基于复杂网络的堤坝健康监测敏感测点分析方法

摘要

本发明公开了基于复杂网络的堤坝健康监测敏感测点分析方法，包括步骤有，根据堤坝健康监测项目，通过对应每一监测项目实测数据，得到反应工程健康状况的测值时间序列；运用等概率粗粒化的方法，将测值时间序列转化成符号序列；把符号序列编码在复杂网络的拓扑结构中，构造复杂网路；通过对复杂网络的特征参数进行分析，获取该堤坝健康监测项目的敏感测点及堤坝的性态演化规律。所提出的新方法具有有效识别重要测点和判别堤坝性态演化的能力，克服常规分析方法对数据误差的敏感性，可多尺度地发现各个测点的重要程度，实现各个测点之间相关关系的分析，并及时准确地掌握堤坝工程健康性态，实现堤坝性态的更有效预警。

说明书

技术领域

本发明涉及一种堤坝健康监测分析方法，特别是涉及一种基于复杂网络的 堤坝健康监测敏感测点分析确定方法。

背景技术

堤坝健康监测不仅有利于避免大的险情和灾害发生，对堤坝性态及微小变 化的准确掌握也是反馈设计施工质量和检验科研效果的前提条件。及时、准确 地掌握堤坝的性态，是保证堤坝安全运行的基础。

堤坝健康监测是河湖和水库安全运行的耳目，但目前，绝大部分实测资料 分析方法对数据要求比较高，如要求数据满足平稳性、正态性和独立同分布等 要求，而实际实测资料都具有非平稳性、相关性和异方差性，从而使得现有分 析方法难以准确掌握测值规律，有时甚至得到错误结论。同时现有分析方法对 敏感或重要测点分析确定往往无能为力，只能依靠专家经验。

实际上，堤坝健康监测的实际测值序列大多不平稳，尤其是堤坝危险期或 非常工况期。而敏感或重要测点的确定往往同结构性态分析是相互关联的，是 一个问题的两个方面。目前常规分析方法许多都只能适应平稳时间序列或对数 据噪声敏感，从而既不能识别敏感测点，也不能对结构性态进行有效分析。

发明内容

本发明的主要目的在于，克服现有技术中的不足，充分利用复杂网络分析 方法的多尺度分析功能和对误差不敏感的优势，提供一种基于复杂网络的堤坝 健康监测敏感测点分析方法，克服常规分析方法对数据误差的敏感性，可发现 各个测点的重要程度，实现各个测点之间相关关系的分析，并准确地掌握堤坝 的工程健康性态，实现堤坝性态的有效预警。

为了达到上述目的，本发明所采用的技术方案是：

基于复杂网络的堤坝健康监测敏感测点分析方法，包括以下步骤：

1)根据堤坝健康监测项目和测点，应用布设于测点的传感器获取堤坝对 应测点的实际测值时间序列；

2)运用等概率粗粒化的方法，将测值时间序列转化成符号序列；

3)把符号序列编码在复杂网络的拓扑结构中，构造复杂网路；

4)对复杂网络的特征参数进行分析，获取该堤坝健康监测项目的敏感测 点及其性态演化规律，进行堤坝的工程健康性态判别。

本发明进一步设置为：所述步骤1)中堤坝健康监测项目包括环境量、渗 流场、温度场和变形场。

本发明进一步设置为：所述步骤2)中等概率粗粒化的方法，具体包括步 骤，2-1)设x_max和x_min分别是测值时间序列的最大值和最小值，转化后的符号 共有N种，记为s₁，s₂，...，s_N，定义

S_i＝s_j，x_min+(j-1)d≤x_i＜x_min+j_d，j＝1，...，N(1)

其中，N>2，d＝(x_max-x_min)/N；由式(1)得到N种不同字符构成的符号 序列；

2-2)记堤坝测值时间序列为{x(t)＝1，...，N}，通过式(2)计算测值时间 序列波动k(t)，

$k\left(t\right)=\frac{x(t+\Delta t)-x\left(t\right)}{\Delta t}---\left(2\right)$

