一种基于改进WOA-SVR的土石坝运行期沉降变形预测方法与流程

本发明属于土石坝沉降变形预测方法
技术领域：
，具体涉及一种基于改进woa-svr(鲸鱼优化算法-支持向量回归机)的土石坝运行期沉降变形预测方法。
背景技术：
：土石坝具有造价低、结构简单、对自然条件适应性强、抗震性能好、工作可靠、寿命长和施工管理简便等优点，因而被广泛采用；在我国已建大坝中90％以上为土石坝。当前，我国已建、正在或准备检索一批超高型土石坝，如黄河上游的茨哈峡面板堆石坝(高254m)；澜沧江上的糯扎渡心墙堆石坝(高265m)；金沙江上的其宗心墙堆石坝(高310m)；雅砻江上的两河口心墙坝(高295m)；大渡河双江口堆石坝(高314m)等，随着土石坝的建设规模越来越大，土石坝性态预测显得尤为重要。土石坝沉降变形对坝体的服役安全有着重要的影响，因此对土石坝的沉降变形预测研究十分必要。传统土石坝运行期的沉降预测数学方法主要以回归分析为主，回归分析介绍如下：土石坝运行期的沉降主要包括库水压力引起的沉降、固结沉降、流变沉降、湿化沉降、渗流引起的沉降，基于一定的推导理论，可以构建如下形式的土石坝运行期沉降的回归模型：其中，δv为坝体某点的沉降，θ为从竣工到观测时刻的时间，hi为观测时刻的库水位，为观测时刻前i天(小时)的平均水位，m根据经验和试算确定；b0、c1、c2、a11～a13及a21～a2m均为回归系数；上式中的右侧，则反映了渗流和湿化引起的沉降。现有的沉降回归分析的公式需要人为假定，选用何种公式和该公式采用何种表达关系只是人们经验的一种推测，这就使得预测精度相对较低，在精度要求较高的领域的使用受到限制。鉴于土石坝运行期的变形对大坝的结构性态影响较大，因此需要采取更为精准的防范对长期变形进行预测。技术实现要素：针对现有技术中的上述不足，本发明提供的基于改进woa-svr的土石坝运行期沉降变形预测方法解决了土石坝沉降变形预测方法中，需要人为设定回归公式，造成的预测精度相对较低的问题。为了达到上述发明目的，本发明采用的技术方案为：一种基于改进woa-svr的土石坝运行期沉降变形预测方法，包括以下步骤：s1、采集土石坝运行期沉降变形时的原始数据，并对其进行数据归一化处理；s2、初始化支持向量回归机和鲸鱼优化算法；s3、利用数据归一化处理后的原始数据对支持向量机进行训练，并将训练误差的作为鲸鱼优化算法中的适应度；s4、基于数据归一化处理的原始数据和确定的适应度运行鲸鱼优化算法，得到对应的最优解；s5、将鲸鱼优化算法的最优解作为支持向量机中的最优svr参数，进而得到用于预测沉降变形的预测模型；s6、基于沉降变形的影响因子，利用预测模型进行沉降变形预测。进一步地，所述步骤s1中，土石坝运行期沉降变形时的原始数据包括时长、观测时刻的上游水位、观测时刻前1～5天的上游平均水位；所述步骤s1中，进行数据归一化处理时的归一化公式为：y＝(ymax-ymin)×(x-xmin)/(xmax-xmin)+ymin式中，xmax和xmin为原始数据中的最大值和最小值，ymax和ymin为归一化后的数值范围的最大值和最小值，分别设为1和-1。进一步地，所述步骤s3中，对支持向量回归机进行训练的方法具体为：a1、将数据归一化处理后的原始数据作为训练集t；a2、通过支持向量回归机在训练集t中寻找映射函数使其将低维空间的非线性问题映射到高维特征空间h中；a3、在高维特征空间h中构造回归超平面及其约束条件；a4、基于构造的超平面及其约束条件，并选定核函数，进而获得训练好的支持回归向量机。进一步地，所述步骤a4中，选定的核函数为径向基核函数k(x,x′)：k(x,x′)＝exp(-||x-x′||2/σ2)式中，σ为尺度参数。进一步地，所述步骤a4中，训练好的支持回归向量机的表达式为：y＝f(x|(c,ε,σ))式中，f(x)为回归超平面，c为常数，用于控制对错样本的惩罚系数，且c>0，ε为不敏感损失系数，用于控制函数的精度；且c,ε,σ均为需要通过鲸鱼优化算法确定的最优svr参数；其中，回归超平面f(x)为：回归超平面对应的约束条件为：式中，αi和分别为lagrange乘子的不同表达形式，b为阀值，l为样本的个数。