基于机器学习算法的混凝土坝渗压值自动预测方法

杜 猛

(南京南瑞水利水电科技有限公司，江苏 南京 210000)

0 引言

混凝土坝是水利工程的重要组成部分，研究表明，我国目前已建成的大型混凝土坝有数十座[1]，建设技术逐渐完善，因此，混凝土坝的应用前景较好。近几年，我国建设的混凝土坝规模越来越大，受复杂的坝区地质条件影响[2]，出现了严重的安全问题。经过分析发现，混凝土坝坝体表面存在较多的施工裂缝[3]，这些施工裂缝在长期发展下会成为主要渗流通道，增加混凝土坝的运行风险，因此，需要对混凝土坝渗压值进行自动预测，提前设置处理预案[4]，保证混凝土坝的运行可靠性。

事实上，混凝土坝内含有复杂的成层结构，这些结构属于坝体薄弱部分，会随着混凝土坝规模的增加导致渗流问题逐渐严重。因此，为了提高混凝土坝的可靠性，降低其安全风险，需要对混凝土坝的渗压值进行有效分析预测[5]。相关研究人员针对混凝土坝的建设特点及其内部结构设计了若干种常规的混凝土坝渗压值自动预测方法，第一种是考虑渗流作用的混凝土坝渗压值自动预测方法[6]，其主要根据坝体运行规律，进行ANSYS模拟，通过语言编程网络完成渗压值自动预测；第二种是基于三维有限元分析的混凝土坝渗压值自动预测方法[7]，其主要进行了渗流计算，根据不同的工况条件生成预测参数，完成混凝土坝渗压值自动预测。但上述2种混凝土坝渗压值自动预测方法主要使用ELM极限学习机生成渗压预测模型，易受预测数据自动拟合作用影响，导致预测的坝前水位与实测坝前水位偏差较高，不符合混凝土坝的运行安全要求，因此，本文基于机器学习算法，设计了一种全新的混凝土坝渗压值自动预测方法。

1 混凝土坝渗压值机器学习算法自动预测方法设计

1.1 基于机器学习算法构建混凝土坝渗压值预测模型

机器学习可以使用决策树划分预测的类别，从而提高渗压值预测精度，因此，本文设计的方法基于机器学习算法构建了混凝土坝渗压值预测模型。首先可以利用机器学习的决策树设置相关的预测分类规则[8]，根据属性图完成预测数据分析，获取关键的预测变量值，降低预测误差，因此，可以根据决策树信息熵值获取混凝土坝渗压值预测Gini指数[9]，其定义式Gini(t)为：

(1)

式中，p(j|k)—不同预测类别在预测节点中的概率。此时假设样本存在若干个组成部分[10]，则计算的Gini指数Gini(T)为：

(2)

式中，ni—母节点样本数；n—子节点样本数。

在预测过程中可以根据计算的Gini指数将机器学习分类器进行随机组合，得到更强的分类器，从而有效处理渗压值预测问题，提高最终的预测精度。

在混凝土坝渗压值自动预测的过程中，可以从原始训练样本集中抽取不同的Bootstrap训练样本，进行重复训练，得到初始的机器学习分类器，此时可以设置预测样本容量，调整预测样本取值，增加分类器的泛化能力。待上述步骤完毕后，可以构建混凝土坝渗压值自动预测决策树，如图1所示。

图1 混凝土坝渗压值自动预测决策树

由图1可知，上述的混凝土坝渗压值自动预测决策树可以在分类过程中选取最佳的预测变量，保证决策树的独立性及多样性，提高预测的准确性。在设计预测过程中，可以使用组合决策树，获取预测平均值，得到最终的预测结果。

影响混凝土坝渗压值预测的因素角度，包括水位、降雨等，本文基于此构建了预测输入模型Pi：

Pi=PH+PT+PR

(3)

式中，PH—水位渗压值预测影响分量；PT—时效渗压值预测影响分量；PR—降雨预测影响分量。

根据上述输入的预测模型可以调节决策树数量，判断主要预测参数，计算存在的预测误差，待泛化预测误差正确排除后，即可进行后续的预自动预测反演分析。

1.2 进行混凝土坝渗流参数反演预测分析

混凝土渗压值预测过程中，需要进行反演分析。常规的反演问题主要涉及上述获取的模型参数，因此，上述构建的模型与反演预测存在一定的映射关系：

G(m)=d

(4)

