一种基于混合神经网络的水库重力坝地震响应预测方法，该方法能够量化水库水位的不确定性

《Reliability Engineering & System Safety》：A hybrid neural network-based concrete gravity dam seismic response prediction method quantifying reservoir water level uncertainty

本研究提出融合系统特征注意力机制与波束分解脉冲识别模块的混合神经网络模型SW-HNN，有效预测重力坝脉冲地震响应，解决水库水位变化与数据不平衡问题，实验验证其准确性、鲁棒性和可解释性。

　　

刘波|徐强|邢建英|陈建云|王明明|李静|张天冉

中国大连理工大学海岸与海洋工程国家重点实验室，大连，116024

摘要

准确实时预测重力坝的地震响应对其安全性评估至关重要。然而，由于重力坝-水库-基础系统（例如水库水位）和地震特性（例如脉冲特性）的变化，重力坝的地震响应特性具有高度变异性。为应对这些挑战，本研究提出了一种混合神经网络模型（SW-HNN），该模型结合了一种新的系统特征注意力机制和基于小波分解的独特脉冲识别模块，以预测考虑水库水位变化的重力坝的脉冲地震响应。该模型有效地捕捉了重力坝-水库-基础系统、地面运动脉冲特性和坝体响应之间的复杂相互关系。为了进一步提高模型性能，开发了一种改进的平衡采样技术，用于地面运动数据集，这丰富了特征集并减轻了特征分布不平衡的影响。通过具有不同水库水位的重力坝-水库-基础系统的非线性时程分析生成了模型训练和验证所需的数据集。实验结果证实了SW-HNN模型的准确性和鲁棒性。通过消融分析和对比实验进一步验证了SW-HNN模型的有效性和优越性。此外，SW-HNN是一种可解释的深度学习模型，能够通过评估其内部参数的变化来对系统特征进行排序。

引言

混凝土重力坝的地震安全评估长期以来一直是工程实践者的关注焦点。这些坝体沿基础方向的长度可延伸至数百米，由于地质和经济限制，大跨度坝体结构通常建在活跃断层破裂区附近，例如中国的黄登重力坝和白鹤滩拱坝。具有长期蓄水能力的混凝土坝特别容易受到近断层脉冲型地震的影响，这带来了独特的挑战[1]。近断层脉冲地面运动的特点是“震级小，破坏大”，即使低震级事件也可能造成严重的结构损坏[2]。准确预测混凝土坝在脉冲地震中的响应非常重要。获得的响应数据可有效用于结构健康监测系统[3]、震后性能评估[4,5]、可靠性分析[6]和韧性评估过程[7]，从而为坝体在地震事件期间及震后的安全稳定运行提供坚实可靠的保障。

全球范围内，关于混凝土坝受到近断层地面运动影响的记录案例很少。鉴于混凝土坝是规模庞大、高度和体积都相当大的水力结构，当它们遭受未知地震时，很难从现有实际案例中评估潜在的损坏情况，尤其是近断层脉冲地震。目前预测混凝土坝脉冲地震响应的最先进方法主要依赖于有限元非线性时程分析[8,9]。然而，这些方法需要精细的网格划分和较小的时间步长，导致计算时间较长，限制了它们在实时预测中的应用。虽然超级计算机提供了一个可能的解决方案，但它们所需的巨大计算资源限制了这种方法的广泛应用。

为应对这些挑战，研究人员采用了两种主要策略。第一种策略是通过开发简化模型来降低计算复杂性，从而快速预测坝体的整体结构响应[10]。例如，Basili和Nuti[11]将混凝土重力坝简化为非线性单自由度模型，实现了在地震荷载下坝基滑动的快速预测。然而，这类方法提供的细节水平有限，且不支持对多个关键坝位置的实时预测。第二种策略利用机器学习方法以数据驱动的方式近似结构的地震响应[12,13]。包括支持向量机[14]、递归长短期记忆（LSTM）网络[15]和贝叶斯网络[16,17]在内的各种机器学习算法已被广泛用于水力结构的地震安全评估和健康监测[18]。Bharti等人[15]提出了一种基于LSTM的方法用于重力坝的地震响应预测和脆弱性分析。de Almeida Torres Filho等人[19]使用多种机器学习模型预测重力坝的脆弱性曲线。Hariri-Ardebili等人[20]利用五种机器学习算法建立了地面振动强度测量值与工程需求参数（EDPs）之间的关系，实现了拱坝的快速EDP预测。同样，Segura等人[21]应用机器学习元建模技术进行重力坝的地震脆弱性分析。然而，这些方法通常仅限于预测关键损坏参数，如坝基滑动。虽然这些宏观损坏指标比详细的响应时间历史更容易获得，但提供的信息有限[22]。

