水工建筑物地区渗流监控模型的研究

'摘要随着水资源的开发与利用的发展，水工建筑物安全问题日益突出。如何正确地预报水工建筑物安全监测量，对指导水工建筑物安全运行和辅助决策具有重要的意义。本文针对与水工建筑物安全密切相关的渗流监控问题，利用数理统计、最优化、小波网络等方法，结合天荒坪抽水蓄能电站原型观测资料，分别建立了常规统计模型、基于滞后效应的优化统计模型和小波网络模型，并采用数值方法求解，从而得出以下结论：(1)通过对渗流量影响因子的分析研究，合理选择因子，建立了大坝渗流量的常规统计模型。实例分析表明，常规统计模型在分析具有线性特征的渗流的监测资料时，模型很有效，而在分析具有非线性特征的渗流的监测资料时，效果不是很好。(2)在分析库水位和降雨对渗流滞后效应的基础上，深入研究了大坝渗流的数学监控模型，建立了基于滞后效应的渗流优化统计模型。应用结果表明，在分析相同监测资料时，优化统计模型明显优于常规统计模型，但是在分析具有非线性特征的渗流的监测资料时，模型精度仍然不高。(3)在小波和小波变换基本特征研究的基础上，引出小波网络，重点研究了小波网络的模型和结构及其学习规则，利用小波网络在函数逼近问题上的优点，建立了渗流小波网络模型。计算结果表明，与常规统计模型和优化统计模型相比，小波网络模型在大坝线性和非线性特征的渗流预测中都能取得较好的预测效果。关键词：大坝，渗流监控模型，常规统计模型，滞后效应，优化统计模型，小波网络模型 AbstractWiththedevelopmentofwaterresourcesexploitationandutilization，theproblemsinvolvedinhydraulicstructuresafetybecomeincreasinglyremarkable．Itisimportanttopredictthemonitoringdataofhydraulicstructurepreciselyforsupervisinganddecision—makingofhydraulicstructureoperation．Aimingatseepageflowmonitoringproblemsrelatedtosafetyhydraulicstructureclosely,sometheoriesandmethodsarepresentedforseepageflowmonitoringmodelbasedonthemathematicalandmechanicalknowledge，suchasprobabilitystatistics，methodsofoptimization，waveletnetwork，andsoon，togetherwithprototypeobservationdatefromTianhuangpingpumped—storagehydroelectricplant，theordinarystatisticalmodel，theoptimumstatisticalmodelonlaggingeffectandthewaveletnetworkmodelareestablishedrespectively，wecandrawthefollowingconclusionsfromobtainingsolutionbythewayofthenumericalanalysismethod．1．Afteranalyzingfactorsofseepageflowquantity，theordinarystatisticalmodelisestablishedbyselectingfactorsreasonably．Theexampleshowsthatordinarystatisticalmodeliseffectiveinanalyzingmonitoringdataoflinearseepageflow,however,whenitislesseffectiveinanalyzingmonitoringdataofnon—linearseepageflOW．2．Basedonanalysisoflaggingeffectofreservoirlevelandrainfallontheseepageflow，theseepageflowmonitoringmodelsofthedamareresearched，andtheseepageflowoptimumstatisticalmodelonlaggingeffectisestablished．Theappliedresultshowsthatoptimumstatisticalmodelismoreprecisethantheordinarystatisticalmodelinanalyzinghomologymonitoringdata，butthepredictingofmodelisnotveryaccurateinanalyzingmonitoringdataofnon—linearseepageflow．3．BasedontheresearchoftheessentiaIcharacteristicofthewaveletandthewavelettransform，thewaveletnetworkisintroduced，thewaveletnetworkmodelanditsstructureandlearningrulesareparticularlyresearched，takingtheadvantageofwaveletnetworkontheproblemofapproximationoffimction,seepageflowwaveletII networkmodelisestablished．Theresultshowsthat，comparingwithordinarystatisticalmodelandoptimumstatisticalmodel，ittakebetterforecastprecisionintheforecastoflinearandnon—linearseepageflowofthedam．Keywords：dam，seepageflowmonitoringmodel，ordinarystatisticalmodel，laggingeffect，optimumstatisticalmodel，waveletmodelIll 学位论文独创性声明：本人所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同事对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。如不实，本人负全部责任。论文作者(签名)：隧2006年5月30日学位论文使用授权说明河海大学、中国科学技术信息研究所、国家图书馆、中国学术期刊(光盘版)电子杂志社有权保留本人所送交学位论文的复印件或电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅。论文全部或部分内容的公布(包括刊登)授权河海大学研究生院办理。论文作者(签名)：邋2006年5月30日 第一章绪论1．1研究目的和意义我国幅员辽阔，河流众多，具有十分丰富的水力资源，理论蕴藏量达676Gw，可开发378Gw，居世界首位。随着科学技术的进步，我国水利水电事业得到蓬勃发展，建国以来，共建造了8．7万多座堤坝，形成了大小不同的水库群，至2000年底，装机容量达79Gw，居世界第一，这些工程在防洪、灌溉、发电等方面产生了巨大的社会经济效益。然而，由于多种原因，如水文、地质、施工质量以及老化等原因，部分大坝存在着不安全因素，还有不少病险水库。据不完全统计，在全国3100多座大中型水库大坝中有20％、在8万多座小型水库大坝中有36％存在不同程度的病险问题：其他大坝，尤其是二十世纪七十年代以前修建的大坝，也存在老化和病变等问题，可预料21世纪将是病险坝加固和处理的高潮。与此同时，随着西部大开发和西电东送的开展，如三峡、溪洛渡、小浪底等高坝大库也越来越多，对安全提出了更高的要求。另外，大坝的不安全因素不但影响其效益的发挥，还会给下游人民生命财产带来严重的威胁，甚至发生溃坝造成惨重损失。例如，1993年青海省沟后水库失事，造成约300人死亡的惨剧【l-3】。在水利工程安全控制因素中，渗流控制是保障工程安全的重要措施之一。如果渗流量过大，大坝根本无法蓄水，也就谈不上经济效益的发挥；如果排水不畅，则容易在坝基形成过大的扬压力，有可能直接导致大坝失稳甚至溃决。不少学者～在对1959年法国Mallpasset拱坝溃坝和1963年意大利vajom拱坝失事进行成因分析后均指出，地下水活动对大坝的破坏过程具有重要作用【4。101。目前，水利水电工程中与渗流有关的主要问题有：土石坝与堤防的管涌、流土现象；岩体的裂隙渗流、坝肩的绕坝渗流；闸基渗流、地下厂房的围岩渗流问题：反滤层中的接触流土现象：基坑降水，土石坝的土体与岩基或混凝土的接触面间的接触冲刷现象；过大的集中流量和流速对坝基和坝体的冲刷破坏；过高的坝基扬压力和孔隙水压力对坝体和坝基稳定性的影响；水位骤降、骤升对土石坝及堤防渗流场的影响导致迎水面崩塌等。渗流问题严重影响着大坝的安全。首先，在水库的水头作用下，坝基和两岸l 河海大学硕+学位论文岩体将产生渗流。水流过裂隙，即使是最微细的裂隙，也会起张裂作用，使裂隙增宽。这种张裂作用往往是缓慢而逐渐地进行的。渗水不断积累，在裂隙中会形成巨大的张力，破坏原有的平衡条件或降低作用于裂隙面上的有效应力，从而降低其抗剪强度，引起岩体的滑动。另外，渗水的动力作用会冲刷裂隙、夹层中的充填物，将它们带向下游造成管涌；其次，渗透水流还对裂隙面产生物理的和化学的侵蚀作用，诸如风化、泥化、膨胀、溶解等，使抗剪强度降低，或者使一部分矿物成分(如石膏)溶解，或者引起含粘土岩层的松散崩塌。如美国圣法兰西斯重力坝，就是由于坝基内粘土质砾岩遇水崩解而突然失事的。由此可见，对渗透水在坝基中的破坏作用必须给予充分重视。渗流场受外界客观环境转变和内在因素变化的共同影响，因而其发生变异的可能原因有：(1)外部遭遇特殊荷载，如特大洪水、地震等，使得大坝渗流场发生异常，造成坝体内水力坡降过大，发生水力击穿和渗漏量过大等现象；(2)内部防渗排水结构的变化，如混凝土徐变、岩石蠕变以及土体固结等，加上防渗帷幕老化、排水失效等因素的影响，使坝体和坝基的渗透性能发生变化，从而使得大坝渗流场在正常外在荷载的作用下，也表现出随时间逐渐变化和发展的趋势，如果控制处理不当，则有可能引起大坝渗流场产生异常状况。在水工建筑物中，大坝所涉及的渗流问题最广，技术要求极为复杂，一旦造成工程失事，其危害性甚大，故对渗流的监测非常重要。大坝渗流监测可以及时获取第一手的资料来了解坝的工作性态，为评价大坝状况和发现异常迹象提供依据，从而可以制定适当的水库控制运行计划及坝的维护修理措施来保障大坝安全，在发生险情时还可以发布警报减免事故损失。因此大坝渗流监测是保证大坝安全的重要措施，是水工建筑物建设和运行管理中非常必要、不可或缺的一项工作。渗流监测主要包括混凝土坝的坝基扬压力、绕坝渗流、土石坝的浸润线和渗流量等几个方面。大坝渗流监测的原始成果往往只展示了事物的直观表象，要深刻地揭示规律和作出判断，还要通过对监测数据和检查资料的定性、定量正分析及反分析，对大坝的状态作出及时的分析、解释、评估和预测，才能为有效地监控大坝的安全提供可靠依据，同时积极发挥检验设计和指导施工的作用，并为相关科研问题提供有价值的成果。在资料分析中，模型的选择是非常重要的。目前各种渗流监控模型的新理论、新方法被广泛使用，但哪种模型更适合具体工程，还有待研究。 第一章绪论频分辨性能，当信号剧烈突变时，网络可以增加分辨尺度来保证逼近的精度。此外，由于各函数基的相互正交性，训练中添加、删除网络节点不会影响己经训练好的网络权值，可以使网络的训练时间大大缩短。