降雨条件下土石坝渗流量监控方法研究

刘远财，林 芝，黄 孙，崔朋飞，任 哲，卢林晶

(1.浙江浙能北海水力发电有限公司，浙江 杭州 310009；2.国家能源局大坝安全监察中心，浙江 杭州 311122)

0 引 言

土石坝具有适用范围广、取材方便、对自然环境适应性强、施工便捷、建造周期短等优点，成为应用最为广泛的一种坝型。目前我国土石坝建设规模已突破坝高200 m级，其中面板坝和心墙坝逐步成为高土石坝建设的主流坝型，如云南澜沧江上的糯扎渡大坝，坝高261.5 m，是目前世界上已建最高的心墙坝[1]；湖北清江的水布垭大坝，坝高233.2 m，是目前世界上已建最高的混凝土面板堆石坝[2]。随着一大批土石坝工程完工投入运行，其运行性态是运行管理单位、设计施工单位和国家监管部门的关注重点，而渗流稳定是土石坝安全运行的关键。据国内外相关统计显示，由于渗透破坏直接导致的土石坝失事概率比例约占29%～44%[3]。因此，土石坝渗流状况是关乎土石坝安全稳定的重要方面，此前的大量研究表明，土石坝渗流量主要受库水位、温度、降雨量等因素的影响，许多工程缺陷如防渗体破坏、管涌、渗水、裂缝等，都可以在渗流量上得到体现，尤其是通过分析大坝渗流量的变化趋势、量值以及对比分析水质情况可以获得土石坝整体的渗流控制情况。然而由于大多数土石坝采用坝后量水堰的形式，土石坝渗流量测值易受客水干扰，特别是在降雨影响下，测值往往不能直接反映大坝的渗流状况，影响大坝的结构安全评判结论。

目前在国家能源局注册备案的土石坝共有159座，其中117座大坝设置了坝后量水堰，用来监测大坝渗流情况。有35座大坝的渗流量测值明显受降雨量影响，降雨对评判大坝渗流量是否正常造成了干扰。对这35座大坝的调研发现，目前运行管理单位普遍采用的简化方法是取连续7 d不降雨条件下的量水堰测值作为大坝实际渗流量值，一旦大坝遭遇“连续多日降雨叠加大坝渗流破坏”，该方法将无法及时、准确评判大坝安全状况。因此，有必要对降雨条件下的渗流量分析方法进行研究。

本文的主要思路是利用某土石坝的实测渗流量监测数据，首先分析环境量和渗流量相关关系，再根据降雨特征对数据进行离散化处理，即根据降雨过程特征，将量水堰实测数据根据降雨过程划分成多个区间，将相似降雨过程条件下的量水堰实测数据组成数据组，然后采用回归分析的方法，建立渗流量与各影响因子之间的数学表达式，量化各因子对渗流量的影响程度，在此基础上基于LSTM(长短期记忆模型)构造降雨过程与渗流量的定量模型，最后将上述成果用于不同降雨过程条件下的渗流量预测。

1 降雨入渗对土石坝渗流量影响机理

土石坝降雨入渗是指雨水从大坝表面渗入土壤过程中不断驱替空气而饱和空隙的过程。通常根据降雨强度与土体饱和度及土体入渗能力之间的关系，将降雨入渗分为3种不同的情况[4]：情况A，降雨强度小于土体饱和度，这种情况下，雨水将全部入渗，不会形成径流；情况B，降雨强度大于土体饱和度而小于土体入渗能力，这个阶段雨水将全部入渗，也不会形成径流；情况C，降雨强度大于土体饱和度且大于土体入渗能力，此时将形成径流(以下称为降雨径流)。

以上A、B两种情况，降雨不会对坝后量水堰实测值造成干扰，量水堰测值即为大坝实际渗流量。对于情况C，坝后量水堰实测值为大坝渗流量和降雨径流量之和，此时要将降雨径流量从量水堰实测值中分离，首先需要确定降雨入渗的边界条件，即降雨强度与土体入渗能力的相对关系。很多学者曾提出了各自的解决方法，高润德等[5]将入渗边界作为流量已知边界，直接将降雨强度作为边界入渗率；吴宏伟等[6]假定70%的入渗量作为土体的入渗率；李兆平等[7]根据降雨强度与饱和渗透系数的关系来确定入渗率；荣冠等[8]通过有限元数值模拟的方法确定入渗边界。本文尝试通过分析坝后量水堰实测值和降雨过程实测值之间的关系来确定。

2 降雨条件下渗流量推理预测

2.1 分段法计算降雨径流量

大坝渗流量主要受库水位、降雨、温度以及时效等因素的影响，对于一个已知的降雨过程，坝后量水堰实测值可以表示为Q实测=Q大坝+Q径流。

当Q径流≤0时，Q实测=f(H)+f(T)+f(θ)

(1)

当Q径流>0时，Q实测=f(H)+f(T)+f(θ)+f(P)

(2)

式中，f(H)为水位分量函数；f(T)为气温分量函数；f(θ)为时效分量函数；f(P)为降雨分量函数。

(3)

(4)

Q径流=Q实测-Q大坝

(5)

由此也可以得到降雨过程与Q径流之间的函数关系，即

Q径流=f(P)

