基于 BP 神经网络的地下水位预测系统设计

廖绍欢　赵乃千　詹旭

摘要为了解四川德阳地下水位动态，进而分析地震前兆动态，本文设计了一个基于 BP 神经网络的地下水位预测系统。采用 SWY-Ⅱ数字式水位仪对德阳地下水位数据进行采集。根据采集的2015年水位数据，利用 BP 神经网络对地下水位变化进行预测，以一年的采集数据进行训练和测试，采用3个输入节点、1个输出节点设计了 BP 神经网络结构。为了进一步验证本预测系统，本文对2017年7月1 日—10月26日地下水位情况进行了预测。实验表明：该方案能有效实现地下水位的预测，为地震前兆工作提供可靠数据。

关键词单片机；BP 神经网络；预测

中图分类号： P315.72+3文献标识码： A文章编号：2096-7780（2023）04-0165-06

doi：10.19987/j.dzkxjz.2022-118

Design of groundwater level prediction system based on BP neural network

Liao Shaohuan1），Zhao Naiqian1），Zhan Xu2）

1） Chengdu Earthquake Monitoring Center Station， Sichuan Earthquake Agency， Sichuan Chengdu 611730， China

2） School of Automation and Information Engineering， Sichuan University of Science & Engineering， Sichuan Zigong643000， China

AbstractIn order to understand the dynamic of groundwater level and master the earthquake precursor dynamic， we designed groundwater level prediction system based on BP neural network. According to the groundwater level ofDeyang，Sichuan Province，SWY-II digital water level meter is used to collect the groundwater level data of Deyang. Based on the collected water level data in 2015，the BP neural network is used to predict the change of groundwaterlevel，and the data collected for one year are trained and tested. The structure of BP neural network is designed with threeinput nodes and one output node. In order to further validate the proposal，the groundwater level from July 1 to October 26，2017 is predicted. The experimentshows that thescheme can predict groundwater level effectively and providereliable data for earthquake precursor work.

KeywordsMCU; BP neural network; predict

引言

地下水位的预测在实际生活中有着非常重要的作用，它能够给地下水的保护和合理利用提供理论依据，能够对地震等自然灾害的预测提供帮助，它还可以提供有关工程建设的数据背景，为农业项目和水利工程提供信息[1-2]。所以人们应该意识到地下水位的重要性，以及保护地下水位的必要性。汪成民[3]在中国地震地下水动态网的观测中，提到地震整个发生过程是地应力积累和强化的过程，可借助地下水微动态进行观测。近年来，许多学者利用地下水位变化进行了大量的研究。例如，Gogu 等[4]利用了一个地质地理信息系统数据库，为地下水脆弱性分析提供依据，为比利时瓦隆地区设计了水文地质模型系统。Kushwaha 等[5]将地下水位分析应用于拉贾斯坦邦东北部半干旱区盆地北部，采用概念地下水模拟方法。Pandey 等[6]在尼泊尔加德满都山谷开展了浅层和深层地下水含水层水文地质特征的空间变化分析研究。

近年来，随着人工神经网络算法的崛起，逐渐引领着各行各业的发展。BP（ Back Propagation）算法是前馈神经网络中应用最广泛的学习方法。神经网络的基本要素是处理要素和加权连接，不断更新权重，对样本数据（输入样本、期望输出样本）进行学习，即样本进入到输入层的各个神经单元，通过隐含层、输出层的计算后输出预测值。让预测值与期望值之间进行对比，当两者产生的误差不滿足精度要求时，那么输出层反向传播此误差，进行权值、阈值的更新，直到两者误差逐渐减小，满足精度。BP 神经网络搭建了一种非线性预测系统，而地下水位动态变化并没有可依据的规律，采用 BP 神经网络进行地下水位预测符合当前地震前兆需求。许骥[7]利用遗传算法优化了 BP 神经网络的参数，设计了一种预测模型。喻黎明等[8]提出了一种极限学习机的神经网络模型，预测了地下水位埋深。Tran 等[9]使用神经网络来预测不同的地下水位变化。

本研究设计了一套基于 BP 神经网络的地下水位预测系统，用于观测四川德阳天元地下水位情况，以获取预测后期地下水位的变化。当水位变化与历年变化差距很大时，引发报警，以便对水位变化差异大的部分和相应地震进行映震分析，进一步掌握地震前兆动态。

1 系统原理

本研究利用 SWY-Ⅱ数字式水位仪器对四川德阳天元地下水位数据进行采集。水位仪采用 Z80 CPU 作为主控制器，外围电路由水位传感器、AD 转换模块、避雷器件、显示器等电路组成，具体系统框图如图1所示。