Zhangjun等研究了Boubez等人的工作，提出另外一种正交小波网络，选用正交且具有类紧支特性的尺度函数对函数进行逼近，提出了基于类紧支特性尺度函数的正交小波基神经网络‘4”。在众多的小波神经网络中，Szu提出的两种基于连续小波变换的自适应小波网络模型应用最广泛‘481，一种用于信号表示，偏重于函数逼近；另一种偏重于选取合适的小波做特征提取，其实质是在小波特征空间当中选择最佳的小波基，因不涉及重构问题，小波的正交性要求不是特别严格，但提取信号的小波特征中应融入必要的不变量并具有鲁棒性。其中用于信号表示的多输入单输出小波网络模型隐层采用小波函数，输出层采用线性函数。小波网络的概念和模型提出之后，也引起了国内学者的广泛关注，并且对其模型和算法进行了一些改进。焦李成等人在前人的基础上提出了多变量函数估计小波神经网络；后来又将小波网络与模糊逻辑结合，用隶属函数作为权重值，构造了模糊权值，模糊输出的模糊小波神经网络149]：沈雪芹等人针对神经元个数过多，网络学习收敛速度较慢的问题，在时频分析基础上引入了能量密度的概念，提出了基于能量密度的小波神经网络模型‘50】；何振亚等入构造了一种自适应时延小波网络，用一个超小波进行逼近存在不同时延的信号，并给出了基于时间竞争的学习算法【5lJ。训练前馈神经网络，最常用的方法是BP算法，但是BP算法收敛的较慢。ZhangQinghua首次提出小波网络模型时提出了随机梯度算法Ⅲ]；Szu则使用了共轭梯度算法【48]；姚俊等提出了基于离散小波的改进学习算法。近年来，随着对小波网络的深入研究，小波网络的训练算法也越来越丰富，例如模糊小波网络的区问学习算法f4⋯，模糊小波推理算法等。算法研究的重点是关于衡量最优的代价函数的选择，最小均方误差是最常用的标准，此外，还可以采用正交最小二乘标准【52l。20世纪90年代初期，许多学者对小波网络的逼近能力进行了大量的具有开拓性的研究工作，为小波网络用于非参数估计、系统辨识、建模、自适应控制、逆系统方法、内模控制、预测控制、控制系统的故障诊断与检测等方面提供了理论依据。 河海人学硕士学位论文土石坝渗流的神经网络监控模型。吴中如等【72】则采用模糊聚类理论方法对影响因子集进行模糊聚类，然后利用神经网络的方法建立样本因子集类变量特征值与样本观测值之间的预测模型，建立了将模糊聚类、模糊模式识别以及神经网络三者有机结合的预测模型，并将其应用至地下水位预测预报中，取得了良好的效果。综上所述，虽然不少学者在渗流观测资料分析方面作了不少工作，也建立了渗流安全监控的统计模型、确定性模型和混合模型，但对渗流监控模型的系统深入的研究还有待进一步加强。尤其是近年来出现的各种新理论、新方法在渗流场观测资料分析中的应用，还有待进一步开展，以完善渗流场监控模型体系。1．3本文主要研究内容本文针对上述问题，结合天荒坪抽水蓄能电站输水系统中高压钢管外排水系统的渗流观测资料，对大坝渗流监控模型进行了深入地分析研究，本文研究内容有如下几个方面：(1)阐述了基于大坝渗流观测量统计‘模型的原理和构造方法，建立了大坝渗流量的常规统计模型，并对模型中的合理选择因子问题进行了探讨。(2)在常规分析的基础上，引入库水位和降雨滞后影响曲线，建立了等效库水位和等效降雨的概念，通过对库水位及降雨的滞后参数的优化求解，并由此建立了考虑库水位和降雨滞后效应的渗流量优化统计模型。(3)介绍了小波和小波变换，并由此而引入了小波网络，详细介绍了小波网络模型的结构，然后从小波函数的选择、网络参数初始化、隐含层节点数确定和参数调节算法几方面对小波网络的学习过程进行了分析研究，最后利用小波网络在函数逼近问题上的优点，建立了渗流小波网络模型。(4)对天荒坪抽水蓄能电站输水系统中高压钢管外排水系统的渗流观测资料进行了分析研究，将所建立的监控模型应用于两种不同流动特征的渗流的相同监测资料的建模与预测，并且利用几种评价指标对不同模型的预测结果进行了比较。10 第二章渗流的基本理论和方法地下水实际流动是沿着一些形状不一、大小各异、弯弯曲曲的通道进行的。所以研究个别孔隙或裂隙中的地下水运动情况是很困难的，实际上也无必要。因此人们不去直接研究单个地下水质点的运动特性，而研究具有平均性质的渗透规律，在一定条件下将裂隙介质等效地转为连续多孔介质，然后用经典的连续介质渗流理论进行分析。实际的地下水流仅存在于空隙空问，其余部分则是固体的岩石或岩石颗粒。但为了便于研究，我们用一种假想水流来代替真实的地下水流。这种假想水流的性质(如密度、粘滞性等)和真实的地下水相同，但它充满了既包括含水层空隙空间也包括含水层的岩石颗粒所占据的空间。并且这种假想水流运动时应有下列假设：(1)它通过任一断面的流量与真实水流通过同一断面的流量相等；(2)它在某断面上的压力或水头应等于真实水流的压力或水头；(3)它在任意的岩石体积内所受的阻力应等于真实水流所受的阻力。这种假想水流称为渗透水流，简称渗流，它可分为线性渗流和非线性渗流。假想水流所占据的空间区称为渗流区或渗流场。它最基本的表征量有两个，即流速和水头，前者是矢量，后者为标量。它们都是空间坐标和时x、v、z时间f的函数㈣。2．1渗流的基本理论2．1．1渗流基本定律2．1．1．1线性渗流定律线性渗流的基本定律是1852年至1855年间由法国水力学家达西(Darcy)通过试验研究而总结出如下关系式：v：里：脚：一K堕(2一1)以删式中：，为水力坡度；K为渗透系数。 河海大学硕士学位论文上述关系式称为Darcy定律。它指出渗透速度v与水力坡度K成线性关系，故又称线性渗透定律。渗透系数K，也称水力传导系数，是一个重要的水文地质参数。由式(2—1)可知，当J=1时，渗透系数在数值上等于渗流速度。因为水力坡度无量纲，所以渗透系数K具有渗流速度的量纲，均为LT～。渗透系数K是表示岩石渗透性的指标，不仅取决于岩石的性质(如粒度成分、颗粒排列、充填状况、裂隙性质和发育及风化程度等)，而且与渗透液体的物理性质，(如容重、粘滞性等)有关。岩体的渗透系数通常在野外由现场压水试验确定。2．1．1．2非线性渗流定律在水利工程中，地下水渗流分析多以线性的达西定律为基础，这是因为在大多数情况下，地下水渗流是满足或近似满足线性达西定律的【7⋯，而且达西定律的线性关系也使理论分析与数值分析更为实用有效，然而在堆石坝、混凝土坝的强透水地质构造中，渗流的雷诺数很大，此时必须考虑惯性力的影响，渗流速度与水力坡度不再遵从达西定律，而采用复杂的非线性渗流定律。因此，进行非线性渗流分析是地下水渗流分析的一项重要研究内容。现有的研究主要采用试验方法【7”，分析各种情况下非线性渗流速度(流量)与水力坡度的经验关系式，通过对各种实验条件下所取得的实验数据按相似理论进行分析。由于非线性渗流的复杂性，至今仍没有一个统一的公式来更好地描述这种流动，其中两个常用的经验公式模型为Forchheimer公式及指数型公式，其形式分别为㈣：J=av+bv2(2-2)J=cv。(2—3)式中：v为渗流速度；，为水力坡度；口，b，c，d分别为与不同渗透介质及流体有关的常数。应该指出，虽然以上两式都是由试验得出的经验关系式，但相对指数型公式来说，Forchheimer公式具有较好的理论基础，因为可以从流体力学的N-S方程出发，推导出类似式(2—2)形式的关系式，并且可发现其中的线性项(右边第1项)上述关系式称为Darcy定律。它指出渗透速度v与水力坡度K成线性关系，故又称线性渗透定律。渗透系数K，也称水力传导系数，是一个重要的水文地质参数。由式(2—1)可知，当．，=1时，渗透系数在数值上等于渗流速度。因为水力坡度无量纲，所以渗透系数K具有渗流速度的量纲，均为LT～。渗透系数K是表示岩石渗透性的指标，不仅取决于岩石的性质(如粒度成分、颗粒排列、充填状况、裂隙性质和发育及风化程度等)，而且与渗透液体的物理性质，(如容重、粘滞性等)有关。岩体的渗透系数通常在野外由现场压水试验确定。2．1．1．2非线性渗流定律在水利工程中，地下水渗流分析多以线性的达西定律为基础，这是因为在大多数情况下，地下水渗流是满足或近似满足线性达西定律的【7⋯，而且达西定律的线性关系也使理论分析与数值分析更为实用有效，然而在堆石坝、混凝土坝的强透水地质构造中，渗流的雷诺数很大，此时必须考虑惯性力的影响，渗流速度与水力坡度不再遵从达西定律，而采用复杂的非线性渗流定律。因此，进行非线性渗流分析是地下水渗流分析的一项重要研究内容。现有的研究主要采用试验方法【7”，分析各种情况下非线性渗流速度(流量)与水力坡度的经验关系式，通过对各种实验条件下所取得的实验数据按相似理论进行分析。由于非线性渗流的复杂性，至今仍没有一个统一的公式来更好地描述这种流动，其中两个常用的经验公式模型为Forchheimer公式及指数型公式，其形式分别为㈣：，=伽+6v2(2—2)．，=cv。(2—3)式中：v为渗流速度；，为水力坡度；口，6，c，d分别为与不同渗透介质及流体有关的常数。应该指出，虽然以上两式都是由试验得出的经验关系式，但相对指数型公式来说，Forchheimer公式具有较好的理论基础，因为可以从流体力学的N-S方程出发，推导出类似式(2—2)形式的关系式，并且可发现其中的线性项(右边第1项) 第=章渗流的基本理论和方法代表着粘性力的影响，二次项(右边第2项)代表着惯性力的影响176】。然而，相对Forclllleimer公式来说，指数型公式具有使用上的方便性。为便于使用和进行迭代运算，可将式(2—2)和式(2-3)写成v=K(t，)·J的形式，分别如下：v=(c，川)，以上两式可以相互转化177】，主要取决于方便及精度要求。(2—4)(2·5)2．1．2渗流基本方程2．1．2．1渗流的连续性方程连续性方程是水均衡原理在渗流问题中的具体应用。在渗流场中，各点渗透速度的大小、方向都可能不同。为了反映液体运动中的质量守恒关系，就需要建立以微分方程形式表达的连续性方程一般情况下三维空间渗流的连续性方程为：一t掣+掣+掣m伽z扣砒皿⋯神ox0vOzOl式中：”为土或岩石的孔隙率；p为流体的密度。若把渗水假定为不可压缩的均质液体，其密度p=常数，同时假设含水层骨架不被压缩，这时，缸、△y、△z和n保持不变，式(2-6)右端项等于零，说明在同一时间内流入单元体的水量等于流出的水量。故稳定渗流情况下的连续性方程为：盟+生+生：o(2．7)dx0y0z2．1．2．2稳定渗流的控制方程1、线性渗流的基本微分方程根据Darcy渗透定律，在直角坐标系中，如以u、v，、v：表示沿三个坐标轴方向的渗透速度分量，则有 河海大学硕士学位论文u—K百OH；～=-Ky百OHvz=-K罢(2_8)将式(2、8)代入式(2-7)，当坐标轴三个方向与渗透系数张量主方向一致昙(丘，筝+未(K，iOH)+a27(K；掣)：o(2-9)(TxdXdV。dVu。Oz上式便是描述无源汇和各向异性稳定渗流场的基本微分方程。对于均质各向同性的渗流场，即当疋=K，=疋=K时，此方程又可以写为：鸳+粤+塑：0(2_10)Ox2av2az2上式通常称为Laplace方程。稳定运动方程的右端都是零，意味着在单位时间内净流入均衡单元体的水量等于零，即同一时间内流入单元体的水量等于流出的水量。2、非线性渗流的基本微分方程对于非线性渗流，E、K。、Kz都不是常数，而是水力坡度的函数，将式(2-4)或(2-5)代入连续性方程，有：c譬争c譬，等+c譬．[a2+4bOH-a，等一zⅢ，c警“警+c等“警+c》“罟=。弦，z，2．1．3定解条件为了从大量的可能解中求得和所研究特定问题相对应的唯一的特解，就需要定解条件。边界条件和初始条件合称定解条件。求解稳定渗流问题只要列出边界条件就够了。1、第一类边界条件(Dirichlet条件)如果在某一部分边界(设为S)上各点在每一时刻的水头都是己知的，这部 第二章渗流的基本理论和方法分边界就称为第一类边界或给定水头的边界，表示为：H(x，y,z)ls=Cpl(X，_y，z)(x，Y，z)∈S(2—13)式中：H(x，Y，z)表示在三维条件下边界段S上点(tY，z)的水头，仍(x，_y，z)是S上的已知函数。2、第二类边界条件(Neumann条件)若知道某一部分边界(设为岛)单位面积上流入(流出时用负值)的流量g时，称为第二类边界或给定流量的边界。