CN102721514A - 一种基于熵权模糊聚类的渗漏通道探测方法 - Google Patents

Abstract

本发明公开一种基于熵权模糊聚类的渗漏通道探测方法，步骤为：充分利用“信息流”提供的信息参数，对信息参数进行去量纲化和归一化；利用熵权法对各项信息参数进行筛选、赋权，遴选出潜在补给源的信息流中差异最大的信息参数；建立新的样本集，利用模糊聚类法进行聚类，算出各种钻孔取样水相对各种潜在补给源所在类的隶属度，隶属度最大的即为相关性最大的，从而推断该处钻孔取样水的补给来源；在计算得出渗漏通道的影响范围后，在异常样本所在钻孔中进行连通实验，最终确定渗漏通道的具体位置。此方法将对信息流的判别提升到理论高度，定量地确定样本的亲疏关系，从而客观地划分类型，并为最终准确判定渗漏通道的位置提供科学依据。

Description

一种基于熵权模糊聚类的渗漏通道探测方法

技术领域

本发明属于岩土工程领域，特别涉及一种渗漏通道的探测方法。

背景技术

目前用于探测堤坝集中渗漏的方法主要是示踪方法，示踪方法是指利用水的天然示踪剂和人工示踪剂来进行示踪。天然示踪剂和人工示踪剂统称为“信息流”，它通过对比研究渗流场各种补给源、排泄点流体中各种信息的含量，确定排泄点水的来源以及各种水源所占的比例。以“信息流”为基础的人工与天然示踪探测堤坝渗漏的方法始于上世纪50年代，为了探测堤坝渗漏隐患，人工水库的上游示踪方法用于通过测量水库、河流、钻孔、排泄点、泉水、地表水中的温度、电导、环境同位素等信息的变化，判定集中渗漏通道以及补给源与排泄之间的关系。基于“信息流”的探测方法于上世纪90年代初引入中国，已经在小浪底、西霞院、碧口、刘家峡、八盘峡、黄壁庄、陡河、岭澳、吉林台、乌兰察布大坝等国家重点工程中取得了成功的应用，大幅度地提高了我国的堤坝渗漏通道的探测水平。但是示踪方法目前还处在初级阶段，只能通过人为定性地判断。

模糊聚类在科技、经济中已经获得广泛而且深入的应用，其中权值的确定是模糊聚类算法中的关键技术，权值确定是否恰当直接影响模糊综合评价效果。确定模糊聚类的权重主要通过主观赋值和客观赋值。主观赋值是由专家根据经验主观判断，一般是根据以前的统计数据而得，与当前样本数据无关，和实际情况脱节。主观赋值法主要有Delphi法、层次分析法、环比赋权法、加权统计法、调查统计法等。主观赋值的缺点是客观性较差，工作量大。客观赋值法是由当前样本数据统计而得，客观性很强，避免了人为因素带来的偏差。客观赋值法主要有主成分分析法、均方差法、离差最大化法、熵值赋权法、频率统计法、变异系数法等。

基于上述分析，本发明人采用熵值赋权法，对渗漏通道的探测方法进行深入研究，以期避免人为因素带来的影响。

发明内容

本发明的目的，在于提供一种基于熵权模糊聚类的渗漏通道探测方法，其将对信息流的判别提升到理论高度，定量地确定样本的亲疏关系，从而客观地划分类型，并为最终准确判定渗漏通道的位置提供科学依据。

为了达成上述目的，本发明的解决方案是：

一种基于熵权模糊聚类的渗漏通道探测方法，包括如下步骤：

(1)充分利用“信息流”提供的信息参数，对信息参数进行去量纲化和归一化；

(2)选取各种渗漏水潜在补给源，利用熵权法对各项信息参数进行筛选、赋权，遴选出这些潜在补给源的信息流中差异最大的信息参数；

(3)建立新的样本集，包含所有钻孔取样水和各种潜在补给源样本，利用模糊聚类法，进行聚类，算出各种钻孔取样水相对各种潜在补给源所在类的隶属度，隶属度最大的即为相关性最大的，从而推断该处钻孔取样水的补给来源；

