地鐵隧道施工安全風險演化的BP-SD模型研究*

江　新，胡文佳，袁　軒，孫正熙，鄭霞忠

(1.三峽大學 湖北省水電工程施工與管理重點實驗室，湖北 宜昌 443002；2.三峽大學 水利與環境學院，湖北 宜昌 443002；3.廣東省水文局茂名水文分局，廣東 茂名 525000)

0　引言

地鐵隧道施工過程中面臨突涌水、坍塌等問題，是一項高風險建設工程，易發生安全事故。安全事故是由單個風險事件通過風險演化機理導致多個風險事件同時發生的結果。因此地鐵隧道施工中的風險分析一直是確保項目成功和安全工作條件的關鍵任務。

為降低隧道施工風險，保障施工作業安全，國內外學者對隧道工程施工風險進行了相關研究。Dong Xin等[1]將風險分為2個屬性：危險(預期值)和不確定性(熵)，并在此基礎提出了解決隧道風險評價問題的風險評估決策模型；Zhang Qian等[2]通過屬性數學理論建立了隧道入口邊坡穩定性風險評估的屬性識別模型，并根據成蘭鐵路解放隧道的評價結果提出了對應的解決措施；石鈺鋒[3]以廣—珠鐵路江門隧道下穿富水河段為例，對其風險源進行系統的分析并提出了相關風險控制措施；劉杰等[4]綜合運用模糊層次分析理論與改進集對分析方法建立FAHP-ISPA-PCN耦合的隧道施工風險動態評價模型；楊光[5]等采用云模型理論并運用其優點對隧道塌方風險等級進行評價；郭發蔚等[6]采用貝葉斯網絡評價法計算隧道施工中風險事件的自然概率并結合模糊綜合評價法來評價隧道施工風險等級。

筆者將采用BP神經網絡與MIV算法結合解決了傳統SD模型確定指標權重采用德爾菲法、層次分析法、回歸系數法等方法需要依靠人的主觀判斷而出現較大誤差的問題，使得研究結果更客觀。同時結合系統動力學在研究多因素間復雜、動態關系的優勢[7，9]從人、機、環、管全局出發研究系統反饋行為，建立地鐵隧道施工安全風險演化BP-SD模型，借助Vensim軟件模擬其動態演化過程，避免了模糊綜合評價法對風險進行評價時評價指標間相關而造成的評價信息重復的影響，適用范圍更廣，能更好地揭示地鐵隧道施工風險的演化規律，降低地鐵隧道施工風險。以期為風險管理者在理論上提供指導思想，在實踐中提供決策建議。

1地鐵隧道施工風險影響因素分析

1.1　地鐵隧道施工風險影響因素識別

本文研究的地鐵隧道施工風險主要指在地鐵隧道施工過程中由于人(施工人員)、機(機械設備)、環(施工環境)、管(安全監管)不安全因素造成事故，給社會造成重大損失的可能性。運用系統科學的思想將人—機—環境—管理視為一個整體，弄清各個風險影響因素之間的層次性和關聯性。同時參考前人對地鐵隧道施工風險事故各致因因素權重的統計，并結合我國最近10年地鐵隧道施工事故的統計資料[10-12]，歸納總結相關研究數據，篩選并羅列出風險影響因素，建立地鐵隧道施工風險影響因素層次圖，如圖1所示。

圖1　地鐵隧道施工風險影響因素層次Fig.1　Subway tunnel construction risk factors Hierarchical map

1.2　地鐵隧道施工風險演化機理

地鐵隧道是一個具有多輸入，多輸出，多干擾動態特性的復雜開放系統。該系統需要不斷地同外界進行物質、能量和信息的交換來促進系統狀態的不斷演化，推動系統發展，在物質、能量、信息的交換過程中會不可避免的受到各種因素的影響，增加其風險因素與安全隱患。地鐵隧道施工風險演化是事故發生的必要條件，當風險演化聚集的能量達到一定程度時，就會由量變到質變形成風險事故。這種風險存在危害大，性質復雜甚至可能產生連鎖反應的特點。系統動力學是通過因果關系結構圖來反映系統運行的復雜性，展現地鐵隧道施工風險的衍生性、傳播性、動態性、復雜性。

