一种基于深度学习的坝体位移估算方法及系统

本发明涉及水利工程监测，特别是涉及一种基于深度学习的坝体位移估算方法及系统。

背景技术：

1、大坝位移预测是保障水利工程安全运行的关键技术手段。坝体在库水位升降、温度变化、时效演化等多因素作用下产生位移响应，准确预测坝体位移对大坝安全监控和风险预警具有重要意义。然而，坝体并非孤立结构，其左右两端嵌入坝肩山体之中，坝肩山体对坝体构成侧向约束边界。库水位升降过程中，库水向坝肩山体内部渗入或渗出，改变坝肩山体内部的渗流场分布和孔隙水压力状态，进而影响坝肩山体对坝体的侧向约束能力。这一动态约束机制使得坝体位移与环境因素之间的关系呈现高度非线性和时变性，给位移预测带来了显著的技术挑战。

2、现有大坝位移预测方法主要包括统计回归模型和深度学习模型两类。统计回归模型通过建立库水位、温度、时效等环境量与坝体位移之间的经验回归关系进行预测，这类方法物理含义明确但难以捕捉环境量与位移之间的复杂非线性关系。深度学习模型如长短期记忆网络和门控循环单元等被引入大坝位移预测领域，用于捕捉环境变量与坝体位移之间的非线性时序关系。部分方案开始关注环境量对坝体位移的时滞效应，通过最大信息系数等方法计算水位变化与坝体位移之间的滞后时间。在物理约束方面，已有研究将力学机理约束与深度神经网络相结合构建物理数据融合预测模型，通过将物理方程以损失函数惩罚项的形式嵌入网络训练过程，使预测结果在一定程度上满足物理规律。

3、然而，现有方法在坝肩约束的动态表征方面存在明显不足。现有模型通常将坝肩山体简化为固定边界条件，未将坝肩山体渗流状态的变化作为位移预测的输入特征，导致模型在库水位升降过程中无法感知坝肩约束状态的动态变化。此外，虽然部分方法已关注到水位变化对坝体位移的时滞效应，但其滞后时间通常作为固定参数处理，未考虑滞后时间随库水位变化速率的动态变化特性。因此，如何将坝肩山体在库水位升降过程中的动态约束状态量化并融入位移预测模型，使位移预测网络同时具备物理规律约束和数据驱动建模的双重优势，是本领域技术人员持续关注的方向；因此，需要设计一种基于深度学习的坝体位移估算方法及系统来解决上述问题。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于深度学习的坝体位移估算方法及系统，旨在克服现有大坝位移预测方法将坝肩山体简化为固定边界条件、无法量化坝肩渗流状态动态变化对坝体位移的影响，以及滞后时间作为固定参数不能随库水位变化速率动态调整的缺陷，具有通过坝肩约束特征集将滞后时间特征和孔隙水压力特征作为物理驱动子网络和数据驱动子网络的动态边界条件输入、并基于双子网络历史预测误差自适应置信度加权融合输出的特点。

2、为实现上述技术方案，本发明采用的技术方案为：

3、一种基于深度学习的坝体位移估算方法，包括以下步骤：

4、获取监测数据，监测数据包括坝体的历史位移序列、库水位序列以及坝肩山体的地下水位序列和孔隙水压力序列；

5、根据库水位序列计算库水位变化速率及升降方向，根据地下水位序列计算滞后时间；

6、根据滞后时间和孔隙水压力序列构建坝肩约束特征集，坝肩约束特征集包括滞后时间特征和孔隙水压力特征；

7、以历史位移序列的时间基准为统一时间轴，对库水位序列和坝肩约束特征集进行时序对齐重采样，融合为多维驱动特征；

8、将多维驱动特征输入位移预测网络，位移预测网络包括物理驱动子网络和数据驱动子网络，两子网络均以坝肩约束特征集为动态边界条件输入，物理驱动子网络根据库水位变化速率、孔隙水压力特征和滞后时间特征输出物理预测位移，数据驱动子网络输出数据预测位移；数据驱动子网络包含门控循环单元层和时序注意力层；门控循环单元层对多维驱动特征进行时序编码；时序注意力层根据各历史时刻的库水位变化幅度计算注意力权重，对门控循环单元层输出的各时刻隐藏状态进行加权融合后输出数据预测位移；

