技术领域
[0001] 本
发明涉及
混凝土坝运行安全评价，特别涉及一种考虑滞后效应的混凝土坝长期运行安全度评价及预测集成方法。
背景技术
[0002] 大坝为促进经济发展、保障人民安全做出了巨大的贡献。但随着运营年限的增加，大坝会出现坝体材料性能下降、
基础渗漏等问题，极易导致溃坝事故的发生，造成巨大损失。因此，大坝安全问题受到越来越多的关注。为了确保大坝安全，及时发现异常，大坝安全监测与评价非常重要。
[0003] 目前国内外对混凝土坝安全评价方法的研究取得了许多成果，如Ali Haghighi等运用模糊集理论和多目标遗传
算法在不确定性条件下进行重
力坝
稳定性分析；吴中如等提出大坝运行评价的一般原则，以证据理论和模糊综合分析方法为基础，提出一种层间评价的融合算法，建立综合评价模型。这些研究大多耦合不同理论和方法，建立大坝安全综合评价模型。但都没有考虑环境影响因素的滞后效应，只得到大坝短期单测点的运行安全等级，不能准确了解大坝长期运行安全状况，为工作人员提供异常预警和需重点监测的指标。
发明内容
[0004] 本发明的目的是克服
现有技术中的不足，提供一种考虑滞后效应的混凝土坝长期运行安全度评价及预测集成方法，了解大坝运行安全状况并对异常状况进行预警。
[0005] 本发明所采用的技术方案是：一种考虑滞后效应的大坝长期运行安全度评价及预测集成方法，包括以下步骤：
[0006] 步骤A，结合修正移动平均法和余弦相似度法，定量计算指标滞后效应；
[0007] 步骤B，建立完整的安全评价指标体系；
[0008] 步骤C，通过层次分析法计算各指标主观权重，结合变异系数和最大互信息系数提出DIC方法计算各指标客观权重，各指标的主观权重和客观权重线性加权得到各指标组合权重；
[0009] 步骤D，基于混凝土坝多测点长期监测数据，使用TOPSIS法定量计算混凝土坝安全度，得到混凝土坝长期运行性态及趋势；
[0010] 步骤E，采用神经网络预测未来长期安全度，并和步骤D计算得到的混凝土坝安全度对比，提供大坝异常的早期预警。
[0011] 步骤A进一步包括：
[0012] 步骤A1，选择
变形、气温、库
水位的监测数据，用于接下来计算变形相对气温、库水位的滞后时间；
[0013] 步骤A2，应用修正移动平均法，提取监测数据的趋势项，得到剩余的周期项及不规则
波动项，并归一化；
[0014]
[0015] 式中，Ft为下一时刻的模拟值，n1为移动平均的单个周期包含的监测数据个数，为前n1期实测值；
[0016] 步骤A3，对归一化后的数据应用余弦相似度法，不断滑动数据寻找余弦相似度最大的
位置，求出气温、库水位的滞后时间；
[0017]
[0018]
[0019] 式中，cos(θ)1为位移向量和气温向量余弦相似度，Ai为位移向量，Bi为气温向量，cos(θ)2为位移向量和库水位向量余弦相似度，Ci为库水位向量，n2为气温、水位、位移用于计算余弦相似度选取的监测数据个数。
[0020] 步骤B中，所建立的安全评价指标体系包括气象资料获取、结构安全评价、滞后性评价3个方面，所述气象资料获取包括降雨资料R、气温资料T、上游库水位Wu和下游库水位Wd，所述结构安全评价包括坝体位移Di、坝体变形De、坝体
应力S和裂缝开度C，所述滞后性评价包括滞后降雨Rl、滞后气温Tl、滞后上游库水位Wul和滞后下游库水位Wdl。
[0021] 步骤C进一步包括：
[0022] 步骤C1，通过层次分析法计算各指标主观权重，每两个指标进行重要性比较，根据规定的重要性度量标准量化两个指标的相对重要性，得到判断矩阵A；
[0023] 步骤C2，计算最大特征值和
特征向量，求主观权重；
[0024] A×W＝λmaxW (3)
[0025] 式中，λmax为最大特征值，W为特征向量，归一化得到各指标主观权重[0026] 步骤C3，进行一致性检验：
[0027]
[0028] 式中，CR为一致性比率，CI为一致性检验指标，RI为平均随机一致性指标，n3为安全评价体系选取的评价指标个数；若CR<0.1，则一致性良好，求得的主观权重可靠；
[0029] 步骤C4，计算单个指标的变异系数CVj：
[0030]
[0031] 式中，σj为第j个指标的标准差， 为第j个指标的均值；
[0032] 步骤C5，计算每两个指标的最大互信息系数MIC(D)：
[0033]