(4)在计算得出渗漏通道的影响范围后，在异常样本所在钻孔中进行连通实验，最终确定渗漏通道的具体位置。

上述步骤(1)中，去量纲化和归一化，采用如下归一化函数：

$r(i,j)=\frac{u_{\mathrm{ij}}-u_{j\min }}{u_{j\max }-u_{j\min }}\×0.8+0.1---\left(1\right)$

其中，r(i，j)是归一化函数；

U＝[u_ij]_n×m表示样本的聚类指标特征矩阵；

i为样本标识符；

j为每个样本的指标标识符；

u_ij为对应于第i个样本的第j项指标的聚类指标特征值；

u_jmin为第j项指标最小的样本的聚类指标特征值；

u_jmax为第j项指标最大的样本的聚类指标特征值。

上述步骤(2)中，熵权法基本步骤如下，根据式(1)计算第j个指标下第i个样本的值在此指标中所占的比重，即：

则第j项指标的熵值为：

$e_j=-g\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\ln p_{\mathrm{ij}}---\left(2\right)$

其中，

n为样本数；

最后计算第j项指标的权重，对于第j项指标，其指标值r_ij的差异越大，熵值越小，其权重越大，第j个指标的熵权为：

$w_j=\frac{1-e_j}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}(1-e_j)}---\left(3\right)$

确定聚类指标权重集W＝{w₁，w₂，…w_m}，它表示各个指标在指标体系中的重要程度，其中，元素w_j表示第j个指标的熵权。

上述步骤(3)中，模糊聚类法的内容为：

(31)确定聚类中心矩阵C＝[c_kj]_t×m，将n个样本分为t类，每一个类别都有m个特征值指标，这些指标值就是该类别的聚类中心；

(32)确定分划矩阵S＝[s_ki]_t×n，其中s_ki表示第i个样本归属于第k类的隶属度；

(33)建立目标方程，确定迭代方程为：

$c_{\mathrm{kj}}^{(l-1)}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(S_{\mathrm{ki}}^{(l-1)}\right)}^2{r}_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(S_{\mathrm{ki}}^{(l-1)}\right)}^2}$

$S_{\mathrm{ki}}^{\left(l\right)}=\frac{1}{\underset{h=1}{\overset{c}{\mathrm{\Σ}}}\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\left[w_j(r_{\mathrm{ij}}-c_{\mathrm{kj}}^{(l-1)})\right]}^2}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{[w_j(r_{\mathrm{ij}}-c_{\mathrm{hj}}^{(l-1)})}^2}}$

初始化分化矩阵为S⁰，当满足条件

时，迭代结束，得到最佳分划矩阵S，其中，ε为给定的允许计算精度，l为迭代次数。

上述步骤(4)中，连通实验的具体步骤是：由步骤(3)判断出大体的渗漏通道位置后，在该可能的渗漏通道上游的某个钻孔中投入示踪剂，在下游的钻孔中用对应的示踪剂探测器进行探测，如果接收到较多的示踪剂，则该两个钻孔中有渗漏通道。

采用上述方案后，本发明具有以下有益效果：

(1)充分利用“信息流”提供的信息参数，有助于准确定位渗漏通道；

(2)对信息流的判别提升到理论高度，用数学方法定量地确定样本的亲疏关系，从而客观地划分类型，为进一步探测渗漏通道提供了科学依据。

附图说明

图1是本发明的流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

如图1所示，本发明提供一种基于熵权模糊聚类的渗漏通道探测方法，包括如下步骤：

(1)利用信息流提供的信息参数，对信息参数进行去量纲化和归一化，其中，信息流包含水化学信息、同位素信息及温度信息等，目前渗流理论存在的问题是计算结果与真实的渗流场不吻合，由于缺少详细勘测资料而进行了均化处理，很多存在渗流隐患的区域当介质被均化处理后隐患就不能出现在计算结果中，造成了误导，各种渗流模型虽有优劣，但本质的问题是缺少一种识辨与反馈机制，反馈信息系统应该是具有完全独立运行的性质，“信息流”可以成为能够独立辨识渗流场真伪最可靠的信息反馈系统；其详细内容为：

(11)确定聚类指标特征矩阵U＝[u_ij]_n×m，确定渗漏水取样点的样本个数n，以及m个特征值指标，其中，i为样本标识符，j为每个样本的指标标识符，u_ij为对应于第i个样本的第j项指标的聚类指标特征值；

