BP人工神經(jīng)網(wǎng)絡模型在紅外線法測量含沙量中的應用研究

李勇濤，李立新，焦寶明

(黑龍江省水利科學研究院，黑龍江 哈爾濱 150080)

在土壤侵蝕研究與治理水土流失中，水流泥沙含量的測量具有極其重要的意義[1-4]。目前含沙量的測量主要是通過人工采集徑流樣本，實驗室內(nèi)過濾、烘干、稱重后計算泥沙含量。這種測量方法受人工采樣的隨機性影響很大,同時測量周期長，主觀誤差大，勞動強度高，無法滿足快速準確獲取泥沙含量數(shù)據(jù)的需要。紅外線法作為含沙量測量的一種間接測量方法，國內(nèi)外很多學者都對其進行了相關研究[5-8]，它具有快速實時檢測泥沙含量的優(yōu)點，但是不足之處是對不斷變化粒徑組成的泥沙含量測量結果偏低[9-10]，目前仍然處于研究探索階段。李勇濤等[11-12]利用紅外線法測量原理研制出了可以實時快速獲取散射光強度、泥沙粒徑和泥沙亮度三種量化數(shù)據(jù)的后向散射式紅外泥沙測量傳感器，并采用該傳感器對不同粒度泥沙進行了標定實驗。對比分析了傳感器獲取的散射光強度、泥沙粒徑、泥沙亮度值與泥沙含量之間的相互關系，結果表明散射光強度與泥沙含量正相關；與泥沙粒徑負相關，與泥沙亮度正相關；其強度大小受這三種泥沙特征共同影響，呈現(xiàn)出復雜的非線性關系。由于人工神經(jīng)網(wǎng)絡具有廣泛的自適應性和學習能力，在理論上可以逼近任何非線性函數(shù)[13]。因此，本文在上述研究基礎上，基于BP神經(jīng)網(wǎng)絡訓練方法，建立紅外線法泥沙含量預測模型，同時檢驗該模型在不同粒徑和不同亮度泥沙樣本條件下含沙量測量結果的準確性，并提出進一步的改進方法。

1 材料與方法

1.1 供試材料

試驗土樣取自黑龍江省水利科學研究院牡丹江試驗站坡面徑流小區(qū)，土壤類型為暗棕壤。

將采集的試驗土樣烘干碾碎后過1 mm篩網(wǎng)，除去粒徑大于1 mm的砂粒以及草根樹葉等雜質。用篩分法對試驗用土進行粒徑篩分，分成四種不同粒徑組成的試驗泥沙樣本。采用Mastersizer2000激光粒度分析儀對篩分好的四種試驗泥沙樣本進行精確的粒徑分析，分析后的泥沙樣本粒度分布情況如表1所示。

表1 試驗泥沙樣本粒度分布

1.2 標定試驗方法

標定試驗前對泥沙樣本進行烘干，時間為10 h。常溫下冷卻后，向盛有1000 mL清水的容器內(nèi)分批次倒入定量的泥沙，攪拌均勻，依次配置完成50 kg/m3、75 kg/m3、100 kg/m3、125 kg/m3、150 kg/m3、175 kg/m3、200 kg/m3、225 kg/m3、250 kg/m3、275 kg/m3含沙量的泥沙混合溶液，使用自行研制的后向散射式紅外泥沙測量傳感器讀取相應濃度下的散射光強度、泥沙粒徑因子和泥沙亮度值數(shù)據(jù)。每一項指標讀取3次，取平均值。

1.3 研究方法

本研究采用BP人工神經(jīng)網(wǎng)絡方法，將傳感器輸出的散射光強度值、泥沙粒徑因子和泥沙亮度值作為網(wǎng)絡的輸入，對應的泥沙含量值作為網(wǎng)絡輸出，通過對網(wǎng)絡進行訓練建立測量泥沙含量的人工神經(jīng)網(wǎng)絡模型。 BP神經(jīng)網(wǎng)絡模型的構建利用MATLAB數(shù)據(jù)分析軟件實現(xiàn)，網(wǎng)絡訓練數(shù)據(jù)來自于紅外泥沙測量傳感器的泥沙含量標定試驗。

本研究選用3層BP神經(jīng)網(wǎng)絡結構，即1個輸入層，1個隱含層，1個輸出層。其中，輸入層有3個節(jié)點，分別是泥沙亮度因子、泥沙粒徑因子和散射光強度因子；輸出層1個節(jié)點，即含沙量。

根據(jù)隱含層節(jié)點個數(shù)經(jīng)驗公式(1)所示：

(1)

式中：n、m分別為輸入層與輸出層節(jié)點個數(shù)；a為1～10之間的常數(shù)。

根據(jù)公式(1)可以初步確定隱含層神經(jīng)元節(jié)點個數(shù)范圍，再通過構建不同隱含層節(jié)點數(shù)網(wǎng)絡結構進行對比，最后確定隱含層節(jié)點為3。本研究采用的BP網(wǎng)絡模型結構如圖1所示，3個輸入節(jié)點，3個隱含層節(jié)點和1個輸出節(jié)點構成的BP網(wǎng)絡模型。

圖1 BP人工神經(jīng)網(wǎng)絡模型結構

BP網(wǎng)絡訓練前需要先對輸入神經(jīng)網(wǎng)絡的試驗數(shù)據(jù)進行歸一化處理。數(shù)據(jù)歸一化完成后，選取tansig函數(shù)作為輸入層到隱含層的激活函數(shù)，選取purelin函數(shù)作為隱含層到輸出層的激活函數(shù)，訓練函數(shù)采用traindr貝葉斯法則法，設置訓練目標均方誤差小于0.0001，設置最大訓練次數(shù)為15000，達到訓練目標后模型構建完成。