相应的边界条件表示为：K瓢=犯廊∽川∈s(2-14)式中：n为边界是的外法线方向，g则为已知函数，表示&上单位面积的侧向补给量。对于三维各向异性的情况，上式变为：Kx罢c。s(¨)+K，掣c。s(W)+K：掣c。s(”)：g(2-15)Ox。oy0z由式(2．15)可知，改变渗透系数的值，则会引起节点水头值的改变，即会改变渗流场。在隔水边界上，此时侧向补给量q=O，简化为：婴：0(2-16)3、第三类边界条件若某段边界s3的H和等的线性组合已知，即：掣+aH：∥(2．17)式中：口，∥为已知函数，这种类型的边界条件称为第三类边界条件或混合边界条件。 河海大学硕士学位论文任何垂直剖面沿高程的水平渗透流速相等，其渗透梯度等于垂直剖面顶浸润线的坡度)基础上的一种方法，计算比较简单，能用于计算各种实际渗流问题，但这种方法只能得出渗流场中某一渗流截面上的平均渗流要素，而不能计算出渗流场中任意一点处的渗流要素，同时由于其基本假定与实际情况有一定的出入，所以计算结果存在一定的误差。为了弥补这一缺陷，目前多采用根据流体力学方法和试验方法成果对水力学法成果进行修正的方式来提高计算精度2．2．2物理模拟法物理模拟方法是解决复杂渗流问题的一种模拟方法。与数值模拟方法相比，它具有解题和试验的双重性，其最大的特点是可以在不了解描述渗流规律的微分方程情况下，从试验中直接观察到渗流现象，较数值方法更为直观。但物理模拟方法需要制作实验模型，工作量大、费用高，若实验中观测不够准确，则会对实验结果造成一定的误差。2．2．2．1砂槽模型法砂槽模型法是物理模拟方法中的一种。该方法实质上就是将自然界中的水文地质实体按照一定的比例缩制成模型，然后对各渗流要素进行观测，再将观测到的结果按同一比例尺放大，从而得到与实体相对应的运动要素。为了保证研究的模型能够重演天然渗流的真实过程，模型的制造必须按照几何相似、运动相似、动力相似的原则设计，同时还要保证边界条件完全一致。这种方法又被称为水工模型。212．2．2电拟法电拟法也是物理模拟方法中常用的。种方法，它是基于电场和渗流场符合同一形式的控制方程而进行求解的。电拟法目前主要采用两种模型，即导电液模型和电网络模型。导电液模型为连续介质模型，它便于模拟急变渗流区问题，但无法模拟非均质各向异性渗透介质，也不适应复杂的地质和边界条件。为模拟更加复杂的渗流场，逐步发展了电网络模型方法。该方法的基本原理是基于网络电路问题的解和渗流场的数值解符合同一形式的差分方程或变分方程。由于该方法吸收了有限元法的优点，在模拟曲线边界和各向异性渗透性方面得到了一定的改进，目前在求解大型复杂渗流场中应用较多。任何垂直剖面沿高程的水平渗透流速相等，其渗透梯度等于垂直剖面顶浸润线的坡度)基础上的一种方法，计算比较简单，能用于计算各种实际渗流问题，但这种方法只能得出渗流场中某一渗流截面上的平均渗流要素，而不能计算出渗流场中任意一点处的渗流要素，同时由于其基本假定与实际情况有一定的出入，所以计算结果存在一定的误差。为了弥补这一缺陷，目前多采用根据流体力学方法和试验方法成果对水力学法成果进行修正的方式来提高计算精度2．2．2物理模拟法物理模拟方法是解决复杂渗流问题的一种模拟方法。与数值模拟方法相比，它具有解题和试验的双重性，其最大的特点是可以在不了解描述渗流规律的微分方程情况下，从试验中直接观察到渗流现象，较数值方法更为直观。但物理模拟方法需要制作实验模型，工作量大、费用高，若实验中观测不够准确，则会对实验结果造成一定的误差。2．2．2．1砂槽模型法砂槽模型法是物理模拟方法中的一种。该方法实质上就是将自然界中的水文地质实体按照一定的比例缩制成模型，然后对各渗流要素进行观测，再将观测到的结果按同一比例尺放大，从而得到与实体相对应的运动要素。为了保证研究的模型能够重演天然渗流的真实过程，模型的制造必须按照几何相似、运动相似、动力相似的原则设计，同时还要保证边界条件完全一致。这种方法又被称为水工模型。212．2．2电拟法电拟法也是物理模拟方法中常用的。种方法，它是基于电场和渗流场符合同一形式的控制方程而进行求解的。电拟法目前主要采用两种模型，即导电液模型和电网络模型。导电液模型为连续介质模型，它便于模拟急变渗流区问题，但无法模拟非均质各向异性渗透介质，也不适应复杂的地质和边界条件。为模拟更加复杂的渗流场，逐步发展了电网络模型方法。该方法的基本原理是基于网络电路问题的解和渗流场的数值解符合同一形式的差分方程或变分方程。由于该方法吸收了有限元法的优点，在模拟曲线边界和各向异性渗透性方面得到了一定的改进，目前在求解大型复杂渗流场中应用较多。 第二章渗流的基本理论和方法2．2．3数值模拟法随着电子计算机的快速发展和数值计算技术的进步，特别是自20丛纪70年代以来，数值模拟逐渐占据了渗流计算的主导地位，也越来越得到人们的关注。诸多学者在渗流数值计算方面做了大量的实用性研究。如今，对于复杂的边界条件、均质或非均质材料、各向同性或各向异性、岩体裂隙材料以及饱和一非饱和渗流计算，均可采用有效的数值模拟方法得到满足工程需要的近似解。同其它方法相比，数值模拟法具有下述优势：(1)模拟过程在计算机上进行，不像物理模拟试验那样需要专门的试验仪器和试验费用；(2)数值计算方法和修改模型都比较方便；(3)易通过编制通用的计算程序使模拟过程程序化。数值计算方法是目前应用相当广泛的一种方法，它主要有三大类——有限差分法、有限单元法和边界元法等，有时也将几种方法耦合求解。2|2-3．1有限差分法(FDM)有限差分法是直接从渗流微分方程出发，将研究区域离散处理后，近似地用差分、差商来代替微分、微商。这样，基本微分方程和边界条件的求解可归结为求解一个线性方程组，所得结果即为数值解。有限差分法的优点是原理易懂、算式简单，有较成熟的理论基础。其缺点是往往局限于规则的差分网格，对曲线边界和渗透介质的各向异性模拟比较困难。2．2．3．2有限单元法(FEM)有限单元法是解数学物理问题的一种数值方法。它是古典变分法与分块多项式插值结合的产物，它的核心是对区域的离散化。1965年，津克维茨(O．C．Zien“ewiz)和张(YK．Cheung)提出有限单元法适用于所有可按变分形式进行计算的场问题，为该方法在渗流分析中的应用提供了理论基础。因此，作为数值解法的有限元由于其独特的优势在渗流场的求解中得到广泛的应用。有限元把求解的渗流区域分成为有限个相互连接的子区域，把待定的水头函数用子区域内连续的分区近似水头函数来代替。这些子区域就是有限单元，简称有限元。这些单元的结合点称为单元节点。有限元内的待定近似函数(即单元水头分布函数)通常都由已知的若干内插函数迭加组成。在这些内插函数前面所用 河海大学硕士学位论文的待定系数就分别代表有限元边界上诸节点的水头函数近似值。在两个或多个相邻的有限元所共有的节点上，其水头函数值应相等，一般能保证水头函数在界面上的连续(有的要求导数连续)。这样，所有渗流区域内的节点的水头函数值就近似地代表了整体的水头函数。上述求解过程实质上就是把原来用微分方程求解变换为若干个待定值的代数方程。所以有限单元法也可以说是以分块近似为基础，即首先剖分所研究的区域，然后用比较简单的函数来构造每个子区域中的水头函数表达式，并集合起来形成线性代数方程组，最后求解得到的原来渗流区域的解，而不是一下子解出有关整个渗流区域问题。由于建立线性代数方程组的依据各有不同，有限单元法多以变分法为主。变分法的根据是把变分泛雨区域离散化，然后对待定的节点场函数值变分，使变分泛甬达到极值，它可以用来处理复杂几何形状的边界、各向异性渗透性以及简单或复杂的分层问题。2．23．3边界冗法(BEM)边界元法是通过把求解域边界剖分为若干个单元，化边界积分方程为线性代数方程组来求其数值解的。可见，建立所研究问题的边界积分方程足边界元法的基础。边界元法较适用于求解线性的均质域。与有限单元法相比，它便于处理无限或半无限渗透介质、渗流奇异(如排水井点)和自由面等问题。而且由于它只对边界域的边界进行剖分，其数据信息量届著减少。一般说其计算精度也高于有限单元法。边界元法的缺点是它所建立的系数矩阵是满阵，而且是不对称的，即使结点减少，也将占据相当大的内存。同明，它对三维非均质渗透介质问题的应用尚存在相当人的困难。 第三章渗流监控模型研究3．1渗流分析的常规统计模型大坝竣工蓄水后，其渗流性态是决定大坝安全的重要因素之一，如渗压水头(扬压力)、渗透坡降等渗流要素一旦超过允许值，就会出现大坝的异常或险情，坝基扬压力的大小将直接影响到混凝土坝的稳定，坝内浸润线的高低也将直接影响土石坝边坡的稳定。因此合理地建立大坝的渗流监控模型，对正确及时地分析和监控大坝的渗流状态，确保大坝安全运行具有重要意义。由文科那可知，渗流效应量主要受水头、温度、降雨和时间四个因素的影响，而这四个因素都是可以量测的。因此在积累了一定量的观测数据之后，我们就可以根据这些观测资料来建立渗流效应量的监测模型，并进一步分析、了解监测效应量的变化和发展趋势，对大坝的运行工况做出准确、合理的判断。资料分析的实践证明：单靠理论计算很难得到与实测值完全吻合的结果，但脱离基本理论的分析也难以解释清楚工程中存在的问题，因此两者是相辅相成的。合理的分析方法是根据渗流的基本理论，用确定性函数和物理推断选择统计模型的因子及其表达式，然后根据观测资料用数理统计法计算出各项系数，这就是目前普遍采用的统计分析法。所谓统计模型，是根据长期观测资料获得的原因量及同期效应量，用数理统计法得出回归分析式。它有外延预报(包括漏测插补)和运行监控两方面的用途。众所周知，库水位、降雨、温度、时效等是影响大坝渗流的重要因素，如坝基扬压力、渗流量随库水位的升高而升高，两岸绕坝渗流在一定程度上还受着降雨的影响，温度变化则引起基岩裂隙张开度的变化，从而影响大坝渗流场状态。渗流量(Q)主要受库水位的影响，其次是坝基温度、降雨的影响，此外，还受坝前淤积和坝基防渗体防渗效应的变化所产生的时效影响等。因此，在分析时采用下列统计模型：Q2％+呼+Q口+％(3·1)式中：Q为渗流量拟合值；％为渗流量水位分量；％为渗流量温度分量：Q口 河海人学硕士学位论文为渗流量降雨分量；％为渗流量为时效分量a3．1·1水位分量Qh由于坝基渗水的主要补给源为库水，上、下游水位变化对渗流量有一定影响，且有一定的滞后效应，故水位分量的表达式为：Q=芝[钆(‰一饥。朋+芝[呸，(％一吼。J)](3_2)式中：风，为观测日当天上游水位及观测只前若干天平均上游水位；风叮为初始观测日上述各时段对应的上游水位平均值；上乙为为观测日当天下游水位及观测日前若干天平均下游水位；上‰，为初始观测日上述各时段对应的下游水位平均值；C／I，、吒，为水位因子回归系数；”为水位分量因子数。3．1．2温度分量90渗流量与坝基温度有一定关系，温度降低时，渗流量增大；温度升高时，渗流量减小，呈规律性变化。考虑到渗流量随温度呈不规则周期性变化，因而，温度分量采用周期项形式作为温度因子，即温度分量为：Q：萝lin丝+b，cos丝l(3-3)2blisb2蜴2善I抽嚣峨cos嚣I∞’3’J：lL。。。。～式中：t为从观测日至回归模型初始观测日的累计天数；岛，、62，为温度因子回归系数；m为简谐波周期项数。3·13降雨分量％由于降雨的一部分渗入地下形成地下径流，从而对渗流量的变化产生较大的影响，一般降雨量较大时，渗流量较大：降雨量较小时，渗流量较小。此外，这种影响相对降雨有一定时间的滞后，即渗流量与前期降雨量有关。因此，降雨分量表达式为： 第三章渗流监控模型研究鳞=∑[(q(B(3-4)式中：P，为观测日当天降雨量及观测iEt前若干天平均降雨量；Po，为初始观测!El上述各时段对应的降雨量平均值；e为降雨因子的回归系数；，为水位分量因子数。3．1-4时效分量％时效分量％的组成比较复杂，它与库前泥沙淤积、渗流孔周围的岩性、结构面分布及产状有密切的联系，故时效分量采用如下形式：B=40+d2In0(3-5)式中：dl、d2为时效分量回归系数；口为从观测日至初始测A的累计天数f除以100；每增加一天，0增加O．01。