基于BP神经网络隧洞施工安全评价模型

王 醒，吴向男，马 斌，解伟峰

(1. 金钼股份有限责任公司；2. 西安理工大学；3．陕西核工业215医院)



基于BP神经网络隧洞施工安全评价模型

王 醒1，吴向男2，马 斌2，解伟峰3

(1. 金钼股份有限责任公司；2. 西安理工大学；3．陕西核工业215医院)

为了研究隧洞施工安全评价方法，以某正在施工的隧洞为背景，确定了24个安全评价指标，设计了隧洞施工的多层前馈BP神经网络结构，建立了较为完善的基于BP神经网络的隧洞施工安全评价体系模型，并验证了其实用性。对背景工程进行了施工安全评价，评价结果与工地实地考察结果一致，说明所建立的隧洞施工安全评价模型的有效性和实用性。

隧洞施工；BP神经网络；安全评价

0 引 言

近十几年来随着我国国民经济的高速发展，水利水电工程的建设力度不断加大。水工隧洞工程建设多集中在山区，施工条件差、地质情况复杂且建设过程中风险源多，风险认识、评价难度大，一旦风险发生社会影响极大。目前，隧洞施工安全问题越来越得到国家相关部门和施工企业的的重视，广大学者及工程技术人员对提高隧洞施工体系安全性领域的科学研究给予了极大地关注。结合某隧洞施工实践，通过对该隧洞施工危险源的辨识评价，利用所建立的隧洞施工安全评价体系模型以及所确定的训练样本，通过MATALAB7.6.0软件中的人工神经网络工具箱训练网络，然后在该平台上来实现对隧洞施工过程的安全评价。

1 背景工程

某排水隧洞是为了保证尾矿库的排水回水系统工程，该排洪系统沿沟左岸布置，回水系统先沿沟右岸布置，再绕行至沟左岸布置。该工程大致由排水隧洞、排水井、排水支洞、回水管道、回水井、消力池、陡槽、涵洞等结构物组成，尾矿库排水按千年一遇雨水标准设计。排水主隧洞全长1 733.42 m；排水竖井4座，总高度243.31 m；排水支洞3条，总长211.09 m。排水隧洞主洞与支洞，均按圆形断面设计，直径3.5 m。

项目场地整体平面呈树枝型，沟谷呈V字型。地形起伏较大，地貌上属秦岭东段中低山侵蚀谷地。堆场基岩断层较发育，排水隧道全径基岩断层较多，断层均为正断层。只有极少断层进入第四系坡、洪积碎石土，均为非全新活动断层。岩层节理裂隙发育，节理成组，多呈微张，贯通性良好，部分节理被风化碎屑和粘性土充填现象，为库区的主要导水构造之一。

2 基于BP神经网络隧洞施工安全评价体系模型的建立

2.1 隧洞安全评价指标的确定

建立恰当的隧洞施工安全评价体系指标是对隧洞施工进行安全评价的第一步，它是整个安全过程的基础环节。选择评价体系指标的恰当与否，直接关系到对隧洞施工的安全评价结果的准确性。建立隧洞施工安全评价指标体系应该遵守科学性、全面性、可行性、可比性和针对性的原则。本文根据国家有关安全法规、条例、标准和规定，以《施工企业安全生产评价标准》和《建筑施工安全检查标准》为基础，通过对隧洞施工系统事故成因分析和危险源的辨识评价，将隧洞施工的安全评价指标体系分为人员因素、行政管理因素、施工现场管理因素、施工设备因素以及施工环境因素5 大方面(即准则层)，24 个评价指标(见表1)，并对每项评价指标制定了量化评分的标准。

表1 隧洞施工安全评价体系指标

2.2 BP算法程序的实现步骤

1986年，Rumelhart和McCelland为首的科学家小组提出了一种按误差逆传播算法训练的多层前馈网络—BP网络。即运用梯度下降法，通过反向传播来不断调整网络的权值和阀值使网络的误差平方和最小。隧洞施工安全评价信息具有不完全被知性且准确合理的评价结果对专家经验的依耐性强。人工神经网络的特点是自学习性、自适应性和巨量并行性，因此利用人工神经网络对隧洞施工进行安全评价可以有效解决这个难题，促使专家经验被充分有效的吸收并具有比较强的抗干扰能力，所以近年来人工神经网络开始逐步被引入到隧洞施工安全评价的领域。

