岱山大壩滲流預測模型研究及滲漏問題分析

竇 飛，薛江寒

（1.安徽水安建設集團股份有限公司，安徽 合肥 230601；2.華北水利水電大學水利學院，河南 鄭州 450046）

土石壩是歷史上最為悠久且建設過程中應用最為廣泛的一種壩型，其憑借著地基適應能力強、經(jīng)濟性好、就地取材等特點在壩工界占有十分重要的地位[1]。據(jù)不完全統(tǒng)計，我國現(xiàn)有水庫大壩共9.8萬余座，其中95%以上為土石壩[2]。在全世界所建造的百米級高壩中，土石壩所占比重也在逐年增長，從20 世紀50 年代以前的30%增至20 世紀80 年代的70%以上。由滲流問題引發(fā)的大壩安全事故占據(jù)大壩失事的40%以上，因此滲流安全就是保證石壩安全運行的重要條件之一?，F(xiàn)如今，我國的土石壩大多為中、小型水庫，其受歷史條件、設計水平、施工及運行管理等因素影響，已成為需除險加固的“病害”水庫。其中，絕大多數(shù)水庫蓄水運行之后，均質(zhì)土壩的壩體、壩肩及壩基會出現(xiàn)不同程度的滲漏問題，若大壩的防滲措施布置不到位或監(jiān)測設施損壞，則滲透壓力會導致壩體發(fā)生滲流破壞；同時，壩體浸潤線以下的土體也會因含有飽和水而降低抗剪強度指標，從而導致壩體發(fā)生滑坡破壞[3]。

國內(nèi)大壩建設水平世界領先，但管理水平相對滯后，智能診斷與協(xié)調(diào)管理能力相對薄弱[2]。為保證大壩運行期間的安全穩(wěn)定性，需水庫管理人員現(xiàn)場檢查并結合監(jiān)測資料對土石壩滲流情況進行控制。滲流預測的目的就是為防滲布置設計、選擇合理的滲控方案提供技術依據(jù)，保障大壩各部位的滲流穩(wěn)定性，防止發(fā)生管涌、流土等滲流破壞。但由于監(jiān)測設施年久失修、人為疏忽等不可控因素，更凸顯了一個精確且合理的滲流預測模型的重要性。目前，機器學習已在滲流預測領域發(fā)揮著十分重要的作用，在已有的土石壩滲流安全預測模型中，吳云星等[4]采用了收斂速度更快、擬合和預測精度更高的改進LMBP 神經(jīng)網(wǎng)絡對土石壩滲流壓力進行預測，證明了LMBP 神經(jīng)網(wǎng)絡模型在土石壩壓力分析和預測方面是可行的；李瑞光等[5]采用主成分分析法對支持向量回歸進行模型優(yōu)化，建立了均質(zhì)壩滲流測壓管水位的預測模型，可為類似水利工程的壩體監(jiān)測提供可靠的預測數(shù)據(jù)；繆長健等[6]利用云模型改進人工魚群算法（CM-AFSA）的BP 神經(jīng)網(wǎng)絡預測模型，具有高精度和訓練效率，在土石壩滲流壓力預測和分析方面具有良好的適用性。

但由于中小型水庫的監(jiān)測設施較少，只有測壓管水位、庫水位2種監(jiān)測數(shù)據(jù)，并不像上述研究所示為多因素影響結果。所以，挑選出一種適用于中小型水庫滲流預測的模型是十分必要的。時間序列預測一般只需要一組預測變量的歷史數(shù)據(jù)且在短期預測中的效果要比長期預測好，可以完美解決中小型水庫中面臨監(jiān)測數(shù)據(jù)少以及其他影響數(shù)據(jù)缺失的問題[7]。