其中，Δt为时间间隔；

2-3)通过式(3)计算不同波动值可能出现的概率p(k)，

$p\left(k\right)={\int }_{-\infty }^k\frac{Num\left(x\right)}{N}dx---\left(3\right)$

其中，Num(x)对应测值序列的波动模态x发生的次数；

2-4)把测值时间序列的波动k(t)分为5个区间，定义5个特征字符为式(4)，

$S_i=\left(\begin{array}{cc}t,& 0<p\left(k\right)<0.2\\ r,& 0.2\le p\left(k\right)<0.4\\ e,& 0.4\le p\left(k\right)<0.6\\ d,& 0.6\le p\left(k\right)<0.8\\ f,& 0.8\le p\left(k\right)<1\end{array}\right)---\left(4\right)$

其中，t代表测值数值快速增加，r代表测值数值缓慢的增加，e代表测值 数值不增不减，d代表测值数值缓慢的降低，f代表测值数值快速的降低；

从而将测值时间序列转换成符号序列为式(5)，

S＝(S₁S₂S₃...)，S_i∈(t，r，e，d，f)(5)

本发明进一步设置为：所述步骤3)中构造复杂网路，是在把符号序列编 码在有向加权的复杂网络的拓扑结构之后，通过excle2pajek软件转换成pajek 软件可处理的格式。

本发明进一步设置为：所述步骤4)中对复杂网络的特征参数进行分析， 通过pajek软件进行。

本发明进一步设置为：所述步骤4)中复杂网络的特征参数包括平均最短 路径长度、平均集聚系数和模块度系数。

本发明进一步设置为：所述环境量包括溃坝前上游水位测点、溃坝前下游 水位测点和大气压力测点；所述渗流场包括渗压水位测点、渗流量测点和坝体 水分测点；所述温度场采用分布式光纤测量，包括坝体表面气温测点、库水温 测点、坝体内部温度测点、上游水温测点和下游水温测点；所述变形场包括坝 体表面变形测点、坝体内部变形测点和倾度测点。

与现有技术相比，本发明具有的有益效果是：

根据溃坝试验实测数据，从复杂网络的角度揭示测值时间序列变化的动力 学特征，首先运用等概率粗粒化的方法，将测值时间序列转化成符号序列，把 符号序映射成网络参数构造复杂网路，然后通过对复杂网络的特征参数的分 析，获取重要测点及其性态演化规律，从而实现堤坝健康性态分析，具有有效 识别重要测点和判别堤坝性态演化的能力。其中，采用粗粒化方法，有利于克 服数据误差对分析结果的影响，有利于实现不同尺度的分析；同时采用复杂网 络分析方法，可以发现各个测点的重要程度，实现各个测点之间相关关系的分 析，从而提取敏感测点，及时准确地掌握堤坝的工程健康性态，实现堤坝性态 的更有效预警。

上述内容仅是本发明技术方案的概述，为了更清楚的了解本发明的技术手 段，下面结合附图对本发明作进一步的描述。

附图说明

图1为本发明基于复杂网络的堤坝健康监测敏感测点分析方法的流程图；

图2为本发明实施例的堤坝试验过程中蓄水期的环境温度过程线；

图3为本发明实施例的堤坝试验过程中溃决过程的水位过程线；

图4为本发明实施例的溃坝前上、下游水位测值的复杂网络图；

图5为本发明实施例的整个过程渗流压力测点M1、M2对应的复杂网络 图；

图6为本发明实施例的溃坝期渗流压力测点M1、M2对应的复杂网络图；

图7为本发明实施例的4个不同测点的光纤温度测值的复杂网络图；

图8为本发明实施例的溃坝期测点S1、S2测值对应的复杂网络图；

图9为本发明实施例的整个过程倾度测点K1、K2测值对应的复杂网络图；

图10为本发明实施例的溃坝期倾度测点K1、K2测值对应的复杂网络图；

图11为本发明实施例的整个过程的三组温度测值对应的复杂网络图。

具体实施方式

下面结合说明书附图，对本发明作进一步的说明。

如图1所示，本发明提供一种基于复杂网络的堤坝健康监测敏感测点分析 方法，包括以下步骤：

1)根据堤坝健康监测所设置的项目应用监测传感器，获取该堤坝健康监 测项目的测点的测值时间序列；其中，坝健康监测项目根据需要包括环境量、 渗流场、温度场和变形场等。

