基于GA-BP神经网络模型的大坝裂缝预测

舒心 卢敏

摘 要：常规的BP神经网络由于初始权值和阈值问题，在对大坝裂缝开度进行预测时精度普遍不高。为此，本文首先引入遗传算法（GA）对BP神经网络进行优化，构建了GA-BP神经网络预测模型，然后分析实测资料，发现库水位、温度显著影响裂缝开度，最后将这两个因素作为网络的输入变量，利用预测模型对某重力拱坝X15段裂缝开度进行短期预测。比对两种方法的预测结果可得，通过遗传算法优化BP神经网络的预测精度明显高于传统BP神经网络，本研究可为大坝的安全运行管理提供一种技术方法。

关键词：大坝;裂缝开度预测;BP神经网络;遗传算法

中图分类号：TV698.1;TP183 文献标识码：A 文章编号：1003-5168（2019）22-0079-03

Dam Crack Prediction Based on GA-BP Neural Network Model

SHU Xin LU Min

Abstract： Conventional BP neural networks are generally not accurate in predicting dam crack opening due to initial weight and threshold problems. To this end， this paper first introduced the genetic algorithm （GA） to optimize the BP neural network， constructed the GA-BP neural network prediction model， and then analyzed the measured data， and found that the reservoir water level and temperature significantly affected the crack opening， finally， took these two factors as the input variables of the network， and used the prediction model to predict the crack opening of the X15 section of a gravity arch dam. Compared with the prediction results of the two methods， the prediction accuracy of BP neural network optimized by genetic algorithm is significantly higher than that of traditional BP neural network. This study provides a technical approach to the safe operation of dams.

Keywords： dam;crack opening prediction;BP neural network;genetic algorithm

受工程因素和地质因素等综合影响，大坝普遍存在裂缝问题，一旦大坝出现裂缝问题，有些裂缝会随着时间推移而不断扩展。这种危害性裂缝会对大坝的整体安全产生严重危害，如果不采取相关措施加以控制，则有可能引发溃坝等严重灾害。本文以某重力拱坝X15裂缝为研究对象，引入遗传算法[1，2]（GA）对BP神经网络的参数进行优化，结合重力拱坝X15段裂缝监测数据，用GA-BP神经网络对X15段裂缝开度进行短期预测，并与传统BP神经网络预测结果进行比较分析。

1 研究方法

1.1 遗传算法

遗传算法是模拟生物界优胜劣汰的一种进化算法，最初由美国Michigan大学的Holland教授于1967年提出。遗传算法主要有三个基本操作，分别是选择、交叉和变异。该算法先构建一个初始种群，建立完成的初始种群中潜藏着需要解决问题的解集。种群需要由一定数目的基因编码构成。根据达尔文提出的进化论原理，最初种群经过演化后，个体差的被淘汰，好的留下，其所得到的解集会越来越好。然后通过问题域中个体的适应度来选择合适的个体，并进行交叉、变异操作，就会得到具有代表性的新种群[3，4]。最优个体就是在全过程不断进化中得到的。

1.2 BP神经网络

BP人工神经网络[5，6]（Back Propagation Neutral Network）是一种多层前馈神经网络，又称误差反向传播神经网络，于1986年由Rumelhart等人提出，具体是指一种基于并行分布处理的能满足给定输入输出关系方向进行自组织的神经网络，BP神经网络结构主要由3部分组成，即输入层、隐含层和输出层。

1.3 裂缝开度主要因素

1.3.1 温度的影响。实测资料显示，裂缝的各测点测值总体上呈年周期变化。裂缝开度主要受温度变化的影响，温度较低时开度较大，温度较高时开度较小。每年的裂缝开度最大值一般出现在温度较低的1月或12月，最小值一般出现在温度较高的6—8月。

1.3.2 库水位的影响。库水位变化对裂缝开度也有一定影响。由于坝体在105m高程以下有1.0∶0.1的倒懸，因而当库水位较低时，特别是接近死水位101.0m或者更低时，坝体特别是坝顶及接近坝顶的部位向上游倾斜，产生向上游的位移，导致裂缝开度增大，因此低水位是裂缝变形的不利工况。

