1.身份证号码:320922199804284751
2.身份证号码:320922198310094718
摘要:对于大坝安全监测数据模式智能识别技术的分析,结合了工程师的思维和学习特点,提出了数据规律性识别技术的方案,然后在此情况下在卷积神经网络构建大坝安全监测数据规律性识别模式。根据研究分析,构建智能识别算法在检测数据规律性识别问题上有积极的表现,相比传统手段不需要人为定义数学模型,可以通过一个模型准确、快速处理海量且多种类型监测数据的优势。研究成果是新一代人工智能技术在大坝安全监测领域中的发展,也是大坝智能管理的重要技术点。
关键词:大坝安全管理;监测数据;模式识别;智能识别技术
大坝安全监测数据分析工作中的重要内容就是监测数据的规律性,规律性也是工程师分析大坝安全的重要依据,相比控制指标更加能够反映出大坝和坝基的细微变化。人工数据分析的时代下,经验丰富的工程师可以一眼发现监测数据的变化规律,将其与大坝结构特点和经验来进行对比,判断大坝是否存在异常情况,这种方法在测点数据较多的情况下会耗费大量人力物力,无法做好及时的分析。进入到数字化时代后,大坝安全实时监控工作得以实现,如何快速的了解大坝安全监测数据发展规律也成为了大坝安全在线监测的重点问题。当前阶段对大坝安全监测数据规律的分析采用的依然是数据模型,比如采用分段速率描述变化,但是这种方法计算的速率值很容易受到复杂变化规律的影响。模式识别是一种高度抽象但无法采用简单数据模型描述的问题,传统的数学手段在检测数据发展规律上有很多的问题,需要找到更加直接、有效的方法。随着人工智能技术的发展,卷积神经网络的表征能力非常适合高度抽象问题的表征学习,在分类问题上的表现几乎接近人类的平均水平,监测数据模式识别的本质就是时间序列的分类问题,不过卷积神经网络技术还未能在大坝安全监测领域得到普及,因此将该技术纳入到监测数据模式识别的研究中,从而实现对大坝安全监测数据规律性的分析。
一、监测数据模式智能识别的工作流程
监测数据序列模式智能识别的目标就是利用计算机采用一些手段做到例如大坝安全工程师那样可以智能的识别数据规律性,计算机可以处理一些高度抽象的问题,为大坝安全管理提供数据支持,让计算机可以像人一样更加智能,那么就必须让计算机学会人类的思维模式、参考人类学习经验。
工作流程具体为:第一,构建适合监测数据序列模式识别的卷积神经网络,可以直接采用开源卷积神经网络,也可以进行调节后应用,最终形成可以解决具体问题的网络结构。第二,收集监测数据样本,经验丰富的工程师可以利用观察法对监测数据序列模式进行分类和标记,形成带有标签的学习样本库,实现了对数据的标准化处理,方便卷积神经网络对数据的处理。第三,通过样本库进行卷积神经网络的训练,在这个过程中对卷积神经网络的结构和参数进行调整,指导符合应用要求后保存优化后的模型[1]。第四,对任意等待识别的数据序列进行标准化处理,然后输入训练好的卷积神经网络开展识别,从而判断监测序列的变化规律。相比传统方法,上述流程的序列规律识别技术有更大的优势,不仅不需要进行人为定义数学模型,而且卷积神经网络还可以从大量学习样本中进行归纳,实现抽象思维的模拟,避免人为定义模型的局限性,同时智能识别技术不会受到数据类型和数据质量的影响,具有广泛适用性特点,节省了对模型维护的精力。
二、监测数据模型识别建模
(一)卷积神经网络模型的构建
卷积神经网络是一种包含了卷积计算并且有深度结构的神经网络,也是深度学习的重要算法手段。卷积神经网络具有表征学习的能力,可以根据阶层结构对输入的信息进行平移不变的分类,因此也被称为是平移不变人工神经网络。卷积神经网络模型生物的视觉机制来进行监督和非监督学习。卷积神经网络的研究在1980年左右,在2006年随着深度学习理论的完善和其他各项理论的提出,网络结构不断深入,各种深层卷积网络也得到了积极的应用。卷积神经网络结构包括输入层、卷积层、池化层、全连接层以及输出层,各层数据、连接方式等可以自行设计。根据输入数据的不同,卷积神经网络包括一维、二维、三维,其中处理数据图像的二维网络最为常见。LeNet-5是典型的卷积神经网络类型,模型结构比较简单,不过处理复杂问题的效果较差。人工神经网络深度越深的模型精度和泛化能力就越高,但是在实际应用中发现,网络深度的提高会造成训练时间指数级的增加,过拟合、梯度爆炸等问题也随之而来。
