基于BP神經網絡隧洞施工安全評價模型

王 醒，吳向男，馬 斌，解偉峰

(1. 金鉬股份有限責任公司；2. 西安理工大學；3．陜西核工業215醫院)

?

基于BP神經網絡隧洞施工安全評價模型

王 醒1，吳向男2，馬 斌2，解偉峰3

(1. 金鉬股份有限責任公司；2. 西安理工大學；3．陜西核工業215醫院)

為了研究隧洞施工安全評價方法，以某正在施工的隧洞為背景，確定了24個安全評價指標，設計了隧洞施工的多層前饋BP神經網絡結構，建立了較為完善的基于BP神經網絡的隧洞施工安全評價體系模型，并驗證了其實用性。對背景工程進行了施工安全評價，評價結果與工地實地考察結果一致，說明所建立的隧洞施工安全評價模型的有效性和實用性。

隧洞施工；BP神經網絡；安全評價

0 引 言

近十幾年來隨著我國國民經濟的高速發展，水利水電工程的建設力度不斷加大。水工隧洞工程建設多集中在山區，施工條件差、地質情況復雜且建設過程中風險源多，風險認識、評價難度大，一旦風險發生社會影響極大。目前，隧洞施工安全問題越來越得到國家相關部門和施工企業的的重視，廣大學者及工程技術人員對提高隧洞施工體系安全性領域的科學研究給予了極大地關注。結合某隧洞施工實踐，通過對該隧洞施工危險源的辨識評價，利用所建立的隧洞施工安全評價體系模型以及所確定的訓練樣本，通過MATALAB7.6.0軟件中的人工神經網絡工具箱訓練網絡，然后在該平臺上來實現對隧洞施工過程的安全評價。

1 背景工程

某排水隧洞是為了保證尾礦庫的排水回水系統工程，該排洪系統沿溝左岸布置，回水系統先沿溝右岸布置，再繞行至溝左岸布置。該工程大致由排水隧洞、排水井、排水支洞、回水管道、回水井、消力池、陡槽、涵洞等結構物組成，尾礦庫排水按千年一遇雨水標準設計。排水主隧洞全長1 733.42 m；排水豎井4座，總高度243.31 m；排水支洞3條，總長211.09 m。排水隧洞主洞與支洞，均按圓形斷面設計，直徑3.5 m。

項目場地整體平面呈樹枝型，溝谷呈V字型。地形起伏較大，地貌上屬秦嶺東段中低山侵蝕谷地。堆場基巖斷層較發育，排水隧道全徑基巖斷層較多，斷層均為正斷層。只有極少斷層進入第四系坡、洪積碎石土，均為非全新活動斷層。巖層節理裂隙發育，節理成組，多呈微張，貫通性良好，部分節理被風化碎屑和粘性土充填現象，為庫區的主要導水構造之一。

2 基于BP神經網絡隧洞施工安全評價體系模型的建立

2.1 隧洞安全評價指標的確定

建立恰當的隧洞施工安全評價體系指標是對隧洞施工進行安全評價的第一步，它是整個安全過程的基礎環節。選擇評價體系指標的恰當與否，直接關系到對隧洞施工的安全評價結果的準確性。建立隧洞施工安全評價指標體系應該遵守科學性、全面性、可行性、可比性和針對性的原則。本文根據國家有關安全法規、條例、標準和規定，以《施工企業安全生產評價標準》和《建筑施工安全檢查標準》為基礎，通過對隧洞施工系統事故成因分析和危險源的辨識評價，將隧洞施工的安全評價指標體系分為人員因素、行政管理因素、施工現場管理因素、施工設備因素以及施工環境因素5 大方面(即準則層)，24 個評價指標(見表1)，并對每項評價指標制定了量化評分的標準。

表1 隧洞施工安全評價體系指標

2.2 BP算法程序的實現步驟

1986年，Rumelhart和McCelland為首的科學家小組提出了一種按誤差逆傳播算法訓練的多層前饋網絡—BP網絡。即運用梯度下降法，通過反向傳播來不斷調整網絡的權值和閥值使網絡的誤差平方和最小。隧洞施工安全評價信息具有不完全被知性且準確合理的評價結果對專家經驗的依耐性強。人工神經網絡的特點是自學習性、自適應性和巨量并行性，因此利用人工神經網絡對隧洞施工進行安全評價可以有效解決這個難題，促使專家經驗被充分有效的吸收并具有比較強的抗干擾能力，所以近年來人工神經網絡開始逐步被引入到隧洞施工安全評價的領域。