地鐵隧道施工風險的衍生性、傳播性、動態性、復雜性主要體現在地鐵隧道施工過程中施工風險因素可能衍生出其它風險因素，風險事件發生的實際區域在空間上蔓延擴大，風險事件在時間上表現出持續性、間歇性和反復性等特點。例如，在地鐵隧道開挖過程中遇到軟弱破碎等不良地質條件可能導致施工人員的工作量加大，并造成安全管理人員的管理難度加大(如：須加強安全監督及隱患排查力度，增加安全投入等)。

根據事故致因理論，地鐵隧道安全事故的發生，是由于人的不安全行為與物的不安全狀態在不良環境和管理缺陷的共同作用下不斷演化而致的結果。在地鐵隧道施工中，物的不安全狀態與人的不安全行為的影響因子由6個關鍵要素共同作用。這些相關因子的復雜作用在系統動力學中主要是通過因果反饋回路體現，如圖2所示。

2　地鐵隧道施工風險演化模型構建

2.1　地鐵隧道施工風險模型情景假設與邊界確定

本文以地鐵隧道施工風險為研究對象。分析在將人—機—環境—管理視為一個整體的情況下，其中某一風險因素發生變化時對地鐵隧道這一復雜系統施工風險演化的影響。在進行深入訪談以及咨詢專家意見的基礎上提出了以下3個假設。

假設1：以地鐵隧道施工事件為起點，考慮施工人員，機械設備，施工環境，安全管理各因素間相互影響導致施工風險的形成，而其他變量僅作為外生變量不予考慮。

圖2　地鐵隧道施工風險演化因果回路Fig.2　Subway tunnel construction risk evolution causal circuit diagram

假設2：本文從施工方的角度出發，因此不考慮因為政治動蕩、發生地震等不可抗力因素而導致的系統崩潰的情形。

假設3：管理者有一定的風險管控能力，但并不能完全地消除風險因素造成的不良影響。

2.2　地鐵隧道施工風險動力學流圖確定

地鐵隧道施工風險演化系統由施工人員子系統、機械設備子系統、施工環境子系統和安全管理子系統4個子系統構成且都可通過風險管控與安全投入來消除部分風險量。系統模型包括狀態變量、速率變量和輔助變量。狀態變量用于描述系統的積累效應，速率變量用于描述累積效應變化快慢，輔助變量是用于表達決策過程的中間變量。根據人、機、環境、管理相互作用的特點，在地鐵隧道施工風險事故相關統計數據的基礎上，構建地鐵隧道施工風險系統流圖如圖3所示，其中狀態變量1個，速率變量2個，輔助變量29個。

圖3　地鐵隧道施工風險系統流Fig.3　Subway tunnel construction risk system flow chart

2.3　仿真模型參數的確定

2.3.1數據的獲取

參照圖3編制調查問卷，問卷列舉20個題項，題項具體表現為該指標對地鐵隧道施工風險值的影響有多大，為使計算參數具有一致性、可計算性，將參數的取值范圍設定在[0，10]之間的整數，其中0代表此因素對地鐵隧道施工風險值無影響，10則代表此因素對地鐵隧道施工風險值有很大的影響，且會帶來巨大的損失。問卷采用現場發放的形式調查，共發放問卷370份，回收349份，剔除36份不完整問卷，剩余313份合格問卷。其調查對象涉及施工一線的技術人員、施工現場安全管理人員、監理人員。

