基于大数据的白屈港套闸增补项目扬压力监测系统

蔡艳媚

(江阴市江堤闸站管理中心，江苏 江阴 214400)

水利工程项目的施工效果主要体现在其是否与所处水域环境的实际需求相契合[1]，而对于套闸增补项目而言，其主要价值是提高原有水利工程的安全性和作用效果[2]。白屈港套闸增补项目是一项已经顺利竣工的系统化工程，不仅完善了原有施工的应用价值，同时也使其自身价值得到体现[3]。为此，对所受的扬压力实施有效的监测是十分必要的[4]。大数据作为信息时代的一项重要产物，其反馈的信息价值更加全面化和深层化[5]。将大数据应用到白屈港套闸增补项目扬压力监测中将会带来新的发展[6]。

为此，本文提出基于大数据的白屈港套闸增补项目扬压力监测系统设计研究，在硬件和软件两个方面对系统展开设计，并充分考虑了干扰因素对监测结果的影响，实现了对其的高精度监测。通过本文的设计研究，希望可以帮助相关水利工程扬压力监测工作的开展提供有价值的参考。

1 硬件设计

为了实现对套闸增补项目扬压力的准确监测，本文选择了一种高精度的接触位移传感器，利用其实现对套闸增补项目所处上下游水位数据以及坝前淤泥淤积数据的采集。其具体设计如图1所示。

图1 传感器装置

考虑到在实际运行中其受水流的冲击会有较大的震动性，因此在结构上，使用热熔成型材料进行设计，以此提高传感器的抗震动等级，在100Hz的帧频下，其可以实现稳定运行。不仅如此，水下环境要求其具备较高的防水性能，热熔成型材料的防水等级可以达到IP67，避免了环境因素对其应用效果的影响。传感器的头部和尾部采用紧锢的镀镍黄铜金属材质制成，提高了其抗化学腐蚀能力，确保其使用寿命。在不结露、不结冰的情况下，使用环境温度/湿度要求为-25～55℃/35%～5%RH。适用EMC指令(2014/30/EU)/IEC 60947- 5- 2:2007IA1:2012，具有良好的数据采集效果。在套闸增补项目扬压力监测系统中，其分布设置主要以实际监测需要为基础进行，当实际压力值不超过100MPa时，以20m2的基础面积进行布置即可，当实际压力值不超过200MPa时，以10m2的基础面积进行布置即可。

2 软件设计

2.1 套闸增补项目扬压力统计模型

通过对套闸增补项目扬压力的形成方式进行分析不难发现，影响其数值高低的主要因素为上下游水位的高低[7]，套闸增补项目所处位置的实际降雨量，套闸增补项目岩基的温度以及坝前淤泥淤积总量、套闸增补项目的帷幕和排水能力[8]。需要特别注意的是，上述因素都是随着时间的变化而相对以动态的形式存在的。考虑到该特点，在对套闸增补项目的扬压力进行监测时，引入了时效因子[9]。在此基础上，设计套闸增补项目扬压力的统计模型为

H=λT(hb+hp+ht+h0)

(1)

式中，Hb—套闸增补项目对应的水位分量；T—时间，并存在T∈{1，2，3，4，5}，当T=1时，表示的当前时间为监测日，当T=2时，表示的当前时间为监测日前1d，当T=3时，表示的当前时间为监测前2～4d，当T=4时，表示的当前时间为监测前5～15d，当T=5时，表示的当前时间为监测前16～30d；hp—初始监测日各时段上下游水位的平均值；Ht—降雨分量；h0—初始监测日采集到的各时段对应的平均降雨量，同样按照T值，划分为5个阶段；λ—不同时段系对应的影响系数值。

以此为基础，按照式(1)构建的模型，对T时间内获取资料的各个分项数据进行整合。

2.2 套闸增补项目扬压力数值监测

在上文的基础上，要实现对套闸增补项目扬压力的有效监测，需要对上述数据进行校正处理，降低干扰因素对其的影响[10]。为了实现该目标，借助大数据，利用BP神经网络对模型输出的数据结果进行处理。

