BP人工神经网络模型在红外线法测量含沙量中的应用研究

李勇涛，李立新，焦宝明

(黑龙江省水利科学研究院，黑龙江 哈尔滨 150080)

在土壤侵蚀研究与治理水土流失中，水流泥沙含量的测量具有极其重要的意义[1-4]。目前含沙量的测量主要是通过人工采集径流样本，实验室内过滤、烘干、称重后计算泥沙含量。这种测量方法受人工采样的随机性影响很大,同时测量周期长，主观误差大，劳动强度高，无法满足快速准确获取泥沙含量数据的需要。红外线法作为含沙量测量的一种间接测量方法，国内外很多学者都对其进行了相关研究[5-8]，它具有快速实时检测泥沙含量的优点，但是不足之处是对不断变化粒径组成的泥沙含量测量结果偏低[9-10]，目前仍然处于研究探索阶段。李勇涛等[11-12]利用红外线法测量原理研制出了可以实时快速获取散射光强度、泥沙粒径和泥沙亮度三种量化数据的后向散射式红外泥沙测量传感器，并采用该传感器对不同粒度泥沙进行了标定实验。对比分析了传感器获取的散射光强度、泥沙粒径、泥沙亮度值与泥沙含量之间的相互关系，结果表明散射光强度与泥沙含量正相关；与泥沙粒径负相关，与泥沙亮度正相关；其强度大小受这三种泥沙特征共同影响，呈现出复杂的非线性关系。由于人工神经网络具有广泛的自适应性和学习能力，在理论上可以逼近任何非线性函数[13]。因此，本文在上述研究基础上，基于BP神经网络训练方法，建立红外线法泥沙含量预测模型，同时检验该模型在不同粒径和不同亮度泥沙样本条件下含沙量测量结果的准确性，并提出进一步的改进方法。

1 材料与方法

1.1 供试材料

试验土样取自黑龙江省水利科学研究院牡丹江试验站坡面径流小区，土壤类型为暗棕壤。

将采集的试验土样烘干碾碎后过1 mm筛网，除去粒径大于1 mm的砂粒以及草根树叶等杂质。用筛分法对试验用土进行粒径筛分，分成四种不同粒径组成的试验泥沙样本。采用Mastersizer2000激光粒度分析仪对筛分好的四种试验泥沙样本进行精确的粒径分析，分析后的泥沙样本粒度分布情况如表1所示。

表1 试验泥沙样本粒度分布

1.2 标定试验方法

标定试验前对泥沙样本进行烘干，时间为10 h。常温下冷却后，向盛有1000 mL清水的容器内分批次倒入定量的泥沙，搅拌均匀，依次配置完成50 kg/m3、75 kg/m3、100 kg/m3、125 kg/m3、150 kg/m3、175 kg/m3、200 kg/m3、225 kg/m3、250 kg/m3、275 kg/m3含沙量的泥沙混合溶液，使用自行研制的后向散射式红外泥沙测量传感器读取相应浓度下的散射光强度、泥沙粒径因子和泥沙亮度值数据。每一项指标读取3次，取平均值。

1.3 研究方法

本研究采用BP人工神经网络方法，将传感器输出的散射光强度值、泥沙粒径因子和泥沙亮度值作为网络的输入，对应的泥沙含量值作为网络输出，通过对网络进行训练建立测量泥沙含量的人工神经网络模型。 BP神经网络模型的构建利用MATLAB数据分析软件实现，网络训练数据来自于红外泥沙测量传感器的泥沙含量标定试验。

本研究选用3层BP神经网络结构，即1个输入层，1个隐含层，1个输出层。其中，输入层有3个节点，分别是泥沙亮度因子、泥沙粒径因子和散射光强度因子；输出层1个节点，即含沙量。

根据隐含层节点个数经验公式(1)所示：

(1)

式中：n、m分别为输入层与输出层节点个数；a为1～10之间的常数。

根据公式(1)可以初步确定隐含层神经元节点个数范围，再通过构建不同隐含层节点数网络结构进行对比，最后确定隐含层节点为3。本研究采用的BP网络模型结构如图1所示，3个输入节点，3个隐含层节点和1个输出节点构成的BP网络模型。

