基于小波包变换的大坝变形监测方法

庄洪军，陈 奇

(山东省临沂市岸堤水库管理中心，山东 临沂 276217)

对于大坝建筑物而言，对其变形情况监测的本质是利用特定的测量工具对大坝的空间位置变化情况，或几何结构特征变化情况进行统计，通过分析其发展规律为实际的管理、维护等工作提供数据支撑[1]。从某种程度上分析，变形监测是对建筑物当前状态的采集，同时也是对建筑物未来变形趋势评估预测[2]。鉴于大坝对于环境以及人民生命财产安全的重要意义，对其变形情况进行有效的监测是极为必要的[3]。针对该技术的研究也已经取得了一定的成果，其中，以三维激光扫描技术为基础的大坝变形监测方法得到了较为广泛的应用，但是该方法受大坝所处环境的影响较为明显，水面及周围环境对扫描射线的干扰会导致监测结果出现不同程度的误差。除此之外，以智能观测机器人为基础的大坝变形监测方法也成为了新型的监测方式之一，该方法在监测精度方面实现了进一步提升，但是其应用成本相对较高，因此应用阶段存在一定的局限性。

在此基础上，本文提出基于小波包变换的高精度大坝变形智能化监测方法研究，利用小波包变换的方式对大坝状态数据进行预处理，再进一步分析其变形情况。

1 大坝变形智能化监测方法设计

1.1 小波基融合指标设置

在对大坝变形情况进行监测的过程中，影响监测结果可靠性的最主要的因素之一就是采集到的数据中存在较大噪声，造成这一情况的主要因素是大坝所处环境的特殊性以及客观因素对数据采集过程的干扰[4]。这就意味着在数据采集阶段解决噪声问题的可能性相对较低。针对此，本文利用小波变换的方式对实测数据进行阈值去噪处理[5]。小波基指标的选择直接影响数据去噪的效果，为此，本文综合考虑了不同指标的特点，将能够在监测数据中提取出最大能量值的小波基作为设置目标[6]。以此为基础设置的小波基融合指标对应的小波系数能量熵为最小值，同样地，监测到的大坝数据与全体小波系数的联合熵也为最小值，但是全体小波系数的交互熵为最大值[7]。按照这样的选择标准，本文采用融合极值指标作为小波基的指标参量。

由于不同最值选择指标对应的基数也存在差异，相关的变化范围以及对小波基选择的影响程度都有各自的特点，直接对指标进行融合是难以实现的。针对该问题，本文将不同指标对小波基选择的影响程度为基准参量，借助变异系数定权法差异化赋权指标。从本质上对变异系数进行分析，其是标准差率的一种归一化表现形式。作为一个相对数参量，具体的计算方式可以表示为

(1)

式中，CV—指标的变异系数；σ—指标的标准差参量；μ—指标的均值参量。结合式(1)可以看出，本文是以指标的标准差参量和指标的均值参量之间的比值作为变异系数，利用这样的方式可以完全排除不同指标计量单位的差异对小波基的干扰作用。

按照上述所示的方式，实现对小波基融合指标的设置，为后续各项不同大坝状态指标的分析计算提供基础。

1.2 基于小波变换的大坝变形监测

以1.1中设置小波基融合指标为基础，本文采用小波变换的方式对大坝实际状态数据信息进行计算，并结合各指标权重综合分析实际状态数据信息参量。具体的实现方式主要分为以下几个步骤。

首先需要明确的是，不同大坝实际状态数据信息的量纲是不同的，为了消除各项指标量纲差异对监测结果精确性的影响，本文采用小波基融合指标-变异系数对衡量各指标的差异程度加以衡量，具体的计算方式可以表示为

(2)

式中，CVi—大坝实际状态数据信息中i指标变异系数；σi—大坝实际状态数据信息中i指标的标准差参量；μi—大坝实际状态数据信息中i指标的均值参量。以此为基础，采用小波变换的方式对大坝实际变形情况的计算方式可以表示为

