一种帷幕灌浆单位注灰量的预测方法
本发明属于水利水电工程帷幕灌浆施工数据处理与计算机辅助预测,特别是涉及一种帷幕灌浆单位注灰量的预测方法。
背景技术:
1、帷幕灌浆是水库大坝坝基、坝肩及地下防渗工程中常用的处理措施,但由于浆液扩散和充填过程发生在地下介质内部,其扩散路径、充填范围和最终处理效果难以直接观测,现场通常需要结合压水试验、分段灌浆记录、灌浆压力和注入量等信息,间接判断地层可灌性及施工异常。在分段灌浆施工过程中,若能在当前主段次施工前,根据同一灌浆孔内已完成段次的单位注灰量估计后续段次的注灰水平,施工人员便可提前安排浆材储备,复核制浆与输浆能力,并对潜在高注灰或突增段次加强监测。这类预测不能替代压水试验、地质判别和现场施工经验,但可以为材料组织、施工调度和风险提示提供量化参考。
2、但现有技术中,对帷幕灌浆试验工程工程记录开展预测仍面临多方面困难,首先,单个灌浆孔内可用主段次数量有限,难以形成常规深度时序模型所需的长序列样本;其次,喀斯特地层空间非均质性强,单位注灰量序列常呈现非平稳变化和局部突增特征;再次,高单位注灰量段次在样本中占比较低,但往往对应更高的材料消耗、施工组织压力和异常处置需求。若训练过程主要追求整体平均误差,模型容易受到多数普通样本主导,从而削弱对高注灰样本及其低估误差的关注。
3、近年来,机器学习和深度学习方法逐渐用于灌浆参数预测及施工数据分析,已有研究表明,支持向量机、树模型、人工神经网络和循环神经网络等方法能够刻画灌浆参数与施工记录之间的非线性关系,并提高灌浆参数预测的自动化水平。对于具有时间顺序特征的施工数据,gru(gated recurrent unit)等循环神经网络能够利用前序状态信息,适合刻画短序列中的局部依赖关系。然而,直接拟合原始单位注灰量序列时,整体趋势、局部波动和极端突增往往混合在同一尺度中,增加了模型学习难度。ssa(singular spectrumanalysis)、iceemdan(improved complete ensemble empirical mode decompositionwith adaptive noise)等信号分解方法可将非平稳序列拆分为若干变化成分,再由预测模型分别学习各分量特征,为提高复杂工程序列预测精度提供了有效思路。另一方面,huber损失、非对称损失和风险导向的样本加权策略能够提高模型对高风险样本及其低估误差的关注,为降低极端高值样本低估误差提供了新的可能。
4、对于在单位注灰量及其相关指标预测方面,已有研究也开展了有益探索。例如:rahimi et al.基于 bakhtiari和karun 4坝址的试验灌浆资料,采用统计分析和人工神经网络估计注灰量,表明神经网络方法能够比传统多元统计方法更好地刻画注灰量与地质及施工参数之间的非线性关系(rahimi et al., 2019);niu et al. 针对喀斯特帷幕灌浆,基于岩层透水率建立单位注灰量预测方法,指出单位注灰量与岩层透水性之间存在非线性正相关关系,并通过现场灌浆试验验证了该方法的工程适用性(niu et al., 2019);zhuet al.进一步采用goa-elm模型预测坝基灌浆注灰量,为灌浆材料准备、质量控制和施工参数调整提供了智能预测思路(zhu et al., 2025)。上述研究说明,单位注灰量及其相关指标具有一定可预测性,但其建模思路仍主要集中于静态工程参数映射。但现有研究仍存在一下缺陷:
5、1)已有单位注灰量及其相关指标预测研究多将地质条件、透水率和施工参数作为静态输入变量,侧重建立“工程参数—单位注灰量”之间的非线性映射关系,对同一灌浆孔内前序主段次所反映的局部连续性和短序列依赖关系利用不足。
6、2)已有灌浆预测研究多以r²、rmse和mae等整体指标为主要评价依据,对高单位注灰量样本、相邻段次突增样本和极端低估误差的专项评价相对不足。
7、3)分解预测模型虽然有助于缓解原始序列的非平稳性,但通常仍以整体误差最小化为主要目标,未进一步考虑高注灰段次被低估时的工程代价。
8、4)若从训练初期直接施加强风险损失,少量高值样本可能过早主导参数更新,影响模型对总体变化规律的学习。
9、因此,如何在保持整体预测能力的同时,充分利用孔内短序列信息,并提高模型对高单位注灰量样本、突增样本和极端低估误差的控制能力,是单位注灰量预测中需要重点解决的问题。
技术实现思路