2)运用等概率粗粒化的方法，将测值时间序列转化成符号序列；其中， 等概率粗粒化的方法，具体包括步骤，

2-1)设x_max和x_min分别是测值时间序列的最大值和最小值，转化后的符号 共有N种，记为s₁，s₂，...，s_N，定义

S_i＝s_j，x_min+(j-1)d≤x_i＜x_min+jd，j＝1，...，N(1)

其中，N>2，d＝(x_max-x_min)/N；由式(1)得到N种不同字符构成的符号 序列；

2-2)记堤坝测值时间序列为{x(t)＝1，...，N}，通过式(2)计算测值时间 序列波动k(t)，

$k\left(t\right)=\frac{x(t+\Delta t)-x\left(t\right)}{\Delta t}---\left(2\right)$

其中，Δt为时间间隔；

2-3)通过式(3)计算不同波动值可能出现的概率p(k)，

$p\left(k\right)={\int }_{-\infty }^k\frac{Num\left(x\right)}{N}dx---\left(3\right)$

其中，Num(x)对应测值序列的波动模态x发生的次数；

2-4)把测值时间序列的波动k(t)分为5个区间，定义5个特征字符为式(4)，

$S_i=\left(\begin{array}{cc}t,& 0<p\left(k\right)<0.2\\ r,& 0.2\le p\left(k\right)<0.4\\ e,& 0.4\le p\left(k\right)<0.6\\ d,& 0.6\le p\left(k\right)<0.8\\ f,& 0.8\le p\left(k\right)<1\end{array}\right)---\left(4\right)$

其中，t代表测值数值快速增加，r代表测值数值缓慢的增加，e代表测值 数值不增不减，d代表测值数值缓慢的降低，f代表测值数值快速的降低；

从而将测值时间序列转换成符号序列为式(5)，

S＝(S₁S₂S₃...)，S_i∈(t，r，e，d，f)(5)

3)把符号序列编码在有向加权的复杂网络的拓扑结构中，之后通过 excle2pajek软件转换成pajek软件可处理的格式，构造复杂网路。

4)通过pajek软件对复杂网络的特征参数进行分析，获取该堤坝健康监测 项目的敏感测点及其性态演化规律，进行堤坝的工程健康性态判别。

其中，复杂网络的特征参数包括平均最短路径长度、平均集聚系数和模块 度系数。平均最短路径长度代表了一种模态向另一种模态转换所需要的时间， 因此更短的平均最短路径长度可以表现出短程的相关性；而平均集聚系数则表 示了波动模式之间转换的速率，更大的平均集聚系数表示转换的更频繁；同时 模块度的数值表征了网络内部群簇相互之间联系的稀疏程度，更大的模块度表 示具有更强的社团关系。

将每一个N字串视为网络的一个顶点，符号序列中相邻的两个N字串之 间存在着一条边，由前一个N字串指向后一个N字串。如果两个顶点i和j之 间存在着多条边，那么边数就是这两个顶点之间的边的权重W_ij。假设网络分成 了m个社团，构造一个m×m阶的矩阵c，c_ij表示连接两个社团i和社团j的边 在复杂网络中所占有的比例，则模块度可以表示为：

$M={\Sigma }_{i=1}^m(c_{ij}-{\Sigma }_{j=1}^m{c}_{ij}^2)---\left(6\right)$

其中，0≤M＜1，M的值越接近1，意味着分割算法越好。

本发明实施例：

试验坝最大库容达10×10⁴m³，拦河坝为粘性均质土坝，最大坝高达9.7m、 坝顶长120m、宽3m，溢洪道位于大坝右侧、宽5m，左侧有孔径0.3m的放水涵洞。

堤坝健康监测项目包括环境量、渗流场、温度场和变形场，环境量包括溃 坝前上游水位测点、溃坝前下游水位测点和大气压力测点，渗流场包括渗压水 位测点、渗流量测点和坝体水分测点，温度场包括坝体表面气温测点、库水温 测点、坝体内部温度测点、上游水温测点和下游水温测点，变形场包括坝体表 面变形测点、坝体内部变形测点和倾度测点。