本文以岱山水庫的實測滲流數(shù)據(jù)為研究對象，采用3 種經(jīng)典的機器學習預測方法——BP 神經(jīng)網(wǎng)絡、隨機森林RF、支持向量回歸SVR模型，通過納入過去不同時間尺度的輸入序列，對考慮庫水位、不考慮庫水位背景下的測壓管水位進行滑動預測。對比不同模型的均方根誤差RMSE、均方誤差MSE、百分比偏差PBIAS值，從而選擇出精度最優(yōu)、誤差最小、魯棒性最強的預測模型。同時，根據(jù)有限元計算及實測資料分析滲漏問題成因，為岱山水庫未來分析研究彌補數(shù)據(jù)信息不足的同時也為后續(xù)的工程管理及除險加固提供合理性參考。

1 預測模型原理

神經(jīng)網(wǎng)絡BP是一種誤差反向傳播神經(jīng)網(wǎng)絡，由輸入層、輸出層和隱含層三部分組成，三層之間的所有神經(jīng)元節(jié)點都是互相連通的。正向傳播是指信號從輸入層經(jīng)隱含層到達輸出層，層間非線性激活函數(shù)f在此選用Sigmoid 型函數(shù)，但當輸出預測結果與實際測試結果相差較大時，系統(tǒng)進入誤差的反向傳播階段，按照誤差梯度下降的方法不斷修正隱含層權值、偏置的數(shù)值，通過不斷修改隱含層中數(shù)值進行網(wǎng)絡學習，減少輸出預測值誤差[6]，直至誤差符合設置標準時停止。BP 神經(jīng)網(wǎng)絡預測模型，如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡模型

隨機森林RF 是Bagging 算法和Random Sub?space 算法的組合，由決策樹構成基本單元，通過多棵決策樹的組合提高分類精確性的算法。其擁有很好的容錯性和魯棒性，具有操作簡單、訓練速度快、不易陷入過擬合等特點，成為現(xiàn)今熱點的研究預測模型。輸入原始樣本N后，采用Boostrap抽樣從原始樣本N中隨機且有放回地抽取M個樣本集用于構建M棵回歸樹，每次被抽到的樣本數(shù)據(jù)集M約為原始樣本N的2/3。生成決策樹時，隨機產(chǎn)生每棵樹上的節(jié)點，每個節(jié)點的分割變量分別由隨機選取的變量決定，這樣就會產(chǎn)生許多決策樹，這些決策樹就組成了“隨機森林”。隨機森林模型還基于誤差和節(jié)點純度，可對各自變量的重要性進行評估，從而識別出影響變量的關鍵因素。隨機森林的結構，如圖2所示。

圖2 隨機森林模型

支持向量回歸SVR預測模型，如圖3所示。

圖3 支持向量回歸模型

支持向量回歸SVR 預測模型可以將非線性問題轉化、映射到高維空間中的線性回歸問題，本質(zhì)為尋找一個最優(yōu)的分類面，使得所有訓練樣本離該最優(yōu)分類面的誤差最??；通過控制模型的3 個參數(shù)即懲罰系數(shù)C、徑向基函數(shù)的核函數(shù)K(x,xi)=?(x)T?(xi)及不敏感損失系數(shù)ε來優(yōu)化模型，以達到最優(yōu)的效果。SVR模型的表達式為：

式中：α和b分別為控制著超平面的參數(shù)，通過改變α和b決定魯棒性和準確性的較強回歸趨勢函數(shù)；x和f（x）分別為輸入值和預測值。

模型算法的具體研究見文章末尾的參考文獻[4-13]。

2 工程基本情況

岱山水庫位于安徽省定遠縣東南部，為塑性混凝土心墻壩，是一座集供水、防洪、灌溉、水產(chǎn)養(yǎng)殖為一體的綜合利用的中型水庫，壩頂高程53.76 m，壩頂寬度6.70 m。岱山水庫于1957 年動工興建，1958 年基本建成并開始發(fā)揮效益。由于工程是在特殊的歷史背景下興建的且興建時受財力、物力限制，施工質(zhì)量差，工程存在壩基防滲措施不完善、土壩壩體滲漏并有滲透破壞的可能、溢洪道開裂滲水等主要問題。岱山大壩平面布置，如圖4所示。