(12)将前述聚类指标特征矩阵U归一化为R，采用如下归一化函数：

$r(i,j)=\frac{u_{\mathrm{ij}}-u_{j\min }}{u_{j\max }-u_{j\min }}\×0.8+0.1---\left(1\right)$

其中，r(i，j)是归一化函数；

U＝[u_ij]_n×m表示样本的聚类指标特征矩阵；

u_jmin为第j项指标最小的样本的聚类指标特征值；

u_jmax为第j项指标最大的样本的聚类指标特征值；

通过这个归一化函数，可以保证得到的值在0.1-0.9之间，否则，在熵权法中，若u_ij为0，则熵值无意义；

(2)选取各种渗漏水潜在补给源(例如，深层库水，浅层库水，地下水，大地降水，周边河流等)，利用熵权法对各项信息参数进行筛选、赋权，熵权法可以遴选出这些潜在补给源的信息流中差异最大的信息参数，某一种信息参数在所选取的样本中差异越大，则其熵值越小，相应的权就越大，这样就有利于将不同水源分类，方便后续聚类的时候可以将采样点和不同的潜在补给源聚类，最终得出确定的潜在渗漏源；所述熵权法的具体步骤如下：

根据式(1)计算第j个指标下第i个样本的值在此指标中所占的比重，即：

则第j项指标的熵值为：

$e_j=-g\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\ln p_{\mathrm{ij}}---\left(2\right)$

其中，

n为样本个数；

最后计算第j项指标的权重。对于第j项指标，其指标值r_ij的差异越大，熵值越小，其权重越大，第j个指标的熵权为：

$w_j=\frac{1-e_j}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}(1-e_j)}---\left(3\right)$

确定聚类指标权重集W＝{w₁，w₂，…w_m}，元素w_j表示第j个指标的熵权，本发明采用熵权法确定聚类指标体系的权重集W＝{w₁，w₂，…w_m}，它表示各个指标在指标体系中的重要程度，例如，假设第j项指标越重要，则其权重w_j越大，其中w_j＞0，并且

(3)建立新的样本集，包含所有钻孔取样水和各种潜在补给源样本，利用模糊聚类法，进行聚类，可以算出各种钻孔取样水相对各种潜在补给源所在类的隶属度，隶属度最大的即为相关性最大的，从而我们可以推断该处钻孔取样水的补给来源。

模糊聚类法是应用模糊系统基本理论，对具体事物建立聚类模型、聚类样本集、聚类指标集、各指标权重集、聚类中心集，进行运算，将对信息流的判别提升到理论高度，根据钻孔取样水的补给源，判断渗漏水从何处补给，并大致推断渗漏通道；

(31)确定聚类中心矩阵C＝[c_kj]_t×m，将n个样本分为t类，每一个类别都有m个特征值指标，这些指标值就是该类别的聚类中心；

(32)确定分划矩阵S，S＝[s_ki]_t×n，其中s_ki表示第i个样本归属于第k类的隶属度。

(33)建立目标方程，确定迭代方程为：

$c_{\mathrm{kj}}^{(l-1)}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(S_{\mathrm{ki}}^{(l-1)}\right)}^2{r}_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(S_{\mathrm{ki}}^{(l-1)}\right)}^2}$

$S_{\mathrm{ki}}^{\left(l\right)}=\frac{1}{\underset{h=1}{\overset{c}{\mathrm{\Σ}}}\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\left[w_j(r_{\mathrm{ij}}-c_{\mathrm{kj}}^{(l-1)})\right]}^2}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{[w_j(r_{\mathrm{ij}}-c_{\mathrm{hj}}^{(l-1)})}^2}}$

初始化分化矩阵为S⁰，当满足条件

时，迭代结束，得到最佳分划矩阵S。其中，ε为给定的允许计算精度，l为迭代次数。

(4)在计算得出渗漏通道的大概位置后，在异常样本所在钻孔中进行连通实验，确定渗漏通道的具体位置；

连通实验的具体步骤如下，根据上述步骤(3)，可判断大体的渗漏通道位置，在该可能的渗漏通道上游的某个钻孔中投入示踪剂(可以为染料、电导液、放射性同位素等)，在下游的钻孔中用对应的示踪剂探测器进行探测，如果接收到较多的示踪剂，则该两个钻孔中有渗漏通道。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种基于熵权模糊聚类的渗漏通道探测方法，其特征在于包括如下步骤：

