基于人工神经网络的大坝安全风险评价研究

饶绍立，万思源，周志维

（1.江西省樟树市水利工程服务中心，江西樟树，331200；2.江西省水利科学院，江西南昌，330029）

0 引言

每年进入汛期，大坝安全是防汛最重要的工作，大坝运行状态是保障安全度汛的主要依据。随着大坝风险概念的引入及信息化、智能化技术发展，人工智能、大数据分析技术迅速发展，数据海量化、多源化、集中化、融合化、智能化的发展趋势不可逆转。作为传统的挡水建筑物，大坝多源化、智能化、自动化监测技术已成为当前及未来提升水库管理水平的主流。大坝在为当地社会、经济的发展带来了巨大贡献的同时，工程自身也给下游安全带来了一定风险。随着人们对大坝安全管理的要求提高，大坝的风险必须控制在可接受范围，在风险控制体系中，大坝自身存在的风险因素应该重点关注，因此，必须快速识别大坝风险，强化大坝系统风险评价能力，尤其重点关注大坝自身存在的安全性及稳定性[1]。

随着大坝的监测数据海量化、结构复杂化，如传统的渗流、变形数据、智能巡检数据、视频监控、运行管理等数据，包括线性、半线性及非线性数据，这些数据都能从单一侧面单独反映大坝的运行状况。大坝安全是系统风险，是多源信息融合后的表现，对单一要素进行风险评价存在局限；同时，大坝的溃坝风险是一系列的链接反映，通过融合多源监测信息，采用FMECA 法[1-3]，对不同的溃坝模式以及溃坝路径逐一分析，是定量评价风险的主要方法之一，但这种方法存在相对局限性，表现为：每个事件的概率确定数值存在主观性；溃坝路径的确定存在主观性，溃坝路径是多种行为的组合，不同事件均有导致溃坝的风险。因此，如何系统有效的开展风险评价，是当前的研究重点。

人工神经网络在多源非线性评估问题上具有明显优势。利用人工神经网络进行风险评估，可以解决非线性最值问题，减轻数据处理压力。近年来很多学者对风险评估方法进行了改进，主要采用神经网络算法进行分析，Addo[3]基于机器学习和深度学习模型建立了金融风险预测模型；Ma[4]提出了结合MLIA 算法与线性回归模型构建出信用风险预测模型；Yu[5]提出了基于BP 神经网络拓扑结构，建立了神经网络风险评估模型，并应用于风险评估系统中。王煦莹等[6]基于人工神经网络开展了金融信息系统风险评价，为大数据和人工神经网络在信息系统中风险评价提供有力实证；闵星[7]采用卷积神经网络对无人机采集的影像数据进行风险源识别。通过数据增强的方式制作多角度、多尺度的风险源数据集，利用神经网络能进一步提升模型的识别准确率，比传统方法具有效率高、成本低等优点；王丽蓉[8]构建了CNN 监测数据异常识别模型，定量展现了数据异常识别结果。本文利用人工神经网络，提出风险评价模型，开展大坝风险评价，实现大坝智能化、及时了解大坝安全状况。

1 大坝风险基本理论

1.1 大坝破坏模式

大坝破坏模式及路径分析是大坝风险分析的关键步骤。大坝破坏一般都是从某一初始条件开始的，经过一系列事件，才导致最终的破坏，破坏过程是复杂的灾变体，是由大坝自身风险因素结合外部荷载共同作用造成的结果。由于影响因素存在较多不确定性，根据不同的划分因素，确定的大坝破坏模式及溃坝路径也是不同的，因此大坝存在多种不同组合下的溃决模式及路径。根据现有研究，土石坝主要分为五大类溃坝模式，从主要因素来看，分为防洪能力、渗透稳定、结构稳定、闸门运行、管理设施等因素。