试验堤坝的试验过程包括大坝填筑期、首次蓄水期、水位稳定期、第二次 蓄水期和溃决期等过程，工程历时46天，试验过程历时统计表如表1所示， 试验过程中蓄水期的环境温度过程线如图2所示，试验过程中溃决过程的水位 过程线如图3所示。

表1

其中，在大坝填筑期进行仪器埋设，共布设溃坝前上游水位测点1个、溃 坝前下游水位测点1个、坝体表面气温测点1个、库水温测点1个、坝体内部 温度测点1个、上游水温测点1个、下游水温测点1个、大气压力测点1个、 渗压水位测点13个、渗流量测点1个、坝体水分测点2个、坝体表面变形测 点6个、坝体内部变形测点9个；以及温度场采用分布式光纤测量，空间分辨 率1m，坝体表面气温测点的温度测线20m，库水温测点的温度测线20m，坝 体内部温度测点的温度测线343.1m。

根据堤坝健康监测项目，在试验堤坝的试验过程中分别获取其测值时间序 列，将测值时间序列转换成符号序列，如2012/10/613:00:08到2012/10/6 20:00:07的坝内渗压M1测点的实测数据为43.25、43.25、43.25、43.25、43.25、 43.26、43.26、43.26、43.26、43.26、43.28、43.28、43.28、43.31、43.3、43.29、 43.29、43.29、43.22、43.22、43.22、43.22、43.22、43.13、43.13、43.13、43.13、 43.13、43.14，则转换成的符号序列为：feeeereeeeteetddeefeeeefeeeer。

之后进行复杂网路构建和分析，获取不同测点中的敏感测点及其性态演化 规律，进行堤坝的工程健康性态判别；以下根据不同监测项目的测点进行分别 详述。

1、溃坝前上游水位测点和溃坝前下游水位测点的分析

将溃坝前后数据分开构建复杂网路，得出溃坝前上、下游水位监测数据的 复杂网络图，如图4所示，图4中(a)为溃坝前上游水位测值的复杂网络图， 图4中(b)为溃坝前下游水位测值的复杂网络图。

如图4-(a)所示的上游水位测值对应的复杂网络中，比较粗的线条有： ee→ee，ee→re，er→ee，re→ee，这些变化过程占了总数的69.3％，时间上这 些变化出现在10月16日到11月16日，与蓄水期水位上升的实际情况相符。 如图4-(b)所示的下游水位测值的复杂网络中，比较粗的线对应的边为：ee→ee， re→ee，ee→er，ee→re，这些变化占了变化总数的48.6％，时间上这些变化出 现在10月14日到11月14日的蓄水期。

通过字频的统计发现r出现的频率都比较高。从以上统计可以看出，上游 水位数据比下游水位数据的包含更多的信息。

对两组数据节点度进行统计，见表2所示的溃坝前上、下游水位测值节点 度统计表。

表2

对表2中这些节点进行统计发现，上游水位主要的6个节点度占总数的 98.85％，而下游水位主要的6个节点度占节点总数的92.58％，可见上游水位 测值在某几个区间变化更为频繁。

溃坝期上游水位是不断降低的，而下游水位则在溃坝期瞬间水位有所上 升。由于溃坝期水位数据相对较少，很难绘制成复杂网络图。对上、下游水位 溃坝前数据的拓扑性质进行分析，如下表3所示的上、下游水位溃坝前数据的 复杂网络指标。

