基于大數據的白屈港套閘增補項目揚壓力監測系統

蔡艷媚

(江陰市江堤閘站管理中心，江蘇 江陰 214400)

水利工程項目的施工效果主要體現在其是否與所處水域環境的實際需求相契合[1]，而對于套閘增補項目而言，其主要價值是提高原有水利工程的安全性和作用效果[2]。白屈港套閘增補項目是一項已經順利竣工的系統化工程，不僅完善了原有施工的應用價值，同時也使其自身價值得到體現[3]。為此，對所受的揚壓力實施有效的監測是十分必要的[4]。大數據作為信息時代的一項重要產物，其反饋的信息價值更加全面化和深層化[5]。將大數據應用到白屈港套閘增補項目揚壓力監測中將會帶來新的發展[6]。

為此，本文提出基于大數據的白屈港套閘增補項目揚壓力監測系統設計研究，在硬件和軟件兩個方面對系統展開設計，并充分考慮了干擾因素對監測結果的影響，實現了對其的高精度監測。通過本文的設計研究，希望可以幫助相關水利工程揚壓力監測工作的開展提供有價值的參考。

1 硬件設計

為了實現對套閘增補項目揚壓力的準確監測，本文選擇了一種高精度的接觸位移傳感器，利用其實現對套閘增補項目所處上下游水位數據以及壩前淤泥淤積數據的采集。其具體設計如圖1所示。

圖1 傳感器裝置

考慮到在實際運行中其受水流的沖擊會有較大的震動性，因此在結構上，使用熱熔成型材料進行設計，以此提高傳感器的抗震動等級，在100Hz的幀頻下，其可以實現穩定運行。不僅如此，水下環境要求其具備較高的防水性能，熱熔成型材料的防水等級可以達到IP67，避免了環境因素對其應用效果的影響。傳感器的頭部和尾部采用緊錮的鍍鎳黃銅金屬材質制成，提高了其抗化學腐蝕能力，確保其使用壽命。在不結露、不結冰的情況下，使用環境溫度/濕度要求為-25～55℃/35%～5%RH。適用EMC指令(2014/30/EU)/IEC 60947- 5- 2:2007IA1:2012，具有良好的數據采集效果。在套閘增補項目揚壓力監測系統中，其分布設置主要以實際監測需要為基礎進行，當實際壓力值不超過100MPa時，以20m2的基礎面積進行布置即可，當實際壓力值不超過200MPa時，以10m2的基礎面積進行布置即可。

2 軟件設計

2.1 套閘增補項目揚壓力統計模型

通過對套閘增補項目揚壓力的形成方式進行分析不難發現，影響其數值高低的主要因素為上下游水位的高低[7]，套閘增補項目所處位置的實際降雨量，套閘增補項目巖基的溫度以及壩前淤泥淤積總量、套閘增補項目的帷幕和排水能力[8]。需要特別注意的是，上述因素都是隨著時間的變化而相對以動態的形式存在的?？紤]到該特點，在對套閘增補項目的揚壓力進行監測時，引入了時效因子[9]。在此基礎上，設計套閘增補項目揚壓力的統計模型為

H=λT(hb+hp+ht+h0)

(1)

式中，Hb—套閘增補項目對應的水位分量；T—時間，并存在T∈{1，2，3，4，5}，當T=1時，表示的當前時間為監測日，當T=2時，表示的當前時間為監測日前1d，當T=3時，表示的當前時間為監測前2～4d，當T=4時，表示的當前時間為監測前5～15d，當T=5時，表示的當前時間為監測前16～30d；hp—初始監測日各時段上下游水位的平均值；Ht—降雨分量；h0—初始監測日采集到的各時段對應的平均降雨量，同樣按照T值，劃分為5個階段；λ—不同時段系對應的影響系數值。

以此為基礎，按照式(1)構建的模型，對T時間內獲取資料的各個分項數據進行整合。

2.2 套閘增補項目揚壓力數值監測

在上文的基礎上，要實現對套閘增補項目揚壓力的有效監測，需要對上述數據進行校正處理，降低干擾因素對其的影響[10]。為了實現該目標，借助大數據，利用BP神經網絡對模型輸出的數據結果進行處理。

