基于RUSBoost算法的地鐵盾構施工安全預警模型研究

李英攀，李淑娟，孫志凌，管 慧

(1.武漢理工大學土木工程與建筑學院，武漢 430070；2.中建三局集團有限公司西南公司，成都 610213)

隨著我國城市建設的大力推進，城市交通問題日益嚴峻，而地鐵具備高效、快捷、環保的特點，能有效緩解城市交通擁堵的壓力，因此地鐵成為解決城市交通問題的首要選擇。目前，明挖法、蓋挖法、暗挖法、盾構法等是常用的地鐵施工方法，其中因盾構法施工對外界環境影響小，并且不受地表環境的限制等優點，在地鐵施工中得到了廣泛應用。但根據李皓燃等對我國2002～2016年地鐵施工區間工程事故的統計數據可知，盾構法施工事故占所有工法施工事故的一半以上，事故發生率最高，累計死亡人數也最多[1]。

因此，已有學者對地鐵盾構施工安全問題進行研究，他們在建立安全評估指標體系、安全等級評估等方面提出了許多模型和方法。2013年，丁烈云等[2]首次提出地鐵施工安全狀態實時感知技術，構建施工實時感知預警系統，實現盾構施工風險“感、傳、知、控”一體化。楊仙等[3]提出從“盾構施工設備、水文地質條件、環境影響、盾構操作”4個方面建立盾構施工風險評估體系，采用熵度量法做出了評價。黃俐等[4]根據WBS-RBS理論識別風險因素，進而利用主成分分析提取盾構施工沉降風險的關鍵因子。宗秋雷等[5]提出基于梯形模糊數和C-OWA算子賦權法的風險評估方法，對地鐵盾構施工風險進行評估。趙輝等[6]建立基于PCA-Shapley值的地鐵盾構施工風險灰色聚類評價模型，有效消除了指標信息缺失帶來的影響。上述研究多采用定性賦值的方法，主觀性較強，同時忽略了數據的非平衡問題。一般情況下，事故發生的幾率要遠小于事故不發生的幾率，所以收集到的盾構施工數據中絕大部分樣本數據是事故不發生的數據。據此采用欠采樣以消除由于事故發生數據較少而產生的數據非平衡問題。

為了實現對盾構施工過程的動態實時監控，構建基于RUSBoost(random under-sampling with AdaBoost)算法的地鐵盾構施工安全預警模型。首先以空間單元為對象，在不同的空間單元內獲取指標數據構建樣本數據集；然后通過RUS(random under-sampling，隨機欠采樣)從樣本數據集中隨機抽取一定量的多數類樣本和少數類樣本組成平衡分布的訓練樣本集；最后采用Adaboost算法建立地鐵盾構施工空間單元安全預警模型，訓練好的模型可以實時監控施工現場的安全狀態，預警潛在的事故。

1 RUSBoost算法

RUSBoost是一種結合了RUS和Adaboost的混合算法。RUS是隨機欠采樣，從樣本集中隨機抽取一定量的多數類樣本和少數類樣本組成平衡分布的訓練樣本集。Adaboost是一種迭代算法，其核心思想是每次迭代只訓練一個弱分類器，每進行下一次迭代之前需要調整訓練樣本的權重，調整的方法是根據上一次迭代已經訓練好的弱分類器的訓練誤差進行調整，最后把這些弱分類器加權組合起來，構成一個強分類器[7]。其具體步驟為：

2 識別風險源

首先通過文獻分析整理出影響地鐵盾構施工的風險因素，構成初始風險因素集；再參照《地鐵隧道工程盾構施工技術規程》和行業相關標準，梳理盾構施工作業流程，同時考慮指標數據的可獲取性，提煉出修正后的風險因素集，風險應盡可能采用定量的指標進行描述；最后根據工程實際情況和專家意見對指標體系進行進一步修正，建立人、機、料、法、環(4M1E)5項一級指標，25項二級指標的盾構施工安全預警指標體系，如表1所示。

表1 盾構施工安全預警指標體系

3 基于RUSBoost算法的盾構施工安全預警模型

構建基于RUSBoost算法的盾構施工安全預警模型以消除盾構施工數據的類別不平衡問題。首先，因為地鐵施工是在一個小間距長距離的空間內，不同區間空間內工程地質條件及周邊環境各不相同。為了便于安全監控，這一空間可被分割為若干大小不一的空間單元立方體。在每個空間單元內，定量地提取各類指標數據，構建特征向量以反映空間單元的安全風險。然后，將收集到的樣本數據集分為事故發生和事故不發生兩類，通過欠采樣從數據集中抽取一定量的事故不發生的樣本數據和事故發生的樣本數據組成平衡分布的訓練數據集。最后，利用處理好的樣本數據訓練AdaBoost分類器，訓練好的AdaBoost分類器可以用來監控地鐵盾構施工現場的安全狀態，提前識別出安全事故隱患，方便施工人員采取控制措施，避免發生危險性事故造成人員傷亡。

盾構施工安全預警模型如圖1所示。

4 地鐵盾構施工安全預警模型

4.1 數據采集與訓練樣本集構建

1)樣本數據的采集 為構建地鐵盾構施工安全預警模型，選取北京、上海、武漢等地區在建地鐵盾構施工項目的數據和實際發生的盾構施工事故數據作為樣本數據，按照空間單元的規則選取樣本數據，得到150個樣本空間單元數據特征向量集合。

2)訓練樣本集構建 將樣本數據分為事故發生和事故不發生兩種類別，利用RUS隨機從訓練樣本集中抽取一定量的事故不發生樣本和事故發生樣本組成平衡分布的數據集，最終得到100個平衡分布的訓練樣本集，剩余的50個混合樣本作為測試樣本集。

4.2 安全預警模型訓練和效驗

為了對比RUSBoost算法在不平衡數據集上的優勢，選取SVM(Support Vector Machine，支持向量機)分類器的預測結果作對比，其中RUSBoost算法采用AdaBoostM1模型，循環次數為100，弱學習算法采用Tree。利用SVM和RUSBoost算法對同一訓練樣本集訓練模型，然后利用訓練好的模型完成對測試樣本集的分類預測，并將預測結果與實際事故類別進行對比，以判斷模型的預測能力，如圖2、圖3所示。

由圖可知，SVM預測模型對測試樣本集的預測準確率是84%，總用時54.16 s；而RUSBoost預測模型的準確率是92%，總用時1.49 s。測試樣本集的預測結果說明RUSBoost模型具有良好的泛化能力，預測準確率較高，且運行時間短，具備一定的可推廣性。

5 結 論

a.地鐵盾構施工空間單元的劃分對預警模型的準確性有很大的影響，不合理的空間單元劃分將降低模型預測的準確性。

b.利用RUSBoost算法構建的地鐵盾構施工安全預警模型運行時間短，具有良好的泛化能力。

c.地鐵盾構施工安全預警模型尚未在實踐中進行充分驗證,下一步研究可根據實踐反饋的情況修正安全預警指標體系，細化指標預警閾值，提高安全風險識別的準確性。