1、本发明实施例的目的在于提供一种帷幕灌浆单位注灰量的预测方法,以实现在单孔可用主段次数量有限、多孔记录之间不具有真实连续关系、单位注灰量呈非平稳及局部突增特征的条件下,构造具有孔内工程连续性的多尺度短序列预测样本,并降低高单位注灰量及突增段次的低估误差。
2、为解决上述技术问题,本发明所采用的技术方案是一种帷幕灌浆单位注灰量的预测方法,步骤包括:
3、步骤s1,获取目标帷幕灌浆试验工程的灌浆孔编号、主段次序号、水泥注入量和灌浆段长,并整理成标准化序列数据;
4、步骤s2,构建完整有序单位注灰量序列,并通过奇异谱分析获取重构分量;
5、步骤s3,将各重构分量映射回相应灌浆孔和主段次,然后对映射后的数据进行分组并排序,根据回看长度将每个重构分量序列中的分量值组成分量级输入向量,所有分量级输入向量组成分量级孔内短序列样本,通过交叉验证将样本划分为验证集合和训练集合;
6、步骤s4,根据单位注灰量的绝对水平和孔内正向增量构造复合风险权重;
7、步骤s5,对各重构分量进行归一化,分别建立门控循环单元子模型,并构造风险自适应非对称加权huber复合损失;
8、步骤s6,采用两阶段方式训练各子模型,并通过分量预测、反归一化和求和重构得到单位注灰量预测值。
9、进一步的,所述s1的具体步骤如下:
10、s11,读取目标帷幕灌浆试验工程灌浆成果表中的灌浆孔编号、段次、段长和水泥注入量,以成果表的孔号字段作为灌浆孔编号,从段次字符串起始位置提取数字部分作为主段次编号,将同一灌浆孔内具有相同主段次编号的初次灌浆记录和复灌记录归并;
11、s12,对于第个灌浆孔中的第个主段次,将其包含的各条初次灌浆记录或复灌记录的水泥注入量相加,得到主段次水泥注入量合计;
12、s13,采用归并组中记录的段长作为该主段次的段长,计算灌浆孔各主段次的单位注灰量,并输出包含灌浆孔编号、主段次编号和单位注灰量的数据集。
13、进一步的,所述s2的具体步骤如下:
14、s21,将所有灌浆孔内每个有效主段次的单位注灰量按灌浆孔编号和孔内主段次顺序排列成一个完整的有序序列,并保存每个单位注灰量与孔号、段次的对应关系,设奇异谱分析的窗口长度为,则轨迹矩阵的列数,然后利用长度为的滑动窗口构造轨迹矩阵;
15、s22,对轨迹矩阵进行奇异值分解,得到的初等矩阵;
16、s23,分别对各初等矩阵进行对角平均,将初等矩阵转换为与完整有序单位注灰量序列等长的一维重构分量序列,表达式如下:
17、
18、式中,表示第个重构分量序列,表示排序后第个主段次在第个重构分量序列中的分量值,表示参与分解的主段次记录总数。
19、进一步的,所述s3中,映射后的数据在各灌浆孔内部按照主段次编号升序排列,设回看长度为,对于第个重构分量序列,以同一灌浆孔内前个主段次在第个重构分量序列中的分量值组成分量级输入向量,所有分量级输入向量组成分量级孔内短序列样本,并读取每个样本对应的原始单位注灰量,得到全部分量级孔内短序列样本后,通过交叉验证将样本划分为验证集合和训练集合。
20、进一步的,所述s4的具体步骤如下:
21、s41,对于第个灌浆孔的第个主段次,计算同一灌浆孔相对于前一主段次的单位注灰量正向增量,公式如下:
22、
23、式中,表示第个灌浆孔的第个主段次相对第个主段次的单位注灰量正向增量,表示第个灌浆孔的第个主段次的单位注灰量,表示第个灌浆孔的第个主段次的单位注灰量,表示取最大值,当时,;
24、s42,计算绝对水平阈值、正向增量阈值,公式如下:
25、
26、
27、式中,表示单位注灰量绝对水平阈值,表示孔内正向增量阈值,表示分位数算子,表示第个灌浆孔的第个主段次的单位注灰量,表示第个灌浆孔的第个主段次相对第个主段次的单位注灰量正向增量;
28、s43,确定绝对水平风险响应的平滑尺度和正向增量风险响应的平滑尺度,计算绝对水平风险响应和正向增量风险响应,公式如下:
29、
30、
31、
32、
33、式中,表示单位注灰量的标准差,表示灌浆孔内单位注灰量正向增量的标准差,表示第个主段次的绝对水平风险响应,表示第个主段次的正向增量风险响应;
34、s44,计算复合风险权重,公式如下:
35、
36、其中,表示绝对水平风险响应系数,表示正向增量风险响应系数。
37、进一步的,所述s5的具体步骤如下:
38、s51,对各重构分量进行最大-最小归一化;
39、s52,分别为个重构分量序列建立对应的门控循环单元子模型,所述门控循环单元子模型选择标准门控循环单元模型,各子模型依次包括输入层、门控循环单元层、随机失活层和单神经元全连接输出层;其中,第个重构分量序列对应的门控循环单元子模型的预测过程表示为:
40、
41、式中,表示第个重构分量序列对应的门控循环单元子模型,表示该子模型的可训练网络参数,表示第个灌浆孔中第个主段次在第个重构分量序列的归一化预测分量值,表示第个灌浆孔中第个主段次在第个重构分量序列的归一化真实分量值,表示第个灌浆孔中第个主段次在第个重构分量序列的归一化真实分量值,t表示转置;
42、s53,计算归一化后预测分量值的残差和huber基础损失,公式如下:
43、
44、
45、式中,表示目标主段次在第个重构分量序列中的归一化真实分量值,表示目标主段次在第个重构分量序列的门控循环单元子模型计算得到的归一化预测分量值,表示目标主段次在第个重构分量序列的归一化真实分量值和归一化预测分量值之间的残差,表示huber基础损失,为huber基础损失的转折阈值;
46、s54,确定低估指示变量,判定是否发生低估,并结合复合风险权重和低估指示变量计算低估方向非对称放大因子,公式如下:
47、
48、式中,表示低估方向非对称放大因子,表示复合风险权重,表示低估惩罚系数,表示低估指示变量,若>0,表示预测值低于真实值,发生低估,此时低估指示变量,若≤0,表示未发生低估,此时,;
49、s55,将复合风险权重转换为风险门控值的尺度参数,计算风险门控值,然后根据风险门控值计算样本级混合系数,公式如下:
50、
51、
52、式中,为风险门控分母,表示将输入值限制在0~1区间,表示基础混合系数,表示最大混合系数,为当前训练样本采用的风险项混合系数,表示复合风险权重;
53、单个训练样本的风险自适应复合损失为:
54、
55、
56、
57、式中,表示单个分量级训练样本的总训练损失,表示均方误差,表示风险自适应复合损失,表示低估方向非对称放大因子,表示第个重构分量的归一化真实分量值和归一化预测分量值之间的残差;
58、对当前训练批次内全部样本的取平均值,结块得到对应门控循环单元子模型的批次训练损失。
59、进一步的,所述s6的具体步骤如下:
60、s61,第一训练阶段,对于当前交叉验证折中的第个重构分量,将训练集合中的归一化孔内短序列输入该重构分量对应的门控循环单元子模型,并以该重构分量对应的归一化真实分量值作为监督信号,采用均方误差作为损失函数,公式如下:
61、
62、式中,表示第个重构分量序列对应的门控循环单元子模型得到的预测分量值的均方误差,表示当前训练批次,表示当前训练批次包含的样本数量,表示第个灌浆孔中第个主段次在第个重构分量序列的归一化预测分量值,表示第个灌浆孔中第个主段次在第个重构分量序列的归一化真实分量值;
63、s62,基于第一训练阶段得到的网络权重,重新建立与第一训练阶段具有相同结构的门控循环单元子模型,并将第一训练阶段得到的网络权重设置为第二训练阶段的初始网络权重,重新建立优化器,进行第二训练阶段,此阶段采用s5定义的风险自适应复合损失继续训练重新建立的子模型,分别对个重构分量序列完成两阶段训练后,得到个训练完成的门控循环单元子模型;
64、s63,对于当前交叉验证折中的验证样本,采用各重构分量序列在当前训练集合中拟合的归一化器,对相应历史分量输入进行尺度转换,并将第个重构分量序列对应的归一化历史短序列输入训练完成的门控循环单元子模型,得到归一化预测分量值,然后利用重构分量在当前训练集合中拟合的归一化参数,对归一化预测分量值进行反归一化,公式如下:
65、
66、式中,表示恢复至原分量尺度的第个灌浆孔第个主段次在第个重构分量序列中的预测分量值,表示第个重构分量序列在当前训练集合中分量值的最小值,表示第个重构分量序列在当前训练集合中分量值的最大值,表示第个灌浆孔中第个主段次在第个重构分量序列的归一化预测分量值;
67、s64,对所有反归一化预测分量值进行求和,得到第个灌浆孔第个目标主段次的单位注灰量预测值,公式如下:
68、
69、式中,表示第个灌浆孔第个主段次的单位注灰量预测值,表示重构分量序列的数量,表示恢复至原分量尺度的第个灌浆孔第个主段次在第个重构分量序列中的预测分量值。
70、本发明的有益效果是:
71、本发明能够更有效地抑制预测过程中的较大偏差,提高对高单位注灰量及突增段次的预测能力,并减轻极端高值样本的低估程度,从而使预测结果在高风险段次上具有更好的可靠性,可为帷幕灌浆施工中的浆材准备、施工组织及风险提示提供更加有效的参考。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com