BP算法的實現步驟如圖1所示。從圖1中可以看出，標準的BP算法實現主要分以下七步。

(1)初始化權值：給權值矩陣W、V隨機賦值，把樣本模式的計數器p和訓練次數的計數器q都設置成1，誤差E設置為0，學習率η設置為0～1之間的小數，把網絡訓練所達到的精度Emin設置為正的小數；

(2)輸入訓練樣本，計算每層的輸出：用當前訓練樣本Xp、tp對輸入向量X、期望輸出向量T賦值，分別計算輸出層輸出向量O和隱含層輸出向量Y的各自分量；

(3)計算網絡的輸出誤差：對訓練樣本誤差來說，有多少組訓練樣本p就有多少不同的誤差Ep，網絡的總誤差可用其中最大的一個來代表，表示為Emax；

(4)計算每層的誤差信號；

(5)調整每層的權值；

(6)對所有樣本是否完成第一次輪訓進行檢查：若計數器p

(7)對訓練網絡的總誤差是否達到所要求的精度進行檢查：如果EEmin，則E將置0，p將置1，隨后返回步驟(2)。

目前，BP算法的實現中調整權值的方法主要有兩種，即單樣本訓練法和周期訓練法。單樣本訓練法只是針對每單個樣本產生的誤差所進行的調整，難以避免顧此失彼，而致使訓練的次數增加，是瘦臉的速率過慢。周期訓練是以減小全局的訓練誤差為目的，能保證訓練總誤差往減小的方向上發展。在進行多樣本的網絡訓練時，周期訓練法要比單樣本訓練法的收斂速率快。因此采用周期訓練法。

2.3 隧洞前饋BP神經網絡結構設計

對隧洞工程施工來說，隧洞施工的安全影響因素主要就是BP神經網絡的安全評價模型輸入層的輸入數據(輸入向量)。為了便于說明問題，假定已經建立了隧洞施工安全評價指標體系，共有24個指標，每個指標具體數值通過專家打分獲得，為了省略后續處理過程中對數據的歸化，可以將分值設定在0～1之間。輸入向量可用X表示為(X1，X2，X3，X4，X5，X6，X7，X8，X9，X10，X11，X12，X13，X14，X15，X16，X17，X18，X19，X20，X21，X22，X23，X24)。詳見表2。

為了對隧洞施工安全進行有效的評價工作，需要對隧洞施工的安全評價狀態進行分級，表3給出了分級狀態與對應的期望輸出值。BP神經網絡的訓練樣本問題解決以后，網絡的輸入層節點數和輸出層節點數便已確定。因此，多層前饋網絡設計主要解決設計幾個隱含層和每個隱含層設幾個節點的問題。隨著隧洞安全評價體系指標個數的確定，輸入層的節點個數也就隨之確定下來，即安全評價指標個數也就是輸入層節點個數。然而，輸出層的節點數是根據隧洞施工安全評價分級狀態確定的，即分級狀態的級別的個數等于輸出層的節點個數。根據分級表3可知，輸出層神經元的個數為5個，T={T1，…T5}。在設計多層前饋網絡時，一般先考慮設一個隱層，當一個隱層的節點數很多仍不能改善網絡性能時，才考慮再增加一個隱層。一般認為，增加隱含層數能夠減小網絡的誤差，提高網絡訓練的精度，但是隱含層的層數越多計算過程也就越復雜，這就急劇增加了訓練時間。與此同時，由于在訓練過程中隱含層數的增加，往往容易導致訓練陷入權值收斂的局部最小誤差而無法跳出，網絡的權重就難以調整到最小誤差點處。

(1)

式中：m為隱層節點數，n為輸入層節點數，l為輸出層節點數，a為1～10之間的常數。

選取的BP網絡為三層結構。從輸入層到隱含層到輸出層的轉移函數分別采用對數tansig型函數和logsig型函數。在確定隱層節點時采用試湊法確定最佳隱節點數。根據經驗公式(1)選擇隱層節點數，針對本論文m取值范圍為616。對每一個節點進行訓練，得出增加隱層節點數可以減少訓練誤差，但超過11以后測試誤差產生波動，即泛化能力發生變化。綜合比較隱層節點數為12與13的訓練誤差和測試誤差，決定隱層節點數選用13。因此得到的本次訓練神經網絡的拓撲結構應為(24,13,5)。