综上所述，渗流量的统计模型可表示为：Q2钦+吻+Q口+％2嘞+封q，(‰一Ho。朋+薯[％(％一峨。朋+舡s曲等岫s矧+∑[(o(砟一Po，)]+即+吐ln口(3-6)式中各符号的意义同式(3—1)～式(3-5)。3．2基于滞后效应的渗流统计模型由渗流实测资料和理论分析可知，库水位、降雨对大坝渗流具有一定滞后效应。由于渗流滞后机理的复杂性，通常难以用数学方法求得各渗流效应量的滞后时间，一般是根据渗流效应量(如渗流量、测压孑L孑L水位等)的过程线，与库水位 河海大学硕士学位论文变化过程线进行图形类比确定，即两个过程线从稳定状态发生变化的时间之差或两过程线出现峰谷的时间之差作为滞后时间。本节针对这一问题，在常规分析方法的基础上，采用水位(或降雨)的滞后影响曲线，由渗流实测资料优化分析得出前期水位对渗流的滞后天数和影响天数，由此建立较为合理的考虑滞后效应的大坝渗流优化统计模型。3．2．1库水位的滞后效应大坝运行过程中，渗流效应量(如扬压力、渗流量)是库水位、降雨、温度和时效等动态变化作用下的瞬时效应量，其中库水位日是随时间t的函数。由渗流规律可知，渗流效应量(如渗流量Q(t)等)是在库水位变动情况下非稳定渗流的瞬时状态成果，它是库水位H的伴随函数，同时又滞后于H的变化，即Q(t)=f[t，日(f)，H(t一‘(f))，H(t一『2(≠))，⋯，H(tLO))](3-7)式中：f为滞后时间；rk(t)≥0，k=1，2，¨．，”；H(r)，日(卜·q(f))为对应时刻的库水位。显然，Q(f)是带有时滞变元的函数，它反映了库水位的峰谷变化与渗流量滞后的相关关系，表明t时刻渗流量Q(t)是此时刻以前库水位连续变化影响的瞬态结果。由于渗流量要滞后上游水位一定的时间，一般选用前期水位的平均值作为考虑滞后效应的水位影响因子如式(3—2)。然而，在回归分析建立模型时，有时前一个月及其以上的平均水位也被选入，最后难以解释。实际上，平均的概念是较笼统的。设库水位对渗流的作用在第i天时产生最大效应，则在这之前己经开始有一定作用，在这之后也不会马上失去作用。因此，应该是逐渐上升，然后逐渐下降的过程，而不应该是平均的过程。设某渗流测点测值受观测日前所天水位囊(i=1，2，．．，m)的影响，吃为某等效水位，在其作用下该测点在同一观测日有相同测值，则吃可由下式表示：％=伊(扛．忽，．．．，吃，w1，W2，⋯，wk)(3-8) 第三章渗流监控模型研究式中：Ⅵ为第f个水位对等效水位的影响权值，i=1，2⋯．，≈(k茎川)，则得权向量女w=[w1，W2，．．，，Ⅵ]，并有∑Wi=1，(☆sm)。则等效水位％可由下式表示f一1h。=∑w,h(3—9)实际工程中水位和渗流效应量(如渗流量等)是随时问变化的连续函数，因此，等效水位也是时间f的连续函数，设相应的权分布函数为w(O，且f∈Q，Q为影响渗流测值的前期水位时间域。由渗流理论可知，设任意f0∈Q，对于任意给定的正数s，显然存在着正数占，使得对于适合不等式l卜toI<占的一切f，所对应的函数值w(f)都满足不等式啡)一毗1<占(3一10)即w(f)也为时间的连续函数。设水位滞后天数为XI，影响天数为x2，由统计分析表明，w(r)一般呈正态分布，则其滞后影响函数为：悱百1面1e等(，Ⅲ)舯∽煳糁觏％2』志e2《斫。h．一(卜J1)。对某一测点而言，在一定时段内，可认为滞后天数五和影响天数恐为常数，因此在固定观测日(f=to)，岛为常数。则恒有』W(t)dt=1(3-12)显然，w(t)20，因此，w(t)可作为前期水位对等效水位影响权的分布密度函数。固定测点在t=to时刻测值的等效水位为吃O)，前期水位对其影响的权函数为w(t)≥0。则： 河海大学硕士学位论文怙_『tow(t)h(t)dt=!击1去1e等h(t)dtp㈣％(f)=J-=fi万ie21。(3_13)这样，水位分量即为：㈣㈣童去去e等砸渺B㈣式中：绋为水位分量；岛为水位分量的回归系数；x，为待定的水位滞后天数；x：为待定的水位影响天数；^(f)为f时刻的水位；吃为等效水位。其中五、x，需通过优化计算求得，经优化可找到实际的滞后天数和影响天数。通常，每天都有水位测值，因此可把连续型积分改成离散型积分，根据统计学理论，积分区间只需取矗的2--3倍即可满足要求。3．2．2降雨的滞后效应渗流除了受库水位的作用外，降雨也是⋯个重要因素，尤其是对混凝土坝岸坡坝段尤为显著。降雨与大坝渗流的关系较为复杂，一般来说，降雨到地面后可以分为两部分，一部分形成地面径流直接流入河道，另一部分则由地面入渗地下而形成地下径流。关于降雨对渗流量的滞后影响，主要表现在两方面，一是降雨直接入渗影响渗流量，二是降雨引起库水位变化和地下水径流条件的改变，从而影响大坝渗流场和渗流量的变化。其滞后机理更为复杂，滞后时间与降雨强度、分布、降雨历时以及地形、地质和植被等因素有关。首先，由渗流机理可知，降雨量与渗流不应是线性关系，而是非线性关系。一般来说降雨量超过入渗量，降雨主要产生地面径流，因此采用指数关系(采用小于1．0的指数，即215)。也就是首先把降雨量作2／5的指数变换，变换后的降雨量变化比较平稳。其次，从时间上来看，降雨与渗流之间也有一个滞后过程，其原理应与水位分量的考虑方法相似。因此，降雨分量也采用同样的滞后模式，即与式(3-14)类似：tO，，二!!二主!!g-62胪也』壶志e2¨烈。]2巧衍(3_，s)式中：Q。为水位分量；岛为降雨分量的回归系数；X3为待定的降雨滞后天数；x。 第三章渗流监控模型研究为待定的降雨影响天数；p(r)为f时刻的降雨量；Pa为等效降雨量。同样％和x。优化求得，连续积分可转化为离散型积分。3．23考虑库水位和降雨滞后效应的渗流统计模型在考虑库水位、降雨对大坝渗流的滞后影响作用后，便可由此建立考虑滞后效应的渗流滞后优化模型，进而可以推求观测日当天的等效水位和等效降雨。渗流观测资料表明，渗流量主要受库水位、降雨、温度以及时效等因素的影响。其中，考虑滞后效应的水位分量和降雨分量见式(3-14)～(3—15)，结合温度分量和时效分量见式(3．3)～(3—5)，可得到考虑影响因子滞后效应的渗流量优化统计模型为：Q=bo蝴慨+舡sin等地cos等卜+讪口B旧利用最优化原理可求得式(3—16)q，的系数6，(／=0～2)、b1．、b2．(f-1～m)、ds(s=1～2)，其求解步骤为：(1)令M=∑画一9f)2(3—17)式中：Q为f时刻的实测值：龟为f时刻的计算值。(2)若M有最小值，则必有：面OM-o，署_o，甏扎面OM=o(3-18)abf?确L?j曲M。ads利用式(3—18)和式(3．16)，结合实测资料，可求得一组对应库水位及降雨的滞后天数和影响天数情况下的回归系数6，(，=O～2)、6l。、b2，(i=1～m)、吐(S21～2)以及复相关系数R、剩余均方差S等。并以复相关系数为衡量标准，通过对水位分量及降雨分量的滞后天数和影响天数的假定和修正，逐次迭代逼近，最后找到一组使复相关系数最大的滞后天数及影响天数，同时也得到一组回归系数及其它回归参数。 河海大学硕士学位论文根据上述计算原理，编制了渗流优化滞后影响分析的程序，其流程如图3．1所示。几军雨蒲后碍南面域面丽硼『—_=三三要三[二垄堕垡垡垦旦!旦叁塑丛生l——』坠—<建哆—、o、‘t一一1[疆直巫匾口厂——————————1NoL—』里L<参图3．1渗流优化滞后影响分析流程33渗流的小波网络模型小波网络是结合小波分析理论和人工神经网络思想而构建的一种新型神经网络模型，它是通过小波分解进行平移和伸缩变换后得到的级数，具有小波分解的一般逼近函数的性质。并且，由于它引入了小波神经元的平移和伸缩因子，所以小波网络具有比小波分解更多的自由度，从而使其具有更灵活的函数逼近能力，经过筛选适当的各个参数，通过较小级数项组成的小波网络就可以达到优良的逼近效果。因此小波网络具有最佳的函数逼近能力，也就是最佳的模式识别能力【82]。由于其建模算法不同于普通神经网络模型的BP算法，所以，可以有效地克服传统神经网络收敛速度慢和易陷入局部最小等固有缺陷，将其用于大坝渗流效应量(如扬压力、渗流量)监测的建模与预报，综合了小波分解和神经网络在函数逼近上的优点，一方面，充分利用小波变换的时一频局部化特性；另一方面，发挥神经网络的自学习功能，使网络达到最佳的逼近效果。霎 第三章渗流监控模型研究3．3．1小波网络理论小波网络实质是在小波特征空间中寻找一组适合的小波基，相应的模拟过程可通过小波参数迭代计算并使其能量函数最小化来实现。小波网络是基于小波分析而构造的一种新型的前馈网络，即用非线性的小波基代替常用的非线性Sigmoid函数，其表达是通过将所选取的小波基进行线性迭加来实现的。也可以看作是小波函数为基底的一种新型函数联络神经网络，它结合了小波变换良好的时频局部化性质和传统神经网络的自学习功能，因而具有较强的逼近和容错能力。与传统的神经网络系统相比，它有以下特点：首先，小波基元与整个网络结构的确定有可靠的理论根据，可以避免以往神经网络结构设计的盲目性；其次，通过小波分析研究神经网络，隐节点个数可以自适应确定，解决了传统神经网络隐层节点个数难以确定的问题；同时，小波神经网络还有比一般网络更强的函数学习和推广能力。3．3．1．1小波与小波变换小波网络是根据小波分解而来的，因此在介绍小波网络之前，首先介绍一下小波和小波分解。1、小波【83】假设f(x)表示时间信号或函数，其中x表示时域自变量，对应的F(∞)表示相应函数或信号的Fourier变换，其中国表示频域自变量；尺度函数总是写成妒(x)(时间域)和o(∞)(频率域)；小波函数写成∥(x)(时间域)和甲(∞)。考虑空INr(月)，它是定义在整个实数轴R上的满足要求EI，(x)f出0，为一适当的常数(通常f取O．5)。区间[c，d]被点P分为两个子区间。在每个子区间，递归的重复相同的过程来初始化如、a：、b3、03，⋯，直到网络中的所有参数都被初始化。当小波网络的隐节点不是2的整数幂时，就首先使用此递归过程，剩余的数据I和q就可以在剩余的尺度中自由选择。下面给出在区间p，d】中选择P的方法。首先引入密度函数：m净尚p3”其中：Q(x)：—Idg．(x)l(3-32)积该密度函数由样本数据集，={x(f)，g[x(，)】o=1⋯2⋯．，脚}来确定，然后取点P为区间的重心，计算方法如下：p=f妒似)aX(3_33)对于多维小波，bo、％分别对应于一维小波的l、巳，i为小波网络的输入维数。为了初始化％和％，分别在f个区间上使用类似一维情况下的递归过程，然后选择适当的组合来初始化％和％。 河海大学硕士学位论文3．3．2．3隐含层节点数的选择对多层网络，其输入节点数和输出节点数由问题本身决定，选网络规模主要是选隐层节点数的大小。隐层节点数的选择对于小波网络的训练学习是很重要的，如果隐节点数过少，网络不能具有必要的学习能力和必要的信息处理能力，反之，隐节点数过多，不仅会大大增加网络结构的复杂性，网络在学习过程中更易陷入局部最小，而且会使网络的学习速度变得很慢‘971。比较常用的方法有试凑法，一般是根据经验来选取隐层的节点数，有很大的随机性。可以借鉴文献f”】确定神经网络隐层节点个数的经验公式：L=√m”+cm+d(3-34)其中上为隐层节点数，m为输入节点数，”为输出节点数，c，d为待定参数。通常用以下经验式：L=@ro-t+1．6799m+0．9298f3—35)3．3．2．4小波网络的训练算法对于小波网络逼近的任意函数g(x)∈r(尼)，首先确定其样本数据集，={x(r)，g【x(f)】ff=1⋯2⋯．，Ⅲ}(3—36)其中r为采样时刻，珊为样本总数，x(，)为输入向量，gh(r)】为每个模型的输出向量，网络参数岛={_，％，aij}训练采用批处理的方法。定义每一个样本的误差如下所示：d上0)】=g[xO)卜营[工(f)](3—37)均方误差定义为：E=丽1荟me2【捌(3-38)其参数调整公式为：oj(t+020(f)+△岛(f)(3·39)w)-_叩薏(3-40) 第三章渗流监控摸型研究式中：rl为学习速率。对于隐层到输出层的权值W．有：考=一耪加，，萼掣=一拇删∥陲等生]p。