基于LSTM的船闸位移预测模型研究

摘  要：船闸在长期服役过程中会因为温度、水压等因素影响产生形变，严重危害通航安全。为实现精准的船闸位移预测，构建高效的船闸预测模型，文章引入深度学习方法，基于某大坝船闸的历史观测数据，利用长短记忆神经网络构建了船闸位移预测模型。结果显示文章所提模型最终的预测效果MAE达到了0.008 1 mm，AEmax达到了0.015 4 mm，RMSE达到了0.009 9 mm，均远优于传统的多元线性回归方法。说明该模型具有良好的预测性能，为实现船闸的安全预警提供了一种新方法。

关键词：船闸；LSTM；位移预测

中图分类号：TP183   文献标识码：A   文章编号：2096-4706（2023）16-0155-04

Research on Ship Lock Displacement Prediction Model Based on LSTM

DING Tengteng

（Pearl River Water Resources Institute of Pearl River Water Conservancy Commission， Guangzhou  510611， China）

Abstract： The ship locks will be deformed during long-term service due to temperature， water pressure and other factors， which seriously endangers navigation safety. In order to achieve accurate ship lock displacement prediction and build an efficient ship lock prediction model， this paper introduces the Deep Learning method and constructs a ship lock displacement prediction model based on the historical observation data of a dam ship lock using LSTM neural network. The results show that the final prediction effect of MAE reaches 0.008 1 mm， AEmax reaches 0.015 4 mm and RMSE reaches 0.009 9 mm， which are better than the traditional multivariate linear regression method. The model proposed in this paper has good prediction performance and provides a new method to realize the safety warning of ship locks.

Keywords： ship lock; LSTM; displacement prediction

0  引  言

20世紀70年代以来，我国大坝的建设取得了飞速发展，先后建成了三峡、小浪底、溪洛渡等多座大坝。然而，在河道上修建的大坝会截断河道，阻隔上下游贯通。因此，船只需要借助船闸来通航，实现大坝的跨越，保证流域航道的贯通。

水利部的《第一次全国水利普査公报》[1]显示：截至2013年，我国现有船闸高达27万余座，是世界上船闸数量最多的国家之一。如此多数量的船闸为我国水路交通网的构建和水运事业的发展做出了巨大的贡献。可以说，船闸的安全与稳定关系到船只的安全、航道的通畅以及水运的发展等[2，3]。然而，船闸在长期服役过程中，会因为水压的作用、温度的影响、材料的劣化等因素不可避免的发生位移——对船闸的安全运行造成影响[2]。因此，基于环境因素对船闸的位移量做出预测，进而对其安全程度进行预警是提升船闸稳定运行水平，实现智能化管理的重要任务[2，4]。

当前，关于船闸位移预测的研究，可以按照研究方法的不同分成两部分：基于数值模型和基于统计回归的研究。基于数值模型的研究主要是通过有限元等算法，从力学角度预测船闸在外部环境作用下会出现的位移变化。典型的研究比如：苑敬舜[5]根据实际工程资料，基于有限元对船闸闸首部位进行数值模拟，实现了闸首的位移预测。凌威则利用有限元建立了船闸-岩土-支护桩耦合数值分析模型，对受基坑开挖影响的船闸的位移做出预测。不过基于有限元的数值模拟方法虽然准确，但其需要大量的力学参数——参数的确定十分困难，而且数值模拟的速度较慢，难以实现快速的预警。基于统计回归的方法主要是：找出影响船闸位移的环境量，根据环境量的测值与船闸位移的变化值，通过相关统计回归模型（比如：多元线性回归和机器学习方法）进行回归分析。

本文考虑到船闸的位移是多因素耦合作用的结果，其位移具有不确定性和非线性的特点，引入深度学习的方法，将LSTM模型引入船闸位移预测，基于其强大的数据拟合能力、信息选择记忆能力以及泛化能力，提出基于LSTM算法的船闸位移预测模型。本文首先介绍了LSTM的原理和算法架构；其次基于工程实测的温度、水压和位移序列数据，建立了多输入单输出的船闸位移模型；然后，将数据输入模型中进行训练，并利用训练出的网络在验证集上做位移预测，并与多元线性回归方法进行比较，评估LSTM算法在船闸位移预测方法中的可行性和优越性。最终建立基于LSTM的船闸位移预测模型。