BP算法的实现步骤如图1所示。从图1中可以看出，标准的BP算法实现主要分以下七步。

(1)初始化权值：给权值矩阵W、V随机赋值，把样本模式的计数器p和训练次数的计数器q都设置成1，误差E设置为0，学习率η设置为0～1之间的小数，把网络训练所达到的精度Emin设置为正的小数；

(2)输入训练样本，计算每层的输出：用当前训练样本Xp、tp对输入向量X、期望输出向量T赋值，分别计算输出层输出向量O和隐含层输出向量Y的各自分量；

(3)计算网络的输出误差：对训练样本误差来说，有多少组训练样本p就有多少不同的误差Ep，网络的总误差可用其中最大的一个来代表，表示为Emax；

(4)计算每层的误差信号；

(5)调整每层的权值；

(6)对所有样本是否完成第一次轮训进行检查：若计数器p

(7)对训练网络的总误差是否达到所要求的精度进行检查：如果EEmin，则E将置0，p将置1，随后返回步骤(2)。

目前，BP算法的实现中调整权值的方法主要有两种，即单样本训练法和周期训练法。单样本训练法只是针对每单个样本产生的误差所进行的调整，难以避免顾此失彼，而致使训练的次数增加，是瘦脸的速率过慢。周期训练是以减小全局的训练误差为目的，能保证训练总误差往减小的方向上发展。在进行多样本的网络训练时，周期训练法要比单样本训练法的收敛速率快。因此采用周期训练法。

2.3 隧洞前馈BP神经网络结构设计

对隧洞工程施工来说，隧洞施工的安全影响因素主要就是BP神经网络的安全评价模型输入层的输入数据(输入向量)。为了便于说明问题，假定已经建立了隧洞施工安全评价指标体系，共有24个指标，每个指标具体数值通过专家打分获得，为了省略后续处理过程中对数据的归化，可以将分值设定在0～1之间。输入向量可用X表示为(X1，X2，X3，X4，X5，X6，X7，X8，X9，X10，X11，X12，X13，X14，X15，X16，X17，X18，X19，X20，X21，X22，X23，X24)。详见表2。

为了对隧洞施工安全进行有效的评价工作，需要对隧洞施工的安全评价状态进行分级，表3给出了分级状态与对应的期望输出值。BP神经网络的训练样本问题解决以后，网络的输入层节点数和输出层节点数便已确定。因此，多层前馈网络设计主要解决设计几个隐含层和每个隐含层设几个节点的问题。随着隧洞安全评价体系指标个数的确定，输入层的节点个数也就随之确定下来，即安全评价指标个数也就是输入层节点个数。然而，输出层的节点数是根据隧洞施工安全评价分级状态确定的，即分级状态的级别的个数等于输出层的节点个数。根据分级表3可知，输出层神经元的个数为5个，T={T1，…T5}。在设计多层前馈网络时，一般先考虑设一个隐层，当一个隐层的节点数很多仍不能改善网络性能时，才考虑再增加一个隐层。一般认为，增加隐含层数能够减小网络的误差，提高网络训练的精度，但是隐含层的层数越多计算过程也就越复杂，这就急剧增加了训练时间。与此同时，由于在训练过程中隐含层数的增加，往往容易导致训练陷入权值收敛的局部最小误差而无法跳出，网络的权重就难以调整到最小误差点处。

(1)

式中：m为隐层节点数，n为输入层节点数，l为输出层节点数，a为1～10之间的常数。

选取的BP网络为三层结构。从输入层到隐含层到输出层的转移函数分别采用对数tansig型函数和logsig型函数。在确定隐层节点时采用试凑法确定最佳隐节点数。根据经验公式(1)选择隐层节点数，针对本论文m取值范围为616。对每一个节点进行训练，得出增加隐层节点数可以减少训练误差，但超过11以后测试误差产生波动，即泛化能力发生变化。综合比较隐层节点数为12与13的训练误差和测试误差，决定隐层节点数选用13。因此得到的本次训练神经网络的拓扑结构应为(24,13,5)。