-，对于小波基的平移参数％有嚣=一耪砸，，笔铲=耪硝申卜。x,(t％)-bo]p4z，对于小波基的平移参数％有嚣=一扣删，笔掣=净川"型茅∥’陲等生]B4，，式中：if，’(·)为∥(·)的导数我们采用加入动量项的改进的BP算法，其参数调整公式为：”e一叩考+必g(3-44)式中：叩，a为一变量，可根据情况确定动量项的值，如果当前的误差梯度修正方向正确，就增大学习速率，加入动量项，否则就减／J,学习速率，甩掉动量项，其变化公式为：叩=野+p口=／2"；AE<0(3-45a)叩=r／+卢t2"=0；AE>0(3-45b)AE=taj(i+1)一AE(3-46)式中：妒>1∥<1，i为训练次数。综上所述，可得基于改进BP算法的小波网络参数的训练算法，我们采用小波基来构造小波网络：(1)选用适当的小波函数作为神经元的激励函数；(2)初始化网络参数，包括小波网络的平移参数和伸缩参数，权值国，，误差精度s>0； 河海大学硕士学位论文(3)计算网络输出，计算最小均方误差能量五，如果E<,ff或达到循环次数则停止。如果E<占或未达到循环次数转步骤(4)；(4)根据公式(3-41)～(3—43)分别计算网络参数■，b,j，吩的梯度；(5)根据公式(3．44)对网络参数进行优化，转步骤(3)。3．3．3小波网络模型由3．1节的分析可知，渗流量主要由水位分量、降雨分量、温度分量和时效分量组成。渗流量常用式(3．6)表示，即：Q2％+％+Q口+％=n。+窆[钆(‰一巩。，)]+菹％(％一Ha。，)]=”∑h(‰一巩。，)卜∑h(％一。，)l，=1J2l+舡sin等地cos矧+∑[(q(pr一风，)]+dlO+d2lnO如果小波网络模型的输入变量全部采用上述因子，则网络的输入输出关系可表示为：Q=g(he％sin等，cos等岛刚n州川Ⅶf：1～M21~，)(3-44)不同类型的大坝，上述表达式可能有所不同。由于小波网络具有任意逼近非线性函数的功能，所以上述表达式可以进一步改写为：Q=烈。n(厅)，∥2(r)，p，3(p)，％(口)】=_；f，(A，T，P，0)(3-45)由此可见，当小波网络的输入变量为矗，T，P，0，就可以逼近水头、温度、降雨、时间等因素的影响，这样形成的网络结构比较简单，且便于分析和计算。由此建立的渗流小波网络结构如图3．2所示。 第三章渗流监控模型研究hTp0一Q环境量小波网络渗流量图3．3渗流小波网络结构图3．4小结本章主要进行了以下工作：(1)渗流动态直接影响建筑物的稳定和强度，也是水工建筑物主要监测量之一。而大坝安全监控原型资料分析的主要任务就是由实测资料建立数学监控模型。应用这些模型监控水工建筑物的安全运行；同时对模型中的各个分量进行物理解释，借以分析水工建筑物的工作性态。(2)论述了基于大坝渗流观测量统计模型的原理和方法，建立了大坝渗流量的常规统计模型，并对模型中的因子选择问题进行了讨论。(3)在分析了库水位和降雨对渗流滞后效应的基础上，对大坝渗流的数学监控模型进行了研究，建立了基于滞后效应的渗流统计模型。(4)系统的阐述了小波网络模型的结构及其学习过程，并利用小波网络在函数逼近问题上的优点，建立了渗流小波网络模型，此模型可用于大坝渗流预测。 河海大学硕士学位论文第四章工程实例应用4．1工程概况天荒坪抽水蓄能电站位于浙江省安吉县境内，距杭州57kin，上海175km，南京180kin。电站安装6台30万千瓦的抽水蓄能机组，总装机容量1800MW，年发电量30．14亿kW．h，年抽水电量41．04亿kW．h。电站在华东电网中担任调峰、填谷、调相、调频及紧急事故备用等任务。本工程属一等大(1)型工程。电站地处亚热带湿润气候区，多年平均降水量1849．6mm，多年平均径流量2760万m3；多年平均气温13．4。C，上库多年平均水面蒸发量906．5mm，下库多年平均水面蒸发量797．6mm。流入下库的水量能够补偿由蒸发和渗漏造成的水量损失。电站枢纽由上水库、输水系统、地下厂房洞室群、地面开关站和下水库等组成。电站输水道长度与水头之比为2．5，山坡陡峻。枢纽布置见图4．1。图4．1天荒坪抽水蓄能电站枢纽平面布置图 第四章工程实例应用上水库位于大溪左岸支沟的沟源洼地，经挖填形成。主要建筑物包括l座主坝和4座副坝，均为土石坝。主、副坝和库底均采用沥青混凝土护面防渗。输水系统位于大溪左岸山体内，采用一洞三机方式布置。包括上水库进／出水口，2条内径为7m的钢筋混凝土斜井式高压管道、并通过钢筋混凝土岔管各接3条直径达3．2m的高压钢管(钢衬支管)引水进入水泵水轮机组，以及6条尾水隧洞，下水库进／出水口等。钢筋混凝土岔管承受的最大静水头达680．20m，其HD值达60900kN／m；6条尾水隧洞直径4．4m，考虑到地下厂房群的防渗要求而用钢板衬砌到尾水闸门洞下游的渐变段。地下厂房洞室群布置在尾部，由主副厂房、主变洞、母线洞、电缆竖井、尾闸洞及其它交通、通风、排水等洞室组成。主副厂房洞长198．7m，宽21．0(22．4)m、高47．73m，中间为机组段，机组段的两端分别为安装场和右端副厂房。安装场接进厂交通洞。主变洞和尾水闸门洞平行于主厂房，布置在下游侧。主变洞长180．9m、宽18m、高24．13m。所有的地下洞室群均采用喷锚支护，局部加钢筋网，不设混凝土衬砌。500kV开关站布置在下水库进／出水口上游350．2m平台上。电站主体工程于1994年3月开工。14机组于1998年5月底开始启动调试，并于同年8月19日水轮机工况首次并网成功带负荷、9月30日投入试生产，最后一台机组∥机组于2000年12月25日投入试生产。主体工程于2001年10月通过了竣工安全鉴定验收。迄今为止，电站已经取得了显著的经济效益和社会效益，因而为华东电网的安全、稳定和经济运行作出了贡献。电站上水库及下水库的主要工程特性见表4—1。表4-1上水库及下水库主要工程特性统计特征值上水库下水库设计最高蓄水位(m)905．20344．50设计最低蓄水位(m)863．00295．00设计最高蓄水位库容(万m3)885．o(复核后为919．2)877．0(复核后为859．56)正常运行发电库容(万m3)676．76事故备用库容(万m3)125．32下游供水备用库容(万m3)30．0死库容(7／m3137．9757．48总库容(万m3)919．20859．56 河海大学硕上学位论文4．2研究区地质及水文地质的基本特征天荒坪抽水蓄能电站位于浙江天目山区中部、崇山峻岭之中。电站枢纽区出露的主要地层为侏罗纪火tit活动的产物，即为一套中等喷发至溢流的酸性一中性火山岩，其岩性组合及接触关系表明，当时火山活动较频繁。岩脉多沿断层或裂隙分布，可分为花岗斑岩、石英斑岩、煌斑岩脉等，主要受区域构造控制。本区地下水可分为孔隙性潜水和基岩裂隙水两种，并且以后一种为主。前～种类型地下水主要分布在上水库区第四系残积、坡积和洪积层中，埋深不一，接受大气降水补给，在地形低洼处可形成间歇性泉水；后一种类型的地下水则赋存于上述火山岩体中，其分布呈带状或脉状，严格受到结构面及其网络的控制，以裂隙性潜水为主，局部为裂隙性承压水。根据勘测阶段的资料，区内基岩地下水多为脉状裂隙水，沿具有一定开度的张性、张扭性裂隙、挤压破碎带分布或岩脉与围岩的接触带等部位。如在PDl5探洞开挖过程中，在洞深235-239m、348～350m、360m，以及PDl5-1洞深56,--66m、11l～113m、125m等多处发现在这样的结构面处滴水或渗水现象。其流量一般在0．17～1．00L／min之间，最小者仅为0．04--0．08L／min，最大渗水点出现在PDl5洞深348．5m处，其流量在8．38～11．50L／min之间。勘测阶段曾对区内地表水和地下水作了取样化验分析。结果表明，这两种水体均为具极软水性的淡水。地下水pH=6．6～7．3，为弱酸性、中性及弱碱性水，水化学类型主要呈HC03⋯CaNa型；而地表水pH=5．9～6．9，为酸性、弱酸性水，水化学类型主要呈HC03-C1．-Na．Ca型。在电站试运行之初，曾分别对14、2“输水系统进行了充排水试验。在未充水时，在上述PDl5探洞及其支洞渗水量比较小，如上述。而当14斜井水位自高程600m上升至800m时，PDl5主洞及PDl5-2支洞渗水量很快由小增大，出水点主要集中在PDl5主洞洞深0+565～0+577段以及PDl5-2支洞0+030～0+066段，其中多数出水点呈喷射状。另外，该支洞内的水平地应力测孔也有较大量渗水现象。上述主洞和支洞的总渗水量为11．2L／s。在该充水试验完成并放空之后，上述部位的渗水量逐渐减小。在对2“输水系统进行充排水试验期问，也发现了与上述类似的现象。显然，上述部位渗漏水量的大小变化与斜井的内水外渗有关。可 第四章工程实例应用见，电站运行状态下输水系统围岩体中地下水动态的变化既受天然因素也受人为因素的影响。上游输水系统中的高压钢管段位于岔管段下游侧，长232．70～184．50m左右，由6条高压支管钢管组成。其中，1札3#钢管与1#斜井输水系统相连，而4#--6#钢管则与2#斜井输水系统相连。开挖断面大多呈马蹄形，洞轴线问距19．733m。钢管段区域内出露岩性均为含硫纹质熔凝灰岩(J3L’(d’)，后期侵入两条煌斑岩脉，与围岩接触紧密。III级结构面总计13条，其中f216延伸长，贯穿14～64钢管段，其它断层规模小，仅出露一个洞范围的断层计有1l条，f82l断层出露在4“～6“洞内。Ⅳ级结构面一般较发育，逐渐过渡呈节理密集带。总趋势发育走向SN～NNE向，单条节理走向NNE和NNW向，部分充填钙膜，段长141．O～65．Om。1“～64洞段岩体弹性波速Vp≥5000m／s，仅在54洞近厂房边墙V。=3800m／s。围岩在非节理密集带为基本稳定～稳定，节理密集带为基本稳定。4．3渗流监控模型及其计算结果分析4．3．1渗流量基本特征分析为及时地将高压钢管段的内水外渗排走，高压钢管在其相邻部位均布置了A~B外排水管。在厂房上、下游排水廊道和自流排水洞内布置量水堰，以监测高压钢管外排水系统的渗流量的变化情况。根据电站投入运行以来的监测资料，上述布置于高压支管钢管相邻的外排水管中，B管渗流量普遍大一些，而A管渗流量ⅢJJSE4,实际上多数时段渗流量为零。图4．21#--5#高压支管B管渗流量与斜井水位过程线图41卜●寸^ooN=．帅●nooN寸N．z厶口。N*厶●g§N=_I^ooN种～●～一●寸oo“r型{。。N闸时=-Il’芎。N≈-0I-苫。～l-。I_苫。～=_6．葛。“∞●一●蓉。NI_6j●寸口oN∞～．∞●寸。口～ 河海大学硕士学位论文1#～5撑高压支管B管渗流运动服从第二章所述的线性渗流定律，图4-2为最近时期上述5支高压钢管B管渗流量与同期斜井水位过程线图。该图反映：1)渗流量的大小与斜井水位之间相关性不明显；2)在不同时期间，部分外管渗流量的大小似有一定的周期性变化，即在相对低温期(如在1-4月间)渗流量呈增大的趋势，|面在非低温期(如在5～12月问)则呈减小的趋势，此由不同时期间介质的热胀冷缩效应导致裂缝的开度变化所致；3)相对而言，I#G．B以及3#G—B管渗流量较小、且随时间的变化平稳，而2#G．B、4G．B以及5#G—B这3支排水管的渗流量相对大一些、且呈现了随季节而变化的特性。时闸图4．36#高压支管C管渗流量与斜井水位过程线图6#高压支管C管渗流运动的流量因较大而具有第二章所述的非线性渗流特征，图4．3为6撑高压支管C管渗流量过程线图。该图反映：1)渗流量普遍比较大，其中q、>2000ml／s，c中>4000ml／s，ck>5000ml／s，事实上后者在2004年lO月以后，渗流量大于7500ml／s；2)Cx渗流量的大小变化有进一步增大的趋势、且与斜井水位之间具有一定的相关性，而c，。c中渗流量的变化无明显的趋势性、且与斜井水位之间的相关性较弱。4．3．2常规统计模型应用式(3—16)，对高压钢管段6#高压支管C管和5#高压支管B管渗流量观测值进行常规统计模型分析，其实测资料序列取为2004年9月17日～2005年4月21日。模型的复相关系数、标准差见表4-2，5#G—B、6#G．