特性，通过重构该imf的相空间矩阵将其作为区间预测模型的输入。相反，如最大李雅普诺夫指数小于零，则所述imf没有混沌特性，使用偏自相关函数(pacf)执行s302；

进一步的，所述s301步骤中还包括，利用互信息法计算延迟时间τ，利用cao法获得嵌入维m，其中所述延迟时间τ和嵌入维数m是相空间重建的重要参数，用于确保相空间重建的质量和预测精度。

s302使用偏自相关函数(pacf)确定原始灌浆功率时序中的所述非混沌imf的最优模型输入。

s4：建立igwo-elube区间预测模型将获得的最优模型输入作为输入实现灌浆功率区间预测，具体为：

s401建立评价预测区间(pi)整体质量的综合指标，即基于覆盖宽度的适应度函数(cwc)

cwc＝nmpiw+γ(picp)e^-η(picp-μ)

其中γ(picp)定义为：

其中，μ是额定置信水平100(1-α)％，η用来以指数方式放大picp和μ之间的差距；其中picp用于评价所构建的pi是否可靠。如果picp远低于名义置信水平100(1-α)％，则pi是无效的。

s402采用elm构建lube区间预测模型得到elube模型，并采用改进灰狼优化算法对elube模型中的参数进行优化得到igwo-elube区间预测模型；

所构建的elube区间预测模型具体为：对于数据集(xi,yi),i＝1,2,…,n，其中xi＝[xi1,xi2,…,xim]^t∈rⁿ,yi＝[yi1,yi2,…,yiκ]^t∈r^κ，有l个隐含层神经元和激活函数g(x)的elube模型的输出可以表示为：

其中，oj＝[oj1,oj2,…,ojκ]^t是elube模型的第j个输出，βi＝[βi1,βi2,…,βiκ]^t是输出权重，κ＝1,2,wi＝[wi1,wi2,…,wim]^t是输入权重，bi是第i个隐含层的阈值。

所构造pi的上下界定义如下：

u(xi)＝max{oj1,oj2},j＝1,2,,...,n

l(xi)＝min{oj1,oj2},j＝1,2,,...,n

其中，oj1和oj2是第j个输出的两个输出神经元。

所述elube模型中的参数包括隐含层阈值，输入权重和输出权重，其中输出层权重可以通过对隐含层的输出矩阵求解最小二乘解获得，则为了通过elube模型获得高质量的预测区间，采用灰狼算法最小化适应度函数(即cwc)来优化elube模型的输入权重和隐含层阈值，，获得最优输入权重和隐含层阈值；

s403基于igwo-elube区间预测模型，将特征提取得到的所述imf的最优模型输入作为igwo-elube模型的输入，进行预测从而获得准确可靠的区间预测结果。

与现有技术相比，本发明的有益效果如下：

1.采用混合预测模型，其将预测模型与数据预处理方法、特征选择方法和优化算法相结合，这与单一模型相比具有较高的预测精度和稳定性；

2.预测结果可靠，准确。本发明所述的预测方法能够有效解决传统的点预测方法存在的无法处理灌浆功率时序数据随机性、不确定性等特征的问题，提供可靠，准确的预测结果，从而为灌浆决策者提供可靠有用的信息进行灌浆调控。

附图说明

图1是本发明所述的用于大坝基岩的灌浆功率混合区间预测方法的流程图；

图2是采用灰狼算法最小化适应度函数的流程图。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案作进一步详细描述，所描述的具体的实施例仅对本发明进行解释说明，并不用以限制本发明。

术语

本发明所述的经验模态分解(简称emd)方法是本领域公知的获取本征模函数的方法，该方法依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。分解过程是：找出原数据序列x(t)所有的极大值点并用三次样条插值函数拟合形成原数据的上包络线；同样，找出所有的极小值点，并将所有的极小值点通过三次样条插值函数拟合形成数据的下包络线，上包络线和下包络线的均值记作ml，将原数据序列x(t)减去该平均包络ml，得到一个新的数据序列h：

x(t)-ml＝hl

由原数据减去包络平均后的新数据，若还存在负的局部极大值和正的局部极小值，说明这还不是一个本征模函数，需要继续进行“筛选”。

如图1所示，一种用于坝基灌浆施工过程中灌浆功率区间预测方法，包括：

步骤1：利用灌浆实时监测系统获得原始灌浆功率时序数据

依托传感器技术、物联网技术和计算机科学技术，实现对灌浆过程参数的实时采集、传输、存储与分析。将灌浆功率这一控制指标引入灌浆实时监控与分析系统，对灌浆功率进行实时采集与分析，获得灌浆功率的实时监测序列。

