·50· 水科学与工程技术 2010 年第 期 1 基于BP神经网络的大坝沉降预测模型 谢海燕，周理含 上海岩土工程勘察设计研究院有限公司 （ 上海 ， 200438） 以某大坝沉降监测数据为例 摘 要： 较好地应用于大坝沉降数据的预测 关键词：BP；神经网络；MATLAB；大坝；预测 中图分类号：TV64 文献标识码：A 利用 ， 软件的 Matlab BP ， 具有良好的应用前景 。 文章编号：1672-9900（2010）01-0050-03 神经网络工具箱进行建模分析和预测 结果表明 滚动 ， BP 。 神经网络算法能 Dam settlement model based on BP algorithm of artificial neural network XIE Hai－yan，ZHOU Li－han （Shanghai Geotechnical Investigations ＆ Design Institute Co．，Ltd．， Shanghai 200438， China） Abstract：A settlement model using back propagation algorithm of artificial neural networks （BP－ANN） was presented on the example of an arch－type dam． The results obtained by Matlab show that the BP－ANN is promising in predicting the set- tlement of dams． The method proposed has a good application prospect． Key words：Back Propagation； artificial neural network； Matlab； dam； predict 随着高坝水库建设的日益增多 ， 遍关注 。 大坝自身结构及工作环境均比较复杂 大坝安全已引起社会普 并存在许多不 ， ， 确定性的影响因素 用确切的定量关系进行描述 ［1］。 型 监测量之间的非线性映射关系 预报效果 ［2］。 如多元线性回归 （ ） ， 因此 而这些因素对大坝位移的影响往往无法 传统的原型观测统计模 在某种程度上已无法完全描述大坝安全 并将最终影响模型的拟合及 ， 目前人们提出了许多非线性理论 其中的人工神经网络 已逐步运用于大坝安全监测资料分 ， （Artificial Neural Network） 析中 人工神经网络是对人脑神经系统的模拟 。 ， 、 、 、 而 BP 适应性 联想能力 模糊推理能力和自学习能力 非常 神 经 网 络 是 目 前 较 为 成 熟 组织性 适合解决非线 性 映 射 问 题 ［3］， 并且在大坝监控领域中应用最为广泛的神 经 网 络 模 型 之 一 李 雪 红 等 ［2］提 出 了 主 成 分 模 糊 神 经 网 络 模 型 的预测精度 ， ； 并对西津大坝 李金凤等 ［5］ 利用神经网络模型对水布垭面板坝施工期的坝体沉降进行了 结果表明神经网络能很好地反映面板坝堆石体施工期 分析 并可为后期 沉降变形与其影响因素之间的非线性映射关系 马丽霞等 ［4］提出了逐步回归 27＃点的变形监测资料进行了分析 。 并 得 到 了 很 高 神经网络组合法 BP ， ； ， ， 具有一定的自 填筑反馈设计提供依据 本文将根据某混凝土拱坝的垂线观 。 ， ［收稿日期］2009-11-24 ［作者简介］ 谢海燕 （1982-）， 男 （ 汉族 ）， 江西人 ， 助理工程师 ， 主要从事精密工程测量工作 ，（Tel）13661987826。 !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 4 结语 可 以 控 制 泥 与原有泄洪洞联合冲淤 配合开挖疏导工 程 ， ， ， 下 沙淤积发展趋势 、 减轻浸没对四合永镇的危害 。 伊逊河流域上游为土石山区 水土流失非常严重 ， 。 ， 山区面积中的 属陡 干流围场站实测最大含沙量亦 水库年入库 以上发生在 65％ 月 （1） 峻的山地 高达 最大沙量 （2） 被拦蓄 ， 少到 成浸没 2300 ， （3） 683kg/m3， 年输沙量的 万 6～9 输沙量年际间变化相差悬殊 90％ t， 1360 。 