9、根据物理预测位移和数据预测位移的历史预测误差自适应调整置信度，加权融合为最终位移估算值。

10、进一步地，所述门控循环单元层的计算过程包括：

11、设当前时刻为，上一时刻隐藏状态为，当前时刻输入特征向量为，更新门的计算式为：

12、；

13、重置门的计算式为：

14、；

15、候选隐藏状态的计算式为：

16、；

17、当前时刻隐藏状态的计算式为：

18、；

19、其中，、、为权重矩阵，、、为偏置项，为sigmoid激活函数，表示逐元素乘法，为双曲正切激活函数。

20、进一步地，所述时序注意力层中各历史时刻的库水位变化幅度的计算式为：

21、；

22、注意力权重的计算式为：

23、；

24、融合后的上下文向量的计算式为：

25、；

26、所述数据预测位移的计算式为：

27、；

28、其中，为时刻的库水位值，为输入序列的时间长度，为门控循环单元层在时刻输出的隐藏状态，为全连接输出层的权重矩阵，为全连接输出层的偏置项。

29、进一步地，所述库水位变化速率的计算方式为：以当前时刻为基准，向前取预设时间窗口长度内的库水位序列进行最小二乘线性拟合，拟合直线的斜率作为当前时刻的库水位变化速率，拟合直线斜率为正值时判定库水位处于上升阶段、为负值时判定库水位处于下降阶段。

30、优选地，所述物理驱动子网络采用力学关系模型计算物理预测位移，所述力学关系模型为二阶微分方程形式，坝体位移对时间的二阶导数与库水位变化速率、孔隙水压力特征和滞后时间特征关联，所述力学关系模型表示为：

31、；

32、其中，为物理预测位移，为时间，为库水位变化速率，为孔隙水压力特征值，为滞后时间特征值，为库水位变化速率影响系数，为孔隙水压力影响系数，为滞后时间影响系数，为常数项；

33、物理驱动子网络将所述力学关系模型离散化后递推计算物理预测位移，离散化方式为：

34、设时间步长为，当前时刻为第步，前一时刻为第步，位移对时间的一阶导数采用一阶后向差分近似，位移对时间的二阶导数采用一阶后向差分的差分近似，物理预测位移的递推计算式为：

35、；

36、其中，为第步的物理预测位移，为第步的库水位变化速率，为第步的孔隙水压力特征值，为第步的滞后时间特征值；递推计算所需的初始值和分别取历史位移序列中的初始时刻和第一时刻的实测位移值。

37、进一步地，所述力学关系模型采用简化的一阶差分形式，物理预测位移的变化量直接与库水位变化速率、孔隙水压力特征和滞后时间特征的当前值成比例关系：

38、；

39、其中，，为第步与第步物理预测位移的差值。

40、进一步地，的取值范围为0.5至5.0，的取值范围为0.01至0.50，的取值范围为0.001至0.100，的取值范围为至0.10^2；对于混凝土重力坝，的取值范围为0.5至2.0；对于土石坝，的取值范围为2.0至5.0；和根据坝肩山体的渗透特性确定：当坝肩山体渗透系数小于m/s时，的取值范围为0.01至0.10，的取值范围为0.001至0.010；当坝肩山体渗透系数大于m/s时，的取值范围为0.20至0.50，的取值范围为0.050至0.100；当坝肩山体渗透系数介于m/s至m/s之间时，的取值范围为0.10至0.20，的取值范围为0.010至0.050。

41、进一步地，各输入变量在参与所述力学关系模型计算前进行尺度对齐处理：将各输入变量除以其自身的参考值转换为无量纲的相对值；库水位变化速率的参考值为该坝址历史库水位变化速率的最大值，孔隙水压力的参考值为该坝肩历史孔隙水压力的最大值，滞后时间的参考值为该坝肩历史滞后时间的最大值。

42、优选地，所述自适应调整置信度的方式为：

43、计算所述物理驱动子网络和所述数据驱动子网络在历史时间窗口内各时刻的预测位移与实测位移之差的绝对值作为预测误差；

44、根据所述物理驱动子网络和所述数据驱动子网络在所述历史时间窗口内的预测误差确定两子网络的置信度；

45、所述物理预测位移和所述数据预测位移按置信度加权求和得到所述最终位移估算值；

46、当所述坝肩约束特征集中的孔隙水压力特征波动幅度超过预设波动阈值时，减少所述物理驱动子网络的置信度并增加所述数据驱动子网络的置信度；所述孔隙水压力特征波动幅度的计算方式为：

