基于T-S模糊神经网络的改扩建高速公路运营安全危险性预测

谢旺祥　熊　艳

(贵州省交通规划勘察设计研究院股份有限公司　贵阳　550081)

基于T-S模糊神经网络的改扩建高速公路运营安全危险性预测

谢旺祥熊艳

(贵州省交通规划勘察设计研究院股份有限公司贵阳550081)

摘要为正确评估改扩建高速公路高边坡施工过程中的运营安全危险性，文中基于T-S模糊神经网络原理建立了运营安全危险性预测模型，同时在MATLAB软件中通过C语言编程实现了这一评价算法，并利用小平阳高边坡的改造进行实例研究，对采取不同施工和交通组织方案的情况作比较评价，根据评价结果判断危险性的大小与危险的来源。

关键词高速公路改扩建工程高边坡T-S模糊神经网络运营安全危险性

运营安全危险性指的是某一高边坡施工过程中，原有道路的运营在影响因素的作用下发生事故的概率。危险性预测是改扩建高速公路高边坡施工过程中运营安全风险评价的主要步骤之一，也是开展风险评价的基础性工作之一。广义上说，运营安全危险性预测是从高边坡施工过程中各内外影响因素发生的变化中，找寻运营安全事故发生机理，建立实用的评价模型，从而获得运营安全事故发生的概率。

实施改扩建的高速公路经过的路线较长，沿线地形地貌、地质条件等均不相同，高边坡改造时会给边坡带来失稳风险，以致可能造成交通中断和运营安全事故。此外，高边坡的施工会严重影响到原有高速公路上车辆的正常通行，从而给运营安全带来危险[1]。

现阶段，国内外学者对运营安全危险性预测的研究主要是从高速公路运营环境方面考虑的，虽然有些也考虑了道路条件、高边坡稳定性等因素[2-3]，但较少有人考虑改扩建工程高边坡施工对运营安全的影响。因此，笔者拟从多个方面，结合T-S模糊神经网络方法建立改扩建高速公路高边坡施工过程中运营安全危险性预测模型，以预测改扩建高速公路高边坡施工过程中的运营安全危险性大小,为正确评价其运营安全风险水平奠定良好的基础。

1基于T-S模糊神经网络的危险性预测模型

1.1基于T-S模糊神经网络的危险性预测模型的提出

T-S模糊神经网络分析法是将模糊数学原理与神经网络分析技术相结合而产生的一种新的神经网络评价方法，它具有神经网络和模糊逻辑两者的优点。这种方法既有较强的自适应和学习能力，又能方便地表达模糊和定性的内容[4-5]。

由于高边坡施工过程中运营安全危险性的影响因素极其复杂，且T-S模糊神经网络模型的自适应与自我更新能力相当强，还可以不断修正隶属函数。因此，选取T-S模糊神经网络方法来构建高速公路改扩建工程高边坡施工过程中的运营安全危险性预测模型，对运营安全危险性预测能取得较好的效果。

1.2运营安全危险性等级标准

根据工程风险发生的概率等级标准，可将改扩建高速公路高边坡施工过程中的运营安全危险性划分为5个等级，见表1。

表1　运营安全危险性等级标准

2基于T-S模糊神经网络的运营安全危险性预测

2.1运营安全危险性评价指标体系的构成

通过对高速公路改扩建工程特性、改扩建工程高边坡施工特性、高边坡施工对运营安全的影响特性及运营安全危险性影响因素进行分析，从地质条件因素、边坡施工因素、运营环境因素和交通组织因素4个方面共选取18个主要的危险性影响因素构建运营安全危险性评价指标体系。其中地质条件因素方面包括地形地貌、岩土体类型、边坡地质构造、边坡坡形和地下水情况5个指标；边坡施工因素包括边坡爆破方式、边坡开挖范围、边坡开挖方式、边坡防护方式和边坡监控方式5个指标；运营环境因素方面包括施工期间气候条件、道路拓宽方式、作业路段道路情况和交通流特性4个指标；交通组织因素方面包括交通管制措施、交通疏导措施、交通信息发布措施和交通防护措施4个指标。

2.2模型参数的选取

隶属度函数的个数和输入/输出节点数依据样本的维数来确定。由于每个指标数值分为5个等级，且运营安全危险性评价指标体系包括18个指标，因而有18个输入节点，每个节点的模糊分割数为5，取一个输出神经元明确运营安全危险性等级，因而模糊神经网络的结构为18-90-1，也就是隶属度函数有90个且均选取高斯函数。选取19组系数P0～P18，隶属度函数的宽度b和中心c随机获取。误差e=0.001，网络学习率取α=0.05。