步骤2：对原始灌浆功率时序数据进行预处理

201：执行小波变换(wt)

由于离散小波变换(以下简称dwt)比连续小波变换(cwt)更适合于数据去噪，计算效率更高，因此本发明采用dwt。dwt的系数可分为近似系数和细节系数，数据f(t)在第j级上的离散小波的近似系数aj和细节系数dj分别表示为：

其中2^j表示因素比例因子，k2^j表示变换因子，k是变换因子，k∈z，ψ(t)是母波函数。

基于上述两个公式，随着j级的增加，对数据f(t)进行分解迭代，然后通过阈值将系数去除到一定值(根据实际时序数据具体确定)以下，通过小波逆变换得到去噪数据。

202：使用基于自适应噪声的集成经验模态分解(ceemdan)方法分解降噪数据

ceemdan方法在分析非线性非平稳时间序列时具有很大的优势，是针对emd和eemd的不足而发展起来的。ceemdan较好地解决了模态混合问题，重建误差几乎为零，计算成本较低。

设置产生emd第j阶模态的算子ej(·)，令wi(t)为正态分布n(0,1)的高斯白噪声的不同实现。ceemdan的详细步骤如下：

a)通过emd方法计算xi(t)＝x(t)+ε0wi(t)得到第一个imf，其中x(t)是原始时序数据，ε0是噪声标准偏差，i＝1,2,3…,i。

b)得到ceemdan的第一个模态为：

c)计算第一个残差：

d)分解残差r1(t)+ε1e1(wi(t))得到第二个模态函数为：

e)重复上述步骤，直到无法进一步提取imf

3.对预处理后的数据进行特征提取

1)对获取的imf逐一判断其imf特征，进行相空间重构并采用wolf方法计算各imf的最大李亚普诺夫指数

相空间重构

相空间重构理论是重构混沌时间序列相空间以识别其动态模式的有效方法。

假设{xt|t＝1,2,…,n}是一个混沌时间序列，n是数据个数，此时序数据的重构相空间可以表示为：

yi＝[xi,xi+τ,xi+2τ,...,xi+(m-1)τ](6)

其中i＝1,2,…,n-(m-1)τ,n＝n-(m-1)τ,yi是重构相空间向量，τ是延迟时间，m是嵌入维数。

延迟时间τ和嵌入维数m在相空间重建是两个重要的参数，适当的选择是重要的,确保质量的相空间重建和预测精度。本发明采用互信息法和cao法确定延迟时间τ和嵌入维数m。

系统有混沌特征时的最大李亚普诺夫指数λmax大于零。在本发明中，基于已经获得的嵌入维数和延迟时间，采用wolf方法计算时间序列的最大lyapunov指数，其方法如下：

其中t0是初始时间，tk是第k步时的时间，li和li′分别是ti和ti后一个时间这两个时间点之间的距离。

基于上述计算，λmax>0表明，灌浆功率数据子序列具有混沌特征及其重构相空间矩阵可以采取作为区间预测模型的输入。相反，λmax<0表示数据子序列是非混沌的，相空间重构的方法不适用所以其最优模型输入可以由pacf决定。

2)使用偏自相关函数(pacf)确定原始灌浆功率时序中的所述非混沌imf的最优模型输入

假设xt是一个输出变量，如果在滞后k时偏自相关系数超过95％置信区间是一个输入变量，如果所有的偏自相关系数都在95％置信区间内，则前一个值即xt-1选为输入变量。

pacf介绍如下：对一个灌浆功率时间序列{x1,x2,…,xn}，γk被定义为滞后k的协方差(如果k＝0，就是方差)，计算如下：

其中是时间序列的平均值，m＝n/4是最大的滞后。则在滞后k时的自相关(acf)被定义为

则在滞后k时的pacf定义为fkk，表示如下：

4.建立igwo-elube区间预测模型将获得的最优模型输入作为输入实现灌浆功率区间预测，具体为：

1)建立评价预测区间(pi)整体质量的综合指标，即基于覆盖宽度的适应度函数(cwc)预测区间(pi)评价指标

l(xi)和u(xi)是第i个预测区间(pi)的上下边界，预测区间覆盖概率(picp)和归一化平均宽度(pinaw)是区间预测的两个评价指标，他们的计算方法如下：