表3

通过表3可以看出，上游水位测值对应的复杂网络在三个方面均大于下游 测点，可见上游水位测点包含更多的信息，所以溃坝前上游水位测点为典型测 点，应对其进行重点监测。

2、渗流压力的分析

渗压水位测点M1、M2在整个溃坝试验过程测值对应的复杂网络见图5， 图5中(a)为整个过程渗压水位测点M1测值的复杂网络图，图5中(b)为 整个过程渗压水位测点M2测值的复杂网络图。

首先对节点度进行分析，一个节点的度越大意味着这个节点在某种意义上 就更为重要。表4、表5分别列举出了M1、M2的节点度大小的排序。

表4

表5

由表4和表5可以看出，节点er，re，ed，rd，de，dr的节点度数比较大， 这说明这些节点所代表的波动模态在堤坝性态变化过程中起到了重要的关联 作用，各种波动模态向这几种波动模态转变或者说被这几种波动模态转换的频 率高。另外分别对发生这几种模态的时间段进行整理发现，M1的变化模态多 集中在11月13日到11月17日，也就是第二次蓄水的末期和溃决期期间，明 显的几种变化有：re→ee，ee→er，ee→rd，这些变化占到了变化总数的21.7％， 而M2的变化模态多集中在11月15日到11月17日，比前者相应的要靠后， 明显的变化有：ee→er，re→ee，de→ee，这些变化占变化总数的20.3％。通过 节点的变化模态可以发现，M1的变化具有更早更集中的性质，但是M2节点 的统计与M1亦相差不大，说明M1、M2在反应堤坝性态变化方面具有相同的 特征，但前期M1作为坝体结构异常预警更加敏感。

渗压水位测点M1、M2在溃坝期测值对应的复杂网络见图6，图6中(a) 为溃坝期渗压水位测点M1测值的复杂网络图，图6中(b)为溃坝期渗压水 位测点M2测值的复杂网络图。

溃坝期与整个过程对应的复杂网络指标比较见表6，表6为渗流压力数据 拓扑性质复杂网络特征值对比表。

表6

由表6可以看出，M2的复杂网络具有较大的平均集聚系数和较小的平均 最短路径长度。平均最短路径长度表示了由一种模态向另一种模态转换所需要 的时间，这个值接近于1，说明该模式的转换时间大约为2天左右，表现为了 短程的相关性，这对堤坝健康测值的短期预测具有一定的参考价值。而较大的 平均集聚系数则表明各种波动模态之间存在的小规模的群簇，而且群簇内部的 关键较好，表现为波动的模式转换较为频繁。根据式(6)求得该网络模块度为 0.10476，接近于0，因此该网络内部的群簇关系表现得较为稀疏，认为具有较 弱的社团结构。并且M2测点溃坝期的数据具有更短的平均最短路径长度和较 大的平均集聚系数，相比较M1测点的数据则不具有这种代表性。根据对这几 种拓扑性质的分析，反映了M2测点测值序列波动的频繁，这些数据的变化反 应出的就是各种波动模态之间的转换，可以更好的把握测值序列的变动，因而 溃坝期应该对M2测点进行重点监测。

3、坝内温度的分析

如图7所示为4个不同测点的光纤温度测值的复杂网络图，图7中(a)为TF-1 测点对应的复杂网络图，图7中(b)为TF-2测点对应的复杂网络图，图7中(c) 为TF-3测点对应的复杂网络图，图7中(d)为TF-4测点对应的复杂网络图。

通过4个光纤温度测值对应的复杂网路的比较发现测点TF1在这些典型的模 态变化中占有更好的比重，为：41.5％。另外根据统计发现rd→dr，dr→rd，rd→rr， rr→rd，4种变化出现的频率最高，体现在复杂网络图中就是所对应的线条也就 是复杂网络的边更粗一些，并且这4种变化形式中测点TF-1分别占有40.22％， 40.48％，42.59％，42.59％。对4个测点分别构建出图7所示的复杂网络图，然后 进行拓扑性质的分析后与总体数据进行对比，见表7所示的光纤温度各测点测值 复杂网络指标比较。

TF-1 TF-2 TF-3 TF-4 平均最短路径长度 1.00708 1.04545 1.04444 1.09091 平均集聚系数 0.98291 0.955222 0.96111 0.92015 模块度系数 0.00193 0.00165 0.00265 0.00638