將調查的數據進行信度和效度的檢驗，信度檢驗采用Cronbach’ Alpha值，效度檢驗采用KMO值和巴特勒球形度檢驗值。其檢驗結果分別如表1和表2所示。

表1　總信度檢驗值

表2　各分項信度檢驗值

由表1,2可看出：各個風險子系統Cronbach’s Alpha值均大于0.65，信度良好。問卷數據的KMO值大于0.8，巴特球形度檢驗值Sig為0，說明問卷效度良好。

2.3.2MIV算法確定指標權重

MIV算法是與BP神經網絡結合較緊密的一種權重貢獻率計算方法，其大致思想是利用BP神經網絡計算得出的輸出神經元差值計算出輸入神經元的重要程度系數，這個重要程度系數的判斷標準即MIV值。具體操作過程是：將調查所得樣本S中每一個輸入值，也就是自變量分別在其原基礎上漲幅10%和跌幅10%，形成兩個新的樣本S1和S2。將S1和S2輸入到已建立的BP神經網絡中得出輸出結果T1和T2，求出T1和T2的差值即為該自變量的改變對輸出的影響變化值(Impact Value, IV)，然后將IV值按照觀測例數平均得到自變量的平均影響值(Mean Impact Value, MIV)。

BP神經網絡的構建根據地鐵隧道施工風險系統流圖確定，圖3中可看出因變量機械設備風險系統有4個自變量；因變量施工人員風險系統、安全管理風險系統各有5個自變量；因變量施工環境風險系統有6個自變量。所以需構建3個神經網絡，分別為：四輸入—輸出；五輸入—輸出；六輸入—輸出，其拓撲結構圖如圖4所示。對于隱含層節點數的選擇遵循Kolmogrov定理[13]，即一個具有n個輸入單元、2n+1個中間單元、m個輸出單元的神經網絡能夠表達任何映射。將樣本輸入BP神經網絡得出的輸出結果進行MIV算法歸一化，結果如表3所示。

圖4　BP神經網絡拓撲結構Fig.4　BP neural network topology

表3　地鐵隧道施工風險部分主要變量SD方程

限于篇幅，此處以連續工作時間和施工人員風險系統為例。根據調查問卷結果顯示，施工人員連續工作時間為(0，4]個小時，多數情況下為2個小時，因此采用RANDOM UNIFORM(A，B，S)函數，表示產生在區間(A，B)內的均勻分布隨機數，S給定隨機數序列就確定，S取不同的值產生隨機數序列也不同。根據圖3所示的地鐵隧道施工風險系統流圖確定安全防護到位、人員安全素質、作業行為規范、持證上崗與連續工作時間5個輸入變量，施工人員風險系統為輸出變量。根據Kolmogarav定理，給定合適的權重和結構，對3層前向神經網絡進行函數擬合可以達到較好的精度，并確定隱含層節點數(m=2n+1，m為隱含層節點數，n為輸入層節點個數)為11，此時模型的精度與訓練時間等性能較好。隱含層節點和輸出層節點轉移函數分別選用tansig函數和purelin函數。模型最大迭代次數為2 000次，目標精度為0.01，學習速率設為0.05。用所構建的模型對問卷數據進行訓練。模型迭代1 620次后收斂，并滿足小于0.01的精度要求。仿真結果得到4個輸入變量經過歸一化后的MIV值，分別為0.26，0.32，0.18，0.13，0.11。

3　案例分析

3.1　模型的有效性檢驗

現以某城市地鐵隧道施工為例。該隧道建設周期為20個月。地鐵隧道施工風險演化模型建立后，通過對該地鐵隧道20個月的各類風險資料分析整理，確定該地鐵隧道風險演化的BP-SD模型的參數及各變量的初值。演化結果表明在1～3月間由于施工人員對施工環境地質情況等不熟悉，設備保護裝置及安全系統需要準備時間，同時管理人員的風險管控與安全投入存在一定的延遲性，地鐵隧道施工風險都呈現出上升趨勢。4～10月間技術人員接受安全教育與技術培訓，安全管理強度增加，施工技術逐漸成熟，設備維修系統完善，人員安全素質提高，地鐵隧道施工風險相比前3個月呈下降趨勢。10～20月間，施工人員熟悉適應了施工環境，施工技術成熟，維修人員掌握了機械設備的最佳檢測周期與維修方法，管理上加強了風險管控與安全投入，所以10～20月間地鐵隧道施工風險走勢基本穩定。經過驗證，地鐵隧道BP-SD模型的風險預測結果與該工程實際施工的風險反饋信息基本符合，如圖5所示，說明該模型是可行的。