进一步地，所述步骤s4中，运行鲸鱼优化算法的方法具体为：b1、环绕式捕食：假设当前群体中的最优个体为猎物，且群体中的鲸鱼个体均向最优个体包围，通过下式更新最优个体的位置：xj+1＝xpj-a·|c·xpj-xj|式中，xj+1为最优个体在d维空间第j+1次迭代时的位置，xpj为最优个体在d维空间第j次迭代时的位置，a·|c·xpj-xj|为包围步长，a和c均为中间计算参数，且a＝2a·rand1-a、c＝2·rand2，rand1和rand2为[0,1]的随机数，a为收敛因子；b2、包围收缩：使鲸鱼个体以螺旋状向猎物靠近，其空间位置更新采用下式螺旋方程计算：xj+1＝d′·ebl·cos(2πl)+xpj式中，d′为第i只鲸鱼到猎物的距离，且d′＝|xpj-xj|，，l为控制螺旋线轨迹的在[-1,1]范围内的随机数；b3、搜索捕食：在包围收缩过程中，当参数a大于1或者小于-1时，在群体中随机选择鲸鱼个体作为最优位置以寻找更优猎物，并通过下式更新猎物位置：xj+1＝xrandj-a·|c·xrandj-xj|式中，xrand为从当前群体中随机选取的鲸鱼个体位置；b4、迭代运行：重复步骤b1～b3，更新猎物位置至a达到预设条件或达到最大迭代次数。进一步地，在运行鲸鱼优化算法时，引入控制收敛因子a随迭代次数而非线性变换的公式，以逐步调整收敛因子a的值；其中，引入公式为：式中，ainitial、afinal分别为收敛因子a的初始值和终止值，μ为非线性调节系数，j为当前迭代次数jmax为最大迭代次数。本发明的有益效果为：本发明方法在进行沉降变形预测时，无需人为设定回归公式，通过运行woa算法来优化svr中的参数，进而通过优化后的svr模型来进行沉降变形预测，提高了预测精度，为后续作业提供的参考，进而提高了土石坝运行期的安全性。附图说明图1为本发明提供的基于woz-svr的土石坝运行期沉降变形预测方法流程图。图2为本发明提供的实施例中心墙土坝沉降随时间变化的曲线示意图。图3为本发明提供的实施例中心墙土坝水位随时间变化的曲线示意图。图4为本发明提供的基于本发明方法获得沉降监测值和预测值对比示意图。具体实施方式下面对本发明的具体实施方式进行描述，以便于本
技术领域：
的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本
技术领域：
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。实施例1：如图1所示，一种基于改进woa-svr的土石坝运行期沉降变形预测方法，其特征在于，包括以下步骤：s1、采集土石坝运行期沉降变形时的原始数据，并对其进行数据归一化处理；s2、初始化支持向量回归机和鲸鱼优化算法；s3、利用数据归一化处理后的原始数据对支持向量机进行训练，并将训练误差的作为鲸鱼优化算法中的适应度；s4、基于数据归一化处理的原始数据和确定的适应度运行鲸鱼优化算法，得到对应的最优解；s5、将鲸鱼优化算法的最优解作为支持向量机中的最优svr参数，进而得到用于预测沉降变形的预测模型；s6、基于沉降变形的影响因子，利用预测模型进行沉降变形预测。上述步骤s1中，土石坝运行期沉降变形时的原始数据包括时长、观测时刻的上游水位、观测时刻前1～5天的上游平均水位；具体地，进行数据归一化处理时的归一化公式为：y＝(ymax-ymin)×(x-xmin)/(xmax-xmin)+ymin式中，xmax和xmin为原始数据中的最大值和最小值，ymax和ymin为归一化后的数值范围的最大值和最小值，分别设为1和-1。上述步骤s3中的训练误差为训练过程中的得到的模型预测值与实测值的差异值；步骤s3中的svr模型，其技术模型结构简单，参数较少，建模所需的样本较少，具有较好的泛化能力，对新样本往往显示出较好的推广能力，能够较好的处理非线性和高维数的问题，从理论算法得到的是全局最优，解决了神经网络无法避免的局部最优问题。