高壩基巖多點(diǎn)位移計(jì)監(jiān)測(cè)的工程應(yīng)用研究

高壩基巖多點(diǎn)位移計(jì)監(jiān)測(cè)的工程應(yīng)用研究

0監(jiān)測(cè)結(jié)果分析和建議巖質(zhì)地基是復(fù)雜的地質(zhì)體，具有不同的巖石、結(jié)構(gòu)和變形條件，影響其穩(wěn)定和變形的許多因素。對(duì)于高壩基巖,由于壩體工程龐大,高水頭及大體積混凝土的影響明顯,基巖變形機(jī)理更為復(fù)雜,相關(guān)計(jì)算參數(shù)、計(jì)算模型、計(jì)算方法等難以非常準(zhǔn)確,這使目前水工建筑物及其基礎(chǔ)設(shè)計(jì)難以做到與工程實(shí)際完全吻合,有時(shí)甚至?xí)休^大出入。因此,對(duì)高壩及其基礎(chǔ)進(jìn)行監(jiān)測(cè)顯得尤為重要。在實(shí)際監(jiān)測(cè)工作中,往往通過對(duì)原型觀測(cè)資料進(jìn)行分析,建立各種數(shù)學(xué)監(jiān)控模型,監(jiān)測(cè)和評(píng)價(jià)大壩及其基礎(chǔ)的運(yùn)行情況,并做出相關(guān)預(yù)測(cè)。目前,大壩基巖變形監(jiān)測(cè)模型基本采用與壩體變形相似的模型結(jié)構(gòu),對(duì)基巖變形監(jiān)測(cè)的具體情況(例如多測(cè)孔聯(lián)測(cè)、一孔多點(diǎn)、高水頭作用下的基巖蠕變等)考慮較少,而這些考慮將對(duì)模型構(gòu)造及建模方法提出新的要求。多點(diǎn)位移計(jì)是基巖變形監(jiān)測(cè)常用的有效工具,在穿過斷層、夾層等結(jié)構(gòu)面的測(cè)孔中,可設(shè)置多個(gè)監(jiān)測(cè)錨頭,獲得1條或多條結(jié)構(gòu)面的變形狀況。由于要穿過斷層、夾層,所以相對(duì)大壩其他一些位移測(cè)項(xiàng)(例如正、倒垂線等)而言,測(cè)孔分布的位置、方向規(guī)律性很差。而多點(diǎn)位移計(jì)一孔內(nèi)各測(cè)點(diǎn)的位移觀測(cè)數(shù)據(jù)具有關(guān)聯(lián)性,相近的測(cè)孔也有可能存在關(guān)聯(lián)性。目前,對(duì)多點(diǎn)位移計(jì)獲得的變形資料一般是逐點(diǎn)或逐個(gè)斷層建立監(jiān)測(cè)模型,不僅建模量大,而且無法做到這些測(cè)點(diǎn)變形數(shù)據(jù)之間的同步關(guān)聯(lián)分析。雖然近些年多測(cè)點(diǎn)分布模型研究應(yīng)用取得長(zhǎng)足進(jìn)步,但由于多點(diǎn)位移計(jì)在一個(gè)測(cè)孔中往往只在關(guān)心的斷層上、下盤設(shè)點(diǎn),而且測(cè)孔位置過于分散,所以采用分布模型的效果不如垂線、引張線位移分布模型。因此,有必要探討合適的建模方法,對(duì)多點(diǎn)位移計(jì)的觀測(cè)數(shù)據(jù)進(jìn)行系統(tǒng)的分析,既保證數(shù)據(jù)的關(guān)聯(lián)性,又取得較好的效果,提高基巖多測(cè)點(diǎn)綜合分析水平,為實(shí)際工程應(yīng)用提供有效工具。本文利用高壩基巖的多點(diǎn)位移計(jì)變形觀測(cè)資料,借助人工神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自組織、自適應(yīng)性特征,在對(duì)高壩基巖變形主要影響因素分析的基礎(chǔ)上,確定主要影響因子形式,并以多點(diǎn)位移計(jì)一孔多點(diǎn)、多測(cè)孔、多斷層的情況為分析預(yù)測(cè)對(duì)象,構(gòu)建一個(gè)反向傳播(BP)神經(jīng)網(wǎng)絡(luò)模型,以便正確處理監(jiān)測(cè)數(shù)據(jù),對(duì)壩基的變形狀態(tài)做出快速、準(zhǔn)確的分析判斷,并加以預(yù)測(cè)。1網(wǎng)絡(luò)模型的結(jié)構(gòu)1.1在智能決策中的應(yīng)用20世紀(jì)80年代以來,人工神經(jīng)網(wǎng)絡(luò)技術(shù)在全世界范圍內(nèi)迅速發(fā)展,其主要原因是人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及其計(jì)算方法是在模擬人類大腦結(jié)構(gòu)和思維方式的基礎(chǔ)上建立起來的。