其中n是数据数量，yi是预测目标，如果yi∈[l(xi),u(xi)],则ci＝1，如果则ci＝0。picp用于评价所构建的pi是否可靠。如果picp远低于名义置信水平100(1-α)％，则pi是无效的。实际上，太宽的pi传递的信息很少，对决策没有任何意义。因此，定义nmpiw如下来量化pi的宽度：

其中，r是目标值的范围。

以上两个指标只能从各自的角度来评价pi。从预测的角度来看，理想的pi具有较高的picp和较低的nmpiw，但这两个目标总是存在冲突。为了评价pis的整体质量，提出了基于覆盖宽度的综合指标cwc，定义如下

cwc＝nmpiw+γ(picp)e^-η(picp-μ)(13)

其中γ(picp)定义为：

其中，μ是额定置信水平100(1-α)％，η用来以指数方式放大picp和μ之间的差距

2)采用elm构建lube区间预测模型得到elube模型，并采用改进灰狼优化算法对elube模型中的参数进行优化得到igwo-elube区间预测模型

在本发明中，构建的elube模型结构如图1所示。对于数据集(xi,yi),i＝1,2,…,n，其中xi＝[xi1,xi2,…,xim]^t∈rⁿ,yi＝[yi1,yi2,…,yiκ]^t∈r^κ，有l个隐含层神经元和激活函数g(x)的elube模型的输出可以表示为：

其中，oj＝[oj1,oj2,…,ojκ]^t是elube模型的第j个输出，βi＝[βi1,βi2,…,βiκ]^t是输出权重，κ＝1,2,wi＝[wi1,wi2,…,wim]^t是输入权重，bi是第i个隐含层的阈值。所构造pi的上下界定义如下：

u(xi)＝max{oj1,oj2},j＝1,2,,...,n(16)

l(xi)＝min{oj1,oj2},j＝1,2,,...,n(17)

其中，oj1和oj2是第j个输出的两个输出神经元

公式(15)可以简化如下：

o＝hβ(18)

其中h是隐含层输出矩阵，输出权重β可以通过求解最小二乘解的方程(21)和方程(22)所示：

其中是h的moore–penrose广义逆矩阵。

此外，为了通过elube模型获得高质量的pi，有必要寻找到输入权重和隐含层阈值的最优值，即：通过最小化cwc来训练elube模型。

cwc是复杂的、非线性的、不连续的，因此需要一个强大的全局优化算法。因此，本发明采用了一种改进的灰狼优化算法(igwo)进行cwc的最小化。

3)基于igwo-elube区间预测模型，将特征提取得到的所述imf的最优模型输入作为igwo-elube模型的输入，进行预测从而获得准确可靠的区间预测结果。

igwo算法是gwo的一种改进算法，该算法对全局最优有更准确的逼近，性能更优。igwo的目标是最小化式(23)所表示的适应度函数，得到elube模型的输入权值和隐藏阈值的最优值。igwo的主要改进和更新过程如图2所示，并简述如下。

igwo是gwo的一种改进算法，具有更精确的全局最优逼近和更好的优化性能。主要改进如下：

在灰狼包围猎物过程中，参数和表示为：

其中，是[0,1]上的随机向量；相比之前原始的线性下降形式，参数在迭代过程中呈指数型从2下降到0，使得算法在勘探和开发之间达到较好的平衡，表示如下：

在灰狼搜索过程中，不同于原始简单地平均三种最佳搜索代理的位置，而是通过式(27)得到其他搜索代理的位置，该式表示了α,β和δ狼的层次重要性，从而提高了优化后的性能

基于以上步骤，对数据进行科学的处理提高其可预测性，为预测的准确打下基础，并建立可以保持较窄的平均宽度和较高的区间质量的区间预测模型，从而获得更准确可靠的灌浆功率预测结果，为决策提供指导，保证灌浆的安全和质量。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。