(二)数据准备
训练数据的数量、质量对模型训练精度、泛化能力有极大的影响,训练数据的选择需要兼顾数量与质量。从我国大坝安全监察中心的监测数据来分析,大坝安全监测数据的类型和规律多种多样,在实际问题分析的时候肯定无法考虑到所有的情况,因此要先做好数据类型的分类。对监测结果进行分析发现,周期性变化的数据类型较多,其次为呈收敛变化和近似匀速变化的数据,发散变化的数据较少
[2]。
(三)模型训练和验证
核心算法采用Python语言,在Tensorflow框架基础上构建。卷积神经网络的训练需要大量的计算资源,普通微机无法承受这么大的计算量,因此模型训练和测试在Windows服务器下采用1块CPU加速完成。模型训练的时候将样本库数据随机分为两组:训练集和验证集,数据比为4:1。训练组采用小批量随机梯度下降法,并且采用指数衰减规律动态调整学习率参数来提高模型训练的稳定度。
卷积神经网络训练的前30个Epochs中,模型训练准确度的提高,函数值迅速下降,在训练到第30个Epochs的时候,模型训练准确度为0.971,验证准确度为0.967。随着训练的深入,模型准确度和损失函数值变化较为稳定,完成了100个Epochs训练后,模型训练的准确度为0.987,验证准确度为0.976。见表1。
表1 卷面神经网络训练结果
模型准确度 | 训练30个Epochs | 训练84个Epochs | 训练100个Epochs | |||
训练集 | 验证集 | 训练集 | 验证集 | 训练集 | 验证集 | |
综合 | 0.971 | 0.967 | 0.988 | 0.978 | 0.987 | 0.976 |
分类1 | 0.999 | 0.998 | 1.000 | 0.998 | 1.000 | 0.999 |
分类2 | 0.994 | 0.995 | 0.990 | 0.982 | 0.991 | 0.988 |
分类3 | 0.991 | 0.986 | 0.993 | 0.995 | 0.998 | 0.996 |
分类4 | 0.993 | 0.994 | 0.997 | 0.997 | 0.996 | 0.995 |
分类5 | 0.992 | 0.994 | 0.998 | 0.998 | 0.996 | 0.995 |
分类6 | 0.993 | 0.994 | 0.999 | 0.995 | 0.999 | 0.994 |
分类7 | 0.995 | 0.994 | 0.999 | 0.995 | 0.999 | 0.992 |
分类8 | 0.993 | 0.994 | 0.991 | 0.985 | 0.984 | 0.982 |
分类9 | 0.951 | 0.948 | 0.983 | 0.965 | 0.975 | 0.955 |
分类10 | 0.939 | 0.928 | 0.978 | 0.959 | 0.971 | 0.956 |
三、小结
对于大坝安全监测数据规律性分析的问题,由于传统数学方法有问题,结合工程师分析数据思路以及深度学习技术来构建卷积神经网络进行模式智能识别,不需要构建数学模型,研究成果将新一代人工智能技术用于大坝安全监测数据的分析,提高了大坝安全管理效率,为大坝安全管理提供保障。
参考文献:
[1]陈陈,张旭,李逸轩等.基于智能识别技术的智能垃圾分类桶设计[J].科技与创新,2022(16):52-54.
[2]孙辅庭,沈海尧.大坝安全监测数据模式智能识别技术研究[J].大坝与安全,2022(04):23-27.