對BP神經網絡進行訓練。將大數據中的揚壓力數值作為神經網絡的輸入層[11]，其中包含的數據參數包括水位、降雨、溫度和時效向量值，同時最終輸出層的輸出結果為套閘增補項目揚壓力。在此基礎上，采用Kolmogrov定理構建包含擬實數編碼信息的的三層網絡結構模式，將BP神經網絡中各參數的權值和閾值進行約束，其中權值的標記方式為：

(2)

式中，W—各參數的權值；h—參數的指標信息。對應地，參數的閾值可以表示為：

D=[Wmaxh，Wminh]

(3)

式中，Wmax、Wmin—參數的最大權值和最小權值，通過式(2)可以看出，其主要取決于大數據中各個影響因素的參數指標。

對于完成訓練的神經網絡，就可以應用其實現對2.1部分構建的套閘增補項目揚壓力統計模型的輸出結果進行校正，確保監測結果的準確性。

對模型中的4個參量進行編碼處理。為了降低后續計算的難度，提高數據處理的效率，采用實數編碼的方式實現編碼，通過這樣的方式也提高神經網絡在更大空間范圍內的搜索。然后對神經網絡適應度函數的確定。需要注意的是，采用預測輸出對個體適應度值進行設置時，最終的結果會與期望輸出之間產生一定的誤差。因此本文對適應度值的設置方式為：

(4)

式中，g—神經網絡的適應度參數值；f、f′—套閘增補項目揚壓力的預測輸出結果和期望輸出輸出結果。完成對適應度參數的設置后，本文采用輪盤賭法實現神經網絡的選擇操作。假設對每個個體被選擇概率是完全一致的，那么在任意個體參數中，適應度值都是以定值存在的，神經網絡的各個層級也是以該適應度值為連接存在的。此時即可進行套閘增補項目揚壓力影響因素參量的交叉操作，得出校正后的揚壓力值，其可以表示為：

H′=a(1-g)H

(5)

式中，H′—最終的套閘增補項目揚壓力監測結果；a—交叉系數。

3 工程實例應用分析

3.1 監測環境概況

為了測試本文設計監測系統的實際應用效果，進行了實例應用分析測試，以白屈港套閘增補項目為測試對象，其實際構造如圖2所示。

圖2 白屈港套閘增補項目構造

已知其為碾壓構造的混凝土結構，壩高最大值為110.35m，項目全長為334.20m，項目頂端的程高為156.50m。在此基礎上，為了實現對套閘增補項目揚壓力的監測管理，分別在縱向基礎廊道上布置了10個揚壓力監測孔，編號Z1—Z10，在3個橫向廊道上布置了15個揚壓力監測孔，編號為S1—S15，具體如圖3所示。

圖3 揚壓力監測孔設置

按照圖3所示的方式構建監測孔后，在每個測點設立了對應的人工監測，并以人工監測的結果為基準對系統的監測效果進行分析。

3.2 監測結果分析

為了提高監測效果，首先對系統中神經網絡的參數進行訓練設置，最終因素相關系數值設置為0.9876。以此為基礎，開展為期10d的監測工作。得到的監測結果與人工采集結果見表1。

表1 監測結果統計表

從表1中可以看出，本文設計系統的監測結果與實際結果之間的誤差不超過0.04MPa，具有較高的準確性。不僅如此，通過對數據整體誤差趨勢進行分析發現，設計系統始終處于略高于人工監測結果的狀態下，表明其具有較高的穩定性。這是因為本文利用大數據對校正監測數據的神經網絡進行訓練，提高了校正的可靠性。

4 結語

揚壓力值的高低影響著套閘增補項目的安全性，為了能對套閘增補項目的揚壓力值進行準確監測，本文將大數據作為技術支撐，設計了一種白屈港套閘增補項目揚壓力監測系統，利用大數據訓練BP神經網絡，并對構建的套閘增補項目揚壓力統計模型輸出數據進行處理，實現揚壓力值的準確監測，對水利工程項目的監測提供有力的技術支持。由于時間的限制，本文研究還存在許多不足，在接下來的研究中，將完善對數據的處理過程，減少外界因素對數據的影響，提高對揚壓力值監測的準確性，實現對套閘增補項目揚壓力值更準確的檢測，確保水利工程項目的安全性，進而保障國民的生命財產安全。