最近，用于预测结构地震响应时间历史的深度学习方法受到了广泛关注[23]。根据训练数据的来源，这些方法可以分为两类。第一类依赖于数据驱动的方法，其中使用结构的历史地震记录来构建模型的训练数据集。研究人员利用真实结构的历史记录或振动台测试数据开发了地震响应时间历史预测模型，并成功应用于多层框架结构[24]和桥梁结构[25,26]。然而，这些方法的实际应用受到真实结构的历史地震记录有限以及振动台测试成本高昂的限制。第二类是“模型+数据”方法，其中使用设计信息和实际结构的监测数据构建并校准结构的有限元模型。然后通过有限元数值模拟生成机器学习模型的训练数据。这些方法能够捕捉更丰富的结构响应特性，如有效持续时间，因此受到了广泛关注。“数据+模型”驱动的地震响应预测方法已成功应用于多层框架[27]、[28]、[29]、桥梁[30]和地铁站[31]的地震安全评估。此外，一些研究人员使用来自结构上各个测量点的动态响应数据进行了时间序列建模，无需负载激励信息，从而在预测方面提供了更大的灵活性。

由于重力坝的边界条件和加载特性更为复杂，为这些结构获得可靠且鲁棒的实时地震响应预测模型面临两个额外的挑战：

1.

现有方法无法有效量化与水库水位波动相关的不确定性。水库建成后，由于防洪、发电和通航等运营需求，水库水位会定期波动。例如，中国三峡水库自2007年以来水库水位在145米至175米之间波动[32]，如图1所示。这些水库水位的变化改变了坝体的振动模式，直接影响其地震损坏和响应特性[33]。当水库水位发生变化时，之前训练的预测模型不再适用，需要收集新数据重新训练模型——这一过程会耗费大量时间。

2.

预测脉冲地震激励下的地震响应具有挑战性。研究表明，结构在脉冲和非脉冲地面运动激励下的响应特性存在显著差异[34]。大多数现有方法是基于非脉冲地震激励开发的，Kuo等人[35]指出，这些方法需要更好地适应预测结构对脉冲地面运动的响应。脉冲地面运动的脉冲成分和残差成分高度耦合[2,36]，使得深度学习模型难以准确捕捉脉冲特征并学习这些特征与坝体响应之间的复杂内部关系。

为了解决这些问题，本研究提出了一种系统的特征注意力机制和连续小波变换增强的混合神经网络（SW-HNN）模型，用于实时预测重力坝的脉冲地震响应，并考虑了水库水位的不确定性。图2展示了本研究的主要框架。该方法创新地使用脉冲识别方法分离脉冲地震信号，将脉冲成分和高频成分分离出来作为SW-HNN模型的输入。这一过程简化了模型捕捉脉冲特性的任务。此外，从坝体-水库-基础系统中提取与结构响应相关的系统特征，并将其作为SW-HNN模型的输入数据，使模型能够学习水库水位不确定性对结构响应的影响。值得注意的是，引入了一种新颖的系统特征注意力机制，使模型能够专注于最“重要”的系统特征，提高了其可解释性。SW-HNN模型的输出是目标位置的实时地震响应数据。使用一系列重力坝-水库-基础系统的数值模型生成的数据集验证了所提出方法的准确性。事实证明，SW-HNN是一种可靠的重力坝地震响应预测模型，具有可解释性。

部分摘录

整体工作流程

对重力坝进行全面的地震分析需要一个复杂的、精细网格化的有限元模型（FEM），并使用现场监测或振动台实验的参数进行校准[22]，以生成准确的模拟数据[27]。所提出方法的整体工作流程如图3所示。首先，建立一系列具有不同水库水位的重力坝的精细FEM模型。接下来，选择合适的脉冲地面运动数据形成地面...

模型描述

黄登重力坝位于中国的澜沧河上，长度为203米，宽度为464米，如图13所示。根据其地震危险性分析报告，坝址10至25公里范围内有地震活动记录。因此，黄登重力坝的地震安全评估必须考虑近断层地面运动的影响。

使用商业软件对黄登重力坝的7#挡水段进行了数值分析...

脉冲周期的影响

选择了四个具有不同脉冲周期（T_p）的脉冲地震样本，用于在正常水库容量下对坝体-水库-基础系统进行FE动态计算。图20显示了在原始地面运动和残差成分作用下的坝体顶部位移。其中，RSN #568和#4102的T_{p值与坝体的一阶自然周期（T1）相似。这导致在原始地面运动下的位移趋势和峰值之间存在显著差异...}

结论

准确预测混凝土坝在地震荷载下的动态响应对于实时地震安全监测具有重要的实际意义。鉴于目前缺乏针对混凝土重力坝的成熟实时地震响应预测系统，本研究提出了一种新的地震响应预测模型，该模型整合了为这类结构量身定制的多个子模块。使用生成的数据验证了所提出方法的准确性和适用性...

CRediT作者贡献声明

刘波：概念化、方法论、软件、形式分析、初稿撰写、审稿与编辑。徐强：初稿撰写、软件、形式分析、资金获取。邢建英：数据管理、调查、验证。陈建云：验证、形式分析、资金获取。王明明：验证、软件。李静：验证。张天冉：软件。

CRediT作者贡献声明

刘波：审稿与编辑、初稿撰写、软件、方法论、形式分析、概念化。徐强：初稿撰写、软件、资金获取、形式分析。邢建英：验证、调查、数据管理。陈建云：验证、资金获取、形式分析。王明明：验证、软件。李静：验证。张天冉：软件。