2 結果與分析

2.1 模型檢驗

為檢驗BP人工神經(jīng)網(wǎng)絡模型對不同粒徑泥沙樣本含沙量測量的反演能力，將泥沙標定試驗中紅外泥沙傳感器獲取的散射光強度、泥沙粒徑和泥沙亮度數(shù)據(jù)代入該模型進行運算，得到的含沙量預測結果如表2所示。通過表2可知，當泥沙含量小于等于50 kg/m3時，BP人工神經(jīng)網(wǎng)絡模型對tya、ty01、ty02和ty03四種不同粒徑泥沙樣本預測結果的相對誤差分別為：11.3%、0.5%、19.3%和4.0%，相對誤差均小于20%；當泥沙含量在50～150 kg/m3時，BP人工神經(jīng)網(wǎng)絡模型對四種不同粒徑泥沙樣本的預測結果相對誤差均不超過13.0%；當泥沙含量在150～275 kg/m3時，BP人工神經(jīng)網(wǎng)絡模型對四種不同粒徑泥沙樣本的預測結果相對誤差均在8.0%以內(nèi)。由此得出，本研究構建的BP人工神經(jīng)網(wǎng)絡模型對不同粒徑泥沙低含沙水流時的測量誤差相對較高，隨著泥沙含量的增大，該模型對不同粒徑泥沙的測量誤差逐漸減小，當含沙量在150～275 kg/m3時，模型的測量相對誤差小于8.0%，預測結果準確性顯著提高，此時的測量精度可以滿足日常的水土保持研究和水土流失動態(tài)監(jiān)測工作要求。

表2 BP神經(jīng)網(wǎng)絡模型預測結果

將BP神經(jīng)網(wǎng)絡模型預測值與標定值進行對比，如圖2所示?？梢钥闯?，經(jīng)BP神經(jīng)網(wǎng)絡算法訓練后得到的人工神經(jīng)網(wǎng)絡模型對四種不同粒徑組成的泥沙樣本都能夠較好地擬合。結合表2可以得出，采用BP神經(jīng)網(wǎng)絡算法構建的人工神經(jīng)網(wǎng)絡模型可以有效地消除泥沙粒徑因子和泥沙亮度因子對紅外泥沙測量結果的影響，顯著提高后向散射式紅外泥沙傳感器在不同粒徑泥沙條件下含沙量測量的準確性和實用性。

圖2 BP神經(jīng)網(wǎng)絡模型預測值與標定值對比圖

2.2 誤差分析

從圖2中可以看到，四種不同粒徑泥沙樣本的BP神經(jīng)網(wǎng)絡模型預測值曲線在不同含沙量節(jié)點上都出現(xiàn)了一定程度的波動。例如， ty01泥沙樣本在含沙量125 kg/m3節(jié)點處出現(xiàn)了明顯波動，模型的預測相對誤差達到了13.0%。通過對標定實驗數(shù)據(jù)進行分析，發(fā)現(xiàn)每次泥沙亮度值的突然跳變都會對模型預測結果產(chǎn)生一定程度的影響，BP神經(jīng)網(wǎng)絡模型預測誤差與泥沙亮度之間關系如表3所示。當ty01泥沙樣本的泥沙亮度值由43 lux跳變到了44 lux時，位于125 kg/m3節(jié)點處的相對誤差突然增高到13.0%；ty02泥沙樣本的泥沙亮度值由42 lux跳變到了43 lux時，在225 kg/m3節(jié)點處相對誤差升高到6.1%；ty03泥沙樣本的泥沙亮度值由41 lux跳變到了42 lux時，在100 kg/m3節(jié)點處相對誤差升高到了10.7%.由此可以看出BP神經(jīng)網(wǎng)絡模型對泥沙亮度值的跳變比較敏感。本次研究采用的紅外泥沙傳感器集成了TCS34725顏色識別芯片，其亮度值只能以整數(shù)格式輸出，無法精確到小數(shù)。如果采用更高精度的亮度采集芯片，亮度值的輸出將會更加平滑，避免突然的跳變，可以進一步提高模型測量結果的準確性。

3 結 論

將自行研制的后向散射式紅外泥沙傳感器輸出的散射光強度值、泥沙粒徑因子和泥沙亮度值作為網(wǎng)絡的輸入，對應的泥沙含量值作為網(wǎng)絡輸出，通過BP網(wǎng)絡訓練建立了人工神經(jīng)網(wǎng)絡模型，得出主要結論如下。

(1)基于BP神經(jīng)網(wǎng)絡訓練方法構建的紅外線法含沙量預測模型可以有效地消除泥沙粒徑因子和泥沙亮度因子對測量結果的干擾，顯著提高后向散射式紅外泥沙傳感器在不同粒徑泥沙條件下含沙量測量的準確性和實用性。

表3 BP神經(jīng)網(wǎng)絡模型預測誤差與泥沙亮度對照表

(2)BP人工神經(jīng)網(wǎng)絡模型預測結果對泥沙亮度值的突然跳變比較敏感，泥沙亮度值的突然改變會不同程度增加模型的測量誤差，這種誤差理論上可以通過采用高精度的亮度采集芯片，使亮度數(shù)據(jù)變化更加平滑的方法加以改善。