1  LSTM模型介绍

长短记忆神经网络（Long Short-Term Memory， LSTM）是一种强大的机器学习算法，其改善了RNN中存在的长期依赖问题，能够学习长序列的依赖关系，可作为复杂的非线性单元用于构造更大型深度神经网络，非常适合用于进行映射关系挖掘和时序预测。LSTM由Hochreiter等提出，其整体结构如图1所示。

通过将环境量按照时序逐步、循环地输入到LSTM单元中，而后比较输出结果与预期结果间的差异，来实现单元内部参数的优化。不过，不同于传统RNN的是，LSTM模型内部引入了门控机制，使得LSTM可以实现长序列数据的学习，其内部的结构如图2所示。

图2中：⊙表示操作矩阵中对应的元素相乘，⊕表示矩阵相加；xt表示当前序列的输入数据，ht-1表示上一个状态传递下来的数据，两者拼接得到四个状态：z f、zi、zo和z。其中z f、zi、zo表示由拼接向量乘以权重矩阵之后通过一个sigmoid激活函数转换成0到1之间的数值，来作为一种门控状态，而z则是将结果通过一个tanh激活函数将转换成-1到1之间的值。ct表示在长时间学习中，之前状态需要被记录的内容：

（1）

（2）

sigmoid和tanh的算式为：

（3）

（4）

LSTM在训练的时候主要分三个阶段：忘记阶段、选择记忆阶段和输出阶段。忘记阶段是对上一个节点传进来的输入进行选择性忘记，即通过计算得到的z f（ f表示forget）来作为忘记门控，来控制上一个状态的C t-1哪些需要留哪些需要忘。选择记忆阶段则是将这个阶段的输入有选择性地进行“记忆”。当前的输入内容由前面计算得到的z表示。而选择的门控信号则是由z（i代表information）来进行控制。输出阶段将决定哪些将会被当成当前状态的输出——主要是通过zo来进行控制——并对上一阶段得到的co进行放缩（通过一个tanh激活函数进行变化）。

当前，LSTM模型已经在重力坝变形预测、土石坝渗流预测和土石坝沉降预测等方面得到了应用。这些研究充分说明了LSTM模型在水工结构工程安全监测方面的巨大潜力。因此，本文立足实际工程，尝试将LSTM模型应用于船闸位移变形的预测中。基于LSTM模型，本文构建了船闸位移预测模型。以环境量作为输入层输入，以船闸位移作为输出层输出。通过将长序列的环境量和位移量输入到LSTM模型中进行训练，来获得具备时间关联度和数据深度挖掘能力的船闸位移预测模型。

2  算例分析

本文以南方珠江流域某船闸的监测数据为例，基于LSTM算法建立船闸位移预测模型。该船闸位于广西，由上下游引航道、上闸首、闸室、下闸首组成。船闸闸室有效尺寸为：280 m×34 m，采用人字形闸门，最高挡水位达47.5 m，最大通过船队为6×3 000吨，年货运量达5 189万吨。该船闸于2020年4月正式建成通航。

本文通过在船闸内部布置的多点位移传感器读取得到船闸的真实位移量。本文采用的多点位移计为基康仪器生产的BGK-A3多点位移计。该位移计由锚头、测杆、PVC保护杆、过渡杆以及安装基座构成，安装在闸室右侧工作阀门附近，可以测量出船闸三个不同高程处的位移变形。本文以基底处的位移数据为例，日期区间为2020年4月—2022年7月。