C(大)、6#G—C(中)、6#G．C(小)四个测点的实测值、估计值及残差过程线见图4．4～图4．11。伽啪Ⅲ啪踟哪渤啪枷猢咖啪啪枷瑚 第四章工程实例应用600O5000o400．O{3000。20001000O01008060o40∑20三0槲一20馁4060—80lOO1l00050000050000050000050000050003500．00280000210000-J400．00≥70000o000两料470000．00：2100002800．003500000ll2233445566778899时间11(0天1)2ll32143154165176187198209220图4．45#G．B渗流量估计值与实测值过程线时问(天)图4．55#G—B渗流量残差过程线o“”3344556677889岛自}易乎“32“31“””76“7”82”220图4．66#G—C(大)渗流量估计值与实测值过程线时间(天)图4．76#G．C(大)渗流量残差过程线43∞∞仰∞∞∞∞∞∞∞∞ 630056004900—4200之350032800。2100140070002000001600OO1200．00o80000＼400．005000槲-40000祭80000一t200．00—160000—200000300027002400210001800；1500；120090060030001000008000060000o40000、200．003O00料20000曝40000600．00—80000一100000河海人学硕士学位论文卜≈：卜ⅣV以—八～|图4．86#G．C(中)渗流量估计值与实测值过程线时间(灭)图4．96#G—C(中)渗流量残差过程线图4．106#G．C(小)渗流量估计值与实测值过程线时间(天)图4．116#G．C(小)渗流量残差过程线0鸵9加g{78他％诅蛆船¨沃¨问9时9昭"∞弘¨3盟0鸵9曲∞78仆晒驰们跎¨饫儿问9时9鹊7∞％“∞弛O 第四章工程实例应用表4-2高压钢管段渗流量常规统计模型的复相关系数、标准差测点5撑G．B6#G—C(大)6#G—C(中)6#G—C(小)R0．970．45O．390．63S28．121137．40579．84418．07由表4-2可看出，6#G．C渗流量各观测资料序列常规统计模型复相关系数R相对较小，剩余标准差S大于500ml／s，所建模型精度不高；5#G．B常规统计模型复相关系数R=0．97，剩余标准差S=28，12ml／s，模型精度较高。4．3．3考虑滞后效应的渗流监控模型4．3．3．1库水位及降雨量对高压钢管段渗流量的滞后模式采用式(3—14)干N式(3—15)，根据滞后计算原理，结合渗流量原型观测资料进行优化计算，得到库水位、降雨量对高压钢管段5#G—B、6#G—C渗流量的滞后参数(滞后天数、影响天数)和滞后模式如表4．3所示。表4—3库水位、降雨量对渗流量的滞后效应装库水位降雨量五屯滞后模式b五滞后模式tor—-(t--1)2乌：t怯o。T-(1-1)2眦)】2，s国5群G—B12g2j孺1P8h(t)at1l6#G-C(大)45婊：k警㈤盘2l锡：k产眦讦％to．—-—(—t—-——3)—zg：k产删：％6#G—c(中)35骇=j击e”砸矽26#G·c(中)34鲅：k警㈣21珑：k产槲s击由表4．3可看出：(1)库水位对5#G—B渗流量的滞后参数为五=l，x2=2，降雨对其的滞后参数为x3=l，矗=1。(2)库水位对6#G—C渗流量的滞后天数在3～5天之间，影响天数在4～5天之间，降雨对其的滞后天数均为2天，影响天数在1～2天之间。45 河海大学硕士学位论文4．3．3．2模型精度分析采用逐步回归的分析法，对高压钢管段5#G．B、6#G—C渗流量进行优化分析，得到最佳回归方程的复相关系数R、剩余标准差S见表4-4，5#G—B、6#G—C(大)、6#G—C(中)、6#G—C(小)四个测点的实测值、估计值及残差过程线见图4．12～图4．19。表4-4高压钢管段渗流量优化统计模型的复相关系数、标准差测点5群G—B6#G—C(大)6#G—C(中)6#G—C(小)RO．980．72O．61O．88S26．36970．50378．31227_276000500O一4000{毛3000。20001000O015．0010．00o5．00≥5000划餐5．00一10001500o“22”4455”7788臂讨1睽}⋯””3”4””7”87”82”220图4．125#G—B渗流量估计值与实测值过程线|八刀nhnf／／＼、八门I／＼／J1V22"5y龇V小√1畎143守护"岬2：时问(天)图4．135#G—B渗流量残差过程线223344556677889爵高惜21132143坫4165176187198209220图4．146#G—C(大)渗流量估计值与实测值过程线O0O0O0O0D0O0O0O0505O50505i；ll 第四章工程实例应用1500OO100000o50000三000划誉500001000001500006300．05600．04900．0—4200．0之3500．0528000。21000140007000O0600．00400．00之200．00：O．00鎏20。0040000600000007004001008005002009006003000、f1～^从／1八八／＼／1／1．『＼／＼八’y1V22铲V⋯6V8V9V1划￥2炒蝌’1恤铲：时问(天)图4．156#G．C(大)渗流量残差过程线0o儿22334455667788爵耐嵌}1132143惦4165¨¨87198209220图4．166#G—C(中)渗流量估计值与实测值过程线时问(天)图4．176#G—C(中)渗流量残差过程线0112233¨5566778899『讨踏1132¨3154165176187198209220图4．186#G．C(小)渗流量估计值与实测值过程线47 河海大学硕上学位论文1500010000o5000三000餐一5000100．00—150．006八4／＼6M从／＼M／＼八卜!yu圳y4甘”渺“V”廿y1恻8忙92时间(天)图4．196#G—C(小)渗流量残差过程线从表4-4和图4．12～图4．19可知，高压钢管段渗流量优化统计模型复相关系数有明显提高，但是6#G．C渗流量各观测资料序列优化统计模型精度仍然不是很高，运用该模型进行影响因子量化分析不是那么有效。4．3．4小波网络监控模型4-3．4．1小波函数由于MexicanHat小波基有计算稳定、误差小和抗干扰性好的特点，因此本文采用MexicanHat，其形式为：t2∥(f)=(1一r2)P2(4—1)因为它的形状像墨西哥草帽的截面，所以我们称这个函数为墨西哥草帽函数，如图4．8所示。图4．8MexicanHat小波 第四章工程实例应用4．3_42隐含层神经元数目本文选择逐步检验法。逐步检验法的总体思想是：首先取小波变换单元数目M=I，学习迭代若干次后，如满足误差条件，则停止迭代，若达到最大学习次数后仍不满足误差条件，N4,波单元数目M=M+1，并重复上述过程，4．3．4．3网络结构的确定为了进行比较，小波网络的输入因子采用统计模型中逐步回归分析得到的因子。经逐步回归分析筛选得到如下因子：h、sin而2xt、COS丽21rt、sin等、COS丽4,"rt、P、lnO，由此得到小波网络的输入层节点数为7个，输出层节点数为1个(即渗流量值)，选择隐含层节点数为15个，故该学习样本采用7一15—1的小波网络。其学习采用改进的BP算法。传统的BP算法在学习的过程中，只需要改变权重，而权重是和权重误差导数成正比的，但真正的梯度下降法要求所取的间隔无限小。比例系数r／是学习过程的速率，它是一个常数。卵越大，权重的改变就越大。若能选择合适的速率，使它的值尽可能的大但又不至于引起振动，这样就可以为系统提供一个最快的学习。增大学习速率而又不导致振动的方法就是修改反传中的学习速率，使它包含一个动量项。也就是，每一个加权调节量上加上一项正比例于前次加权变化量的值(即本次权重的修改表达中引入前次加权的权重修改)。这就要求每次调节完成后要把该调解量记住，以便在下面的加权调解中使用。带有动量项的加权调节公式为：Aw(t+1)：77兰+口Aw(f)(4．2)aW其中口为动量系数，一般取O．7～O．8。4．3．4．4参数的选取实践表明，小波网络学习过程中动量系数口，学习速率1"／等值的选取，直接影响到训练时间和成果的精度。由于参数的选取带有很大的经验性，本文通过试验，对不同的口、r／进行了训练。发现随着r／的增加，训练时间和迭代次数减少，但另一方面也伴随着振荡现象的加剧，而当口增加时，开始在一定程度上阻止了网络的振荡，增大到一定值时会出现不收敛现象。 河海大学硕士学位论文4．3．4．5学习样本预处理由于样本的各个变量使用不同的度量单位，其观测值也相差很大，这样绝对值很大的变量其影响可能掩盖绝对值小的变量，使得后者应有的作用得不到反映。为了确保各变量在分析中的地位相同，可以对样本数据进行中心化和标准化变换㈣对于观测的样本数据，将其记为：(4—3)常称此为样本数据矩阵。其中第f个样本p个变量的观测值可以记为向量：t=(誓】，薯2，⋯t。)7(4—4)数据变换将施于每个变量在各个样本上的观测值(即为x中的每一列)，所谓中心化是要使各种变量的观测值都有相同的基点，通常是在观测值上减去相应变量的平均值。记第，个变量的平均值为：弓=去喜白J_1’2⋯p(4．5)第．，个变量”个数据实施中心化变换为：弓=～一if=l，2，⋯，H(4·6)经此变换后各个变量的均值都将为0，亦即各变量的取值都有相同的0基点。还可以做这样的变换：x；2zⅡ一m，璺(x口)(4_7)它将使各变量的最小值为0，称此为正规化。所谓标准化是在中心化的基础上再做变换，它要使各种变量的变化范围相等。当用不同的方法衡量变化范围时，就有不同的标准化变换方法。常用的有：(1)标准差标准化记第‘，个变量的标准差为： 第四章工程实例应用丽(4—8)第‘，个变量n个数据实施标准差标准化为：x：=乏≥i：1，2，⋯H(4_9)“U一——j_一，，‘‘，“、’一77经变换后各变量的均值均为O，标准差均为1。(2)极差标准化记第，个变量的极差为：Rj=max(xu)一min(x,j)(4一10)I!i<-n】sf≤”第，个变量”个数据实施标准差极准化为：xj=华i：1，2⋯，”(4．11)“U一——万_一，，’’’，“、’。7经变换后各变量的最小值均为0，极差均为1。(3)极差正规化它的变换式为：‘一min(x,j)弓=—{}(4．12)经变换后各变量的均值均为0，极差均为l。本文采用标准差标准化方法，将训练样本做标准化处理，这样可以大大加快网络学习速度，而数据问的联系并不减少。4．3．4．6初始权值的选取初始权值的设置对于神经网络的后续训练相当重要，如何获得优秀的初始参数是加快网络学习速度的一个重要问题。初始权值选择得好，可大大加快收敛速度；初始权值设置不当，则学习次数会大为增加，乃至于不收敛。然而在一般文献的介绍中，初始权值都是用随机数产生的，用这种办法来获得优良的初始权值是没有保障的，只能靠碰巧。然而在更多的情况下一般都是没有好运气的，得到的初始权值往往使网络误差停滞徘徊，使学习次数大幅度地增加，甚至不收敛。本文根据3．3．2．2部分介绍的方法初始化网络参数％、％、■，按照这一方法设置的初始权值不依靠“运气”就可以在大多数情况下获得优秀的初始权值，从而 河海大学硕士学位论文使网络的学习次数大为减少。4．3．4．7网络学习算法具体学习算法如下：(1)根据上面介绍的标准差标准化方法，将训练样本做标准化处理；产(2)选择常用的MexicanHat小波缈(，)=(1一f2弦2作为隐含层的神经元，根据3．3．2．2部分介绍的方法初始化网络参数吩、％、％；(3)输入学习样本以及相应的期望输出；(4)设置小波网络的最小学习误差s和最大学习次数丁5(5)选取学习速率r／=0．95，动量系数口=O．5，设定循环次数t=0；(6)输入一个样本，"4t孚4、波神经元的参数日。