水位仪主板，在机箱里体现为2块，朝后面板方向的电路板主要负责传感器供电、A/D 转换功能；靠前面板的电路板则负责数据采集、数据存储、数据通讯、为网络接口板提供秒钟数据等功能。

水位仪工作流程如图3所示。

通电后自启动程序将完成以下任务：①负责将 Update 文件夹的*.exe 文件以及自定义动态库文件*.dll拷贝到 EXE 文件夹内，从而完成软件更新过程。由此可见软件更新时，只需要采用将要更新的软件覆盖的方式上传到 Update 文件夹内，然后通过远程重启仪器网络接口即可。②引导其他程序的启动， software.exe 最后一项工作就是启动 EXE 文件夹里 main.exe 文件。software.exe 程序在完成上述两项工作后，会自动退出。

通过上述电路获取地下水位数据后，本文采用BP 神经网络对数据进行学习，进而实现地下水位预测。具体方案见图4所示。

从图4可以看出，基于 BP 神经网络的地下水位预测系统由2个部分组成，首先由SWY-Ⅱ数字式水位仪进行地下动态水位数据采集、存储，再由 BP 神经网络对数据进行学习、预测，进而对差异大的部分进行分析、研究，获取地震前兆动态。

2 基于 BP 神经网络的地下水位预测系统

2.1 地下水位数据采集

德阳市天元地震台位于德阳市应急救援中心大院内，地理位置（31.13°N，104.33°E），高程470 m。该台总投资100万元，于2014年11月10日建成运行，观测用房40 m2，按8级抗震设防，观测井井深300 m，井管结构全部采用无磁无缝不锈钢管，取井下276—288 m 含水层为地震观测用水，监测仪器探头均放置井管内，最大程度减少周边环境影响。台站观测井结构图如图5所示。

该地区地下水主要为赋存于第四系砂卵石中的孔隙潜水和赋存于古店主、七曲寺组粉砂岩中的孔隙裂隙水。台站属四川盆地北部亚热带季风气候，气候温和，雨量充沛。年平均气温14—17℃ ， 年降雨量1000—1200 mm，降水多集中在夏秋季节。

2015—2017年台站观测环境无显著变化，未发生观测环境被破坏情况，无突出的干扰和显著的环境干扰情况，适合进行地下水位观测。由于2015年数据相对比较稳定，更有利于进行 BP 神经网络的学习和测试，本文对2015年四川德阳天元地下水位数据进行了采集，共收集到365个水位样本数据（图6）。

从图6a 可以看出，水位仪数值在6.80—7.61 m 之间，有部分数据出现了缺失，为了数据的完整性，本文采用线性插值法对数据进行修复。图6b 为线性插值后的水位数据，可以看出，经过线性插值可以有效修复地下水位的缺失数据。

2.2BP 神经网络预测系统

为了对采集的地下水位数据进行预测，实现对水位异动情况的及时了解，本文设计了基于 BP 神经网络系统地下水位数据预测模型。模型中隐含层有4个计算神经网络单元，网络模型结构为3×4×1，最大迭代次数为1000，训练学习效率为0.08，预测的目标函数误差为1×10?5，激活函数采用tansig，具体 BP 神经网络模型见图7。

以1—320天为训练样本，321—365天为测试样本；以前3天为输入数据，第4天为预测数据，进行了 BP 神经网络训练。具体仿真结果如图8所示。

从图8a 可以看出，数据被插值修复后，能有效完成 BP 神经网络预测模型的训练。本文提出的 BP 神经网络的预测误差采用相对误差进行分析，其公式为：

式中，Err 为相对误差，ysim为预测值，ytest为测试样本。从相对误差公式可以看出，如果预测值与测试样本的偏差很大，那么將出现很大的波动。将2015年11月16日—12月31日的地下水位数据作为测试样本，共45个测试样本，进行预测，BP 神经网络预测误差曲线如图8b 所示。可以看出，本文提出的 BP 神经网络预测模型的预测误差控制在2.5×10?3以内，相对误差不大，说明该方案能有效地对地下水位数据进行预测。如果突发异动情况，预测值与测量实时值将发生较大偏差，可以引起预警。