表7

通过图7和表7可以发现，测点TF-1是变化最为集中的点，因此测点TF-1可 以作为光纤测温的典型测点。下面对光纤温度数据的拓扑性质进行简要分析， 测点TF-1数据的平均最短路径长度为1.00708，平均集聚系数为0.98291。由此可 见，测点TF-1的复杂网络具有较大的平均集聚系数和较小的平均最短路径长度。 平均最短路径长度表示了由一种模态向另一种模态转换所需要的时间，这个值 接近于1，说明该模式的转换时间大约为2天左右，表现为了短程的相关性，而 较大的平均集聚系数则表现了数据波动的频繁。根据式(6)求得汇总数据中该 网络模块度为0.00168，具有相对很小的模块度，因此认为4个测点之间不存在明 显的社团结构，群簇性表现得比较稀疏。从而根据拓扑性质的分析，得出TF-1 为典型测点，建议在堤坝监测期间进行重点的监测。

4、含水率的分析

如图8所示为溃坝期测点S1、S2对应的复杂网络图，图8中(a)为溃坝 期测点S1对应的复杂网络图，图8中(b)为溃坝期测点S2对应的复杂网络 图。对图8所示的节点进行节点度的排序如表8和表9所示。

表8

表9

由表8和表9可以看出，节点rr，er，re，de，rd等节点的节点度比较大， 说明这些节点代表的波动模态在模拟坝的溃坝的一系列数据变动之中起到了 重要的关联作用，各种模态向这几种模态转换的频率高。通过图像可以直观的 看出主要的变化形式有：ee→ee，rr→rr，ee→er，re→ee，这些变化占了变化 总数的44.5％，另外对这些变化模态发生的时间段进行分析后发现，其中代表 无变化的ee→ee中S1的变化模态多集中在10月15日到11月16日，对应的 就是蓄水期和溃决期，相比较S2多集中在10月14日到11月16日，与S1差 距不大。而代表连续缓慢上升的rr→rr变化形式，S1则多集中在10月30日到 11月10日，而S2则集中在11月5日到11月13日，在宏观上差别亦不是很 明显。将S1与S2两组数据分别绘制成复杂网络图8进行分析，并对比如表 10所示的测点S1、S2溃坝期数据的拓扑性质与总体数据的比较。

复杂网络指标 整体 S1 S2 平均最短路径长度 1.16667 1.03636 1.10256 平均集聚系数 0.95411 0.96522 0.90857 模块度系数 0.16779 0.00167 0.00631

表10

通过比较明显可以看出，S1复杂网络具有较大的平均集聚系数和较小的平 均最短路径长度。由此可见该网络模态之间转换更频繁，表现为短程的相关性， 同时网络中各种波动模态之间存在小规模的群簇，并且群簇的内部关联较好， 表现为波动的模式转换更为频繁。同时由式(6)求的网络的模块度为0.00167， 通过比较发现，该网络具有很小的模块度，因此内部群簇关系比较稀疏，具有 较弱的社团结构。根据上诉几种拓扑性质的分析，得出测点S1可以更好的反应 测值序列的变化以及波动模态之间的转换，因此测点S1为典型测点，应该在日 常监测中进行重点监测。

5、倾度的分析

倾度测点K1、K2在整个过程测值对应的复杂网络图见图9所示，图9中 (a)为整个过程倾度测点K1对应的复杂网络图，图9中(b)为整个过程倾 度测点K2对应的复杂网络图。对图9所示的节点度进行统计，如表11和表 12所示。

表11

表12

由表11和表12可以看到，倾度测点K1、K2之间节点度差别比较大，K1 的节点度统计相对更加集中一些，而K2的节点度的统计想对比较分散一些。 由复杂网络图明显可以得到倾度数据K1中明显的变化为：ee→ee，re→ee， er→ee，ee→re，这些变化占到了变化总数的38.0％，对这些变化发生的时间进 行统计发现多集中在11月13日到11月17日，也就是第二次蓄水的末期和溃 决期。而K2的变化模态中明显的几种变化为：ft→rd，rf→tr，rf→tf，这些变 化仅占变化总数的1.2％。因此初步判断K1的变化模态更加集中，是重要测点。

