基于BP神经网络的高速公路专项养护工程安全风险评估研究

徐北平

(陕西高速集团西汉分公司)

基于BP神经网络的高速公路专项养护工程安全风险评估研究

徐北平

(陕西高速集团西汉分公司)

根据高速公路专项养护工程施工中的安全特性，选取16项评估指标，建立了专项养护工程安全风险评估指标体系。在此基础上，提出了基于BP神经网络的专项养护工程安全风险评估模型。通过实例对评估模型进行训练及检测分析。结果表明，模型可对高速公路专项养护工程进行有效的安全风险评估，并为其工程安全管理提供决策依据。

专项养护;安全风险评估;BP神经网络

1 前言

高速公路专项养护工程是指包括养护改建工程、中修工程以及大修工程在内，需进行专门立项并独立设计与施工的工程。其施工中最为显著且急需解决的矛盾是养护区现场施工的安全与养护区外围大流量通行车辆畅通运行的问题。

为了降低高速公路养护区事故的发生率，提高作业区施工安全水平和养护区外围的交通运行能力，关键需对高速公路专项养护工程的安全风险做出合理评估，为其后续安全管理方案制定提供决策依据。本文综合考虑选用BP神经网络对高速公路专项养护工程安全风险评估问题进行研究。应用BP神经网络建立安全风险评估模型，主要考虑到BP神经网络在众多人工神经网络中属较为成熟的分析模型，该网络能很好地实现输入数据和输出数据之间任意非线性关系的函数拟合，寻找问题的变化规律，同时也可以通过自身不断的学习提高结果的准确度。另外比较重要的一点是，BP神经网络可对各评价指标权重进行系统的动态的调整，避免了一些评价方法权重确定过程中难以避免的主观因素。

2 专项养护工程安全风险评估指标体系

高速公路专项养护工程安全风险评估应首先分析养护作业的各种危险源或风险因素;其次，建立专项养护工程安全风险评价指标体系，选取合适的评估方法，构建安全风险评估模型对高速公路专项养护作业安全风险度做出合理的预测;最后，通过对评估结果分析，为高速公路专项养护工程的后续安全管理对策制定提供依据。

研究通过现场调研、收集相关工程资料并应用三类危险源理论对高速公路专项养护工程安全风险因素进行分析，将安全风险评估指标体系划分为四个大类，分别是人员与设备因素、安全技术措施因素、施工现场条件因素及组织管理因素，并将四个大类继续划分为16个子项，即16个评估指标。

3 基于BP神经网络的专项养护工程安全风险评估模型

专项养护工程基于BP神经网络的安全风险评估模型建立的基本构想是，构建将安全风险评估指标体系中16项指标作为输入向量，而将对应的的安全风险值作为输出向量的BP神经网络安全风险评估模型。同时，制定安全风险评估指标评分标准和安全风险等级标准，收集大量有效的输入数据和输出数据，汇总出系列学习样本对模型进行训练，使安全风险评估模型输出数据满足规定的误差要求。在评估模型具备了相当的经验和知识水平后，即可对以后类似工程进行合理有效地安全风险评估，为安全管理决策提供依据。

3.1 安全风险评估模型的结构

专项养护工程BP神经网络安全风险评估模型结构如图1所示，它只包含一个隐含层，且只有一个输出神经元。输入向量可表示为X=［x1，x2，…，xn］”上面赋的一组权值作为隐含层各神经元阈值，用向量A0=［a01，a02，…，a0m］表示;隐含层有m个神经元，故隐含层的输出向量可表示为Y=［y1，y2，…，ym］，b0表示输出层的神经元阈值;输出层仅有一个神经元，输出变量为Z=［z1］;其中，如果实际输出结果z1与期望输出结果t不相等，那么需进行误差反向修正处理，处理直至两值之差在误差允许范围内为止。

图1 安全风险评估模型结构图

隐含层神经元输出值和输入层神经元输出值的关系为

其中，i，j分别指输入层的第i个神经元和隐含层的第j个神经元。

输出层神经元输出值和隐含层神经元输出值的关系为

输出层神经元的实际输出值与期望输出值之间的误差计算式为

3.2 网络学习算法的确定

BP神经网络的训练是指在规定训练次数内，通过不断调整每层神经元的权值与阈值来实现输出误差满足精度要求的一个过程。研究采用振荡小，运算的收敛速度快，学习时间较少，并能使网络学习更为稳定的动量法，对网络误差进行修正