庙宫水库多年拦洪蓄水的调度运用方式 使水库总库容减小了近 ， 兴利库容由 ， 50％， m3。 泥沙淤积造成库区上游翘尾巴 万 严重影响了居民的生产生活 通过改变水库拦洪蓄水的调度运用方式 。 ， 浑的汛期空库排沙 的冲刷效果有限 的作用 ， 。 可有效减少水库淤积量 ， ， 只能起到部分延缓淤积浸没 增设低孔排沙洞的工程措施 在水流条件较好的情况 ， （4） 大量的泥沙 m3减 对四合永镇形 6800 万 ， 改为蓄清排 但对四合永河段 控制发展趋势 ， 高 程 低 孔 排 沙 洞 的 工 程 措 现 已 经 过 两 个 汛 期 的 其 库 区 泥 ， ， 若加大工程和管理综合 措 施 设 计 中 采 用 了 增 设 ， 2003 748m ，2006 年 完 工 效果显著 年开工建设 （5） 并于 施 提闸冲淤 沙淤积和浸没问题将会得到根本性改变 参考文献： 熊 绍 隆 底 孔 前 散 体 泥 沙 冲 刷 漏 斗 形 态 研 究 ， ， 。 ［1］ ． 泥 沙 研 究 ［J］． ，1989, （2）：76-83． 夏 迈 定 用 ［J］． 潘家铮 程 永 华 ， 泥沙研究 程 建 民 ． ， 黑 松 林 水 库 泥 沙 处 理 技 术 的 研 究 及 应 ，1997，（4）：7-13． 泄洪排沙建筑物设计 郑州 ： ［M］． 黄河水利出版社 ． 中国水利学会泥沙专业委员会主编 泥沙手册 北京 ： ［K］． ． ，2008． 中国环境 科学出版社 ，1992． 武汉水利电力学院编 水力学 北京 ： ［M］． ． 中国工业出版社 ，1963． ［2］ ［3］ ［4］ ［5］ 

2010 年第 期 1 谢海燕，周理含：基于 BP 神经网络的大坝沉降预测模型 水科学与工程技术 ·51· 巡 视 检 查 年 间 1998 坝体及坝基部位分别设置了位移 等观测项目 并积累了较长 系列的 观 测 资 料 渗流 、 、 应力 应 变 、 选 取 ， 个 监 测 数 据 作 为 样 本 采 用 BP ， 模型选取前 个监测数据作为计算 数 据 。 神 经 网 络 模 型 进 行 预 测 个 数 据 如 后 10 ， ， 以监测数据的 时间先后 进 行 编 号 60 为方便计算 ， 的 70 分析 用以检验 图 所示 。 2 ， 。 测资料 建立基于 习进行预测分析 ， ， 人工神经网络的监控模型 BP 最后得出一些参考性结论 。 并进行滚动学 ， 1 BP网络的学习算法 BP 网络属于多层状型的人工神经网络 由输入层 每一层包含若干神经元 可以看作是一个 输出层和一个或 层与层间神经元 每层神经元的状态只影响下一层 从输入到输出的高度非线性映射 若干个隐含层构成 通过连接权重及阈值互连 的神经元状态 同层的神经元之间没有联系 ［6］。 ， ， ， ， ， ， 、 算法是基于信息正向传播和误差反向传播算法 对于 。 BP 先向前传播到隐含层 ， 输入信号 层的输出信息传播到输出层 出 各层神经元的权值 ， 函数 ［7］， 设 常 则转入反向传播 Sigmoid ， ， ， 经过作用函 数 后 再 把 隐 含 如果在输出层得不到期望的输 通 过 修 改 一般 在此过程中 ， 将误差信号沿原来通路返 回 ， 使得误差信号最小 ［6］。 型函数的激活作用函数 S f（x）： ， ； f（x）= 1 1+e-x 其导数为 ： f′（x）=f（x）[1-f（x）] 则误差函数 为 ： R R= ∑（Ymj-Yj） 为期望输出 2 （j=1，2，…，n） 式中 Yj BP 为实际输出 为样本长度 。 ；n ；Ymj 神经网络建模主要步骤如下 数据预处理 。 （1） 为便于计算 ， （4）［8］进行处理 ： ： 采用式 （1） （2） （3） 。 ， 网络训练函数取 调用人工神经网络工具箱中的函 自学习 网 学 习 最大训练批 mean square error（MSE）。 个 网络训练的终止参数为 输出层神经元 TRAINLM， 个 1 4 ， ， 性能函数取 隐含层神经元 ： 0．00001， 以 上 部 分 参 数 主 要 通 过 多 在 进行网络训练与检验 MATLAB7．4 环境下 ， 数 函数取 络设计的参数为 速率 ： LEARNGDM， 动量参数为 0．5。 