圖5　風險演化模擬值與實際值對比Fig.5　Comparison of simulated evolution values with actual values

3.2　地鐵隧道施工風險演化模擬與分析

本文選取施工人員風險、機械設備風險、施工環境風險、安全管理風險4個子系統為變量，動態演化其對地鐵隧道施工風險值的影響程度。根據前人總結的相關經驗可知，增加風險管控路徑與安全投入可以有效降低施工風險發生概率10%～50%[14-16]。筆者將地鐵隧道施工風險演化模型設定在其他子系統保持現值不變的情況下，然后在風險管控與安全投入作用下施工人員風險值降低30%，再依次變化機械設備風險、施工環境風險、安全管理風險的值，具體模擬圖6所示。

圖6　地鐵隧道施工風險值仿真結果趨勢Fig.6　Trend of simulation results of construction risk value of subway tunnel

由圖6可知，當施工人員風險值降低30%時，地鐵隧道施工風險值降低18.6%；當施工環境風險值降低30%時，地鐵隧道施工風險值降低12.4%；當安全管理風險值降低30%時，地鐵隧道施工風險值降低24.8%；當機械設備施工風險值降低30%時，地鐵隧道施工風險值降低8.6%。這是因為如果管理層在施工風險管理中出現監管不嚴、安全投入少時，施工人員會出現僥幸心理而忽視施工中的安全防護、懈怠對設備的維護而導致地鐵隧道施工風險值大幅度增加。同時施工人員安全素質較低，不注意安全施工中可能存在潛在的風險，可能會因為風險事件的連鎖反應導致風險事故。施工環境條件不適宜工作時會在一定程度上影響到施工人員的心理與生理狀態，導致施工風險值增加。機械設備在施工中出現故障時能第一時間得到維修保障，對地鐵隧道施工風險值影響最小。因此，在地鐵隧道施工風險防范中要重點關注現場安全管理與施工人員風險，其次是改善施工條件，完善設備維護系統。

4　結論

1)確定地鐵隧道施工風險影響因素間復雜函數關系，構建地鐵隧道施工安全風險演化的BP-SD模型，動態演化模擬人、機、環、管4個子系統風險值變化對地鐵隧道施工風險值變化的影響程度。

2)仿真結果分析知，安全管理風險與施工人員風險的管控在降低地鐵隧道施工風險中占主要地位。環境風險管控的作用次之，大多數機械設備風險在設備進場施工前已經得到預防，其風險管控的作用對地鐵隧道施工作用影響最小。因此，為防止地鐵隧道施工風險演化為安全事故，主要需要加強安全監督與隱患排查、完善安全防護措施、提高安全培訓質量、增加安全投入等。

3)本文研究的是人、機、環、管4個子系統風險值變化對地鐵隧道施工風險值變化的影響程度，而子系統中每一個因素的值的變化對地鐵隧道施工風險值變化的影響程度有待進一步深入研究。

[1]Dong, Xin, Lu Hao, Xia Yuanpu. Decision-making model under risk assessment based on entropy[J]. ENTROPY, 2016, 18(11)：1-15.

[2]Zhang Qian, Wang Jingchun, Zhang Haixia. Attribute recognition model and its application of risk assessment for slope stability at tunnel portal[J]. JOURNAL OF VIBROENGINEERING, 2017, 19(4): 2726-2738.

[3]石鈺鋒,陽軍生,邵華平,等. 超淺覆大斷面暗挖隧道下穿富水河道施工風險分析及控制研究[J]. 巖土力學,2012,33(S2):229-234.

