[發明專利]一種基于自組織競爭神經網絡的堤壩滲漏檢測方法

在審

• 申請號: 202310211716.5
• 申請日: 2023-03-07
• 公開（公告）號: CN116559042A
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 甘飛飛
• 申請（專利權）人: 中國電建集團貴陽勘測設計研究院有限公司
• 主分類號: G01N15/08
• 分類號: G01N15/08;G16C20/70;G16C20/80;G06N3/088;G06F18/23213;G06F18/24
• 代理公司: 貴州聯德佳為知識產權代理事務所(普通合伙) 52123
• 代理人: 石誠

本發明公開了一種基于自組織競爭神經網絡的堤壩滲漏檢測方法，包括采集樣本、處理樣本、構建SOM自組織神經網絡對水化學樣本進行訓練、識別堤壩滲漏位置和可視化分析。因此，構建SOM自組織神經網絡，得到水體水化學可視化拓撲圖，后揭示最佳聚類數，有效識別堤壩滲漏的位置，與正交矩陣因子分解法(PMF)相融合，結合相關性分析定量分析的水體水化學差異。有效捕捉非線性復雜系統水體水化學的時空特征，揭示最佳聚類數，有效識別堤壩滲漏的位置，合理提供水體水化學元素的定性與定量來源，將水體水化學在不同季節與空間的可視化，實現水體水化學差異的定性與定量分析。

技術領域

本發明涉及水利水電工程技術領域，具體涉及一種基于自組織競爭神經網絡的堤壩滲漏檢測方法。

背景技術

水庫建壩蓄水后，壩址水流流態發生了變化，庫水水質特征也相應發生了明顯的變化，庫水作為壩基滲漏水的主要補給源，其特征對壩基滲漏水的水質形成會產生一定的影響。然而，采用傳統分析聚類方法計算樣品間的距離對水質樣品進行分類，只能用于聚類線性方向的水體水化學，對于非線性復雜系統水體無法準確聚類；對于大尺度的時間和空間范圍下含多種參數水體水化學的大數據集，聚類種族多，譜系圖復雜，不能有效識別滲漏水；不能提供合理的水體水化學元素的定性與定量來源，實現水體水化學差異的定性與定量分析。

專利號為“CN202210939068.0”的“基于機器學習的高寒流域地下水化學控制因素分析方法”，該發明公開了應用自組織神經網絡SOM將復雜的高維數據可視化到低維空間，以此確定地下水水化學組分及其潛在的控制因素；通過應用正交矩陣因子分解法PMF量化源分配，得到每個化學物質和定性分類主要因素的非負值源貢獻；并通過將SOM、PMF、相關性分析與離子比值法將結合，提供了一種基于機器學習的高寒流域地下水化學控制因素分析方法，能夠描述復雜的地下水數據，識別每個聚類的水文地球化學過程及源解析，同時量化流域不同空間和季節的控制因素，實現定性與定量分析高寒流域地下水化學控制因素，但其并不能提高計算結果的精準性，無法分析、不能實現可視化水體差異，導致判斷的滲漏位置不夠準確，浪費資源。

發明內容

本發明的目的在于，提供一種基于自組織競爭神經網絡的堤壩滲漏檢測方法，利用機器學習手段高效分析水體水化學性質，依據水樣間的差異了解水體在巖層中的滲漏性質，判斷堤壩滲漏的位置，提高計算結果的準確性，有效識別堤壩滲漏的位置，根據聚類結果，與正交矩陣因子分解法(PMF)相融合，并結合相關性分析定量分析的水體水化學差異。合理提供水體水化學元素的定性與定量來源，將水體水化學在不同季節與空間的可視化，實現水體水化學差異的定性與定量分析。

為解決上述技術問題，本發明采用如下的技術方案：一種基于自組織競爭神經網絡的堤壩滲漏檢測方法，包括以下步驟：

S110、采集樣本，具體為采集水庫水、出露水、觀測井地下水、局部降水和地下水的水體樣品的水化學數據，結合季節和區域屬性對水體樣品進行命名與排列，并選擇確定的水庫水、局部降降水和地下水樣品為水化學樣本，再為水體樣品數據制作標簽；

S120、處理樣本，對已獲得的水體樣本數據進行歸一化處理，若水體樣本數據存在異常值或缺失值，則繼續進行預處理，包括剔除異常值、利用插值彌補缺失值；

S130、構建SOM自組織神經網絡對水化學樣本進行訓練，具體為基于水化學樣本元素數據，構建SOM自組織神經網絡并對水化學樣本進行訓練，以不同水樣的分析值為特征值，得到水體水化學可視化拓撲圖；

S140、識別堤壩滲漏位置，在SOM神經元上結合Davies?Bouldin指數和K-means算法對水體樣本進行分類，揭示最佳聚類數，識別堤壩滲漏的位置；

S150、可視化分析，根據聚類結果融合正交矩陣因子分解法(PMF)，并結合相關性分析，將水體水化學數據在不同季節與空間進行可視化處理，對水體水化學數據差異進行定性與定量分析。