基于AHP和BP神經網絡縱向結合的水利施工安全評估算法

萬 靜 孟凡蘭

（青州水建工程建設有限公司，山東 青州 262500）

0 引言

水利工程施工過程中，受人為與自然因素的影響，存在較大的安全風險，為了保障水利工程施工能夠順利完成，施工安全評估已經成為水利工程施工前必不可少的環節。水利施工安全評估不僅要保證評估精度，還要保證評估效率。水利施工安全評估算法從19世紀末開始，發展至今衍生出了多種評估算法，目前常用的主要有基于AHP（層次分析法）和基于BP 神經網絡的水利施工安全評估算法兩種。前者主要是以層次分析法作為理論依據，對評估指標進行綜合分析，得出水利施工安全風險等級。后者主要是利用BP 神經網絡對評估指標數據進行訓練學習，不斷提升BP 神經網絡計算精度，將實際數據帶入到網絡中進行分析。兩種算法在實際應用中選擇的評估指標比較單一，計算過程比較復雜，導致算法計算輸出的結果與實際情況存在較大差距，算法相對誤差較大，已經無法滿足水利施工安全評估需求。為此，提出基于AHP和BP神經網絡縱向結合的水利施工安全評估算法，試圖綜合傳統算法中層次分析法與BP 神經網絡的優點，形成一種新的評估算法。

1 基于AHP和BP神經網絡縱向結合的水利施工安全評估算法設計

1.1 評估指標選取

根據《水利水電工程施工安全管理》（GB 2010-164451）相關內容，對水利施工安全造成影響的主要為地質災害風險、危險源風險、隱患風險、安全標準達標情況等，因此選取以上4個指標作為水利施工安全評估指標。其中地質災害是指可能造成人員傷亡的地質災害，對水利施工過程中發生地質災害的概率進行計算，公式如下：

式中：P——水利施工過程中發生地質災害的概率；

k——一段時間內該區域發生地質災害事故次數；

w——最近一次發生地質災害事故距離現在的時間[1]。

根據地質災害發生概率求出水利施工地質災害風險度：

式中：B——地質災害風險度；

i——該區域可能會發生地質災害種類；

n——地質災害種類數量；

S——地質災害發生可能造成的影響，正常情況下特大災害造成的影響為100，重大災害對應的影響為80，較大災害對應的影響為50，一般災害對應的影響為30，按照該標準帶入到上述公式中，求出地質災害風險度。

安全隱患風險度計算公式為：

式中：P0——水利施工安全隱患風險度；

m——水利施工安全隱患等級；

j——安全隱患數量；

P0m——水利施工中安全隱患發生幾率；

S0——安全隱患發生可能造成的影響[2]。

利用以下公式計算水利施工中安全隱患發生幾率：

式中：U——水利施工前尚未整改的隱患數量；

A——水利施工區域內發生重大安全隱患的概率；

B——水利施工區域內發生特大安全隱患的概率。

將計算結果帶入到公式（3）中求出施工安全隱患風險度。水利施工危險源包括很多種，比如設備缺陷、防護缺陷、輻射、漏電、明火、運動物危害、作業環境不良以及標志缺陷等，危險源的存在會影響水利施工安全[3]。危險源風險度計算同樣根據危險源引發安全事故發生的概率，假設水利施工中由危險源可能引發安全事故的概率為P*，其用公式表示為：

式中：L——水利施工期間危險源的管控率；

N——水利施工期間危險源辨識率；

F——水利施工期間危險源的備案率[4]。

按照相同原理結合危險源可能引發安全事故造成的影響，計算出水利施工危險源風險度。安全標準達標指標是指水利施工過程中各項指標的達標情況，其計算公式如下：

式中：V——水利施工安全標準c的達標平均分；

k——安全標準c等級；

E——技術安全標準c達標分數；

K——施工材料安全標準c達標分數；

G——設備安全達標標準c分數。根據水利施工實際情況，計算出各項指標值，為后續水利施工安全評估計算提供數據支撐。

1.2 基于AHP的指標權重計算

算法計算精度與指標權重計算精度有直接的關系，此次采用AHP對指標權重進行計算，其過程如下：

第一步：利用專家評分法對選取的指標進行評分，該評分為指標對水利施工安全評估的重要性，最高分為100分，最低分為0分，每個指標評分三次，以三次評分平均值作為最終評分。