(3)

式中，T—大坝变形的监测结果；CVe—小波能量值变异系数；e—大坝实际状态数据中能量参数；CVc—小波能量熵值变异系数；c—大坝实际状态数据中的能量熵信息；CVh—小波联合熵值变异系数；h—大坝实际状态数据中的联合熵信息；CVs—小波交互熵值变异系数；s—大坝实际状态数据中的交互熵信息。

按照这样的方式，实现对大坝变形情况的高精度监测。

2 测试与分析

2.1 测试环境

本文以某岸堤水库为基础开展应用测试。对大坝的位置进行分析，其位于沂河一级支流东汶河上，是一座以防洪、灌溉、城市供水为主，结合发电、工业供水、生态供水等综合开发利用的大型水利枢纽工程。水库控制流域面积1690km2，总库容7.7993亿m3，兴利库容4.5939亿m3。水库枢纽工程由大坝、溢洪道、输水洞、水电站等组成。具体如图1所示。

图1 测试大坝环境

岸堤水库管理处已完成并调整充实了防汛物料专职人员，配备防汛沙石、麻袋及编织袋、铁丝、土工布等防汛抢险物料；购置了防汛抢险救生舟和无人机，并补充了部分短缺物资；配备备用柴油发电机组，升降式抢险照明灯等抢险物资。防汛抢险用土料和沙料及部分石料和机械，因地制宜，采用号料方式，保障料物供应。还对防汛备料仓库进行了彻底修缮改造。在此基础上，为了保障防汛建设的可靠性，对其变形情况进行监测。在测试阶段，为了更加直观地分析本文设计监测方法的实际应用效果，设置了对比测试条件，对照组分别采用文献[1]提出的以三维激光扫描为基础的大坝变形监测方法，文献[2]提出的以智能观测机器人为基础的大坝变形监测方法。通过分析3种方法的监测结果与实际测量数据之间的一致性，对监测结果的可靠性做出评价。

2.2 测试结果与分析

在对测试结果进行分析阶段，共设置了8个监测点，不同方法监测到的大坝沉降数据见表1。

表1 不同方法测试结果统计表

结合表1所示的测试结果对不同监测方法的监测效果进行分析，其中，文献[1]方法的监测结果与实际测量值之间的误差表现出了较高的不稳定性，最大误差百分比达到了2.46%，最小值误差百分比仅为0.21%，这就意味着该方法对大坝变形监测结果的精度难以保持高精度水平，可靠性存在进一步提升空间。文献[2]方法的测试结果整体并未出现误差百分比大于2.0%的情况，最大值仅为1.56%，但是对不同监测点的监测数据进行分析，其与实际测量结果的误差百分比基本上始终在1.0%以上，表明该方法虽然具有较高的稳定性，但是在精度方面存在进一步优化的空间。相比之下，在本文设计方法的测试结果中，对不同监测点的监测数据与实际测量结果的误差百分比始终稳定在0.5%以内，最大值仅为0.36%，表明该方法可以实现对大坝变形情况的精准监测，与文献[1]方法相比更加稳定，与文献[2]方法相比精度更高。由此可以初步得出结论，本文设计的基于小波包变换的高精度大坝变形智能化监测方法具有良好的实际应用价值。

3 结语

本文提出了一种基于小波包变换的高精度大坝变形智能化监测方法。实现对大坝变形信号的特征提取和降噪处理，从而实现对大坝变形情况的精准监测。相较于传统的监测方法具有更高的精度和可靠性，可以为大坝变形监测提供更加科学、准确的数据分析手段，为大坝的安全运行提供保障。然而，本文的研究还存在一些局限性和不足之处。未来的研究可以进一步探索如何有效地应对更加复杂和多变的大坝变形数据，提高监测结果的稳定性和可靠性。同时，还可以考虑将该方法应用于其他工程领域的监测和预测中，为工程安全提供更加可靠的保障。