本文所提出的船闸位移预测模型是一个关于温度T、水压H以及结构自身的时变t三个因素的映射模型[4]，假设船闸位置y处的位移D可以表示为：

（5）

式中：f1（T，y）表示与位置y处的温度有关的温度分量；f2（H，y）表示与上下游水位差有关的水压分量；f3（T，y）表示与船闸运行时长有关的时效分量。温度值可以由多点位移计一并测得；水位差由超声波水位计读取上下游水位后相减得到；而对于时效分量，通常可用式（6）近似计算得到。

（6）

式中：c1和c2为待确定常数，θ = t（船闸运行天数）×0.01。之所以在式中加入ln θ，是因为水工建筑物的时效变形往往是非线性且缓慢增加的。

3  结果分析

基于构建的训练集和测试集，本文对LSTM模型进行训练。如表1所示，本文的LSTM模型的优化器为梯度下降，步长为0.1；初始学习率为0.005，每经过25次迭代会乘0.1。

为了进一步验证本文所提模型的性能，我们还将LSTM與传统的多元线性回归方法进行对比。两者在测试集上的预测效果如图3所示。

通过图3可以看出，相较于传统的多元回归方法，本文提出基于LSTM的位移预测模型的预测结果更加逼近实测值，精确度明显高于多元回归。而且，LSTM算法的精度在进行长时间预测时（如对2022-07-28）仍然可以保证较高的精度，这说明本文所提算法具有长时间预测稳定性，可以进行长时序和稳定的船闸位移预测。

同时，两种算法预测结果的MAE、AEmax和RMSE如表2所示。

通过对比两种模型的评价指标（表2），可以看出：本文所提出的LSTM模型的MAE远低于多元线性回归，这说明模型预测的精度远远优于多元线性回归方法。同时，AEmax也更小，反映了LSTM在长时序预测过程中的稳定性良好，鲁棒性强。而更低的RMSE进一步表明了：本文所提模型的预测结果最接近真实值，且预测具有长期稳定性，可用于船闸位移的准确预测。值得注意的是，本文训练集的RMSE值大于测试集，这主要是由于测试集时间历程相对较短，每一组的预测值都较为准确造成的。

由于水位和温度在不同高程处的作用有不同的效果，为此，本文还选取该位移计另外两个高程处的数据进行位移预测，以此来验证本文所选取的影响因子的可靠性和模型的泛化性。预测结果如表3所示。

结果显示，在不同高程处，本文所提模型的位移预测效果均优于多元线性回归方法，这充分说明：本文所提模型在不同高程处均有良好的效果，水位、时间和温度对不同高度的船闸位移变形均起着关键作用。

4  结  论

针对船闸在长期服役过程中出现的位移变形难以预测的问题，本文通过深度学习的方法有效解决了这一问题，并通过实验验证该方法的有效性，本文结论如下：

1）提出了基于LSTM的船闸位移预测模型利用温度、水位差以及两个时效量作为输入，船闸的位移变形量作为输出，有效解决了位移预测中多因素耦合和非线性作用的问题，从而进一步提高了船闸位移的预测精确度。

2）通过工程实例与多元回归方法对某船闸从2022年6月—2022年8月的位移预测结果进行对比，证明了该模型的预测效果优于多元回归模型，具有较好的应用价值。

3）将本文所提出的模型进一步推广至不同的多点位移计上，预测效果也均优于传统的多元线性回归。证明了本文所提算法的有效性和可推广性。

参考文献：

[1] 第一次全国水利普查公报 [J].中国水利，2013（7）：1-3.

[2] 覃盼.三峡坝区船舶通航安全风险演化规律研究 [D].武汉：武汉理工大学，2016.

[3] 王文意.风险源管理在葛洲坝船闸检修中的应用 [J].交通企业管理，2016，31（3）：69-71.

[4] 张泰.基于SVR和PSO-BP的船闸三维动态风险管理方法研究 [D].哈尔滨：哈尔滨工程大学，2020.

[5] 苑敬舜.坞式船闸闸首结构应力变形三维有限元分析 [D].合肥：合肥工业大学，2015.

作者简介：丁腾腾（1988.06—），男，汉族，安徽阜阳人，工程师，学士学位，研究方向：水利水电工程。