图1 列出了常见的溃坝路径。由图可知，大坝的溃坝过程由许多事件构成，但起始事件和结束事件相同，均为洪水、溃坝，期间发展路径无固定顺序，主要由上一事件的诱导产生，存在较多不确定性；同一事件下，下一步发展过程也可能不同。为分析溃坝风险，需要从溃坝路径中寻找关键路径及关键事件，定义节点事件较多或路线较短的路线作为关键路线，并将相关节点作为关键事件。根据疏理统计，主要关键事件是指大坝坝高不够、漫顶、管涌、坝下涵管破坏、闸门不正常、下游坝体失稳、上游坝坡失稳等，其余事件可归纳为次要事件。

图1 大坝溃坝路径图

1.2 风险分析思路

根据上述破坏模式分析可知，大坝的风险是多个路径发展的一系列事件。为定量分析风险，现有文献主要通过事件树法进行风险分析，通过概率事件，逐一对各个事件进行概率定义，并将所有事件的概率相乘作为最终溃坝概率，并依据概率大小划分风险等级。但实际上，许多大坝的出险过程可能不完全按照上述路径发展，有可能增加或减少路径，从而导致对实际的风险评价产生偏差。采用传统的线性方法难以全面有效的评价大坝风险。因此，需要将所有事件归纳为整体，并将风险分析理解为：关键事件出现越多的，风险越大，同理，次要事件越多，风险越大，反之亦然；关键路径越接近，事件出现的顺序越相似，则风险越大，反之亦然。如对于溃坝路径：洪水→坝坡大面积散浸→浸润线升高→坝体失稳→漫顶→干预无效→溃坝。若只出现洪水事件，但未出现其他事件，则风险较小，若增加了浸润线升高、坝体失稳等事件时，则风险增加。

该风险分析思想既沿用传统风险分析理论，又将整体与局部有机结合起来，为实现多源数据的融合提供了基础，且能够提前预判大坝风险状态，而无需所有事件发生后才能进行风险分析。

2 基于神经网络的风险评价模型

2.1 神经网络理念

人工神经网络是通过对人类大脑特征进行模拟，通过适量的神经单元及适当的互连方式而构建成非线性自适应系统，具有很强的学习能力及鲁棒性。根据输入数据样本，依照构建的算法，不断优化神经单元与反馈结果之间的连续强弱关系，并以连接权重的方式表征样本数据的特征。BP 算法是一种应用广泛的人工神经网络系统算法，它通过输出层的预测与实际输出误差来反向调整输出层至中间误差，以此类推，最终获得输入层预测。因此，一个神经网络在用来进行分析评价之前，首先要对神经系统进行训练；而BP 神经网络是多层神经网络中最有效的学习方法，它得到了广泛应用（见图2）。

图2 神经网络拓朴图

传递函数采用S 型，按式（1），将前一层作为输入，得出的输出结果作为下一层输入，直至求得最终输出结果。

其偏差期望为：

为使Ek随着连接权值调整按梯度下降，按照误差梯度下降原则，则有：

因此，隐含层至输出层的连接权值V 调整值为：

同理，连接权值w 调整值为：

2.2 风险评价模型

风险评估数学模型见图3。依据1.2 节介绍的风险分析思想，将大坝风险要素作为有机整体，并依据关键事件及关键路线进行风险分析，其主要评价过程如下：

对不同色调和粒径的磷灰石X射线粉晶分析结果见表3，P2O5含量见表4。从表4可以看出仅荧色调不同，但X射线粉晶分析及P2O5含量相近。

图3 风险评估数学模型

（1）确定神经网络输入数据。神经网络激活函数采用S 函数，各节点输出值在[0，1]区间。为统一数据标准，将每个事件的取得定为0 或1，0 代表该事件未发生，1 代表已发生。输入数据数量为26 个数据，如图1中26 个指标。

（2）确定输出结果数据。大坝风险输出结果确定为确定为4 个等级，低风险、中风险、高风险、极高风险。根据均匀分布原则，将不同风险等级对应的风险值范围确定为（0，0.25］，（0.25，0.5］，（0.5，0.75］，（0.75，1］。