表2 训练样本数据

表3 隧洞安全评价分级状态表

2.4 隧洞BP神经网络训练样本设计

一般来说选取的训练样本数量越多，训练结果就越能正确的反映原样本的内在规律，但是样本的收集和整理受到各种客观条件的制约。大量实践得出，神经网络训练时需要的样本数由输入—输出非线性映射关系的复杂程度决定，映射关系越复杂的样本，其噪声就越大，为了保证具有一定映射精度的样本数就越多，因而网络规模也就越大。本文选取多组隧洞施工的特征参数值作为学习的样本，来提供网络系统训练。由于目前我国并没有一个统一的标准对隧洞施工安全评价状态进行检查，综合考量选取已建立安全评价体系确定的评价指标作为样本评价指标，通过专家打分确定出如表3所示的20个样本数据，其中前18组评价数据为网络训练样本，最后2组评价数据作为测试数据。

表4 泉水沟尾矿库隧洞施工安全评价指标数

2 实例验证

利用MATALAB7.6.0软件中的人工神经网络工具箱这个平台，对所建立的BP神经网络隧洞施工安全评价系统以及所确定的训练样本进行网络学习训练，经过反复的网络训练建立具有时效性的BP神经网络隧洞施工安全评价模型，并通过对测试样本的验证，证明评价模型的可靠性。

2.1 网络训练

隧洞施工安全评价指标的个数为24个，所以输入层的节点个数为24个，输出层节点的个数为5个，经过反复的测试与计算隐含层节点数为13个。设定训练函数为traingdx，隐含层传输函数为tansig函数，输出层传输函数为logsig，训练次数为10 000，训练目标为0.000 1，学习率为0.01，图2为系统误差训练曲线图，图3为18组数据的误差曲线图。

图2 系统误差训练曲线图

图2为系统误差训练曲线图，即训练均方差的收敛过程曲线(蓝线)，纵坐标表示不断接近样本的训练目标(虚线)，横坐标则表示经过221次迭代，实现训练目标，从而使误差收敛。

图3为表示样本输出目标与实际输出的误差曲线，由于训练样本是18组数据，所以样本输出目标与实际输出的误差曲线就有18条，在图中用不同颜色标出，横坐标表示样本输出目标与实际输出的误差的训练次数为5次，纵坐标则表示每次训练误差的误差值。从图3的误差曲线可以看出，经过训练的神经网络很快就达到了误差要求。

图3 误差曲线图

由图2和图3可知，本文设置的训练次数为10000次，在经过221次迭代后可收敛，系统网络的训练达到了预期的效果。由训练的结果与样本目标相对比可知，此次的训练结果与评价的样本数据基本上保持一致。因此网络准确的识别了训练样本，实际输出结果与期望值结果基本吻合。证明所建立的隧洞施工安全评价体系是合适的，验证了BP神经网络对隧洞安全评价的准确性和实用性。

2.2 测试样本验证

运用样本的最后两组数据作为测试验证数据，来验证所建立的隧洞安全评价的神经网络的适用性。验证数据的评价指标值为样本的最后两组数据，如表2所示，其输出的结果如表3所示。

由表3可以看出通过网络测试的结果与测试数据的预期结果是一致的，安全评价神经网络对两组测试数据进行了较为准确的评价。因此，该网络模型可用于以后的隧洞施工安全评价，只需将预评价的施工隧洞的评价指标的得分情况输入该网络模型便可以得出该隧洞的评价结果。

表3 评价结果验证

3 BP神经网络安全评价

隧洞工程的施工的生产安全状况与致使安全事故的因素之间是一种相当复杂的非线性关系，而BP神经网络的极强的非线性逼近的自身强大性能，恰好能够成功的解决一些人为等主导因素的影响，从而更加客观准确的反映出分析研究的结果。

3.1 隧洞施工安全评价体系的建立

前边已经采用大量的训练样本对所建立的BP神经网络隧洞施工安全评价体系模型进行了学习训练，并已经成功的反映出了从24个致使事故的安全评价指标到5个安全评价等级状态之间相当复杂的非线性映射关系。接下来就利用已经建立的BP神经网络隧洞施工安全评价体系模型对泉水沟尾矿库排水隧洞工程的施工进行安全评价的分析研究。