1.4 基于遗传算法的BP神经网络模型构建

在很多问题上，BP神经网络都取得了不错的预测效果，但是由于其初始权值和阈值是随机产生的，这样的BP神经网络在预测过程中很容易陷入最优化问题。为了解决其初始权值和阈值问题，本文引入遗传算法对BP神经网络初始权值和阈值进行优化。引入遗传算法，将极大地提升BP神经网络预测精度，降低网络陷入最优化问题的概率。

GA-BP神经网络模型预测大坝裂缝开度的主要步骤为：首先采用遗传算法对BP神经网络的初始权值和阈值进行优化，用裂缝开度数据对BP神经网络进行训练，再用训练好的网络模型对混凝土坝裂缝进行预测。图1为大坝裂缝预测建模过程。

2 案例分析

某重力拱坝分三期施工完成，1959年3月至1962年12月完成Ⅰ期混凝土浇筑，后停建;1969年复工续建，1972年，浇筑至原设计坝顶高程125.0m，完成第Ⅱ期混凝土浇筑;1978年又加高坝顶1.3m，至现在的高程126.3m。

由于在浇筑Ⅱ期混凝土时，层面上升速度较快，浇筑层间歇时间短，Ⅱ期混凝土收缩变形受到Ⅰ期混凝土的强烈约束，导致Ⅰ期混凝土顶部（105m高程附近）产生裂缝，自5#坝块一直延伸至28#坝块，长达300m。经探测，裂缝深达5m，105裂缝削弱了坝体刚度，对坝体整体性产生了影响。105裂缝上设有16支测缝计，以便及时观测裂缝开度变化情况，其分布在8#～26#坝块。

2.1 样本的选择

大坝实测资料显示，裂缝成因主要包括库水位、温度。因此，选择库水位、温度2个指标作为神经网络的输入变量（即裂缝开度影响因子），以裂缝开度作为输出变量。本文以105裂缝中X15段为研究对象，裂缝扩张为正，压缩为负。用收集的2011年7月25日至2013年7月15日裂缝数据作为训练数据，用2013年7月16日至2013年7月25日数据作为检验样本。

2.2 模型的求解

按照样本数目规模，初始化种群数目选择50，迭代次数为20，交叉概率为0.3，变异概率为0.1，根据Kolmogrov定理，BP神经网络隐含层数目为2[N]+1，最大训练步数为1 000次，学习率为0.03，训练误差为0.001，BP神经网络结构为2-5-1。依据数值分析软件进行优化计算，分别用两种神经网络模型对大坝裂缝开度进行预测，用平均误差（[ME]）和平均绝对误差（[MAPE]）来比较2种模型的预测性能，如表1、表2所示，预测曲线如图2所示。

由表1、表2和图2可以看出，相较于传统BP神经网络模型，GA-BP神经网络模型的预测结果更加逼近实测值，预测精确度比传统BP神经网络预测模型要高。

3 结论

根据某重力拱坝X15段裂缝开度预测结果可知，通过遗传算法对单一BP神经网络初始权值和阈值优化之后，GA-BP神经网络模型的预测精度进一步得到提高。平均误差和平均绝对误差均小于单一BP神经网络，预测曲线也更贴近实测数据。运行期间，受工程因素和地质因素影响，混凝土大坝结构可能产生危害性裂缝，该模型能较为准确地预测大坝短期裂缝开度，为大坝安全运行管理提供一种技术方法。

參考文献：

[1]钟颖，汪秉文.基于遗传算法的BP神经网络时间序列预测模型[J].系统工程与电子技术，2002（4）：9-11.

[2]邢尹，陈闯，刘立龙，等.改进遗传算法和BP神经网络的大坝变形预测[J].计算机工程与设计，2018（8）：2628-2631.

[3]梁月吉，任超，刘立龙，等.基于EMD和GA-BP神经网络的大坝变形预测[J].桂林理工大学学报，2015（1）：111-116.

[4]王德明，王莉，张广明.基于遗传BP神经网络的短期风速预测模型[J].浙江大学学报（工学版），2012（5）：837-841.

[5]贾凌霄，贾家磊，张毅，等.改进BP神经网络在裂缝预测中的应用[J].工程地球物理学报，2012（3）：301-305.

[6]黄军胜，黄良珂，刘立龙，等.基于EMD-FOA-BP神经网络的大坝变形预测研究[J].水力发电，2019（2）：106-110.