倾度测点K1、K2在溃坝期的测值数据得到的复杂网络图如图10所示， 图10中(a)为溃坝期倾度测点K1测值的复杂网络图，图10中(b)为溃坝 期倾度测点K2测值的复杂网络图。溃坝期与整个过程对应的复杂网络指标比 较见表13，表13为倾度数据拓扑性质复杂网络特征值对比表。

拓扑性质/测点及时期 K1整个过程 K2整个过程 K1溃坝期 K2溃坝期 平均最短路径长度 1.04070 1.12944 1.28788 1.35498 平均集聚系数 0.97138 0.92783 0.83836 0.76318 模块度系数 0.00150 0.00773 0.12245 0.03991

表13

由表13可以清楚地看出K1测点数据所形成的复杂网络具有较大的平均集 聚系数和较小的平均最短路径长度。平均最短路径长度值接近于1，说明该模 式的转换时间大约为2天左右，表现为了短程的相关性，而较大的平均集聚系 数则说明各种波动模态之间存在着关系较为紧密的一些群簇，它们之间的模式 转换更为频繁。根据式(6)求得该网络模块度为0.00150，接近于0，因此认 为该网络内部各群簇相互之间的关系表现的较为稀疏，不具有社团结构。根据 上述复杂网络指标可知，K1测点为典型测点，在日常的监测中应当进行重点 的监测。

6、上游水温、下游水温与气温的分析

整个试验过程的三组温度测值时间序列对应的复杂网络如图11所示，图 11中(a)为上游水温测值的复杂网络图，图11中(b)为下游水温测值的复 杂网络图，图11中(c)为气温测值的复杂网络图。

上游水温测值对应的复杂网络中比较粗的线条对应的变化有：ee→ee， de→ee，ee→ed，ee→de，这些变化占了总数的72.0％，对字频进行统计发现e， d出现的频率比较高，可以认为温度整体上呈下降的趋势，通过对时间的统计 发现这些变化多出现在:10月18日到11月14日期间，亦符合自然规律的变化。

下游水位的温度数据中，复杂网络中比较粗的线对应的边所代表的有向线 段为：ee→ee，de→ee，ee→ed，ee→er，er→de，这些变化占了变化总数的71.8％， 对字频进行统计发现e，d出现的频率比较高，可以认为温度整体上呈下降的 趋势，通过对时间的统计发现这些变化多出现在：10月18日到11月14日期 间，亦符合自然规律的变化。

而坝体的温度计数据中节点度比较高的节点有dd(308)，ff(213)，tt(207)， ee(185)，可以看出节点随机性比较强，没有相对统一的变化趋势，对节点的变 化形式进行统计发现，ff→ff，dd→dd，dd→de等几种变化发生次数最多，但 是这些变化仅占到总变化数的7.8％，因而可以认为该组数据均不具有代表性， 该网络的随机性比较强。

下面对它们的拓扑性质分别进行分析，如表14所示为上、下游水温与气 温复杂网络指标。

表14

通过表14中各组数据进行比较分析，很显然，上游温度数据更具有代表 性，同时上游的温度数据具有更小的模块度系数，证明其内部各群簇之间的关 联比较稀疏，因此可以认为该组数据不具备明显的社团结构。综合以上分析， 上游温度的数据包含更多信息，在日常的监测中应该进行重点的监测。

本发明的创新点在于，时间序列特征的复杂网络分析方法采用粗粒化方 法，有利于克服数据误差对分析结果的影响，有利于实现不同尺度的分析；采 用复杂网络分析方法，可以发现各个测点的重要程度，有利于分析各个测点之 间的相关关系，而且可以提取敏感测点，从而及时准确地掌握堤坝的工程健康 性态，有利于实现堤坝性态更有效预警。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人 员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只 是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各 种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求 保护范围由所附的权利要求书及其等效物界定。