[0034] 式中，I*(D,x,y)表示所有尺度的网格中的最大互信息值，B为网格数量， n4为样本数量，x为在散点图x轴上划分的段数，y为在散点图y轴上划分的段数；
[0035] 步骤C6，计算各指标的独立系数Dj：
[0036]
[0037] 式中，bij表示第i个指标和第j个指标之间的最大互信息系数；
[0038] 步骤C7，计算客观权重ωj：
[0039]
[0040] 步骤C8，主观权重与客观权重线性组合，得到各指标组合权重：
[0041]
[0042] 式中，wj为组合权重， 为主观权重，ωj为客观权重，μ为主客观权重的分配系数，且0≤wj≤1,
[0043] 步骤D进一步包括：
[0044] 步骤D1，将各指标监测数据归一化，建立初始评价矩阵；
[0045] 步骤D2，将初始评价矩阵与步骤C求得的组合权重相乘，构建最终评价矩阵Z；
[0046] 步骤D3，确定各指标的正、负理想解；
[0047]
[0048] 式中， 为各指标的正理想解， 为各指标的负理想解，zij表示第j个指标的第i个评价对象，i＝1,2,…,m，m为确定各指标的正、负理想解下的监测数据个数；
[0049] 步骤D4，采用欧氏距离计算混凝土坝的各指标实测数据到正、负理想解的距离，混凝土坝的各指标实测数据距离正理想解越近，距离负理想解越远，则解越优；
[0050]
[0051]
[0052] 式中， 为混凝土坝实际安全性态到正理想解的距离， 为混凝土坝实际安全性态到负理想解的距离；
[0053] 步骤D5，计算理想点贴近度Ci作为混凝土坝安全度：
[0054]
[0055] Ci越大，则到正理想解距离越小，到负理想解距离越大，混凝土坝安全度越高。
[0056] 步骤E进一步包括：
[0057] 步骤E1，选择神经网络的三个最优参数：样本数据分配给训练集、验证集、测试集的比例，隐含层神经元的个数和训练算法；
[0058] 步骤E2，训练神经网络模型，使用TOPSIS计算得到的历史安全度预测未来长期安全度，计算均方误差MSE、平均绝对误差MAE、平均绝对百分误差MAPE、最大误差ME四个指标：
[0059]
[0060]
[0061]
[0062]
[0063] 式中，N为样本个数， 为第i个样本的TOPSIS求得的安全度， 为第i个样本的神经网络预测安全度；
[0064] 步骤E3，将神经网络预测的安全度与TOPSIS计算的安全度对比，通过两个值的差距了解混凝土坝运行的异常，为工作人员提前预警。
[0065] 本发明的有益效果是：本发明量化环境因素的滞后效应，根据混凝土坝长期多测点监测数据，计算结构安全度、环境安全度、总安全度，从三个数值量化混凝土坝长期运行安全状况，并根据历史安全度预测未来安全度，通过计算值和预测值的对比，提供大坝运行异常状况的早期预警，及时修复，降低大坝失事概率。
附图说明
[0066] 图1：本发明一种考虑滞后效应的大坝长期运行安全度评价及预测集成方法
流程图；
[0067] 图2：本发明工程实例气温、库水位余弦相似度曲线；
[0068] 图3a：本发明工程实例结构安全度图；
[0069] 图3b：本发明工程实例环境安全度图；
[0070] 图3c：本发明工程实例总安全度图；
[0071] 图4a：本发明工程实例结构安全度趋势图；
[0072] 图4b：本发明工程实例环境安全度趋势图；
[0073] 图4c：本发明工程实例总安全度趋势图；
[0074] 图5：本发明工程实例总安全度预测图。
具体实施方式
[0075] 为能进一步了解本发明的发明内容、特点及功效，兹例举以下
实施例，并配合附图详细说明如下：
[0076] 如附图1所示，一种考虑滞后效应的大坝长期运行安全度评价及预测集成方法，用于评价及预测混凝土坝长期运行的安全状况，包括以下步骤：
[0077] 步骤A，结合修正移动平均法(MMA)和余弦相似度法(CS)，定量计算指标滞后效应。
[0078] 步骤A1，选择变形、气温、库水位的监测数据，用于接下来计算变形相对气温、库水位的滞后时间；
[0079] 步骤A2，应用MMA，提取监测数据的趋势项，得到剩余的周期项及不规则波动项，并归一化；
[0080]
[0081] 式中，Ft为下一时刻的模拟值，n1为移动平均的单个周期包含的监测数据个数，为前n1期实测值；
[0082] 步骤A3，对归一化后的数据应用CS，不断滑动数据寻找余弦相似度最大的位置，求出气温、库水位的滞后时间；
[0083]
[0084]