人工神經(jīng)網(wǎng)絡(luò)在信息的分布式存儲(chǔ)、數(shù)據(jù)的并行處理以及利用外來信息進(jìn)行自學(xué)習(xí)的能力等方面都與人腦很相似,因此在智能控制、信息處理、模式識(shí)別等領(lǐng)域起著重要作用并具有廣闊的應(yīng)用前景。人工神經(jīng)元是生物神經(jīng)元的模擬與抽象,相當(dāng)于一個(gè)多輸入單輸出的非線性閾值元件,將人工神經(jīng)元通過一定的結(jié)構(gòu)組織起來,就可構(gòu)成人工神經(jīng)元網(wǎng)絡(luò)。神經(jīng)元作為神經(jīng)元網(wǎng)絡(luò)最基本的工作單元,其結(jié)構(gòu)很簡(jiǎn)單,處理能力也比較單一,但由大量這種結(jié)構(gòu)、功能簡(jiǎn)單的神經(jīng)元所構(gòu)成的神經(jīng)元網(wǎng)絡(luò)卻有許多優(yōu)越性。神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是:并行處理的結(jié)構(gòu);可塑性的網(wǎng)絡(luò)連接;分布式的存儲(chǔ)記憶;全方位的互聯(lián);群體的集合運(yùn)算;強(qiáng)大的非線性處理能力。1.2bp網(wǎng)絡(luò)算法BP網(wǎng)絡(luò)是采用誤差逆?zhèn)鞑ニ惴ㄟM(jìn)行誤差校正的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)一般由輸入層、隱含層和輸出層組成,各層間實(shí)行全連接。當(dāng)輸出層的輸出與給定輸出不一致時(shí),修正各層間的結(jié)合強(qiáng)度(權(quán)值),直到最終滿足給定的輸入輸出關(guān)系為止。BP網(wǎng)絡(luò)的學(xué)習(xí)過程可歸納為模式順傳播、誤差逆?zhèn)鞑?、記憶?xùn)練和學(xué)習(xí)收斂4個(gè)過程,其結(jié)構(gòu)如圖1所示。其算法步驟如下:步驟1:用一組隨機(jī)數(shù)初始化網(wǎng)絡(luò)權(quán)值和閾值;步驟2:給定輸入和目標(biāo)輸出;步驟3:計(jì)算實(shí)際輸出;步驟4:修正權(quán)值,從輸出層開始將誤差信號(hào)沿連接通路反向傳播,通過修正權(quán)值使誤差最小;步驟5:達(dá)到誤差精度或循環(huán)次數(shù)則輸出結(jié)果,否則返回到步驟2繼續(xù)運(yùn)算。高壩基巖變形由于其影響因素之間的關(guān)系十分復(fù)雜,各影響因素對(duì)基巖變形的影響也不是互不相關(guān)的,具有顯著的非線性特征。高壩基巖變形觀測(cè)中廣泛使用的多點(diǎn)位移計(jì)是一孔多測(cè)點(diǎn)的,每次采集的數(shù)據(jù)都包含多個(gè)變形量,同一測(cè)孔中各測(cè)點(diǎn)以及一些測(cè)孔間又具有關(guān)聯(lián)性,但測(cè)點(diǎn)和測(cè)孔的分布并無統(tǒng)一規(guī)律,使得近些年在壩體監(jiān)測(cè)分析中得以應(yīng)用的分布模型難以便捷、有效地發(fā)揮作用。BP網(wǎng)絡(luò)的非線性映射能夠?qū)W習(xí)和存儲(chǔ)大量輸入-輸出模式映射關(guān)系,無需事先精確了解描述這種映射關(guān)系的數(shù)學(xué)方程。當(dāng)提供足夠多的樣本模式進(jìn)行訓(xùn)練時(shí),BP網(wǎng)絡(luò)就能完成由輸入空間到輸出空間的映射。而對(duì)于高壩基巖位移監(jiān)測(cè)模型,可以在實(shí)測(cè)資料的基礎(chǔ)上形成符合高壩基巖多點(diǎn)位移計(jì)監(jiān)測(cè)特點(diǎn)的訓(xùn)練樣本、輸出層等,然后利用BP網(wǎng)絡(luò)進(jìn)行建模、預(yù)測(cè)。同時(shí),利用BP模型的特點(diǎn),還可以實(shí)現(xiàn)多測(cè)點(diǎn)、多測(cè)孔的綜合建模分析。2基巖變形預(yù)測(cè)模型水利工程監(jiān)測(cè)分析的實(shí)踐和理論研究表明,影響高壩基巖變形的輸入因子主要有水位因子、溫度因子和時(shí)效因子3類。在監(jiān)測(cè)模型中,水位因子一般采用Hj,溫度因子大多采用測(cè)點(diǎn)實(shí)測(cè)溫度或氣溫的前期平均值,時(shí)效因子則根據(jù)相關(guān)試驗(yàn)結(jié)果或工程對(duì)比,采用時(shí)間函數(shù)加以表達(dá)。