(6)

2.2 基于LSTM的降雨过程与渗流量定量模型

RNN(循环神经网络)是一种适用于时序数据处理的深度神经网络，是深度学习的三大代表性算法之一，而LSTM(长短期记忆网络)是针对RNN难以实现长期记忆而进行改进得到的具有长期记忆功能的循环神经网络结构[10]。借助LSTM网络，以某时刻之前一定时间内(时段长度可由降雨过程对渗流量的影响数据得到或取较大值)的降雨过程数据为输入变量，以该由降雨引起的渗流量为目标值，即可构建降雨过程与渗流量的定量模型，即

Qt=f(Pt0，Pt0+1，…，Pt)

(7)

式中，Qt为t时刻由降雨引起的渗流量；Pt为t时刻的降雨强度。

该模型的最大优势是能够根据目标系列数据自动抽取自变量序列特征以构建合适的抽象模型进行数据建模，无需给出自变量与目标值之间的数学关系，非常适合用于大量多类型时间序列的批量化处理。

2.3 降雨条件下的渗流量监控实现过程

综合应用朴素贝叶斯分类算法、回归分析和LSTM模型，实现降雨条件下的土石坝渗流量监控的主要步骤如下：

(1)数据离散化处理。利用朴素贝叶斯分类算法，对数据进行离散化处理，以是否出现降雨径流为条件，将数据分为两组，构成新的渗流量—环境量数据组。

(2)回归模型计算。对无降雨径流的渗流量—环境量数据建立回归方程。

(3)新数据组构建。将上一步得到的回归方程应用到全序列数据中，代入水位、气温、时效数据，得到降雨径流～降雨过程数据组。

(4)降雨径流量预测。采用LSTM模型对降雨径流～降雨过程数据进行建模。

(5)大坝渗流情况评判。根据步骤4构建的模型得到有相应降雨过程引起的渗流量，得到大坝渗流量即Q大坝=Q实测-Q预测径流，对Q大坝进行量值和趋势性评判。具体流程如图1所示。

图1 降雨条件下的渗流量监控流程

3 工程实例

某面板堆石坝最大坝高162.0 m，水库总库容41.9亿m3，正常蓄水位160.00 m。工程运行多年，未见明显异常，大坝渗流状态已经稳定。大坝渗流量采用坝后量水堰形式进行观测，取2018年1月～2020年12月的量水堰实测值作为样本进行分析，实测渗流量-降雨量过程线和实测渗流量-水位过程线见图2。

图2 某混凝土面板堆石坝实测大坝渗流量过程线

3.1 渗流量与环境量相关性分析

从图2可以看出，坝后量水堰测值主要受上游水位影响，同时在不同降雨强度和降雨过程的影响下，测值会受降雨径流的干扰而突增。不同降雨类型对渗流量影响过程见图3，在小强度降雨影响下，渗流量基本不受其影响；前5 d累计降雨量大于20 mm时，会造成大坝渗流量突增。

图3 典型降雨类型对渗流量影响过程

根据上述分析，将前5 d累计降雨量小于20 mm的渗流量—环境量测值作为同一组数据(数据组1)，然后进行后续处理。

3.2 降雨径流影响值分析及预测

根据本工程面板坝的具体特点，构建不受降雨影响的渗流量表达式，即

(8)

式中，H为上游水位；S为气温；θ为时效。

采用式(8)对数据组1进行回归分析，得到该模型回归方程，该方程为上游水位、气温和时间的函数。将全序列数据组相应的上游水位、气温和时间代入上述回归模型方程，得到全序列上游水位、气温和时效影响下的渗流量值，如图4所示。

图4 上游水位、气温和时效影响下的渗流量

用实测渗流量减去上述上游水位、气温和时效影响下的渗流量值，即得到不同降雨过程影响下的降雨径流值。计算结果见图5。

图5 分离后的降雨径流—降雨过程测值过程线

将分离得到的由降雨引起的渗流量和降雨过程数据作为LSTM模型的训练数据，建模效果如图6所示，渗流量预测结果误差见表1，模型预测结果与图5的实测降雨径流非常接近，说明模型预测精度较高。

表1 渗流量预测结果误差

图6 降雨径流-预测值过程线

从渗流量实测值中减去降雨径流，可以得到扣除降雨影响后的大坝渗流量，过程线见图7，计算结果统计见表2。从统计结果可见，扣除降雨影响后，大坝实际渗流量均在55 L/s以内，未超出工程允许的渗流量最大值。

图7 扣除降雨影响后的大坝渗流量过程线

表2 典型降雨过程影响下扣除降雨量影响后的大坝渗流量计算结果

4 结 语

本文结合某面板坝的实测渗流量监测数据，首先采用统计回归的方法计算降雨时段和非降雨时段的渗流量预报方程，并分段计算得到降雨径流影响值，然后利用LSTM模型对降雨引起的径流量和降雨过程之间的关系进行建模，从而预测在某过程降雨影响下的渗流量——降雨分量值。本文方法的计算结果主要受实测样本序列长短以及取样频次的影响，在保证实测样本数据质量的情况下，该方法可以较准确地剔除由于降雨径流对大坝渗流量测值造成的干扰，从而监控土石坝渗流状态。