（3） 确定网络训练样本数据。网络训练数据是数学模型计算可靠的关键。在选取训练数据时，若仅选择现有的溃坝路径，则数据过少，训练得出的神经网络模型实用性不强，数据融合性不理想，网络鲁棒性差，数据模型达不到预期成果；为此，将不同数据进行随机组合，并依据有关成果定义风险等级，本文共选择1 000组数据组合，训练数据形式如表1。

表1 输入数据样本集

通过0、1 特征值分布，则可以表征大坝溃坝特征。通过目前已有的溃坝路径，确定相应的风险值。在确定数据组合下的输出结果时，依据以下原则：对于事件包含了关键事件，溃坝路径与现有路径相同时，则输出结果为1，表征极高风险；对于事件包含了关键事件，有关溃坝路径次要事件部分相同时，则输出结果为0.75，表征高风险，具体标准如表2所示。

表2 输出结果表征定义

（4）确定网络拓朴结构。网络拓扑结构的合理性直接影响到模型的可靠性，确定内容包括输入层节点数、隐含层数、隐含层节点数、输出层节点数等几个方面。现主要需确定隐含层数及隐含层节点数。

隐含层数直接影响网络性能优劣。当前，一般3 层网络已完成任意n 维到m 维的映射[9-10]；而在确定隐含层节点数时，则根据经验公式判断，隐含层节点数太少，网络精度不佳，隐含层节点数太多，训练时间过长；本文采用经验公式确定，经验公式如下：

式中：m 代表隐含层节点数，n 代表输入节点数。

2.3 网络模型训练

图4 训练误差过程线图

由图4 可知，利用神经网络进行计算时，误差能够较快收敛。当迭代次数120 次时，误差已降到10%以内；当迭代次数370 次时，误差已降到1%以内；当迭代次数650 次时，误差在0.1%，预测模型效果较理想。

3 应用实例

在江西省选择2 座小（1）型水库（水库1 与水库2）。该两座水库均为均质土坝，并分别在2011年及2013年完成除险加固。近10年以来，由于管护力量及条件不足，大坝运行过程中出现不同问题，对这两座水库进行风险调研，调研情况如下：

水库1 现场检查主要问题如下：大坝库水位运行较高，达到正常蓄水位；大坝坝顶高程超出校核洪水位2m 以内；下游坝坡存在散浸现象（土体湿润、土质松软），面积在1m2以内，非汛期散浸现象消失。溢洪道采用有闸控制，经现场运行，闸门开闭正常，但金属锈蚀严重，运行过程中有微量震动。大坝表面存在少量裂缝，缝宽在2mm，裂长3m。

水库2 现场检查主要问题如下：大坝库水位低于正常蓄水位，但坝脚存在集中渗漏现象，渗水有土质带出；坝顶无明显裂缝，坝坡存在隆起等现象。

依据上述问题，输入节点逐一填写风险调查表，如表3所示。

表3 水库风险调查情况

将表3 的输入数据代入模型中，利用matlab 编制的程序，经计算，输出结果分别为R1=0.43，R2=0.75，表明水库1 的风险为中风险，水库2 的风险为高风险。水库2 的风险因子少于水库1，但风险值却更高，从溃坝路径来看，水库2 各事件形成的溃坝路径与某一路径相同，且包含了关键事件，而水库1 各事件与路径不同，因此，水库2 的风险更高是科学合理的。

4 结论

（1）本文探讨了大坝风险破坏模式，并结合破坏模式及溃坝路径，提炼了大坝风险关键路径及关键事件，创新提出了大坝风险评价新思路；

（2）提出了风险因素数据的处理方法，将事件数据定义为1 或0，充分融合了多源信息，为开展风险评价提供数据基础。

（3）构建了基于神经网络的大坝风险评估模型，该模型收敛性好，精度高，满足评价要求。通过案例分析，结论科学合理，表明该模型操作性较强，改善了传统机理模型基本需要专家主观评测的缺点，有较大推广价值。