、％和隐含层到输出层权值矿进行修正，修正具体方式如下：w≯wy-tl熹+跳∥(4_13)其中：若钏舻喜半，啊“=瞄ts—V研OE,+以瞄“(4一14)b；ew=吣7s—q研OE,+啦b字(4-15)a妒(五(，))0(4(肋(4—16)(4—17)、一燃3五(州P2(4-18)嚣=等笋㈣咱c叽∽】3-3A，(j)}e一学悼㈣％一旷一吩t一。∑Ⅻ：少砖力．蜀．毋一岛●一2『I驴强一％乩姒 第四章工程实例应用善=≯峨(m(，)卜sⅧ}攀∽z。，(7)当所有训练样本输入完毕，计算误差函数E：芝巨：三艺[吕(x)一喜(训2，当ET进行下一步，否则返回上述步骤(6)。4．3．4．8计算结果本文采用天荒坪抽水蓄能电站6#G—C高压钢管外排水系统的渗流量的实测值及同期库水位、降雨量建立渗流小波神经网络模型。选取2004年9月17日～2005年2月17日的实测资料作为小波神经网络的学习样本，以h、sin朵、COS舞、sin而4m、C0$器、P、In#作为网络的输入，渗流量Q作为网络的输出，对建立的模型进行训练，使其在输入和输出之间建立一个非线性映射关系，然后利用这个关系仿真出学习样本的输出，即网络预测值。训练采用改进的BP算法，即在传统的BP算法中引入了一个动量项，选取动量系数口=0．5，学习速率r／=0．95。通过实际计算，当网络学习10004次后，误差达到要求，说明网络收敛，学习过程结束。为了检验所训练网络的预测能力，即泛化能力，对2005年2月18日～2005年4月21日的实测资料(不同于训练数据)进行仿真，即用已建立的非线性映射关系求对应的输出。5#G．B、6#G—C(大)、6#G—C(中)、6#G—C(小)四个测点渗流量小波网络模型训练和预测结果及其残差过程线如图4．20～图4．27所示。6000500．0—400_0童30⋯口2。O．Oi00-00．0一’^飞广^v吼、，o’1～l二孽纂l匪洇卜—圈l——蛮刮值l2。2⋯o11223344556677889蔚^"辩2“32143154165176187198209220图4．205#O—B渗流量小波网络模型学习和预测过程线 河海大学硕士学位论文15．001000o5003000划鼹一500一1000一1500l50010．005．oo0．005．00lO．0015．005300．05500．04900．0^q2000{$500．0e2800．0“21000lq00．O"too00．O时间(天)图4．215#G—B渗流量小波网络模型残差过程线飞hp胁厂、．An八一n。卜⋯一．1古计值l：I=圭鲢I圈一一．·圆O1123q566TT899911012l132Z4315q165lT618T198209220卜li口|咦)图4．226#G．C(大)渗流量小波网络模型学习和预测过程线时间(天)图4．236#G．C(大)渗流量小波网络模型残差过程线m、儿—小～^／、／、／、～，I．．·-⋯_l古计值lI=塞旦焦l圃-一—·圈O1122：：4q5566TS899lz0121lS2z43l541651T618T199209220|fIⅡ|(天)图4．246#G．C(中)渗流量小波网络模型学习和预测过程线 第四章工程实例应用15OO10005000．00—5．0010．OO15．001500lO．00=500、昱O00删嘤一50010．00—1500时间(天)图4．256#G—C(中)渗流量小波网络模型残差过程线．∥、o11船船制踮袖¨罚譬耐缺铲ll跎¨¨瓢1651珀187埔82∞”o图4．266#G．C(小)渗流量小波网络模型学习和预测过程线时间(天)图4．276#G．C(小)渗流量小波网络模型残差过程线从图4．20～图4．27可以看出，小波网络的学习能力和预测能力(即泛化能力)都很强，网络性能好，预测结果合理，可满足大坝安全监控的需要。4．3．5计算结果评价为比较常规统计模型、优化统计模型和小波网络模型预测效果的好坏，必须制定一套切实可行的评价指标对预测效果进行全方位、综合性的衡量和评价，按照预测效果评价原则和惯例，采用以下评价指标：∞∞∞∞∞∞∞∞∞∞0∞盯¨n驴弘秘：： 河海大学硕士学位论文(1)均方误差MSE：：—1—”式中，昌(x)为实测值，喜(x)为预测值。(2)平方和误差SSE=∑[吕(x)一鲁(x)]2(3)平均绝对误差MAE2去喜Ig，(x)一富，(x)|(4)平均绝对百分比误差M|APE：!玎(5)平方百分比误差MsPE：∑”喜I≮茅l蹲(4—21)(4．22)(4．23)(4—24)(4—25)利用常规统计模型、优化统计模型和小波网络模型预测值和实测值，分别对小波网络模型和两个统计模型计算上述五个指标，结果见表4—5。表4．5计算结果评价表、＼方法常规统计模型优化统计模型痫爵＼SSEMSEMAEMAPEMSPESSEMSE5撑G．B442773．2419．530．068O．01l3424．600．906#G-c(大)77621000135．54866．890，084O．0142052100069．696#G．C(中)847650044．79248．910．0560．00991715516．506#G—c(小)1066200050．23344．160．210．0323148408．63续表4-5优化统计模型小波网络模型MAEMAPEMSPESSEMSEMAEMAPEMSPE6．710．0250．00352547．60O．785-830．0180．0029497．970．0460．006524510．775．650．000530．000073106．270．0240．003732300．876．520．OOl50．000267．400．0420．005624670．755．470．00330．00046从表4—5可以看出，常规统计模型和优化统计模型的五个评价指标值均比小防 第四章丁程实例应用波网络模型的大，说明小波网络模型比其它两个统计模型的预测精度高。4．4小结依据第三章建立的有关渗流监控模型，以天荒坪抽水蓄能电站输水系统中高压钢管外排水系统的渗流量为例，进行了实例应用分析，得到下列主要结论：(1)建立常规统计模型对具有非线性特征的渗流的监测资料进行分析时，模型不是很有效，而对具有线性特征的渗流的监测资料进行分析时，模型具有很高的精度。(2)应用考虑影响因子滞后效应的渗流优化统计模型对上述相同监测资料进行分析时，模型精度有明显的提高，但是对具有非线性特征的渗流的分析还不是很有效。(3)分析表明，小波网络模型在大坝渗流预测中能取得很好的预测效果，且与其它两个统计模型预测精度相比，呈明显的优越性。(4)由于小波网络建立的渗流预测模型具有再学习能力，所以使用此模型，可以用新的观测资料对模型不断地进行学习训练，从而提高模型的精度。 河海大学硕上学位论文第五章结论与展望5．1结论本文主要工作和研究成果可归纳为如下方面：(1)从介绍大坝渗流监测统计模型的基本概念及构造方法入手，利用原型监测资料，合理选择因子，建立统计模型实例进行分析。结果表明，常规统计模型在分析具有非线性特征的渗流的观测资料时，模型精度不高，而在分析具有线性特征的渗流的观测资料时，模型非常有效。(2)在分析水位和降雨对渗流滞后效应的基础上，对大坝渗流的数学监控模型进行了研究，建立了基于滞后效应的渗流统计模型。实例分析表明，考虑影响因子的渗流优化统计模型精度比常规统计模型有明显提高，但是该模型在处理非线性特征的渗流的观测资料时，依然不是很有效。(3)利用水位滞后影响函数并结合渗流实测资料，由此分析得出前期水位对渗流观测量的滞后天数和影响天数。为研究坝体坝基的渗流性态提供了一种新的监控模型。(4)由对小波与小波变换理论的简单介绍，引出小波网络。着重阐述了小波网络的模型和结构及其学习规则。并利用小波网络在函数逼近问题上的优点，将其用于大坝渗流观测量的建模与预测。应用结果表明，小波网络模型在大坝线性特征和非线性特征的渗流预测中都能取得很好的预测效果，且比其它两个统计模型预测精度高，模型的泛化能力强，对于一些统计模型难以较好解决的问题，利用小波网络函数逼近问题上的优点，可得到较满意的结果。由于采用小波网络建立的渗流预测模型具有再学习能力，所以在使用此模型的过程中，可以用新的观测资料对模型不断地进行学习训练，从而可提高模型的精度。5．2展望小波网络模型是小波理论研究中近几年才出现的较新成果，在实践应用中效果如何尚有待通过更多的资料进行检验。虽然本文在该模型的应用方面作了一些 第五章结论与展望工作，但任何理论、方法都需要在后续研究及实际应用中得到迸一步完善，小波网络模型也不例外。小波网络的发展还处于初级阶段，还有很多的问题需要我们去解决。比如存在以下方面的问题：(1)小波网络新的模型，新的训练算法有待研究；(2)小波网络的收敛性、鲁棒性、推广能力、计算复杂程度需要进一步的理论研究；(3)在逼近论中，神经网络、小波级数、小波网络和模糊系统，有着相似的表达形式，它们之间的内在联系是怎样的?神经网络、小波网络和模糊系统的综合研究可以参见文献㈣。(4)小波网络中小波函数或尺度函数的最优选择问题；(5)虽然小波网络中隐层节点数确定方法己经有了一些研究，但是从实际应用来看，如何更准确更迅速地确定隐层最佳节点数还有待进一步研究：(6)小波网络中初始化参数问题，若参数初始化不合适，将导致整个网络学习过程的不收敛。本文己经虽然己经做了一定的研究，但是稍嫌复杂，期待更佳的解决方法；(7)离散正交小波网络的复杂性和多维输入出现的“维数灾”问题，也期待进一步的研究；(8)小波网络在实际中的实现问题，包括构造、算法和硬件实现等。另外，近年来多小波(Multiwavelets)以其可以同时具有对称性、短支撑、消失矩和正交性而逐渐受到人们的广泛关注，焦李成等人在此基础上提出了多小波网络，通过理论分析和数字仿真证明该网络具有更好的逼近性能‘100】。可以看到，随着小波网络理论的不断丰富，非线性模型的不断提出，计算机硬件技术的不断成熟，小波网络建模预测将会有更广阔的应用前景。由于本人水平有限和具体条件的限制，本文的研究还需要作更加深入的探讨，使之更加完善，希望各位老师和同学对论文给予指正。 河海大学硕十学位论文参考文献[1】弓正华等．迈向刀世纪的中国水电站大坝安全监察【c]．99大坝安全及监测国际研讨会论文集，北京：中国书籍出版社，1999[2】王仁钟．中国水利大坝的安全与管理[c]、99大坝安全及监测国际研讨会论文集，北京：中国书籍出版社，1999[3】吴中如，沈长松，阮焕祥著．水工建筑物安全监控理论及其应用[M】．南京：河海大学出版社．1990[4】Malpasset拱坝失事研究[J]．国外水利水电，1980，11[5】LondePTheMalpassetDamFailure[J】．EngineeringGeolo卧1987(24)：295～329[6】BelljerJ．LondeP，TheMalpassetDarn[C】．Engjneeringfclundationcon￡Pm．，TheeValuationofdarIlsafety，1976[7]wmkeW，LeonardsGA．，ModmedhypothesisforfailureofMalpassetd砌[J】．IIlt．Workshpondarnfailures，PurdueUnive商吼West—Lafa”e，1985[8]HabibP．TheMalpassetD珊Failure【J】EngineeringGe010鼢1987(24)：33l～338[9]Lau位rH．，FindjngsoJdandnewreJati订gto船d姗foundationprob】emsencoun把redatMalpasset[J]．Sta．MariaandKolnbreinaspredictedbyD．c．He衄yin1929，Damengineering，1999，lO(1)：3～22[10】PoiselR．，stegerw，Unterbe唱erw．，TheTheMalpassetdamfa．1urecomparisonbetweencontinu啪anddiscontinuummechanics【M]：1893～1896[11]Mcccullonww，Pitts．