图1 BP人工神经网络模型结构

BP网络训练前需要先对输入神经网络的试验数据进行归一化处理。数据归一化完成后，选取tansig函数作为输入层到隐含层的激活函数，选取purelin函数作为隐含层到输出层的激活函数，训练函数采用traindr贝叶斯法则法，设置训练目标均方误差小于0.0001，设置最大训练次数为15000，达到训练目标后模型构建完成。

2 结果与分析

2.1 模型检验

为检验BP人工神经网络模型对不同粒径泥沙样本含沙量测量的反演能力，将泥沙标定试验中红外泥沙传感器获取的散射光强度、泥沙粒径和泥沙亮度数据代入该模型进行运算，得到的含沙量预测结果如表2所示。通过表2可知，当泥沙含量小于等于50 kg/m3时，BP人工神经网络模型对tya、ty01、ty02和ty03四种不同粒径泥沙样本预测结果的相对误差分别为：11.3%、0.5%、19.3%和4.0%，相对误差均小于20%；当泥沙含量在50～150 kg/m3时，BP人工神经网络模型对四种不同粒径泥沙样本的预测结果相对误差均不超过13.0%；当泥沙含量在150～275 kg/m3时，BP人工神经网络模型对四种不同粒径泥沙样本的预测结果相对误差均在8.0%以内。由此得出，本研究构建的BP人工神经网络模型对不同粒径泥沙低含沙水流时的测量误差相对较高，随着泥沙含量的增大，该模型对不同粒径泥沙的测量误差逐渐减小，当含沙量在150～275 kg/m3时，模型的测量相对误差小于8.0%，预测结果准确性显著提高，此时的测量精度可以满足日常的水土保持研究和水土流失动态监测工作要求。

表2 BP神经网络模型预测结果

将BP神经网络模型预测值与标定值进行对比，如图2所示。可以看出，经BP神经网络算法训练后得到的人工神经网络模型对四种不同粒径组成的泥沙样本都能够较好地拟合。结合表2可以得出，采用BP神经网络算法构建的人工神经网络模型可以有效地消除泥沙粒径因子和泥沙亮度因子对红外泥沙测量结果的影响，显著提高后向散射式红外泥沙传感器在不同粒径泥沙条件下含沙量测量的准确性和实用性。

图2 BP神经网络模型预测值与标定值对比图

2.2 误差分析

从图2中可以看到，四种不同粒径泥沙样本的BP神经网络模型预测值曲线在不同含沙量节点上都出现了一定程度的波动。例如， ty01泥沙样本在含沙量125 kg/m3节点处出现了明显波动，模型的预测相对误差达到了13.0%。通过对标定实验数据进行分析，发现每次泥沙亮度值的突然跳变都会对模型预测结果产生一定程度的影响，BP神经网络模型预测误差与泥沙亮度之间关系如表3所示。当ty01泥沙样本的泥沙亮度值由43 lux跳变到了44 lux时，位于125 kg/m3节点处的相对误差突然增高到13.0%；ty02泥沙样本的泥沙亮度值由42 lux跳变到了43 lux时，在225 kg/m3节点处相对误差升高到6.1%；ty03泥沙样本的泥沙亮度值由41 lux跳变到了42 lux时，在100 kg/m3节点处相对误差升高到了10.7%.由此可以看出BP神经网络模型对泥沙亮度值的跳变比较敏感。本次研究采用的红外泥沙传感器集成了TCS34725颜色识别芯片，其亮度值只能以整数格式输出，无法精确到小数。如果采用更高精度的亮度采集芯片，亮度值的输出将会更加平滑，避免突然的跳变，可以进一步提高模型测量结果的准确性。

3 结 论

将自行研制的后向散射式红外泥沙传感器输出的散射光强度值、泥沙粒径因子和泥沙亮度值作为网络的输入，对应的泥沙含量值作为网络输出，通过BP网络训练建立了人工神经网络模型，得出主要结论如下。

(1)基于BP神经网络训练方法构建的红外线法含沙量预测模型可以有效地消除泥沙粒径因子和泥沙亮度因子对测量结果的干扰，显著提高后向散射式红外泥沙传感器在不同粒径泥沙条件下含沙量测量的准确性和实用性。

表3 BP神经网络模型预测误差与泥沙亮度对照表

(2)BP人工神经网络模型预测结果对泥沙亮度值的突然跳变比较敏感，泥沙亮度值的突然改变会不同程度增加模型的测量误差，这种误差理论上可以通过采用高精度的亮度采集芯片，使亮度数据变化更加平滑的方法加以改善。