圖4 岱山大壩平面布置

2.1 工程滲漏問題

水庫樞紐工程建筑物主要有主壩、副壩、正常溢洪道、副溢洪道、放水涵、安全監(jiān)測設施。溢洪道堰體及兩側壩體運行歷史上均出現(xiàn)滲漏情況，上次除險加固后情況有所緩解?，F(xiàn)狀溢洪道南側壩體庫水位高于48.50 m時有嚴重的集中滲漏，近些年滲漏量逐年增大，實測最大值達30 m3/h。

自2010 年起，北放水涵南側背水坡抗震平臺高水位時有大面積潮濕、散浸；2011 年起水庫高水位運行時，北涵段背水坡人行梯道與壩腳平臺相接處存在滲漏出逸點。2019 年5 月對壩體滲漏處采取應急灌漿處理后，現(xiàn)狀仍存在滲漏；滲漏段壩體防滲墻為正常溢洪道南側原漿砌石刺墻加高段，運行過程中存在很大的安全隱患。水庫滲漏現(xiàn)狀，如圖5所示。

圖5 水庫滲漏現(xiàn)狀

2.2 滲流監(jiān)測資料分析

目前，岱山水庫的測壓管水位采用測探鐘觀測，若在觀測中發(fā)現(xiàn)管水位有異常變化和受降雨影響時會及時復測、加測，認真分析資料，查明原因。觀測使用的測繩每季度校核1次。本文選取接近于壩身集中滲漏點的樁號0+300 斷面，此處埋設4 根壩身測壓管（分別為Ⅱ-1、Ⅱ-2、Ⅱ-3、Ⅱ-4），斷面測壓管分布如圖6所示。

圖6 岱山水庫樁號0+300斷面測壓管分布

選取大壩管理中心2012年1月—2019年1月測壓管水位、庫水位等實測數(shù)據(jù)，每個數(shù)據(jù)點間隔10 d，共355 組數(shù)據(jù)。庫水位與壩身樁號0+300 斷面測壓管水位隨時間的變化曲線，如圖7所示。

圖7 庫水位與測壓管水位變化曲線

其中，2013 年Ⅱ-4 測壓管水位數(shù)值基本大于Ⅱ-3 測壓管，經(jīng)過現(xiàn)場調(diào)查和與相關管理人員溝通，得知該年份數(shù)據(jù)出現(xiàn)異常主要為記錄人員在統(tǒng)編觀測數(shù)據(jù)時出現(xiàn)數(shù)據(jù)匯總錯誤。

由圖6—7可知，庫水位僅在2013—2014年處于47 m 較低的水位運行，這是因為當年7、8 月平均氣溫達到了多年的峰值，庫水位相應出現(xiàn)了下降。其余年份庫水位并沒有較大的落差，均處于48～50 m，且年內(nèi)汛旱期特征明顯。其中，測壓管Ⅱ-1 位于防滲墻前，水位接近庫水位，部分有高于庫水位的現(xiàn)象；同時，測壓管Ⅱ-1 水位的變化趨勢較大，受庫水位影響較為明顯，當庫水位升高時測壓管Ⅱ-1 水位升高，反之降低。測壓管Ⅱ-2 水位偶有高于庫水位的現(xiàn)象，可能因為降雨通過下游壩殼下滲，影響下游側水位，導致個別測壓管水位異常，不影響數(shù)據(jù)分析；測壓管Ⅱ-2位于防滲墻之后，水位在46～48 m內(nèi)變化，無明顯的突變產(chǎn)生，但變化趨勢與測壓管Ⅱ-1的變化趨勢大致相同；同時，測壓管Ⅱ-2 相對于測壓管Ⅱ-1，水位平均約降低了1.54 m，經(jīng)分析得出防滲墻防滲效果一般。測壓管Ⅱ-1、Ⅱ-2 水位變化趨勢較大，且年內(nèi)極大極小值差異較大，對各模型的學習能力提出了挑戰(zhàn)。測壓管Ⅱ-3 位于下游壩坡馬道處，水位數(shù)值更趨于穩(wěn)定，基本不受庫水位變化趨勢的影響，一般約為42 m，無明顯的突變發(fā)生，非常適合模型的學習。