47、取当前时刻之前预设波动统计窗口长度内的孔隙水压力序列，计算该序列的标准差；当超过预设波动阈值时，触发置信度切换，物理驱动子网络的置信度下调至0.2，数据驱动子网络的置信度上调至0.8；当回落至以下并持续预设恢复时间后，置信度切换机制解除，置信度恢复为由平均预测误差自适应确定。

48、优选地，所述置信度的确定方式为：物理驱动子网络在历史时间窗口内的平均预测误差为：

49、；

50、数据驱动子网络在历史时间窗口内的平均预测误差为：

51、；

52、物理驱动子网络的置信度为：

53、；

54、数据驱动子网络的置信度为：

55、；

56、所述最终位移估算值为：

57、；

58、其中，为历史时间窗口长度，为当前时刻，为历史时间窗口内的时刻索引，为物理驱动子网络在时刻的物理预测位移，为数据驱动子网络在时刻的数据预测位移，为时刻的坝体位移实测值，和分别为物理驱动子网络和数据驱动子网络的平均预测误差，和分别为物理驱动子网络和数据驱动子网络的置信度且，为时刻的最终位移估算值。

59、优选地，所述坝肩山体包括左坝肩山体和右坝肩山体；分别获取左坝肩山体的地下水位序列和孔隙水压力序列以及右坝肩山体的地下水位序列和孔隙水压力序列；分别构建左坝肩约束特征集和右坝肩约束特征集；将所述左坝肩约束特征集和所述右坝肩约束特征集分别作为独立的动态边界条件特征进行时序对齐与融合；

60、左坝肩和右坝肩分别独立执行滞后时间计算步骤，分别获得左坝肩动态调整后的滞后时间和右坝肩动态调整后的滞后时间；左坝肩和右坝肩各自对应的比例系数根据各自坝肩山体的地质渗透特性独立取值。

61、优选地，在位移预测过程中根据实时监测的坝体位移序列与所述最终位移估算值之间的偏差，更新所述坝肩约束特征集中的滞后时间特征和孔隙水压力特征；将更新后的特征重新输入所述物理驱动子网络生成更新后的物理预测位移；

62、更新的触发条件为：计算当前时刻之前偏差统计窗口长度内位移偏差序列的滑动平均值，当所述滑动平均值的绝对值超过预设偏差阈值时触发在线校正；校正量的确定方式为：取触发时刻之前的校正窗口长度内的监测数据，以校正窗口内各时刻的坝体位移实测值与物理预测位移之间的偏差平方和最小为目标，构造最小二乘问题：

63、；

64、求解得到滞后时间特征校正量和孔隙水压力特征校正量；校正后的滞后时间特征值和孔隙水压力特征值分别为：

65、；

66、；

67、其中，和分别为触发校正时刻原始的滞后时间特征值和孔隙水压力特征值，为校正窗口内的各时刻，为以校正后的滞后时间特征值和孔隙水压力特征值作为输入计算得到的物理预测位移；在线校正仅更新特征输入值，不更新所述力学关系模型的参数。

68、优选地，所述滞后时间的计算方式为：

69、计算坝肩地下水位序列与库水位序列在多个不同时间滞后量下的互相关函数，取互相关函数值最大时对应的时间滞后量作为基础滞后时间；

70、以所述基础滞后时间为基准，乘以以库水位变化速率绝对值为指数的指数衰减函数，得到动态调整后的滞后时间；

71、互相关函数的计算式为：

72、；

73、基础滞后时间为互相关函数值最大时对应的：

74、；

75、动态调整后的滞后时间的计算式为：

76、；

77、其中，为时间滞后量，为序列长度，为库水位序列，为坝肩地下水位序列，和分别为参与计算的库水位序列段和坝肩地下水位序列段的均值，为库水位变化速率，为比例系数，的取值范围为0.5h/m至5.0h/m且根据坝肩山体的地质渗透特性确定。

78、优选地，根据所述最终位移估算值计算位移变化率序列；

79、在设定时间窗口内统计所述变化率序列中位移变化率由正变负或由负变正的次数作为方向交替频率；

80、当所述方向交替频率超过预设频率阈值或所述变化率序列的幅值超过预设幅值阈值时判定坝体位移趋势出现异常转折；

81、位移变化率的计算式为：

82、；

83、方向交替频率的计算式为：

84、；

85、位移变化率幅值的计算式为：

86、；

87、其中，为时刻的最终位移估算值，为时刻的最终位移估算值，为判定时间窗口内由正变负和由负变正的交替总次数；当超过预设频率阈值或超过预设幅值阈值时判定坝体位移趋势出现异常转折；取0.02次/h，取1.5mm。