ALogicalcalculusoftheideaimminemjnneuronsactiVity[c】．BulletinofMathematjcalBiophysjcs，1943(5)：115～133[12]Hebbo．o唱aIlizeofbehaviour[J]．wiley’1949，ScienceEdi右ons，1961[13]RosenblanFPrincipleofneurondyn枷icsprrceptionandthetheoryofbrainmechanisms【M]．SpartaIlbooks，Washin甜0nⅨ196l[14]widmwGHofrME．AdaptiVeswitchingcircuits．InstimteofRadioEngineers[C]．wbstemE1ec仃onicShowa11dConvemionRecord，Part4．1960：96【15]MinskyM，P印erts．Perceptions[J]．MITpress，c姗bridge，1969，l【16】HopfieldJJ．Ne啪1networksa11dphysicalsystemswitheme唱entc011ectiVecompu诅tion60 参考文献ab{1ities[J]PmcNatAcadSci，uSA，1982，79：2554【】7】HopneldJJ．NeumnswithgradedresponsehaVecolIectiVecomputationalpmpenieslikethoseoftwo—stateneurons[J】．ProcNatAcadsci，usA，1984，81：3088[18】Hop矗eldJJ，1、ankP、VNeuralcomputationofdecisionjnopIimizationproblems[J]．BiologicalCybemetics，1985，52：14l【19]HjntonGE，sejnowskiTJ，AckleyDH．BoltzIllallmachine：constraintsatisfactionnet、vorkst11atleamGMu—Cs84-119【J]．camegie—MellonUnjversi吼1984，1[20]吕新彪．人工神经网络在地球科学中的应用综述[J】．地质科技情报，1996，15(3)：93～98[21】赵斌等．BP模型在大坝安全监测中的应用【J】．大坝观测与土工测试，1999(6)：1～3[22】赵斌．大坝安全监控正反分析的新模型和新方法【D]．河海大学博士学位论文，1998[23]邓念武．大坝空间位移偏同归模型和神经网络模型研究【D】．武汉大学博士学位论文，200l【24】吴云芳．大坝安全监测神经网络模型研究和子系统开发【D】．武汉大学博士学位论文，2002【25】cvjcchioDJ．Repmductivead叩tiveplalle[C]．In：Proc．oftheAcM1972Annualconference．1972：l-11【26】G10dbe曙DE．Geneticalgoritllmwitllsharingmultimodalfunctionoptimization[c】．In：Proc．of2ndIm．Con￡OnGeneticAlgorithm．LawrenceErlbaumAssociates，1987：41．49【27]DavisLAda州ngoperatorprobabilitiesingene廿calgorithms【c】．In：Proc．of3mInt．confonGeneticAlgorithm．Mo。ganKaufma|1n，1989：6l～69[28]吴中如，温志萍等．基于模糊联想记忆神经网络的大坝安全监控系统建模研究[J]．武汉大学学报(工学版)，2001，34(4)：21～24[29]HeilcE，walnutDFContinuousanddiscretewavelet仃ansfo瑚s[J]sIAMReview，1989，31：628～666[30]DaubechiesI．ThewaVelet仃彻sfo丌11，time-frequencylocalizationandsjgnalanaylysis[J]．IEEETralls．Oninf0姗ationtheo啊1990，30(5)：96l～1005[3l】PaIiYceta1．Analysisandsynthesisoffeedfonvardneuralnet、vorksus．mgdiscretea伍ncwavelettraIlsfoms[J]．IEEETrans．onneuralnetworl【s1993，4(1)：73～85[32]Mallats0Alheoryformultiresolutionsi印aldecomposition．Thewaveletrcpresen谢ion【J】．1EEETralls．onpanemanalysis锄dmachineintelligence，1989，11(7)：674～693[33】张邦礼，李银国，曹长修．，』、波神经网络的构造及其算法的鲁棒性分析[J】．重庆大学学报，1995，18(6)：88·9561 河海大学硕士学位论文[34】胡国定，张润楚．多元数据分析方法[M】．南开大学出版社，1990[35】徐长发，李国宽．实用小波方法[M】．武汉：华中科技大学山版社，2004[36]秦前清，杨宗凯．实用小波分析[M】．西安：两安电子科技大学山版社，1994[37]李化，孙才新，胡雪松等．基于自适应小波网络的汽轮发电机组振动故障诊断方法的研究【J】．电工技术学报．2000，15(3)：57～60．[38]李勇，高小榕等．基于连续小波变换的心音信号时频分析【J】清华大学学报(自然科学版)，200l，41(3)：77～80【39]孟军，徐国政等基于小波变换的高压开关柜检测信号消噪方法[J】．清华大学学报(自然科学版)，200l，41(9)：48～50[40]DaubechiesI，Onhonomalbasesofcompactlysupportedwavelets[c]．comm．彻PureandAppl，Math，1988，41：909～996[41]HomikKstinchcombeMandwhjteHMuhilayerfeedfonvardnetworksareuniversal印pproximators[J]．NeuralNetworks，1989，1(2)：359～366[42】chenTianping，ChenHong．ApproximatloncapabiljtytofunctionofscveraJv州ables，nonlinear如nctionalsand叩eratorsbymdjcalbasjs如nc廿onneura】networkp]．IEEE1’rans伽NN，1995，6(4)：901～910[43】[)ely伽B，JuditskyAandBenvenisteA．Accuracyanalysisforwavelet印pmximations[J]．IEEETraIlsonNN，1995，6(2)：332～348[44]‰inoVichV，sirisaengtaksinoandcabrenS．waveleteneuralnetworksareasymptoticallyoptimal印proximatorsfor如nctionsofonevariabIe[cJ．FloridauSA：ProceedingofIEEEIcNN’94，1994(1)：299～304[45】QinghuaZhang，BenVensisteA．Ⅵ，aVeletNet、vork[J】IEEETTrans．NN，1992，3(6)：889～898【46】BaskshiB．R，stephanopoulousGwave—net：amultiresolutionhiererchicalneuralnetworkwitlllocalizedlea玎1ing[J】Am鲥caIlInstnuteChemicalEngineerJo啪a1，1993，39(1)：57～8l【47]ZhengJun，WaJterGMia0Yeta1．wavemneuralnetworksfor如nctionleaming[J】．IEEETransonS只1995，43(6)：1485～1497H8】SzuH，TelferBafldKad蜘beS．Neuralnetworkad印石vewaveletsforsjgflalrepresentationandclassi行cation[J】．0pticalEn舀neering．1992，36(9)：1907～1916[49]王岭，焦李成．区间估计的F、聊qN及其区间学习算法[J】．电子学报，1998，26(4)：4l～45[50]沈雪芹，丁宇新小波变换与小波神经元的选择【J】．河北工业大学学报，1996，25(2)：83～886， 参考文献【51]何振亚，李文化，蔚承建．用于信号逼近的自适应时延小波神经网络【J】电子科学学刊，1998，20(5)：604～610【52]徐晓霞，王晓升．基于正交最小二：乘的小波神经网络[J]．电子学报，1998，26(10)：115～117[53]吕立华，宋执环．用于在线辨识非线性系统的可变正交小波网络[J]．电路与系统学报，2000，5(4)：43～47[54】李向武，韦岗．基于小波网络的动态系统辨识方法及应用[J]控制理论与应用，1998，15(4)：494～500[55】钱峻，邵惠鹤．一种小波神经网络的在线建模和校正算法【J】．模式识别与人工智能，2000，13(1)：16～21[56]GomezlaaD．，Rodriguez，GonzalezJA，Insearchofadetenninjstichydraulicmonitoringmodelofconcreted锄foundation[C]．Vth．ICOLD，Q．58，R．49，1985[57]KalkaniE．C⋯PolunomiaIre粤essiontoforecastear【lldampiezometer1eVels[J]．Joumalof1rrigation＆DrainageEngineering，，ASCE．V01．115，Aug，，1989[58】沈长松，吴中如．混凝土坝坝基扬压力统计模型的探讨[J]．河海大学学报，1989(1)[59]朱岳明坝0压管水位反分析确定性混合模型[c】．人坝安全监测技术国际学术讨论会论文集，1992：150～154[60]郑东健．老坝安全的评价方法研究【D】闸海大学博士学位论文，2000[61】郦能惠，沈珠江．土石坝原型观测资料分析方法的研究【J】．水能源科学，2000，18(2)：6～10[62脐仁贵，非线性回归问题迭代法在地下水动态研究中的应用[J]水利学报，1998(10)：40～43[63]刘望亭．土石坝安全监控的数学模型及反分析研究[D]．河海大学硕士学位论文，1989【64]Wuzhongnl，w抽gzhanmi．dynarllicmonitoringmodelofspacedisplacementfleldofconcretedam[C】．Imemationalsymposjumonmonitoringtechnologyofdamsafe勺‘1992：215～224[65]马能武．大坝监测资料动平均灰色模型分析方法研究[J]河海大学学报，1997，25(1)：116～118[66】陈继光等．土坝观测数据的模糊人工神经网络分析【J]．水利学报，2000(1)：19～2l【67】汪树玉等．大坝观测数据序列中的混沌现象[J】．水利学报，1999(7)：22～25[68]徐洪钟．大坝动力系统的安全监控非线性分析模型研究[D]．河海大学博士学位论文，200l[69]苏怀智，吴中如，温志萍，沈振中．遗传算法在大坝安全监控神经网络预报模型建立中的应用【J】．水利学报，2001(8)：44～4863 '