第二步：利用AHP 的1～9 標度法確定指標標度，標度依據如表1所示。

根據兩個指標專家評分差，確定對于某個屬性一個指標與另一個指標重要性差距，從而依據表1 確定指標標度值。根據指標標度計算指標權重值，其計算公式為：

式中：?e——評估指標e的權重值；

?——指標集合中指標的數量；

We——指標標度值；

ηe——指標e的專家評分[5]。

將標度值與專家評分代入到公式（7）中，求出指標權重值。

1.3 基于BP神經網絡的施工安全風險系數計算

根據實際情況建立BP神經網絡，BP神經網絡由輸入層、隱含層和輸出層組成，在網絡隱含層中建立評估函數，用公式表示如下：

式中：f(x) ——水利施工安全風險系數值；

κ——參數向量；

s——指標實際值；

?s——指標實際值s的權重值。

評估函數中存在一個未知的參數向量，為了保證計算結果的準確性，需要求出該向量最優值，因此需要對建立的BP 神經網絡進行訓練。選取一組水利施工數據作為網絡訓練樣本，將數據帶入到網絡輸入層中，由數據層對數據進行分類，建立指標集合，再將分類處理后的數據樣本輸入到隱含層，隨機選取一個值作為參數向量，由評估函數對數據進行分析[6]。根據實際情況在網絡中設定計算期望值與閾值，根據期望值與閾值得出評估函數的計算誤差，對參數向量進行調整[7]。重復上述過程，直到函數輸出值與期望值相等為止，此時參數向量值為最優值。將待評估的水利施工數據代入到訓練完成后的BP 神經網絡，由輸出層輸出最終安全風險系數值。

1.4 輸出安全風險等級

此次設立了五個安全風險等級，分別為一級、二級、三級、四級、五級，根據計算的安全風險系數值確定風險等級，如果安全風險系數值大于0.85，對應的風險等級為一級，表示出現安全事故的概率非常高，發生的安全事故對水利施工造成的影響非常大；如果安全風險系數值在0.75～0.85 之間，對應的風險等級為二級，表示出現安全事故的概率比較高，發生的安全事故對水利施工造成的影響比較大；如果安全風險系數值在0.65～0.55之間，對應的風險等級為三級，表示可能會出現安全事故，發生的安全事故對水利施工造成的影響一般；如果安全風險系數值在0.35～0.55 之間，對應的風險等級為四級，表示發生安全事故的概率比較低，發生的安全事故對水利施工造成的影響比較小；如果安全風險系數值小于0.35，對應的風險等級為五級，表現安全事故的概率非常低，發生的安全事故對水利施工造成的影響非常小。水利施工安全定性評估用公式表示為：

式中：C——水利施工安全風險等級；

h——評語集合中等級h的數量；

?h——等級評定標準，由該公式計算結果作為算法輸出，以此完成算法設計。

2 實驗論證分析

以某水利施工項目為實驗對象，該水利施工項目屬于大型水庫施工項目，施工內容包括堆石壩建設、泄水建筑物建設、排水隧洞建設、水壩建設等，施工時間為8 個月，施工面積為1564.01m2。該水利施工區域地質結構比較復雜，經常發生地質災害，利用此次設計算法與傳統算法對該水利施工安全進行評估。實驗次數為8次，每個月對施工安全進行評價1次，由專人對施工期間各項指標數據進行采集和記錄，根據記錄的數據對各項指標進行計算和分析。隨機選取1000 個數據作為BP神經網絡訓練樣本，BP神經網絡初始閾值與初始期望值為5.426 和0.015，通過迭代計算得到BP 神經網絡未知參數向量值為0.014。將指標數據代入到BP 神經網絡中求出最終評估結果。實驗以相對誤差作為兩種算法性能對比指標，利用OSFU軟件對兩種算法計算值與實際值進行分析，使用電子表格記錄兩種算法相對誤差，具體見表2。

表2 兩種算法計算結果相對誤差對比

從表2數據可以看出，設計算法計算結果的相對誤差小于最大誤差限值，平均相對誤差值為0.004，數值比較小，說明算法計算結果基本與實際情況一致；而傳統算法計算結果最大相對誤差為0.0562，平均相對誤差值為0.0468，遠遠高于設計算法，而且也超出規定要求。這是因為設計算法將層次分析法與BP 神經網絡縱向結合，利用層次分析法深度分析評估指標權重，利用BP 神經網絡對指標進行深度挖掘，保證了評估精度。因此實驗結果證明了，設計算法在精度方面優于傳統算法，更適用于水利施工安全評估。

3 結束語

水利施工安全評估一直以來都是困擾水利施工的一個難題，涉及到的指標種類比較多，且施工工藝比較復雜，要想保證水利施工安全評估精度，必須要應用一套比較完善的算法。此次考慮傳統算法存在的弊端，將層次分析法與BP 神經網絡技術縱向結合，設計了一組新的水利施工安全評估算法，并利用實驗論證了該算法計算思路可以有效提高評估精度，計算結果能夠反映出真實的水利施工安全情況，為采取水利施工安全風險控制策略，提高水利施工安全性，以及提高水利施工安全管理質量具有重要意義。但是該算法在某些方面可能存在一些不足之處，還不夠完善，后續會對該方面進行深層次探究，為水利施工安全評估提供有力的理論支撐。