為了找出比較有利的輸入因子組合形式,本文的程序可以對(duì)輸入因子進(jìn)行自由選擇,可供選擇的輸入因子包括:H,H2,H3,H4,T0,T5,T10,T30,T60,T90,t,t2,t3,t0.5,int,e-t,1/(et+e-t)。其中:H為壩前壩后水位差;T。為當(dāng)日氣溫因子;T5為觀測(cè)樣本前5d平均氣溫因子;T10,T30,T60,T90分別為觀測(cè)樣本前10d,30d,60d,90d平均氣溫因子;t為從計(jì)算基準(zhǔn)日起至樣本觀測(cè)日的時(shí)間(d)。由于位置因素的固定性,不將其作為輸入因子,而是由BP模型對(duì)多個(gè)分析對(duì)象加以調(diào)和,這在一定程度上避免了常規(guī)分布模型在基巖變位分析中因子確定的復(fù)雜性,輸出層則根據(jù)分析的對(duì)象及個(gè)數(shù)確定。本文采用3層BP網(wǎng)絡(luò)結(jié)構(gòu)對(duì)高壩基巖的變形監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析,輸出函數(shù)采用單極型的S形激活函數(shù):f(x)=1/(1+e-x)。輸入層單元個(gè)數(shù)m1由程序運(yùn)行時(shí)選擇的輸入因子群決定,中間層單元數(shù)m2(m2=2m1+1)采用傳統(tǒng)經(jīng)驗(yàn)值,輸出層單元數(shù)m3則由預(yù)測(cè)的效應(yīng)量決定。在網(wǎng)絡(luò)模型的分析比較中,對(duì)于輸入因子,分別改變水位因子、溫度因子、時(shí)效因子進(jìn)行組合,再對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行擬合與預(yù)測(cè),從中找出擬合與預(yù)測(cè)效果較好的BP網(wǎng)絡(luò)結(jié)構(gòu)。程序運(yùn)算次數(shù)采用誤差與最高運(yùn)算次數(shù)雙重控制。因?yàn)榫W(wǎng)絡(luò)的訓(xùn)練樣本數(shù)、輸出單元數(shù)都隨實(shí)際情況而改變,所以在網(wǎng)絡(luò)中控制誤差采用e2/2(誤差e為實(shí)際測(cè)量值與網(wǎng)絡(luò)運(yùn)算值之差)的平均值,而非累加值。網(wǎng)絡(luò)的最高運(yùn)算次數(shù)取40000次,即在網(wǎng)絡(luò)訓(xùn)練到40000次時(shí),即使達(dá)不到誤差要求亦退出訓(xùn)練。3各測(cè)點(diǎn)的擬合及預(yù)測(cè)結(jié)果本文對(duì)某拱壩基巖一多點(diǎn)位移計(jì)測(cè)孔(記為孔Ⅰ)的實(shí)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練,該孔共有4個(gè)測(cè)點(diǎn),以此4個(gè)測(cè)點(diǎn)的位移作為輸出對(duì)象,即有4個(gè)輸出神經(jīng)元。訓(xùn)練數(shù)據(jù)時(shí)段從1993-07-25到2002-01-09。為了更好地比較不同的輸入因子組合模式下擬合及預(yù)測(cè)效果的優(yōu)劣,本文采取應(yīng)用訓(xùn)練次數(shù)進(jìn)行控制的方法,即對(duì)每個(gè)模式都進(jìn)行40000次訓(xùn)練,對(duì)數(shù)據(jù)的擬合和預(yù)測(cè)效果進(jìn)行比較。根據(jù)候選的輸入層因子建立了多種輸入層組合0.25模式,分別以拱壩基巖多點(diǎn)位移計(jì)實(shí)測(cè)資料及環(huán)境資料進(jìn)行數(shù)據(jù)訓(xùn)練擬合,其目的是獲取這些組合中訓(xùn)練效果最好的作為該拱壩或該測(cè)孔基巖分析的輸入層,這樣可以在一定程度上減少影響因子不確定性帶來的分析差異,提高分析質(zhì)量。模式選擇中,分別對(duì)不同的水位因子群、溫度因子群和時(shí)效因子群進(jìn)行組合,構(gòu)建一些作為對(duì)比的輸入層組合模式,采用邊對(duì)比邊選擇的方式。其中模式1、模式2是改變了水位因子組合進(jìn)行對(duì)比,模式3～模式5是改變了溫度因子組合,模式6～模式10則改變了時(shí)效因子組合。