经过对隧洞施工现场实地考察研究，以及和建设单位、施工单位的技术管理人员的进行了的交流、讨论、学习以及研究，通过对该隧洞的危险源成因的辨识、定性和定量分析以及评价，从而获得了较为准确的隧洞施工安全评价指标打分数据。

3.2 隧洞施工的BP神经网络安全评价

根据对隧洞施工安全评价状态的分级情况可知BP神经网络隧洞施工安全评价模型的有5种结果，它们分别是当输出结果接近[1,0,0,0,0]时，为“安全”且安全的等级为T1；当输出结果接近[0,1,0,0,0]时，为“比较安全”且安全的等级为T2；当输出的结果接近[0,0,1,0,0]时，为“一般安全”且安全的等级为T3；当输出的结果接近[0,0,0,1,0]时，为“较不安全”且安全的等级为T4；当输出的结果接近[0,0,0,0,1]时，为“不安全”且安全的等级为T5。

当安全评价的等级为T1时，说明该隧洞施工系统的各方面情况都运转正常，安全状态良好，应该继续保持当前良好的状态。

当安全评价的等级为T2时，说明该隧洞施工系统的各方面情况运转比较正常，安全状态稍有危险，应需要关注，但是基本可以接受。

当安全评价的等级为T3时，说明该隧洞施工系统中的转情况存在低发安全隐患，安全状态一般危险，需要多加关注以及注意控制危险隐患。

当安全评价的等级为T4时，说明该隧洞施工的系统中运转情况存在重要安全隐患，其安全状态高度危险，需要采取安全措施并进行整改。

当安全评价的等级为T5时，说明该隧洞施工系统中的各方面运转情况存在高度的安全隐患，安全状态高度危险，需要立即制定详细的解决方案，迅速采取相应的措施进行整改，在隐患解除前不能继续施工作业。

因此可知该隧洞工程的施工安全评价结果，如表4所示。

表4 隧洞施工安全评价结果

由表5可知， BP神经网络隧洞施工安全评价模型对该隧洞的安全评价等级为“T2”，评价的结果应是“较为安全”。此评价结果基本上与工地的实地考察调研以及同专业技术管理人员讨论研究的结果是保持一致的，说明所建立的隧洞施工安全评价模型具有有效性和实用性。

4 结 语

基于BP神经网络的隧洞施工安全评价模型的建立步骤为：根据安全评价的内容和建立安全评价体系的基本原则，选取适当隧洞施工安全评价指标，建立隧洞施工安全评价指标体系。然后，根据BP神经网络原理及算法，设计BP神经网络的结构和网络的训练样本,对网络进行训练和验证，从而建立基于BP神经网络的隧洞施工安全评价体系模型。隧洞施工安全评价模型建立方法可为同类工程施工安全评价提供借鉴参考。

[1] 刘铁民，张兴凯，刘功智.安全评价方法应用指南[M].北京：化学工业出版社，2005:4-6．

[2] 张德丰等. MATLAB神经网络应用设计[M].北京：机械工业出版社，2011.12:136-139.

[3] 施彦， 韩力群， 廉小亲. 神经网络设计方法与实例分析[M]. 北京：北京邮电大学出版社，2009.12:34-36.

[4] 王淑青.人工神经网络(ANN)在结构分析中的应用[M].北京：北京交通大学，2004：10-13.

Research on Modelling of Tunnel Construction Safety Evaluation Based on BP Neural Network

WANG Xing1，WU Xiang-nan2，MA Bin2，XIE Wei-feng3

(1. Jinduicheng molybdenum CO.,LTD.；2. Xi’an university of technology；3.215 hospital)

In order to study the tunnel construction safety assessment methods, the article set the tunnel which is under construction as the background and makes 24 safety evaluation indexes. A designed model associating with tunnel construction based on a multilayer feedforward BP Neural Network, which is relatively comprehensive based on BP neural network model of tunnel construction safety evaluation system model and verify its usefulness. Through the safety evaluation on the background project, the results are consistent with field investigations, shows the validity and practicability of the tunnel construction safety evaluation model.

Tunnel construction；The BP neural network；Safety evaluation

2015-01-05

王醒，男，高级工程师，从事矿山工程勘测施工优化管理方向的研究。

U

C

1008-3383(2015)09-0079-04