3 滲流模型預測結果與分析

3.1 模型參數(shù)及評價指標介紹

本研究利用Python3.10下的Sklearn機器學習庫進行計算，硬件所采用的計算平臺為12th Gen Intel（R）Core（TM）i7-12700H CPU@2.70 GHz with 16G RAM。本文采用神經(jīng)網(wǎng)絡BP、隨機森林RF、支持向量回歸SVR模型進行預測，模型具體參數(shù)詳見表1。

表1 預測模型參數(shù)

本文采用評價指標均方根誤差RMSE、均方誤差MSE、百分比偏差PBIAS對模型的預測精度進行評價[14]。

均方根誤差RMSE是預測值與真實值偏差的平方與數(shù)據(jù)集m比值的平方根，RMSE值越低表明數(shù)據(jù)越合適，并且對異常值十分敏感。RMSE的計算公式為：

式中：yi為模型真實值；為模型預測值；m為模型測試集。

均方誤差MSE是真實值與預測值之差平方的期望。MSE值越小，表明預測模型在測試集的整體表現(xiàn)越好。MSE的計算公式為：

百分比偏差PBIAS可以體現(xiàn)出實測值與預測值的累計偏差，當模擬預測結果與實測結果趨勢貼合良好且數(shù)據(jù)相差較小時，PBIAS可以更加精確地評估模型測壓管水位的效果。PBIAS為正值時表示模型模擬值過低，為負值時表示模型模擬值過高，數(shù)值越接近0表示模型預測效果越好。PBIAS的計算公式為：

3.2 預測結果分析

選取測壓管Ⅱ-1、Ⅱ-2、Ⅱ-3（測壓管Ⅱ-4因淤堵導致數(shù)據(jù)有誤）監(jiān)測數(shù)據(jù)與庫水位進行模擬分析，以數(shù)據(jù)前80%為訓練集、后20%為測試集。為全面比較各種預測模型，在是否考慮庫水位條件下，研究輸入時間序列長度對模型性能的影響。在試驗中，單個步長時間尺度為10 d，先在測試周期內(nèi)使用滑動窗口法對1、2、3、4、5、7、9、11 步長內(nèi)的數(shù)據(jù)進行預測，再預測出未來1 個步長（10 d 后的測壓管水位）的數(shù)據(jù)[15，16]。

3.2.1 預測結果評價指標分析

挑選測壓管Ⅱ-1 的模型訓練評價指標，其變化曲線如圖8—9所示。

圖8為在未考慮庫水位的情況下，通過對3種預測模型即BP、RF、SVR 模型輸入不同時間預測步長得到的模型評價指標RMSE、MSE、PBIAS變化曲線。其中，BP 模型評價指標較RF、SVR 模型的優(yōu)秀，其RMSE值為0.08～0.12，處于相對較低的水平；MSE值為0.005～0.014，在模型預測中表現(xiàn)極好，說明預測模型的測壓管水位與實際測壓管水位相差不大；PBIAS值基本為負值，表示預測值較實際值略高，尤其是預測步長為2～3 時BP 模型的PBIAS值接近于0，說明預測值基本可以代替實測結果。3種模型在輸入步長為11 時，評價指標均發(fā)生了較大的突變，有了質(zhì)的提升，即時間預測步長對其結果影響較大。

圖9為在考慮庫水位的情況下，通過對3種預測模型即BP、RF、SVR 模型輸入不同時間預測步長得到的模型評價指標RMSE、MSE、PBIAS變化曲線。由圖9 可知，3 種模型在考慮庫水位影響下進行預測，同樣從評價指標RMSE、MSE、PBIAS值進行分析。其中，BP 模型仍然憑借較強的魯棒性和優(yōu)秀的評價指標“勝出”，其RMSE、MSE值在時間預測步長為11 時達到最優(yōu)，但此刻PBIAS值卻不如其他時間預測步長時結果好，這表明其預測性能仍受輸入時間序列尺度的影響較大。