对BP神经网络进行训练。将大数据中的扬压力数值作为神经网络的输入层[11]，其中包含的数据参数包括水位、降雨、温度和时效向量值，同时最终输出层的输出结果为套闸增补项目扬压力。在此基础上，采用Kolmogrov定理构建包含拟实数编码信息的的三层网络结构模式，将BP神经网络中各参数的权值和阈值进行约束，其中权值的标记方式为：

(2)

式中，W—各参数的权值；h—参数的指标信息。对应地，参数的阈值可以表示为：

D=[Wmaxh，Wminh]

(3)

式中，Wmax、Wmin—参数的最大权值和最小权值，通过式(2)可以看出，其主要取决于大数据中各个影响因素的参数指标。

对于完成训练的神经网络，就可以应用其实现对2.1部分构建的套闸增补项目扬压力统计模型的输出结果进行校正，确保监测结果的准确性。

对模型中的4个参量进行编码处理。为了降低后续计算的难度，提高数据处理的效率，采用实数编码的方式实现编码，通过这样的方式也提高神经网络在更大空间范围内的搜索。然后对神经网络适应度函数的确定。需要注意的是，采用预测输出对个体适应度值进行设置时，最终的结果会与期望输出之间产生一定的误差。因此本文对适应度值的设置方式为：

(4)

式中，g—神经网络的适应度参数值；f、f′—套闸增补项目扬压力的预测输出结果和期望输出输出结果。完成对适应度参数的设置后，本文采用轮盘赌法实现神经网络的选择操作。假设对每个个体被选择概率是完全一致的，那么在任意个体参数中，适应度值都是以定值存在的，神经网络的各个层级也是以该适应度值为连接存在的。此时即可进行套闸增补项目扬压力影响因素参量的交叉操作，得出校正后的扬压力值，其可以表示为：

H′=a(1-g)H

(5)

式中，H′—最终的套闸增补项目扬压力监测结果；a—交叉系数。

3 工程实例应用分析

3.1 监测环境概况

为了测试本文设计监测系统的实际应用效果，进行了实例应用分析测试，以白屈港套闸增补项目为测试对象，其实际构造如图2所示。

图2 白屈港套闸增补项目构造

已知其为碾压构造的混凝土结构，坝高最大值为110.35m，项目全长为334.20m，项目顶端的程高为156.50m。在此基础上，为了实现对套闸增补项目扬压力的监测管理，分别在纵向基础廊道上布置了10个扬压力监测孔，编号Z1—Z10，在3个横向廊道上布置了15个扬压力监测孔，编号为S1—S15，具体如图3所示。

图3 扬压力监测孔设置

按照图3所示的方式构建监测孔后，在每个测点设立了对应的人工监测，并以人工监测的结果为基准对系统的监测效果进行分析。

3.2 监测结果分析

为了提高监测效果，首先对系统中神经网络的参数进行训练设置，最终因素相关系数值设置为0.9876。以此为基础，开展为期10d的监测工作。得到的监测结果与人工采集结果见表1。

表1 监测结果统计表

从表1中可以看出，本文设计系统的监测结果与实际结果之间的误差不超过0.04MPa，具有较高的准确性。不仅如此，通过对数据整体误差趋势进行分析发现，设计系统始终处于略高于人工监测结果的状态下，表明其具有较高的稳定性。这是因为本文利用大数据对校正监测数据的神经网络进行训练，提高了校正的可靠性。

4 结语

扬压力值的高低影响着套闸增补项目的安全性，为了能对套闸增补项目的扬压力值进行准确监测，本文将大数据作为技术支撑，设计了一种白屈港套闸增补项目扬压力监测系统，利用大数据训练BP神经网络，并对构建的套闸增补项目扬压力统计模型输出数据进行处理，实现扬压力值的准确监测，对水利工程项目的监测提供有力的技术支持。由于时间的限制，本文研究还存在许多不足，在接下来的研究中，将完善对数据的处理过程，减少外界因素对数据的影响，提高对扬压力值监测的准确性，实现对套闸增补项目扬压力值更准确的检测，确保水利工程项目的安全性，进而保障国民的生命财产安全。