最 大 误 差 给 定 0．9， 次 5000 次 次实验人为主观选取 ， 。 对于训练好的网络 ， 以预测值补充到输入项中并及时剔 对大坝沉降序列进行滚动预测 ， 除原始数据的实时跟踪算法 最终预测结果见图 ， 3。 v（k）=0.8× max k 滚动学习 。 （2） v（k）-min k （v（k）） （v（k））-min k （v（k）） +0.1 （4） 通常误差会随着预测步数的增大而增大 ， 本文将采 提高预测的准确性 ， 为了充分利用最新的监测信息 用滚动预测的方法 ， 即实时跟踪算法 ， （real time tracing algo- rithm）［9］。 设 输 入 数 据 为 ：V （k）=[v （k），v （k+1）， … ，v （k+m-1）]，k= 输 出 数 据 为 1，2，… ，n， 个偏离量作为学习样本 v（k+m），k=1，2，… ，n； 第 ， m＋1 个偏离量作为输出样本 ， m 学习 即 以 数 据 的 前 ， 把输出样本加入学习样本并剔除原学习样本中的第 加强网 提高了模型对 最后通过已知偏离项数据的 使实时跟踪学习成为可能 完成后 一个偏离量 络的自我学习能力 偏离项的外推泛化能力 ［9~10］。 网络结构如图 所示 ： 1 新陈代谢 ”， ， ， ， “ 3 结语 BP 神经网络模型能反映大坝位移观测量与影响因子之间 该方法可直接对多个变量的系统进行有效分 可边学习边将函数 的非线性关系 析 关系隐在网络结构连接权中以形成函数映射结构 而不需进一步的理论假设和经验推断 ， ， ， 。 2 工程实例 以某一混凝土拱坝的沉降数据为例进行分析 该大坝在 。 神 经 网 络 用 于 大 坝 安 全 监 测 数 据 的 拟 合 分 折 和 预 报 研 虽然可得到满意结果 温 度 和 时 效 但不 能有效分离水位 ， 究 ， 。 ， 另外 模型训练过程中初始权值 等分量 以及如何在有限的样本情况下避免个别吻合现象 进一步研究 参考文献： 吴中如 水工建筑物安全监控理论及其应用 ． ［1］ 北京 ［M］． 、 。 ： 阈值等参数的选取 ， 均还有待 、 ， 高等教育出版 

·52· 水科学与工程技术 2010 年第 期 1 影响土石坝水库健康因素的分析 侯英杰 水利部河北水利水电勘测设计研究院 （ 天津 ， 300250） ， 土石坝水库是我国优化水资源配置 技术标准和规范不完善 摘 要： 的历史条件下 坝存在的主要问题及影响因素 关键词：土石坝；存在问题；处理措施 中图分类号：TV512 文献标识码：B ， 。 文章编号：1672-9900（2010）01-0052-02 解决或缓解水资源供需矛盾的重要基础设施 水库带病带险运行 设计和施工都难以保证质量 ， 这些水库修建于 。 给安全造成了极大隐患 1958～1976 年间 在当时 该文论述了土石 ， ， ， 。 The analysis of health factors affecting of earth－rock dam reservoir HOU Ying－jie （Hebei Research Institude of Investigation ＆ Design of Water Conservancy ＆ Hydropower，Tianjin 300250，China） Abstract：Earth－rock dam reservoir optimization of water resources allocation in China ， to solve or alleviate the contradic- tion between water supply and demand of critical． The reservoir was built in the years 1958～1976 ， in the prevailing histori- cal conditions， inadequate technical standards and specifications， design and construction is difficult to ensure quality． Reservoir sick with a dangerous operation， causing great risks to security． This paper discusses the main problems of the earth－rock dam and its influencing factors． Key words：earth－rock dam； problems； treatment measures 我国土石坝多数修建于 年间 1.1 安全 。 ” ， ， ， ， 工程 1958～1976 基建投资不足 由于当时技术标准和规范极不完善 给水库留下了许多隐患 发电 大部分工程都是 施工设备简 致使水库的建设从设计到施工都难以保证 然而 数量庞大的土石坝水库 保护生态等方面发挥着重要的 是我国防洪工程和水利设施 一方面要及时除险加固 ， 为 促 三边 “ 陋 ， 质量 灌溉 在我国防洪 、 作用 经济 社会 的重要组成部分 一方面除险加固工程逐步走向规范化 、 社会稳定创造良好的条件 进经济发展 供水 、 、 环境效益显著 对病险库的治理 科 学 化 法制化 ， ， ， ， 、 。 ， 、 。 、 、 、 。 1 健康土石坝水库的内涵 健康土石坝水库是指生态系统健康 主要有 个方面 ： 4 工程效益好的水库 。 、 这是水库存在的基础 也是健康水库的前提 ， 。 1.2 对人类社会经济的支撑 这 是 人 类 建 造 水 库 的 初 衷 ， 所 在 。 也 是 人 类 维 护 健 康 的 意 义 1.3 对库区及周围生态的支撑 这是健康水库生命活力的主要体现 。 1.4 对河流下游生态环境的影响 这是下游河流生态是否能够维持 否能保持可持续发展的重要内容之一 。 也是流域生态 经济是 、 ， ［收稿日期］2009－12－21 ［作者简介］侯英杰（1971－），女（满族），河北承德人，高级工程师，主要从事水工设计工作，（Tel）13820584685。 !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! ，2003． Saddle River，N．J： Prentice Hall，2008． 社 李雪红 徐洪钟 顾冲时 等 ． ， ， ， ［2］ 主成分神经网络模型在大坝观测资料 分析中的应用 ［J］． 大坝观测与土工测试 ，2001，25（5）：14－17． ［3］Simon Haykin． Kalman Filtering and Neural Networks ［M］．Wiley－ ［8］ ［7］Ra＇ul Rojas，Neural Networks：A Systematic Introduction［M］．Springer－ Verlag，Berlin，1996． 苏怀智 吴中如 ， ， 预报模型建立中的应用 ［J］. ， ． 水利学报 ，2001，（8）：44－48． 温志萍 等 遗传算法在大坝安全监控 神 经 网 络 陈剑平 基于人工神经网络的大坝变形分析与预 ． ［9］Tian He，Pascal Vicaire，Ting Yan，et al．Achieving Real－Time Target Interscience，2004． 马丽霞 王凤艳 ， 以西津大坝 ， ［4］ 报 ——— 科学版 27＃点的变形监测为例 ［J］． 吉林大学学报 地球 （ 李金凤 ［5］ ， ），2009，39（3）：487－491． 杨启贵 徐卫亚 ， ． 神经网络模型在面板坝堆石体施工期沉 降 变 形 预 测 中 的 应 用 河 海 大 学 学 报 自 然 科 学 版 （ ［J］． ），2007，35 （5）：563－566． ［6］Simon Haykin． Neural Networks and Learning Machines ［M］． Upper 186－189． Tracking Using Wireless Sensor Networks ［C］． Proceedings of the 12th IEEE．Real －Time and Embedded Technology and Applications Symposium，April 4－6，2006． 涂敏 张孟喜 ［10］ ， ． 基于神经网络的双连拱隧道拱顶下沉和周边水平 位移的滚动预 测 上海大学学报 自然科 学 版 （ ［J］． ），2005，11（2）：