圖9 考慮庫水位影響下預測的評價指標

通過對圖8 和圖9 進行對比分析發(fā)現(xiàn)，BP 模型在考慮庫水位影響下的各項評價指標較不考慮庫水位影響下低，但庫水位影響不明顯，這表明壩體測壓管水位時間序列的自相關性對其未來變化趨勢起著更為重要的作用。經(jīng)綜合分析發(fā)現(xiàn)，BP 模型在考慮庫水位影響下輸入不同時間預測步長，無論是RMSE、MSE還是PBIAS的值都相對其他模型較小，這說明BP模型相對于其他模型具有很好的精度、魯棒性，更適用于岱山大壩的滲流預測。

同樣地，利用3種模型對測壓管Ⅱ-2、Ⅱ-3水位分別進行預測，得出評價指標結果詳見表2—3。

表2 測壓管Ⅱ-2預測模型評價指標

表3 測壓管Ⅱ-3預測模型評價指標

由表2—3 可知，測壓管Ⅱ-2、Ⅱ-3 預測模型的評價指標仍處于相對較低的水平，且BP模型的預測結果同樣優(yōu)于RF、SVR 模型。但是，測壓管水位在是否考慮庫水位的條件下，其評價指標相差不大，這是因為測壓管Ⅱ-2、Ⅱ-3 均位于防滲墻之后，庫水位對其測壓管水位的影響較小。

綜上可得，BP 模型在考慮庫水位影響下輸入步長為2～3時（考慮過去20～30 d數(shù)據(jù)）預測精度最高、效果最好。

3.2.2 測壓管水位預測結果及誤差分析

選取上述分析出的最優(yōu)模型即考慮庫水位影響下輸入步長為3 時的BP 模型的預測值與實測值進行比較，水位預測和實測數(shù)據(jù)如圖10 所示，水位誤差分析如圖11所示。

圖10 測壓管水位預測和實測數(shù)據(jù)對比

圖11 測壓管水位誤差

由圖10 可知，模型的預測效果較好，預測值與實測值的變化趨勢相同且結果相差不大；由于數(shù)據(jù)量較小的原因，在預測初期有一個較大的誤差點，即出現(xiàn)明顯的滯后；而后，經(jīng)過一段時間的滾動預測后，兩者變化趨勢開始逐步相似，模型預測對于局部范圍內(nèi)的突變過程表征較為合理，且實測值與預測值幾乎相同。同時，由圖11 可以看出，僅有一個測壓管水位的誤差較大，而其他誤差均保持在約0.1 m，是一個相對較低的水平。

綜上分析，BP 模型較RF、SVR 模型的預測精度更高、魯棒性更強，在考慮庫水位影響下，當輸入步長為2～3 時能夠很好地模擬出測壓管水位的具體數(shù)值及其變化趨勢，可以對后期水庫的監(jiān)測管理、風險評估提供參考和依據(jù)。但由于數(shù)據(jù)集量級較小的原因，模型會產(chǎn)生較小的誤差，后續(xù)需要多種優(yōu)化算法對模型的參數(shù)進行選優(yōu)，同時繼續(xù)提供監(jiān)測數(shù)據(jù)以便模型進行訓練。

4 工程滲漏成因及分析

本文采用有限元法計算方法來進行大壩的滲流穩(wěn)定計算，壩體、壩基及防滲墻的滲透系數(shù)按照地勘資料綜合確定，工具采用河海大學工程力學研究所編寫的水工結構有限元分析系統(tǒng)Autobank v7.7，計算結果如圖12—13所示。

圖12 穩(wěn)定滲流計算結果

圖13 非穩(wěn)定滲流計算結果

根據(jù)圖12—13 有限元計算結果，可以得出以下結論：壩身樁號0+300斷面處的穩(wěn)定滲流（正常蓄水位條件下）、非穩(wěn)定滲流（校核洪水位驟降到正常蓄水位）時的滲透比降均小于土體允許比降，溢出點高程為39.20～39.70 m，位于反濾排水體頂部高程以下，最大滲流量為0.554 455 m3/d，計算上述工況的最大出逸比降為0.332，小于壩體填土允許比降0.51，即樁號0+300 斷面的壩基和壩體滲透穩(wěn)定性基本滿足要求。