SHI Yufeng, YANG Junsheng, SHAO Huaping, et al. Risk analysis and control study of super-shallow tunnel with large cross-section under water-rich channel[J]. Rock and Soil Mechanics, 2012, 33(S2): 229-234.

[4]劉杰,宋亮,毛愛民,等. 基于FAHP-ISPA-PCN耦合的隧道施工動態評價模型[J]. 地下空間與工程學報,2017,13(2):559-566.

LIU Jie, SONG Lang, MAO Aimin, et al. Tunnel construction risk dynamic evaluation model based on the coupling of FAHP-ISPA-PCN[J]. Chinese Journal of Underground Space and Engineering, 2017, 13(2): 559-566.

[5]楊光,劉敦文,褚夫蛟,等. 基于云模型的隧道塌方風險等級評價[J]. 中國安全生產科學技術,2015,11(6):95-101.

YANG Guang, LIU Dun wen, CHU Fu jiao, et al. Evaluation on risk grade of tunnel collapse based on cloud model[J]. Journal of Safety Science and Technology, 2015,11(6):95-101

[6]郭發蔚,王宏輝. 基于Bayesian隧道施工風險模糊綜合評估方法[J]. 鐵道科學與工程學報,2016,13(2):401-406.

GUO Fawei，WANG Honghui. Risk assessment of tunnel construction by using fuzzy comprehensive evaluation method based on bayesian networks[J]. Journal of Railway Science and Engineering,2016, 13(2): 401-406.

[7]李存斌,陸龔曙. 工程項目風險元傳遞的系統動力學模型[J]. 系統工程理論與實踐,2012,32(12):2731-2739.

LI Cunbin, LU Gongshu. System dynamics model of construction project risk element transmission[J]. System Engineering-Theory and Practice, 2012,31(12): 2731-2739.

[8]江新,吳園莉,徐平,等. 工程項目群施工風險演化的SD模型研究[J]. 中國安全科學學報,2015,25(6):155-161.

JIANG Xin, WU Yuanli, XU Ping, et al. SD model study on risk evolution in construction of project group[J]. China Safety Science Journal, 2015, 25(6):155-161

[9]李勇建,喬曉嬌,孫曉晨,等. 基于系統動力學的突發事件演化模型[J]. 系統工程學報,2015,30(3):306-318.

LI Yongjian，QIAO Xiaojiao, SUN Xiaochen, et al. Modeling the evolution of emergency based on system dynamics[J]. Journal of Systems Engineering, 2015, 30(3):306-318.

[10]游鵬飛. 地鐵隧道施工風險機理研究[D].成都：西南交通大學,2013.

[11]王帆. 地鐵施工安全風險建模及演化研究[D].武漢：華中科技大學,2013.

[12]李解,王建平,許娜,等. 基于文本挖掘的地鐵施工安全風險事故致險因素分析[J]. 隧道建設,2017,37(2):160-166.

LI Jie, WANG Jianping, XU Na, et al. Analysis of safety risk factors for metro construction based on text mining method[J]. Tunnel Construction, 2017, 37(2):160-166.

[13]王德明,王莉,張廣明. 基于遺傳BP神經網絡的短期風速預測模型[J]. 浙江大學學報(工學版),2012,46(5):837-841,904.

WANG Deming, WANG Li, ZHANG Guangming. Short-term wind speed forecast model for wind farms based on genetic BP neural network[J]. Journal of Zhejiang University (Engineering Science), 2012,46(5):837-841,904.

[14]解濤. 地鐵建設項目施工安全風險綜合評價方法與案例研究[D].北京：華北電力大學,2011.

[15]王純. 基于人的不安全行為的地鐵施工安全管理研究[D].天津：天津理工大學,2014.

[16]馮文成. 廣州地鐵盾構施工風險管控研究[D].廣州：華南理工大學,2014.