式中，G(m)—预测模型参数；d—观测数据。

由上述的映射关系可知，反演问题在求解时存在多个种类，本文设计的渗压值自动预测方法使用贝叶斯随机反演法，通过待反演参数获取先验数据信息，再根据概率与统计关系确定预测反演结果的不确定性，得出最终的预测结果，因此，本文设计的自动预测方法设置了预测灰函数f(x)：

(5)

式中，αi—渗流预测阶数。

根据上述的预测灰函数，可以获取一个准确的渗流预测参数，调整预测可信度，使其满足预测均值关系。

预测极大熵属于离散型随机预测变量，调整该随机变量可以有效降低预测不确定性，保证预测结果的信度，因此，本文设计的渗压值自动预测方法计算了预测极大熵c(a)：

(6)

式中，Hn—预测结果可能出现的概率。

使用上述计算的预测极大熵值可以有效判断预测随机分布关系，将预测结果划分在准确的区间内。

2 实例分析

2.1 概况及准备

为了验证设计的基于机器学习算法的混凝土坝渗压值自动预测方法的预测效果，本文选取X水电站进行实例分析，已知，X水电站位于我国某江的中游段，属于大型发电水电工程。X水电站的正常水库蓄水水位为1134m，总库容较高，调节性能良好，X水电站的平面布置如图2所示。

图2 X水电站平面布置

由图2可知，研究区域主要由右岸心墙堆石坝、主混凝土坝、左岸非溢流坝段组成，坝顶总长度为1158m，部分长度为838.56m，坝顶通过坡相连，两岸地形非对称。研究区域岩性种类较多，不仅包括砂岩、细砂岩、泥质岩，还包括各种断层岩体。

为了降低研究区域的渗流量压力，X水电站设置了防渗止水帷幕，打通了多个排水孔，共同完成上下游及辅助排水操作。混凝土坝坝体使用混凝土二级配辅助排水方案，厚度呈阶梯状，上下段厚度变化明显，坝体内部设置了排水孔，间距为0.11m。为了准确地判断X水电站的渗流状态，确定其坝前水位，本文结合具体的勘探资料设计了混凝土坝渗透值计算模型，如图3所示。

图3 混凝土坝渗透值计算模型

根据图3的混凝土坝渗透值计算模型可以精准地计算混凝土坝的坝前水位，精准地确定混凝土坝的渗压值，X水电站的外围地层渗透系数见表1。

表1 X水电站外围地层渗透系数 单位：10-7m/s

由表1可知，待上述的水电站外围地层渗透参数确定完毕后，即可得出混凝土坝渗压值自动预测结果。

2.2 应用效果与讨论

结合上述的概况及准备，可以进行混凝土坝渗压值自动预测应用效果分析，即分别使用本文设计的基于机器学习算法的混凝土坝渗压值自动预测方法、文献[6]的考虑渗流作用的混凝土坝渗压值自动预测方法，以及文献[7]的基于三维有限元分析的混凝土坝渗压值自动预测方法对不同日期的混凝土坝坝前水位进行预测，将3种方法的预测结果与实测结果对比，应用效果见表2。

表2 应用效果与讨论 单位：m

由表2可知，本文设计的基于机器学习算法的混凝土坝渗压值自动预测方法在不同日期预测的坝前水位与实测坝前水位相拟合，证明其预测的渗压值较准确；文献[6]的考虑渗流作用的混凝土坝渗压值自动预测方法及文献[7]的基于三维有限元分析的混凝土坝渗压值自动预测方法在不同日期预测的坝前水位与实测坝前水位相差较大，证明其预测的渗压值存在明显偏差。上述实验结果证明，本文设计的基于机器学习算法的混凝土坝渗压值自动预测方法的预测效果较好，具有可靠性，有一定的应用价值。

3 结语

综上所述，混凝土坝是一种常见的坝体，其建设难度较小，可靠性较高，符合大坝的环保适应要求，因此，混凝土坝在我国具有悠久的建设历史。早在20世纪中后期，我国就开始建造混凝土坝，在各个水利工程中起着重要作用。受混凝土坝的建设规模及其运行环境影响，其容易出现裂缝，导致渗压值发生改变，造成坝体失稳，增加了混凝土坝的运行风险，因此，需要对其渗压值进行自动预测，生成有效的处理预案。常规的混凝土坝渗压值自动预测方法的预测效果较差，不符合混凝土坝的安全处理要求，因此，本文基于机器学习算法设计了一种全新的混凝土坝渗压值自动预测方法。进行实例分析，结果表明，设计的预测方法的预测效果较好，具有可靠性，有一定的应用价值，为降低混凝土坝运行风险作出了一定的贡献。