表2 訓練樣本數據

表3 隧洞安全評價分級狀態表

2.4 隧洞BP神經網絡訓練樣本設計

一般來說選取的訓練樣本數量越多，訓練結果就越能正確的反映原樣本的內在規律，但是樣本的收集和整理受到各種客觀條件的制約。大量實踐得出，神經網絡訓練時需要的樣本數由輸入—輸出非線性映射關系的復雜程度決定，映射關系越復雜的樣本，其噪聲就越大，為了保證具有一定映射精度的樣本數就越多，因而網絡規模也就越大。本文選取多組隧洞施工的特征參數值作為學習的樣本，來提供網絡系統訓練。由于目前我國并沒有一個統一的標準對隧洞施工安全評價狀態進行檢查，綜合考量選取已建立安全評價體系確定的評價指標作為樣本評價指標，通過專家打分確定出如表3所示的20個樣本數據，其中前18組評價數據為網絡訓練樣本，最后2組評價數據作為測試數據。

表4 泉水溝尾礦庫隧洞施工安全評價指標數

2 實例驗證

利用MATALAB7.6.0軟件中的人工神經網絡工具箱這個平臺，對所建立的BP神經網絡隧洞施工安全評價系統以及所確定的訓練樣本進行網絡學習訓練，經過反復的網絡訓練建立具有時效性的BP神經網絡隧洞施工安全評價模型，并通過對測試樣本的驗證，證明評價模型的可靠性。

2.1 網絡訓練

隧洞施工安全評價指標的個數為24個，所以輸入層的節點個數為24個，輸出層節點的個數為5個，經過反復的測試與計算隱含層節點數為13個。設定訓練函數為traingdx，隱含層傳輸函數為tansig函數，輸出層傳輸函數為logsig，訓練次數為10 000，訓練目標為0.000 1，學習率為0.01，圖2為系統誤差訓練曲線圖，圖3為18組數據的誤差曲線圖。

圖2 系統誤差訓練曲線圖

圖2為系統誤差訓練曲線圖，即訓練均方差的收斂過程曲線(藍線)，縱坐標表示不斷接近樣本的訓練目標(虛線)，橫坐標則表示經過221次迭代，實現訓練目標，從而使誤差收斂。

圖3為表示樣本輸出目標與實際輸出的誤差曲線，由于訓練樣本是18組數據，所以樣本輸出目標與實際輸出的誤差曲線就有18條，在圖中用不同顏色標出，橫坐標表示樣本輸出目標與實際輸出的誤差的訓練次數為5次，縱坐標則表示每次訓練誤差的誤差值。從圖3的誤差曲線可以看出，經過訓練的神經網絡很快就達到了誤差要求。

圖3 誤差曲線圖

由圖2和圖3可知，本文設置的訓練次數為10000次，在經過221次迭代后可收斂，系統網絡的訓練達到了預期的效果。由訓練的結果與樣本目標相對比可知，此次的訓練結果與評價的樣本數據基本上保持一致。因此網絡準確的識別了訓練樣本，實際輸出結果與期望值結果基本吻合。證明所建立的隧洞施工安全評價體系是合適的，驗證了BP神經網絡對隧洞安全評價的準確性和實用性。

2.2 測試樣本驗證

運用樣本的最后兩組數據作為測試驗證數據，來驗證所建立的隧洞安全評價的神經網絡的適用性。驗證數據的評價指標值為樣本的最后兩組數據，如表2所示，其輸出的結果如表3所示。

由表3可以看出通過網絡測試的結果與測試數據的預期結果是一致的，安全評價神經網絡對兩組測試數據進行了較為準確的評價。因此，該網絡模型可用于以后的隧洞施工安全評價，只需將預評價的施工隧洞的評價指標的得分情況輸入該網絡模型便可以得出該隧洞的評價結果。

表3 評價結果驗證

3 BP神經網絡安全評價

隧洞工程的施工的生產安全狀況與致使安全事故的因素之間是一種相當復雜的非線性關系，而BP神經網絡的極強的非線性逼近的自身強大性能，恰好能夠成功的解決一些人為等主導因素的影響，從而更加客觀準確的反映出分析研究的結果。

3.1 隧洞施工安全評價體系的建立

前邊已經采用大量的訓練樣本對所建立的BP神經網絡隧洞施工安全評價體系模型進行了學習訓練，并已經成功的反映出了從24個致使事故的安全評價指標到5個安全評價等級狀態之間相當復雜的非線性映射關系。接下來就利用已經建立的BP神經網絡隧洞施工安全評價體系模型對泉水溝尾礦庫排水隧洞工程的施工進行安全評價的分析研究。