模式1:H,H2,H3,T0,T5,T30,t,t2,t0.5,int;模式2:H,H2,H3,H4,T0,T5,T30,t,t2,t0.5,int;模式3:H,H2,H3,H4,T0,T5,T90,t,t2,t0.5,int;模式4:H,H2,H3,H4,T0,T10,T90,t,t2,t0.5,int;模式5:H,H2,H3,H4,T0,T30,T60,t,t2,t0.5,int;模式6:H,H2,H3,H4,T0,T5,T30,t,t2,t0.5,-te;模式7:H,H2,H3,H4,T0,T5,T0,t,t3,t0.5,int;模式8:H,H2,H3,H4,T0,T5,T30,t,t2,int,-te:模式9:H,H2,H3,H4,T0,T5,T30,t,t2,t0.5,int,1/(et+e-t);模式10:H,H2,H3,H4,T0,T5,T30,t2,t05,int,e-t。經(jīng)過BP網(wǎng)絡(luò)訓(xùn)練,各模式的擬合段效果相差不大,預(yù)測(cè)段平均相對(duì)誤差比較如下:模式1為6.13%,模式2為5.41%,模式3為6.03%,模式4為5.67%,模式5為6.15%,模式6為10.41%,模式7為10.57%,模式8為6.00%,模式9為13.12%,模式10為7.68%?？梢?模式2的擬合及預(yù)測(cè)結(jié)果較好,所以本文采用模式2對(duì)變形數(shù)據(jù)進(jìn)行分析及預(yù)測(cè)?？注窀鳒y(cè)點(diǎn)的擬合效果見圖2～圖5。采用模式2對(duì)孔Ⅰ的變形數(shù)據(jù)進(jìn)行訓(xùn)練,其預(yù)測(cè)結(jié)果見表1,平均相對(duì)誤差為5.41%,預(yù)測(cè)效果見圖6。另外,采用模式2對(duì)孔Ⅱ的4個(gè)測(cè)點(diǎn)變形數(shù)據(jù)進(jìn)行了訓(xùn)練,其預(yù)測(cè)結(jié)果見表2,平均相對(duì)誤差為9.9%,限于篇幅,僅繪出預(yù)測(cè)效果,見圖7。在工程實(shí)際中,高壩基巖變形的監(jiān)測(cè)是多個(gè)測(cè)孔共同工作的,由于各測(cè)孔的方位、孔內(nèi)測(cè)點(diǎn)分布都不相同,傳統(tǒng)的分析方法需要對(duì)這些測(cè)點(diǎn)的數(shù)據(jù)逐個(gè)分析,而神經(jīng)網(wǎng)絡(luò)的并行運(yùn)算和非線性擬合能力可以使這個(gè)問題得到有效的解決。由于本文中BP網(wǎng)絡(luò)模型所采用的輸入因子是大壩基巖的共性,其各測(cè)孔的個(gè)性可以表現(xiàn)在其訓(xùn)練后的連接權(quán)中,因此只需改變輸出層的單元數(shù),就可以建立多孔聯(lián)測(cè)網(wǎng)絡(luò)?，F(xiàn)以兩孔聯(lián)測(cè)為例,取m3=8,根據(jù)孔Ⅰ、孔Ⅱ的實(shí)測(cè)數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),得到8個(gè)測(cè)點(diǎn)共同預(yù)測(cè)結(jié)果的平均相對(duì)誤差為6.1%,預(yù)測(cè)效果見圖8。本文建立的模型也可以用于預(yù)測(cè)基巖裂隙開合度的變化。輸入層的影響因子同樣不做改變,只改變輸出層單元的個(gè)數(shù)(將測(cè)點(diǎn)數(shù)改為測(cè)孔穿過的裂隙數(shù)),以相應(yīng)的監(jiān)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練。現(xiàn)以孔Ⅰ的裂隙開合度為例,以此測(cè)孔穿過的2個(gè)裂隙的開合度為輸出量,經(jīng)過訓(xùn)練得到的預(yù)測(cè)段平均相對(duì)誤差為3.1%,預(yù)測(cè)效果見圖9。4影響因素權(quán)值的確定多點(diǎn)位移計(jì)是高壩基巖變形監(jiān)測(cè)的主要工具,具有一孔多點(diǎn)、測(cè)孔布置不規(guī)則等特點(diǎn),使常規(guī)分布模型的應(yīng)用和多點(diǎn)綜合分析受到阻礙。將BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于高壩基巖變形的分析與預(yù)測(cè)是一種行之有效的方法。通過學(xué)習(xí),自動(dòng)調(diào)整各影響因素的權(quán)值,BP神經(jīng)網(wǎng)絡(luò)模型能較好地對(duì)包含不確定因果關(guān)系的高壩基巖變形數(shù)據(jù)進(jìn)行分析和處理,并