模型的主要思想为：将样本数据分为训练样本和测试样本，通过事先选择的非线性映射将输入向量(训练样本)映射到高纬度特征空间，利用其有限的样本数据进行训练计算，求得达到最优拟合效果时在这个空间中构造出的最优决策函数模型，对比测试项以分析模型的预测效果，其目的是用于预测分析；基于此，对支持向量回归机进行训练的方法具体为：a1、将数据归一化处理后的原始数据作为训练集t；t＝{(x1,y1),…,(xl,yl)}∈(x×y)l式中，xi∈x＝r、yi∈y＝r、i＝1,2,…,l均为所选样本，xi为输入，y1为输出，为自变量的实数集合，y为因变量的实数集合，r为实数，上标l为样本的个数；a2、通过支持向量回归机在训练集t中寻找映射函数使其将低维空间的非线性问题映射到高维特征空间h中；具体地，映射到高维特征空间h后，训练集变成：式中，yi∈y＝r,i＝1,2,…,l,；a3、在高维特征空间h中构造回归超平面及其约束条件；回归超平面及其约束条件分别为：式中，ξi为某个样本的松弛变量，ξ(*)为松弛因子向量，w为超平面的系数，c为常数，用于控制对错样本的惩罚系数，且c>0，ω为权重，b为偏差值，ε为不敏感损失系数，用于控制函数的精度，ξj为松弛因子，为松弛因子，二者为不同方标记方式的松弛因子；a4、基于构造的超平面及其约束条件，并选定核函数，进而获得训练好的支持回归向量机；具体地，上述步骤a4具体为：a41、采用对偶原理、langrange乘子法确定回归超平面及其约束条件的对偶形式分别为：a42、基于步骤a41中约束条件的对偶形式，确定αi和的值，并根据下式确定支持向量回归机中参数b的值；a43、基于参数b、αi和的值，确定最优回归超平面为：式中，在最优回归超平面中，对应系数的样本(xi,yi)为支持向量；a44、在支持回归向量机中，通过引入核函数k(x,x′)来代替进而得到最终的最优回归超平面表示为：a45、基于最终的最优回归超平面确定出训练好的支持回归向量机。其中，步骤a44中，选定的核函数为径向基核函数k(x,x′)：k(x,x′)＝exp(-||x-x′||2/σ2)式中，σ为尺度参数。常规的核函数有如下几种：(1)线性核函数：k(x,x′)＝x0x′；(2)多项式核函数：k(x,x′)＝[(x0x′)+1]d(3)径向基核函数：k(x,x′)＝exp(-||x-x′||2/σ2)其中，σ为尺度参数，其反应了函数图像的宽度；(4)sigmoid核函数；线性核函数一般用于分类，适用于线性可分的情况，而此时得到的是样本空间中的超平面；多项式核函数的特点时将低维问题转换到高维特征空间，但是参数多，计算复杂度较高；径向基核函数可将低维非线性问题转换成高维线性问题，降低计算复杂度，对大小样本都有较好的性能，而且其相对于多项式核函数参数要少，因此大多数情况下优先使用径向基核函数；采用sigmoid核函数时，支持向量机实现的就是一种多层神经网络。土石坝沉降变形过程是非线性问题，所以线性核函数在此并不适用；而选用sigmoid核函数的模型预报效果与神经网络的效果相似，结果并不好；对于多项式核函数，其函数复杂度高，所以，基于复杂度和优先原则的考虑，本实施例中将径向基核函数作为svr模型的核函数。基于上述方法，步骤a4中，训练好的支持回归向量机的表达式为：y＝f(x|(c,ε,σ))式中，f(x)为回归超平面，c为常数，用于控制对错样本的惩罚系数，且c>0，ε为不敏感损失系数，用于控制函数的精度；且c,ε,σ均为需要通过鲸鱼优化算法确定的最优svr参数。上述步骤s4中的鲸鱼优化算法(whaleoptimizationalgorithm,woa)模仿了座头鲸利用独特的泡泡网觅食方法，并通过收缩包围、螺旋式位置更新及随机捕猎机制进行觅食的行为；基于此，运行鲸鱼优化算法的方法具体为：b1、环绕式捕食：假设当前群体中的最优个体为猎物，且群体中的鲸鱼个体均向最优个体包围，通过下式更新最优个体的位置：xj+1＝xpj-a·|c·xpj-xj|式中，xj+1为最优个体在d维空间第j+1次迭代时的位置，xpj为最优个体在d维空间第j次迭代时的位置，a·|c·xpj-xj|为包围步长，a和c均为中间计算参数，且a＝2a·rand1-a、c＝2·rand