經過對隧洞施工現場實地考察研究，以及和建設單位、施工單位的技術管理人員的進行了的交流、討論、學習以及研究，通過對該隧洞的危險源成因的辨識、定性和定量分析以及評價，從而獲得了較為準確的隧洞施工安全評價指標打分數據。

3.2 隧洞施工的BP神經網絡安全評價

根據對隧洞施工安全評價狀態的分級情況可知BP神經網絡隧洞施工安全評價模型的有5種結果，它們分別是當輸出結果接近[1,0,0,0,0]時，為“安全”且安全的等級為T1；當輸出結果接近[0,1,0,0,0]時，為“比較安全”且安全的等級為T2；當輸出的結果接近[0,0,1,0,0]時，為“一般安全”且安全的等級為T3；當輸出的結果接近[0,0,0,1,0]時，為“較不安全”且安全的等級為T4；當輸出的結果接近[0,0,0,0,1]時，為“不安全”且安全的等級為T5。

當安全評價的等級為T1時，說明該隧洞施工系統的各方面情況都運轉正常，安全狀態良好，應該繼續保持當前良好的狀態。

當安全評價的等級為T2時，說明該隧洞施工系統的各方面情況運轉比較正常，安全狀態稍有危險，應需要關注，但是基本可以接受。

當安全評價的等級為T3時，說明該隧洞施工系統中的轉情況存在低發安全隱患，安全狀態一般危險，需要多加關注以及注意控制危險隱患。

當安全評價的等級為T4時，說明該隧洞施工的系統中運轉情況存在重要安全隱患，其安全狀態高度危險，需要采取安全措施并進行整改。

當安全評價的等級為T5時，說明該隧洞施工系統中的各方面運轉情況存在高度的安全隱患，安全狀態高度危險，需要立即制定詳細的解決方案，迅速采取相應的措施進行整改，在隱患解除前不能繼續施工作業。

因此可知該隧洞工程的施工安全評價結果，如表4所示。

表4 隧洞施工安全評價結果

由表5可知， BP神經網絡隧洞施工安全評價模型對該隧洞的安全評價等級為“T2”，評價的結果應是“較為安全”。此評價結果基本上與工地的實地考察調研以及同專業技術管理人員討論研究的結果是保持一致的，說明所建立的隧洞施工安全評價模型具有有效性和實用性。

4 結 語

基于BP神經網絡的隧洞施工安全評價模型的建立步驟為：根據安全評價的內容和建立安全評價體系的基本原則，選取適當隧洞施工安全評價指標，建立隧洞施工安全評價指標體系。然后，根據BP神經網絡原理及算法，設計BP神經網絡的結構和網絡的訓練樣本,對網絡進行訓練和驗證，從而建立基于BP神經網絡的隧洞施工安全評價體系模型。隧洞施工安全評價模型建立方法可為同類工程施工安全評價提供借鑒參考。

[1] 劉鐵民，張興凱，劉功智.安全評價方法應用指南[M].北京：化學工業出版社，2005:4-6．

[2] 張德豐等. MATLAB神經網絡應用設計[M].北京：機械工業出版社，2011.12:136-139.

[3] 施彥， 韓力群， 廉小親. 神經網絡設計方法與實例分析[M]. 北京：北京郵電大學出版社，2009.12:34-36.

[4] 王淑青.人工神經網絡(ANN)在結構分析中的應用[M].北京：北京交通大學，2004：10-13.

Research on Modelling of Tunnel Construction Safety Evaluation Based on BP Neural Network

WANG Xing1，WU Xiang-nan2，MA Bin2，XIE Wei-feng3

(1. Jinduicheng molybdenum CO.,LTD.；2. Xi’an university of technology；3.215 hospital)

In order to study the tunnel construction safety assessment methods, the article set the tunnel which is under construction as the background and makes 24 safety evaluation indexes. A designed model associating with tunnel construction based on a multilayer feedforward BP Neural Network, which is relatively comprehensive based on BP neural network model of tunnel construction safety evaluation system model and verify its usefulness. Through the safety evaluation on the background project, the results are consistent with field investigations, shows the validity and practicability of the tunnel construction safety evaluation model.

Tunnel construction；The BP neural network；Safety evaluation

2015-01-05

王醒，男，高級工程師，從事礦山工程勘測施工優化管理方向的研究。

U

C

1008-3383(2015)09-0079-04