但是，滲漏各斷面的具體情況不同，實際情況較難模擬。因此，根據(jù)大壩的巡檢資料進行分析可得：整個壩身內(nèi)遺留有建庫時部隊埋設的鑄鐵引水管，鑄鐵管銹蝕嚴重，運行中存在較大的滲流安全隱患，如圖14 所示。并且，根據(jù)運行資料，溢洪道南側壩體經(jīng)過簡單灌漿處理后，仍有滲漏情況發(fā)生。滲漏段壩體防滲墻為正常溢洪道南側原漿砌石刺墻加高段，緊鄰正常溢洪道，位于最大壩高段。滲漏段壩體單薄且壩體結構復雜，滲漏原因是壩內(nèi)刺墻加高段存在損壞，運行中有重大安全隱患。北涵背水坡人行梯道與壩腳平臺相接處有滲漏水流出逸，如圖15所示。北放水涵南側背水坡抗震平臺自2010 年起高水位時有大面積潮濕、散浸，經(jīng)分析判斷該段壩體填筑土部分碾壓效果較差、透水性強，各層填土膠結處滲透系數(shù)偏大，導致壩體浸潤線偏高。同時，根據(jù)現(xiàn)場鉆孔注水試驗，岱山水庫壩基基巖滲透性為弱透水，屬相對不透水層；但壩體與壩基結合部位施工處理較差，存在清基不徹底問題，滲透性不滿足規(guī)范要求。

圖14 壩身內(nèi)部鑄鐵引水管

圖15 滲漏逸出點現(xiàn)場

綜上所述，岱山大壩在運行中已出現(xiàn)嚴重滲流異?，F(xiàn)象，大壩滲流性態(tài)不安全。后續(xù)結合大壩滲漏的特點及其對工程的安全影響程度，采取相應措施（布設混凝土防滲墻、土工膜、灌漿等）進行除險加固；同時，建議挖除壩身內(nèi)部鑄鐵引水管，并加強工程管理和大壩安全監(jiān)測，添加水情自動測報系統(tǒng)，確保大壩的安全運行。

5 結論

（1）在岱山大壩滲流預測中，BP 模型的評價指標高于RF、SVR 模型，具有高精度、魯棒性強等特點；在考慮庫水位的背景條件下，輸入步長為2～3 時預測精度最高、效果最好，能較合理地預測出測壓管水位的變化趨勢和水位值。該模型為未來岱山大壩的安全管理及風險評估提供了一種合理方法，后續(xù)也需要多種優(yōu)化算法對模型的參數(shù)進行選優(yōu)，同時繼續(xù)提供監(jiān)測數(shù)據(jù)以便模型進行訓練。

（2）有限元計算得出壩身樁號0+300 斷面處的穩(wěn)定滲流（正常蓄水位條件下）、非穩(wěn)定滲流（校核洪水位驟降到正常蓄水位條件下）時的滲透比降均小于土體允許比降，溢出點高程均位于反濾排水體頂部高程以下，最大滲流量為0.554 455 m3/d，即壩基和壩體滲透穩(wěn)定性基本滿足要求。但是，結合有限元計算結果和現(xiàn)場調(diào)查情況分析，岱山大壩壩身內(nèi)部的鑄鐵引水管、北涵的滲漏出逸點、溢洪道南側的刺墻加高段滲漏等問題嚴重影響大壩的滲流安全。

（3）岱山大壩后續(xù)應結合大壩滲漏的特點及其對工程的安全影響程度，采取相應措施（布設混凝土防滲墻、土工膜、灌漿等）進行除險加固；同時，建議挖除壩身內(nèi)部鑄鐵引水管，并加強工程管理和大壩安全監(jiān)測，添加水情自動測報系統(tǒng)，確保大壩的安全運行。