2.3样本的准备与输出值

模糊神经网络方法必须要有许多样本数据用来训练和验证模型，由于对高边坡施工过程中运营安全危险性进行评价的真实数据比较难找，如果只采用运营安全危险性指标的分级标准作为训练样本，训练数据过少，所以本文采用MATLAB7.11.0的Linspace函数按等间隔均匀分布方式内插值运营安全危险性标准数据生成样本，运营安全危险性等级与输出值的关系见表2。在各级标准内共生成500个训练样本和50个检测样本数据。

表2　运营安全危险性等级与模型输出值的关系

2.4编程实现

根据T-S模糊神经网络原理，在MATLAB中通过编程实现运营安全危险性评价算法。

2.5训练及测试结果分析

对隶属度函数的参数与系数进行初始化，归一化处理训练样本，再用准备好的数据训练运营安全危险性模糊神经网络。

利用MATLAB软件，迭代5 000次。所编制程序的运行结果见图1、图2，从图中可以看出网络输出值与预测值的差距相当小，因而网络的评价精度符合要求。

图1　训练样本实际输出值与预测值的比较

图2　测试样本实际输出值与预测值的比较

2.6应用举例

柳州至南宁高速公路改扩建工程小平阳高边坡位于泉南高速公路K1369+300～K1369+500段，高速公路横切山体边缘，挖方段路线长约200m。现拟于路堑两侧加宽建设，边坡右侧切坡最高57.2m。小平阳高边坡所在区域为溶蚀平原微丘地貌单元，坡度较陡。该区未见地表水存在，水文地质条件简单。原边坡高约53.5m，整体稳定性较好。

根据柳南高速公路改扩建工程小平阳高边坡施工的实际情况，在综合考虑多位专家意见的基础上，根据运营安全危险性指标分级标准数值表，依托工程高边坡施工过程中运营安全危险性预测模型中的输入数据选取见表3，代入所建立的模型中。图3是模型运行的输出结果，模型预测输出值2.5

表3　柳南高速改扩建小平阳高边坡工程运营安全危险性计算参数

图3　运营安全危险性等级输出值

虽然依托工程的运营安全事故发生概率低，但是假如在实际施工过程中，边坡爆破方式采用常规爆破，爆破开挖不及时封闭交通且防护不到位的情况下，高边坡施工过程中的运营安全危险性会大幅增加。此处将利用危险性评价Matlab程序得出该种情况下的运营安全危险性等级，以此作对比分析。根据之前输入模型参数的选取方法，确定对比方案下的运营安全危险性计算参数见表4，Matlab程序运行结果见图4。

表4　小平阳高边坡工程对比方案运营安全危险性计算参数

图4　对比方案运营安全危险性评价结果

2.7结果分析

根据上述研究,可知柳南高速公路改扩建工程施工过程中运营安全危险性等级是C级,等级描述为偶尔发生。由图4可见，对比方案模型输出值3.5

以上分析表明，在高速公路改扩建工程高边坡施工过程中，如果不选择合适的爆破方式，不采取合理的交通防护与组织方案，或者不按规范施工都势必大大增加运营安全的危险性。

3结论

预测结果表明，采用本文提出的基于T-S模糊神经网络的预测模型，既能有效地预测改扩建高速公路高边坡施工过程中运营安全的危险性，又能找出不同项目中影响危险性大小的主要因素，从而为后续整个风险评估和风险管控工作完成了关键性的第一步。

在施工过程中可以利用本套预测体系预测危险性，针对主要影响因素提出应对措施，以提前预防和控制风险，对保障施工顺利及原有高速公路运营的安全畅通具有实际指导意义。

参考文献

[1]刘军，申俊敏．道路条件对高速公路运营安全影响因素分析[J]．山西交通科技，2009(1)：59-61.

[2]李志宏，孔令旗，罗强.高速公路运营安全性评价[J].中国安全科学学报,2008(7):139-143．

[3]肖富昌．高速公路改扩建方案安全性评价与安全管理技术研究[D]．广州：华南理工大学，2011．

[4]张万亮，许晨．基于T-S模糊神经网络的边坡稳定性分析[J]．露天采矿技术，2013(4)：20-23．

[5]聂春龙．边坡工程风险分析理论与应用研究[D]．长沙：中南大学，2012．

收稿日期：2014-09-10

DOI10.3963/j.issn.1671-7570.2015.01.060