基于IABC-LSSVM的大坝变形监控模型研究

刘 浩

(江西省建洪工程监理咨询有限公司，江西 南昌 330096)

某水库按照100年一遇洪水设计，1000年一遇洪水校核，最高水位102m，正常水位96.6m，防洪汛限水位为77.8m，死水位为70m。水库大坝为混凝土重力坝，坝顶高程为103.5m，最大坝高50.3m，坝顶长532m，共分为31个坝段，两岸的挡水坝、滚水坝段以及电站坝段分别长274.2、217.3、40.5m。毋庸置疑，大坝在水利工程建设中具有举足轻重的地位，其安全性会直接影响到水利工程的正常运行和下游群众的生命财产安全。由于大坝安全的影响因素较多且无时无刻不在发生着变化，而这些变化通常难以通过肉眼捕捉，因此大坝变形监测系统就成为计算机信息时代背景下大坝安全监测的重要工程措施[1- 8]。当然，如何对大坝数据进行有效的处理和分析，构建合理的大坝变形预测模型就成为重要的研究课题。

1 大坝变形监控模型的构建

1.1 模型的构建原理

随着计算机信息技术的发展，人工智能已经成为当前的研究热点，而机器学习则成为该项研究的核心[9]。在机器学习领域，一般采用经验最小化原则(ERM)来解决最小化经验泛函的求解。但是该原理的应用具有良好的局部性，但是全局性效果不足。于是，Suykens和Vandewalle在1999年通过纳入最小二乘损失函数提出支持向量机(LSSVM)[10]。作为SVM的拓展版本，LSSVM基于解决分类问题方面的诸多优势，被广泛应用于各个工程领域。大量的实际应用经验表明，LSSVM的性能会首都奥核函数的显著影响，同时内部参数的是否符合实际修奥对其复杂程度有着更大的影响[11]。在常用的LSSVM核函数中，RBF被证明具有良好的回归能力和预测效果[12]。因此，研究中选择RBF作为核函数，而研究的主要目的是基于LSSVM的核函数参数和正则化参数，对LSSVM进行优化，以提升其预测效果和性能。

1.2 模型的构建流程

ABC作为一种智能优化算法，在非限制性函数优化方面具有结构简单、系统性好、鲁棒性强等诸多优势，因此在优化计算领域具有广泛应用[13]。但是，ABC算法也存在搜索策略太过随机等缺点。基于此，本文提出了IABC改进算法，其基本思路是：引入基于正反向学习的双种群初始化策略，也就是在初始化正种群的基础上，构造出反向种群，在进行正反种群信息交换之后，再进入下一次的迭代，以提升初始种群的确定性。针对ABC算法随机搜索策略的不确定性，结合Guopu Zhu的研究成果[14]，将全局最优解引入搜索策略，为搜索方向提供指导。最后，针对ABC算法探勘能力受限的问题，研究中利用入Metroplis准则替代贪婪法则[15]。

根据前文叙述，支持向量机(LSSVM)有两个需要优化的参数，分别是核函数参数和正则化参数。研究中将IABC算法与LSSVM算法相结合，构建起IABC优化的LSSVM模型，其构建的具体流程如下：①对某水库大坝变形的监测数据进行整理和预处理，主要包括检验和剔除奇异值，小波去噪和标准化处理；②对IABC的控制参数进行初始化处理；③构造IABC算法的目标函数和适应度函数；④利用IABC算法对核函数参数和正则化参数进行优化，获得上述两个参数的最佳组合；⑤将上一步获得的最佳参数组合代入LSSVM，并利用水库大坝的实际监测数据进行训练，最终构建起大坝变形的预测模型；⑥新陈代谢法预测；⑦模型预测精度的检验。

2 模型的预测效果及分析

2.1 优化前后模拟效果对比

某大坝建设有变形自动检测网，本次研究选择的是位于水库大坝坝顶部位的T14监测点的竖向位移数据，样本的获取时段为2012年8月至2016年1月。研究中利用监测数据中的前62期数据作为训练样本，获得如图1所示的原始的ABC-LSSVM模型以及优化后的IABC-LSSVM模型的寻优进化曲线。由图可知，原始模型受到贪婪法则的作用，仅接受优秀解，因此迭代开始后下降迅速，因此很容易陷入局部极值。优化后的IABC-LSSVM的初始目标函数值较低，在进行20步迭代之后达到局部最优值，且呈现出平缓与下降之间的反复循环，有利于后期的精细搜索。由此可见，本次研究对ABC算法的优化和改进具有合理性和必要性。

图1 优化前后模型寻优进化曲线对比

利用优化前后两模型对63- 72期监测数据进行预测，预测结果与实测结果的误差统计见表1—2。由表1可知，ABC-LSSVM模型中的绝对误差最大值为1.13mm，绝对误差最小值为0.026mm，最大相对误差为21.20%，最小相对误差为2.60%；相对误差大于10%的有65、66、67、71等4期。由此可见，ABC-LSSVM模型预测效果一般。由表1可知，IABC-LSSVM模型中的绝对误差最大值为0.548mm，绝对误差最小值为0.006mm，均小于1mm；最大相对误差为11.25%，最小相对误差为0.29%；相对误差大于10%的有66、70等2期。由此可见，优化后的IABC-LSSVM模型预测效果有显著的提升。

表1 ABC-LSSVM模型预测结果统计

表2 IABC-LSSVM模型预测结果统计

2.2 同类模型预测效果对比

为了验证基于IABC优化的LSSVM的优化效果模型的预测精度，研究中选择网格搜索算法(GS)、遗传算法(GA)以及粒子群算法(PSO)等目前广泛使用的3种优化算法同时对LSSVM的参数进行优化，并构建起相应的大坝变形预测模型。通过四种模型预测效果的对比分析，对本文构建的预测模型的效果进行横向评价。利用上述3种模型和IABC-LSSVM模型对63-72期监测数据进行预测，并统计预测值和实测值的绝对误差和相对误差，结果如图2—3所示。由图可知，对比的3个模型部分期数的相对误差和绝对误差值较大，说明模型的预

图2 各模型预测绝对误差统计结果

图3 各模型预测相对误差统计结果

测偏差相对较大。相对而言，IABC-LSSVM模型预测的绝对误差和相对误差较小，同时误差曲线的波动性较小，各期的预测偏差比较接近，说明本文构建的模型具有更高的鲁棒性，预测稳定性良好。

2.3 综合评价

为了进一步对本文构建的模型进行评价，对研究中所涉及的5种预测模型的MAE、MAPE及RMSE进行计算，结果见表3。由计算结果可知，改进后的IABC-LSSVM模型3个指标的计算结果均显著优于其余4个模型，具有精度更高、稳定性更强的特点，可以用于大坝安全监测。

表3 各模型预测精度综合评价

3 结语

大坝的安全稳定评价和预测研究具有重要的工程价值和理论意义。本次研究以某水库大坝为例，以坝顶部位的T14监测点的竖向位移数据为依据，对大坝变形预测模型展开研究，并获得如下主要结论：

(1)研究中以传统LSSVM为基础，利用改进IABC算法，提出水库大坝IABC-LSSVM变形预测模型。

(2)与优化前的ABC-LSSVM模型相比，优化后的模型预测效果有显著的提升。

(3)与同类模型相比，IABC-LSSVM模型预测的绝对误差和相对误差较小，具有更高的鲁棒性，预测稳定性良好。

(4)改进后的模型具有精度更高、稳定性更强的特点，可以用于大坝安全监测。