Page 75 - 水利学报2021年第52卷第1期

水 利 学 报

2021 年 1 月 SHUILI XUEBAO 第 52 卷 第 1 期

文章编号：0559-9350（2021）01-0071-10

水工建筑物安全监控深度分析模型及其优化研究

任秋兵 ，沈 扬 ，李明超 ，孔 锐 ，李明昊 1
1
3
2
1
（1. 水利工程仿真与安全国家重点实验室，天津大学，天津 300354；
2. 中国长江三峡集团有限公司，北京 100038；3. 中国电建集团 西北勘测设计研究院有限公司，陕西 西安 710065）
摘要：随着水工建筑物安全管理自动化技术的发展，以丰富性、多样性、复杂性为特点的大数据逐渐成为水工建
筑物安全监控体系的显著特征。常用安全监控数学模型（三大常规模型、浅层学习算法）难以从大量数据中自动提
取深层次潜在信息，即浅层模型与大数据挖掘分析不相适应。深度学习算法由多重非线性映射层构成，能够逐层
学习输入数据本质特征并完成高级抽象，但也存在工程适用性不佳等问题。为解决这方面的难题，本文总结安全
监控大数据特性，引入长短期记忆深层网络（Long Short-Term Memory，LSTM），提出了适用于不同类型水工建筑
物的安全监控深度分析模型，并对算法进行了优化。该模型以竞争学习机制为核心，采用数字滤波、限定区间、
滚动迭代等策略，从前端处理、网络结构和外延预测三方面对 LSTM 算法进行了改进，并通过随机搜索和步进式
验证实现了最优化建模。结合实际工程选取了多组不同效应量实测数据作为典型应用场景，通过仿真对比实验对
所提方法的有效性进行了验证评估。结果表明，与常规、浅层模型相比，多数场景下深度模型更适合用于安全监
控大数据处理，以期为水工建筑物安全运行提供决策支持。
关键词：水工建筑物；安全监控；深度学习；长短期记忆网络；智能分析

中图分类号：TV698.1 文献标识码：A doi：10.13243/j.cnki.slxb.20200270

1 研究背景

为达到防洪、发电、灌溉、供水等目的，需要修建不同类型的水工建筑物以控制和调配水流，
［1］
如挡水建筑物（大坝、堤防等）、输水建筑物（渠道、渡槽等）、整治建筑物等 。结构安全是建筑物发
挥调控功能的前提，而安全管理为建筑物正常运行提供保障，尤以长期安全监控为甚。将各种仪器
［2］
布设于水工建筑物关键部位，通过监测变形、渗流等效应量，从不同维度综合反映其工作性态 。根
据原型观测资料，利用统计学、机器学习等方法，构建多效应量数学监控模型，能够及时掌握和预
［3］
测建筑物结构性能的重要变化，从而为评价建筑物安全状况、发现建筑物异常迹象提供科学依据 。
依据构建方法的不同，常规水工建筑物安全监控模型大致分为统计模型、确定性模型和混合模
型。以统计模型为代表的三大常规模型应用颇广，时至今日仍然发挥着重要作用，其推导过程和适
用范围详见文献［4］；然而，常规建模方法难以适应繁多因子与效应量间的复杂非线性关系，且易受
［5］
不确定性因素干扰，故无法确保所建模型的准确性和稳健性 。20 世纪末，人工智能技术攻关和行
业 应 用 发 展 势 头 迅 猛 。 徐 洪 钟 等 ［6］ 和 苏 怀 智 等 ［7］ 率 先 将 人 工 神 经 网 络（Artificial Neural Networks，
ANN）、支持向量机（Support Vector Machine， SVM）等建模方法成功应用于水工建筑物安全性态分
析；之后，利用机器学习算法对不同效应量进行建模预测一直是水工建筑物安全监控领域的研究热

收稿日期：2020-04-24；网络首发时间：2020-11-09
网络首发地址：http：/kns.cnki.net/kcms/detail/11.1882.TV.20201106.1724.005.html
/
基金项目：国家重点研发计划项目（2018YFC0406905）；国家优秀青年科学基金项目（51622904）；国家自然科学基金面上项目
（51879185）
作者简介：任秋兵（1995-），博士生，主要从事水工结构安全监测与控制研究。E-mail：qbren@tju.edu.cn
通讯作者：沈扬（1984-），博士后，主要从事水工结构数值模拟分析研究。E-mail：tjusy1984@163.com
— 71 —