[0085] 式中，cos(θ)1为位移向量和气温向量余弦相似度，Ai为位移向量，Bi为气温向量，cos(θ)2为位移向量和库水位向量余弦相似度，Ci为库水位向量，n2为气温、水位、位移用于计算余弦相似度选取的监测数据个数。
[0086] 步骤B，建立完整的安全评价指标体系。所建立的安全评价指标体系包括气象资料获取、结构安全评价、滞后性评价3个方面，共12个指标。所述气象资料获取包括降雨资料R、气温资料T、上游库水位Wu和下游库水位Wd，所述结构安全评价包括坝体位移Di、坝体变形De、坝体应力S和裂缝开度C，所述滞后性评价包括滞后降雨Rl、滞后气温Tl、滞后上游库水位Wul和滞后下游库水位Wdl。
[0087] 步骤C，通过层次分析法(AHP)计算各指标主观权重，结合变异系数(CV)和最大互信息系数(MIC)提出DIC(Discreteness and Independence Coefficient)方法计算各指标客观权重，各指标的主观权重和客观权重线性加权得到各指标组合权重。
[0088] 步骤C1，通过AHP计算各指标主观权重，每两个指标进行重要性比较，采用表1所示的度量方式量化两个指标的相对重要性，得到判断矩阵A；
[0089] 表1重要性度量表
[0090]
[0091] 步骤C2，计算最大特征值和特征向量，求主观权重；
[0092] A×W＝λmaxW (3)
[0093] 式中，λmax为最大特征值，W为特征向量，归一化得到各指标主观权重[0094] 步骤C3，进行一致性检验：
[0095]
[0096] 式中，CR为一致性比率，CI为一致性检验指标，RI为平均随机一致性指标，可由表2查得，n3为安全评价体系选取的评价指标个数；若CR<0.1，则一致性良好，求得的主观权重可靠；
[0097] 表2平均随机一致性指标RI标准值
[0098]
[0099] 步骤C4，计算单个指标的变异系数CVj：
[0100]
[0101] 式中，σj为第j个指标的标准差， 为第j个指标的均值；
[0102] 步骤C5，计算每两个指标的最大互信息系数MIC(D)：
[0103]
[0104] 式中，I*(D,x,y)表示所有尺度的网格中的最大互信息值，B为网格数量， n4为样本数量，x为在散点图x轴上划分的段数，y为在散点图y轴上划分的段数；
[0105] 步骤C6，计算各指标的独立系数Dj：
[0106]
[0107] 式中，bij表示第i个指标和第j个指标之间的最大互信息系数；
[0108] 步骤C7，计算客观权重ωj：
[0109]
[0110] 步骤C8，主观权重与客观权重线性组合，得到各指标组合权重：
[0111]
[0112] 式中，wj为组合权重， 为主观权重，ωj为客观权重，μ为主客观权重的分配系数，且0≤wj≤1,
[0113] 步骤D，基于混凝土坝多测点长期监测数据，使用TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)法定量计算混凝土坝安全度，得到混凝土坝长期运行性态及趋势。
[0114] 步骤D1，将各指标监测数据归一化，建立初始评价矩阵；
[0115] 步骤D2，将初始评价矩阵与步骤C8求得的组合权重相乘，构建最终评价矩阵Z；
[0116] 步骤D3，确定各指标的正、负理想解；
[0117]
[0118] 式中， 为各指标的正理想解， 为各指标的负理想解，zij表示第j个指标的第i个评价对象，i＝1,2,…,m，m为确定各指标的正、负理想解下的监测数据个数；
[0119] 步骤D4，采用欧氏距离计算混凝土坝的各指标实测数据到正、负理想解的距离，混凝土坝的各指标实测数据距离正理想解越近，距离负理想解越远，则解越优；
[0120]
[0121]
[0122] 式中， 为混凝土坝实际安全性态到正理想解的距离， 为混凝土坝实际安全性态到负理想解的距离；
[0123] 步骤D5，计算理想点贴近度Ci作为混凝土坝安全度：
[0124]
[0125] Ci越大，则到正理想解距离越小，到负理想解距离越大，混凝土坝安全度越高。
[0126] 步骤E，采用神经网络预测未来长期安全度，并和步骤D计算得到的混凝土坝安全度对比，提供大坝异常的早期预警。
[0127] 步骤E1，选择神经网络的三个最优参数：样本数据分配给训练集、验证集、测试集的比例，隐含层神经元的个数和训练算法；