88、优选地，所述多维驱动特征还包括温度序列和降雨量序列；

89、将所述温度序列和所述降雨量序列按所述统一时间轴进行插值重采样后进行时序对齐与融合；插值重采样采用线性插值方法，线性插值公式为：

90、；

91、其中，为目标时间点，和分别为目标时间点前后最近的已知数据时间点，和分别为和时刻的温度值或降雨量值。

92、优选地，一种基于深度学习的坝体位移估算系统，用于执行所述的一种基于深度学习的坝体位移估算方法，包括：

93、数据获取模块，用于获取监测数据，所述监测数据包括坝体的历史位移序列、库水位序列以及坝肩山体的地下水位序列和孔隙水压力序列；

94、水位升降与滞后解析模块，用于根据所述库水位序列计算库水位变化速率及升降方向，根据所述地下水位序列计算滞后时间；

95、坝肩约束特征构建模块，用于根据所述滞后时间和所述孔隙水压力序列构建坝肩约束特征集，所述坝肩约束特征集包括滞后时间特征和孔隙水压力特征；

96、时序对齐融合模块，用于以所述历史位移序列的时间基准为统一时间轴，对所述库水位序列和所述坝肩约束特征集进行时序对齐重采样，融合为多维驱动特征；

97、双驱动位移预测模块，用于将所述多维驱动特征输入位移预测网络，所述位移预测网络包括物理驱动子网络和数据驱动子网络，两子网络均以所述坝肩约束特征集为动态边界条件输入，所述物理驱动子网络根据库水位变化速率、孔隙水压力特征和滞后时间特征输出物理预测位移，所述数据驱动子网络输出数据预测位移；

98、置信度融合输出模块，用于根据所述物理预测位移和所述数据预测位移的历史预测误差自适应调整置信度，加权融合为最终位移估算值。

99、本发明的有益效果为：

100、1.本发明通过建立包含滞后时间特征和孔隙水压力特征的坝肩约束特征集，并将该特征集作为物理驱动子网络和数据驱动子网络共同的动态边界条件输入，使位移预测网络能够感知坝肩约束状态在库水位升降过程中的动态变化。坝肩山体地下水位对库水位的滞后时间反映了坝肩山体对库水位变化的响应敏感程度，孔隙水压力直接表征山体内部的水力状态，两者共同构成坝肩约束状态的量化表征。物理驱动子网络和数据驱动子网络以相同的坝肩约束状态信息为基础进行双路预测，使模型在同等库水位条件下能够输出反映坝肩约束状态差异的位移估算结果，解决了现有方法将坝肩简化为固定边界条件而无法感知约束状态动态变化的缺陷。

101、2.本发明通过置信度自适应调整机制，根据物理驱动子网络和数据驱动子网络在历史时间窗口内的预测误差动态计算各自的置信度并进行加权融合，使预测精度较高的子网络在融合中占据更大的权重。同时，当坝肩孔隙水压力波动超过预设阈值时，系统判定坝肩处于非稳态工况，自动降低基于稳态力学关系模型的物理驱动子网络的置信度并增大数据驱动子网络的置信度，使预测结果在坝肩渗流状态剧烈变化的工况下仍保持可靠性，解决了单一模型在非稳态工况下预测精度下降的问题，有效提升了坝体位移估算的工程可信度。

102、3.本发明通过互相关函数分析确定库水位变化传递至坝肩山体的基础滞后时间，并采用以库水位变化速率绝对值为指数的指数衰减函数对基础滞后时间进行动态调整，使滞后时间能够反映库水位快速变化时水头传递加速的物理过程。当库水位变化速率较大时滞后时间自动缩短，模型对坝肩约束状态的响应更加灵敏；当库水位变化速率较小时滞后时间接近统计平均值，模型保持稳定的预测性能。左坝肩和右坝肩分别独立计算滞后时间并构建各自的约束特征集，能够准确反映左右坝肩因地质条件差异而产生的不同约束能力，解决了固定滞后时间参数无法适应库水位变化速率动态变化的问题。