基于BP神經網絡的地鐵工程施工安全風險智能識別研究

(石家莊鐵道大學 河北 石家莊 050043)

一、BP神經網絡模型

人工神經網絡是隨著神經生理科學、數學、計算機科學等學科的發展而產生的一門新興的交叉邊緣學科。其中，最常用的是BP神經網絡，多用于向前網絡的反向傳播。BP神經網絡因具有較強的學習能力、抗故障性和并行性等優點，適合于解決地鐵施工風險這種非線性的復雜系統。

BP神經網絡模型一般由三層組成，即輸入層、隱含層和輸出層，隱含層也被稱為處理層，其學習過程主要有輸入數據的正向傳播和與期望值誤差的反向傳播兩部分組成。其核心也就是輸入值正向傳播和誤差反復進行傳播的過程，直到達到預先設定的訓練次數或者是誤差達到規定的范圍之內，即可停止學習訓練。

二、工程實例

為測試上述模型對地鐵施工風險的智能識別效果，筆者以北京潘家園西地鐵站為例進行實證分析。

(一)工程概況。潘家園西站位于潘家園東路和潘家園路交匯處南側。兩側均為住宅區。潘家園東路規劃紅線寬度為30m，潘家園路規劃紅線寬度為40m，均為雙向兩車道，交通比較繁忙。潘家園西站主體采用“PBA”工法施工，車站為暗挖地下雙層單跨箱型拱頂直墻箱型結構，兩端區間均為盾構區間。

(二)建立類似已完工程安全風險歷史數據庫。本論文主要以地鐵工程安全風險控制為重點闡述，通過報刊、書籍、期刊檢索和走訪設計、施工等單位和施工現場等方式，遴選了15個地鐵工程安全事故案例數據，在數據庫基礎上，對潘家園西地鐵站工程安全風險進行識別。

(三)潘家園西地鐵站施工風險的BPNN神經網設計。通過文獻檢索、專家訪談、施工單位現場調研等方式，選取了地鐵工程施工相關的安全事故案例數據資料，并對其進行量化處理，如表1所示。

表1 土方開挖安全風險影響因素及類別表

以類似工程歷史樣本數據15組數據作為訓練樣本，運用BP神經網絡對土方開挖為例，利用BP神經網絡對土方開挖過程中塌方風險進行預測分析評價。

第二步，構建估算模型并分析。

(1)對收集到的數據進行取值和賦值并整理，如表2所示。

表2 基礎數據表

(3)將前14組數據進行訓練，最大迭代次數800次。

(4)檢驗誤差，輸入第15個案例數據，每個樣本運算20次，將輸出的結果求取平均值并作為相應的預測值，然后與實際值進行比較，計算誤差,滿足要求。

依據已建立的邊導洞開挖安全風險影響因素表，將擬建工程作為輸入值，運行模型，得到預測值為0.29，為2級風險，可接受，在風險等級不升級的情況下允許一定條件內發生。

三、結論

通過搜集整理以往已完類似工程的歷史數據資料，建立地鐵施工安全風險控制歷史資料數據庫，并且運用神經網絡等智能算法對該工程可能發生的風險類型和等級進行預測分析，從而較準確地提出相應的預警措施，為其它地鐵施工安全風險的控制提供一些借鑒。