(1)充分利用“信息流”提供的信息参数，对信息参数进行去量纲化和归一化；

(2)选取各种渗漏水潜在补给源，利用熵权法对各项信息参数进行筛选、赋权，遴选出这些潜在补给源的信息流中差异最大的信息参数；

(3)建立新的样本集，包含所有钻孔取样水和各种潜在补给源样本，利用模糊聚类法，进行聚类，算出各种钻孔取样水相对各种潜在补给源所在类的隶属度，隶属度最大的即为相关性最大的，从而推断该处钻孔取样水的补给来源；

(4)在计算得出渗漏通道的影响范围后，在异常样本所在钻孔中进行连通实验，最终确定渗漏通道的具体位置。

2.如权利要求1所述的一种基于熵权模糊聚类的渗漏通道探测方法，其特征在于：所述步骤(1)中，去量纲化和归一化，采用如下归一化函数：

$r(i,j)=\frac{u_{\mathrm{ij}}-u_{j\min }}{u_{j\max }-u_{j\min }}\×0.8+0.1---\left(1\right)$

其中，r(i，j)是归一化函数；

U＝[u_ij]_n×m表示样本的聚类指标特征矩阵；

i为样本标识符；

j为每个样本的指标标识符；

u_ij为对应于第i个样本的第j项指标的聚类指标特征值；

u_jmin为第j项指标最小的样本的聚类指标特征值；

u_jmax为第j项指标最大的样本的聚类指标特征值。

3.如权利要求2所述的一种基于熵权模糊聚类的渗漏通道探测方法，其特征在于：所述步骤(2)中，熵权法基本步骤如下，根据式(1)计算第j个指标下第i个样本的值在此指标中所占的比重，即：

则第j项指标的熵值为：

$e_j=-g\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}\ln p_{\mathrm{ij}}---\left(2\right)$

其中，

n为样本数；

最后计算第j项指标的权重，对于第j项指标，其指标值r_ij的差异越大，熵值越小，其权重越大，第j个指标的熵权为：

$w_j=\frac{1-e_j}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}(1-e_j)}---\left(3\right)$

确定聚类指标权重集W＝{w₁，w₂，…w_m}，它表示各个指标在指标体系中的重要程度，其中，元素w_j表示第j个指标的熵权。

4.如权利要求3所述的一种基于熵权模糊聚类的渗漏通道探测方法，其特征在于：所述步骤(3)中，模糊聚类法的内容为：

(31)确定聚类中心矩阵C＝[c_kj]_t×m，将n个样本分为t类，每一个类别都有m个特征值指标，这些指标值就是该类别的聚类中心；

(32)确定分划矩阵S＝[s_ki]_t×n，其中s_ki表示第i个样本归属于第k类的隶属度；

(33)建立目标方程，确定迭代方程为：

$c_{\mathrm{kj}}^{(l-1)}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(S_{\mathrm{ki}}^{(l-1)}\right)}^2{r}_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\left(S_{\mathrm{ki}}^{(l-1)}\right)}^2}$

$S_{\mathrm{ki}}^{\left(l\right)}=\frac{1}{\underset{h=1}{\overset{c}{\mathrm{\Σ}}}\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{\left[w_j(r_{\mathrm{ij}}-c_{\mathrm{kj}}^{(l-1)})\right]}^2}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{[w_j(r_{\mathrm{ij}}-c_{\mathrm{hj}}^{(l-1)})}^2}}$

初始化分化矩阵为S⁰，当满足条件

时，迭代结束，得到最佳分划矩阵S，其中，ε为给定的允许计算精度，l为迭代次数。

5.如权利要求1所述的一种基于熵权模糊聚类的渗漏通道探测方法，其特征在于：所述步骤(4)中，连通实验的具体步骤是：由步骤(3)判断出大体的渗漏通道位置后，在该可能的渗漏通道上游的某个钻孔中投入示踪剂，在下游的钻孔中用对应的示踪剂探测器进行探测，如果接收到较多的示踪剂，则该两个钻孔中有渗漏通道。

Images