[0128] 步骤E2，训练神经网络模型，使用TOPSIS计算得到的历史安全度预测未来长期安全度，计算均方误差MSE、平均绝对误差MAE、平均绝对百分误差MAPE、最大误差ME四个指标：
[0129]
[0130]
[0131]
[0132]
[0133] 式中，N为样本个数， 为第i个样本的TOPSIS求得的安全度， 为第i个样本的神经网络预测安全度；
[0134] 步骤E3，将神经网络预测的安全度与TOPSIS计算的安全度对比，通过两个值的差距了解混凝土坝运行的异常，为工作人员提前预警。
[0135] 本发明通过建立混凝土坝长期运行安全评价及预测体系，定量表示大坝安全状况，并进行未来长期安全预测，提前预警大坝运行异常状况，工作人员可及时采取补救措施。
[0136] 实施例
[0137] 选取某实际工程的监测指标，分别建立混凝土坝结构安全评价指标体系、环境评价指标体系和总评价指标体系。结构安全评价指标，选取冲沙闸坝段坝基应变(S)、冲沙闸闸孔顶部典型测点的应力(St)、闸孔侧面典型测点的应力(Ss)、测缝计测得的坝基变形(De)和坝面位移(Di)5个指标。环境评价指标选取气温(T)、库水位(W)、滞后气温(Tl)、滞后库水位(Wl)4个指标。总评价指标综合结构安全指标和环境指标，共9个指标。
[0138] 根据步骤A计算得到气温、库水位的滞后时间分别为55天和30天(如图2)，将考虑滞后时间的气温、库水位作为环境评价指标。
[0139] 根据步骤C1到C3，通过AHP计算各指标主观权重，一致性检验良好。根据步骤C4到C7，计算各指标的CV、MIC，得到指标客观权重。根据步骤C8，将主观权重和客观权重线性加权，分配系数取0.5，得到各指标组合权重。结构安全指标、环境指标、总指标的权重如表3、表4、表5所示。
[0140] 表3结构安全评价指标权重
[0141]
[0142] 表4环境评价指标权重
[0143]
[0144] 表5总评价指标权重
[0145]
[0146] 根据步骤D分别计算结构安全度、环境安全度、总安全度，并提取安全度趋势，得到混凝土坝长期运行安全状况，如图3a至图4c所示。
[0147] 图3a中混凝土坝结构安全度呈现明显的周期性变化，安全度在每年的8、9月出现最低值。由于结构安全指标主要是坝基内的应力、应变、变形与坝体位移，8、9月气温高，混凝土受
热膨胀导致
温度应力增大，会出现安全度偏低的情况，符合工程实际。图3b环境安全度整体上也呈现周期性变化，安全度最低值出现在每年的1、2月。由于环境指标主要是气温与库水位，冬天低温会产生冻胀效应，不利于坝体安全，符合工程实际。环境安全度在7、8月也出现较低的情况，由于夏季气温高，混凝土温度应力增大，而且坝址所在地夏季多雨，库水位上涨，评价结果与实际情况相符。图3c总安全度呈现规律的周期性变化，且变化趋势与结构安全度基本相同，说明大坝安全状况主要由结构安全指标决定。
[0148] 一般情况下，各指标监测量随时间增加而变化，是一个不可逆的过程。从图4a至图4c可知，结构安全度小幅波动，整体变化不超过0.2，较为稳定，可以判断大坝安全状况良好；环境安全度有上升的趋势，后期趋于稳定，呈周期小幅波动，大坝安全状况良好。总安全度趋势呈周期性波动，和结构安全度趋势变化基本一致，安全度值均超过0.67，大坝安全状况良好。
[0149] 根据步骤E1，选择不同参数组合分别训练和预测，选择预测
精度最高的三个参数。样本中70％作训练集、20％作验证集、10％作测试集，设置1层含有10个神经元的隐含层，选择Bayesian Regularization算法训练模型。
[0150] 根据步骤E2，通过历史安全度对未来长期总安全度进行预测，预测精度指标如表6所示，预测值与计算值的对比如图5所示。神经网络在训练集中拟合效果良好，在测试集中预测值和计算值趋势相同，但计算值偏低，说明这段时期大坝安全状况出现异常，需要及时检测维修。
[0151] 表6总安全度预测精度指标
[0152]
[0153] 尽管上面结合附图对本发明的优选实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，并不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和
权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护范围之内。