3.3 输入输出层节点及样本数据

该模型的输入层共16个节点，高速公路专项养护工程16个风险评估指标依次对应输入层的输入向量各元素X =［x1，x2，…，x16］。借鉴《施工企业安全生产评价标准》的内容以及应用德尔菲法，研究制定符合高速公路专项养护工程安全风险评估的《安全风险指标评分标准》对各工程进行现场调究和专家调研，获取大量可靠信息，汇总出大量输入样本数据。

输出层仅有一个输出量，高速公路专项养护工程的安全风险值即是其输出数据，其中，各风险值对应制定的具体的安全风险等级。安全风险等级划分是根据安全事故发生的概率及其后果的严重程度确定出来的，可以说，安全风险值综合体现出事故发生的概率及事故损失程度。

3.4 隐含层节点数

为了在较短的训练时间内满足误差要求，并保证风险评估模型的高效识别能力和容错能力，就必须找出合理的隐含层节点数。研究采用经验公式(5)，通过应用MATLAB软件进行仿真程序调试，最终确定出隐含层节点的合理个数。经验公式表达式如下

其中，n1、n2及n3分别是指输入层、隐含层和输出层的节点数。

3.5 传递函数

由于本研究的输出值是介于0～1之间，所以网络模型中，隐含层和输出层的传递函数分别应用tansig和logsig非线性函数，两个函数的表达式为

4 实例

本文选取非常具有代表作用的连霍高速公路洛三灵段专项养护工程进行大量模型所需样本采集。连霍高速公路洛三灵段按专项养护工程要求分为26个标段:B1～B26。所以，研究对应制定26组样本数据进行工程的安全风险评估。数据的采集是由专门从事养护工程或研究的18名学者及专家依据《安全风险评估指标评分标准》和《安全风险分级标准》分析给出的。问卷发放共54份，回收并经检查，所有数据真实有效。考察各位专家的基本情况可得出，其客观程度基本一致，故对每组样本的评估数据可做均权处理。将处理完成后的26组数据作为模型的26组输入数据，进行网络训练并检测。

本文对BP神经网络模型的训练及检测均是借助MATLAB软件编程得以实现，进行安全风险评估的预测及模型检验，检测结果见表1。

表1 安全风险评估结果检测对比

从表1的计算结果可看出，期望输出和网络输出的最大误差为7.2%，而计算所得平均误差仅为1.0%。可见，评估模型计算输出结果和期望结果接近一致，表明了运用BP神经网络构建的专项养护工程安全风险评估模型具有比较高的精度，是行之有效的。

5 结论

依据风险评估指标体系建立的一般原则和对影响高速公路专项养护作业主要的安全风险因素进行研究分析，建立起相应的安全风险评估指标体系，并选用较为成熟的人工网络——BP网络构建出安全风险评估模型。在对安全风险评估模型结构的确定、输入数据和输出数据的采集方法的确定以及设置模型参数之后，通过实例对高速公路专项养护工程安全风险评估模型进行训练及检测。分析表明，在高速公路专项养护工程中，基于BP神经网络的安全风险评估模型具有较高的可靠度和计算精度，可用于今后其他高速公路专项养护工程进的安全风险评估之中。

［1］王洪德.工程项目管理——安全评价管理实务［M］.北京:中国水利水电出版社，2008:132.

［2］李聪颖，王肇飞.基于BP神经网络的高速公路交通安全评价系统设计与实现［J］.武汉理工大学学报(交通科学与工程版)，2010，34(3):476-479.

［3］田水承.第三类危险源辨识与控制研究［D］.北京:北京理工大学，2001.

［4］田水承，李红霞，王莉.3类危险源与煤矿事故防治［J］.煤炭学报，2006，31(6):706-710.

［5］谭文，王耀南.混沌系统的模糊神经网络控制理论与方法［M］.北京:科学出版社，2008:42.

［6］喻宗泉，喻晗.神经网络控制［M］.北京:西安电子科技大学出版社，2009:60.

［7］Sandhya Samarasinghe著，史晓霞等译.神经网络在应用科学和工程中的应用——从基本原理到复杂的模式识别［M］.北京:机械工业出版社，2010:9.

［8］周开利，康耀红.神经网络模型及其MATLAB仿真程序设计［M］.清华大学出版社，2005:90.

U492

C

1008-3383(2012)01-0105-02

2011-11-18

徐北平(1964-)，男，陕西西安人，研究方身:公路应用工程。