2，rand1和rand2为[0,1]的随机数，a为收敛因子；b2、包围收缩：使鲸鱼个体以螺旋状向猎物靠近，其空间位置更新采用下式螺旋方程计算：xj+1＝d′·ebl·cos(2πl)+xpj式中，d′为第i只鲸鱼到猎物的距离，且d′＝|xpj-xj|，，l为控制螺旋线轨迹的在[-1,1]范围内的随机数；b3、搜索捕食：在包围收缩过程中，当参数a大于1或者小于-1时，在群体中随机选择鲸鱼个体作为最优位置以寻找更优猎物，并通过下式更新猎物位置：xj+1＝xrandj-a·|c·xrandj-xj|式中，xrand为从当前群体中随机选取的鲸鱼个体位置；b4、迭代运行：重复步骤b1～b3，更新猎物位置至a达到预设条件或达到最大迭代次数。在上述鲸鱼优化算法的探索和开发能力在很大程度上依赖于收敛因子a的变化，收敛因子a越大，算法的全局搜索能力越好，越不容易陷入局部最优；收敛因子a越小，算法的局部搜索能力越强，计算的收敛速度越快。在基本的woa算法中，收敛因子a随迭代次数从2线性递减到0的前期，算法具备较好的全局搜索能力，但是收敛速度慢；后期收敛速度加快，但易陷入局部最优。由此可见，基本的woa算法在实际的优化搜索过程中并不兼具良好的全局搜索能力和收敛速度。基于此，在运行鲸鱼优化算法时，引入控制收敛因子a随迭代次数而非线性变换的公式，以逐步调整收敛因子a的值；其中，引入公式为：式中，ainitial、afinal分别为收敛因子a的初始值和终止值，μ为非线性调节系数，j为当前迭代次数jmax为最大迭代次数。在woa算法迭代的后期，群体中所有鲸鱼个体均向最优个体聚集，从而降低了群体的多样性。实施例2：对某心墙土石坝进行运行期沉降分析时，沉降变形的影响因子主要是时长、观测时刻的上游水位、观测时刻前1天的上游平均水位、观测时刻前2天的上游平均水位、观测时刻前3天的上游平均水位、观测时刻前4天的上游平均水位和观测时刻前5天的上游平均水位。基于上述woa-svr预测方法，训练样本选择2013年4月—2019年2月的实际监测数据，主要监测数据指标有水库水位，图2为某表面沉降变形随时间的变化曲线，图3位水位随时间的变化曲线。结合实际的监测资料，确定的影响因子有7个：时长、观测时刻的上游水位、观测时刻前1天的上游平均水位、观测时刻前2天的上游平均水位、观测时刻前3天的上游平均水位、观测时刻前4天的上游平均水位、观测时刻前5天的上游平均水位。采用归一化的方法对影响因子和监测值进行归一化处理，在支持向量机模型中，参数c、ε、σ是3个需要优化的参数，在改进woa算法中，设定的参数有粒子的个数和最大迭代次数，两者分别取为50和100，对svr进行优化之后，得到参数c、ε、σ的值分别为160.2、0.0236、0.679。在训练过程中，如表1所示，所使用的训练数据是实际监测得到的40个样本，每个样本中含有9个影响因子的取值，全过程在python中实现，得到大坝沉降变形训练结果，绝对误差最大为-0.19m，相对误差最大值为-0.21％。可知训练效果非常有效。表1：大坝监测点沉降训练结果与监测结果对比表为了对模型的预测效果进行评价，另外采用实际监测的10个样本作为预测样本，采用建立的改进woa-svr方法进行预测，预测结果和实际监测结果详见表2。预测结果与实际监测结果的对比曲线，如图4所示。表2：大坝表面变形预测结果与监测结果对比表预测样本监测结果/m训练结果/m绝对误差/m相对误差/％111.2011.200.170.20211.4011.400.190.21311.4011.380.020.02411.6011.61-0.01-0.02511.7011.680.090.10611.8011.81-0.16-0.18711.8011.770.010.01811.9011.910.150.17911.9011.91-0.07-0.081011.9011.910.190.22为了验证本专利的技术先进性，与常规的回归方法预测结果进行对比，并绘制对比曲线，从而得出本方法的预测结果与监测结果的贴合程度更高，大大提高了测压管的水位预测精度的结论。当前第1页12