为了进一步验证该系统，本文将上述搭建完的

BP 神经网络预测系统，对2017年7月1 日—10月26日进行了预测，预测结果如图9所示。

从图9a 可以看出，2017年7月中旬、8月上旬以及9月中下旬地球内部活动比较频繁，实际测量值与预测值发生了很大的差异，此时应该引起警觉。2017年7月下旬、8月下旬、10月上中旬无频繁的地球内部活动，实际测量值与预测值差异不大。表1列出了图9a 中红色圈出的该段时间内发生的6次较大震级的地震基本参数。可以看出，发生地震时，预测值与实测值发生了很大差异，异常对应率非常高。青川 MS4.9地震之前，预测值与实测值发生了差异，视为地震前兆异常。青川 MS4.9地震之后，预测值与实测值仍存在较大差异，视为同震。第40个样本附近（第220天左右），预测值与实测值有吻合，视为同震响应消失。同样2017年8月九寨沟地震发生之前，预测值与实测值又发生了很大偏差，可视为地震前兆异常的表现，应引起警觉。九寨沟地震之后，在第60个样本之前，预测值与实时值有吻合迹象，同震响应消失。在第60个样本后，预测值与实测值又发生很大偏差，视为地震前兆异常表现。具体预测误差值曲线如图9b 所示。结合图8和图9可以看出，预测系统在没有地球内部频繁活动时，预测值与实测值（期望值）误差基本控制在2.5×10?3以内，一旦有明显的地球内部活动，那么预测值与实测值（期望值）将超过2.5×10?3。根据上述分析可看出，该方案具有有效进行提前预警的功能，能为地震前兆工作提供可靠的参考。

3 结论

本文研究了 BP 神经网络预测模型，为了掌握四川德阳天元地下水位变化情况，设计了一个基于BP 神经网络的预测系统。采用 SWY-Ⅱ数字式水位仪进行地下水位数据观测，采集了德阳天元地下水位2015年的数据作为研究对象，将前320天的数据为训练样本，后45天为测试样本，预测误差控制在合理的范围。为了进一步验证该预测系统，本文预测了2017年7月1 日—10月26日水位数据，实验表明，地球活动较为频繁时，预测数据与实测数据有很大偏差，可以将此作为预警，为地震前兆提供有效依据。

参考文献

［1］郭浩然，李映，黄鹤程.抽水蓄能电站地下水位预测的优化神经网络模型[J].水利信息化，2022（3）：40-45

GuoHR， LiY， HuangHC. Optimizedneuralnetworkmodelforgroundwaterlevelpredictioninpumped-storagepower stations[J]. Water Resources Informatization，2022（3）：40-45

［2］陈亮.地下水在工程地质勘察中的重要性分析[J].绿色环保建材，2021（5）：153-154

Cheng L. Study on the importance of groundwater in engineering geological investigation[J]. Green Building Materials，2021（5）：153-154

［3］汪成民.中国地震地下水动态网的科学创新与应用前景[J].地震学刊，1991，11（3）：4-8

WangCM. Scientificoriginalitiesandapplicationsofthegroundwaterobservationwell-networkforearthquakepredictionin China[J]. Journal of Seismology，1991，11（3）：4-8

［4］Gogu R， Carabin G，Hallet V， et al. GIS-based hydrogeological databases and groundwater modelling[J]. Hydrogeology Journal，2001，9（6）：555-569

［5］Kushwaha R K，Pandit M K，Goyal R. MODFLOW based groundwater resource evaluation and prediction in Mendha sub-basin，NE Rajasthan[J]. Journal of Geological Society of India，2009，74（4）：449-458

［6］Pandey V P，Shrestha S，Kazama F. Groundwater in the Kathmandu Valley：Development dynamics，consequences and prospects for sustainable management[J]. European Water，2012，37：3-14

［7］許骥.基于遗传 BP 神经网络的地下水位预测模型[J].地下水，2015，37（3）：19-21

Xu J. Groundwater level prediction model based on genetic BP neural network[J]. Ground Water，2015，37（3）：19-21

［8］喻黎明，严为光，龚道枝，等.基于 ELM 模型的浅层地下水位埋深时空分布预测[J].农业机械学报，2017，48（2）：215-223

Yu L M，Yan W G， Gong D Z， et al. Temporal and spatial distribution prediction of shallow groundwater level based on ELM model[J]. Transactions of the Chinese Society of Agricultural Machinery，2017，48（2）：215-223

［9］Tran V T，Le Van P，Huynh V H. Groundwater level prediction using Artificial Neural Networks：A case study in Tra Noc Industrial Zone，Can Tho city，Vietnam[J]. Journal of Water Resource and Protection，2018，10（9）：870-883