地铁隧道施工安全风险演化的BP-SD模型研究*

江　新，胡文佳，袁　轩，孙正熙，郑霞忠

(1.三峡大学 湖北省水电工程施工与管理重点实验室，湖北 宜昌 443002；2.三峡大学 水利与环境学院，湖北 宜昌 443002；3.广东省水文局茂名水文分局，广东 茂名 525000)

0　引言

地铁隧道施工过程中面临突涌水、坍塌等问题，是一项高风险建设工程，易发生安全事故。安全事故是由单个风险事件通过风险演化机理导致多个风险事件同时发生的结果。因此地铁隧道施工中的风险分析一直是确保项目成功和安全工作条件的关键任务。

为降低隧道施工风险，保障施工作业安全，国内外学者对隧道工程施工风险进行了相关研究。Dong Xin等[1]将风险分为2个属性：危险(预期值)和不确定性(熵)，并在此基础提出了解决隧道风险评价问题的风险评估决策模型；Zhang Qian等[2]通过属性数学理论建立了隧道入口边坡稳定性风险评估的属性识别模型，并根据成兰铁路解放隧道的评价结果提出了对应的解决措施；石钰锋[3]以广—珠铁路江门隧道下穿富水河段为例，对其风险源进行系统的分析并提出了相关风险控制措施；刘杰等[4]综合运用模糊层次分析理论与改进集对分析方法建立FAHP-ISPA-PCN耦合的隧道施工风险动态评价模型；杨光[5]等采用云模型理论并运用其优点对隧道塌方风险等级进行评价；郭发蔚等[6]采用贝叶斯网络评价法计算隧道施工中风险事件的自然概率并结合模糊综合评价法来评价隧道施工风险等级。

笔者将采用BP神经网络与MIV算法结合解决了传统SD模型确定指标权重采用德尔菲法、层次分析法、回归系数法等方法需要依靠人的主观判断而出现较大误差的问题，使得研究结果更客观。同时结合系统动力学在研究多因素间复杂、动态关系的优势[7，9]从人、机、环、管全局出发研究系统反馈行为，建立地铁隧道施工安全风险演化BP-SD模型，借助Vensim软件模拟其动态演化过程，避免了模糊综合评价法对风险进行评价时评价指标间相关而造成的评价信息重复的影响，适用范围更广，能更好地揭示地铁隧道施工风险的演化规律，降低地铁隧道施工风险。以期为风险管理者在理论上提供指导思想，在实践中提供决策建议。

1地铁隧道施工风险影响因素分析

1.1　地铁隧道施工风险影响因素识别

本文研究的地铁隧道施工风险主要指在地铁隧道施工过程中由于人(施工人员)、机(机械设备)、环(施工环境)、管(安全监管)不安全因素造成事故，给社会造成重大损失的可能性。运用系统科学的思想将人—机—环境—管理视为一个整体，弄清各个风险影响因素之间的层次性和关联性。同时参考前人对地铁隧道施工风险事故各致因因素权重的统计，并结合我国最近10年地铁隧道施工事故的统计资料[10-12]，归纳总结相关研究数据，筛选并罗列出风险影响因素，建立地铁隧道施工风险影响因素层次图，如图1所示。

图1　地铁隧道施工风险影响因素层次Fig.1　Subway tunnel construction risk factors Hierarchical map

1.2　地铁隧道施工风险演化机理

地铁隧道是一个具有多输入，多输出，多干扰动态特性的复杂开放系统。该系统需要不断地同外界进行物质、能量和信息的交换来促进系统状态的不断演化，推动系统发展，在物质、能量、信息的交换过程中会不可避免的受到各种因素的影响，增加其风险因素与安全隐患。地铁隧道施工风险演化是事故发生的必要条件，当风险演化聚集的能量达到一定程度时，就会由量变到质变形成风险事故。这种风险存在危害大，性质复杂甚至可能产生连锁反应的特点。系统动力学是通过因果关系结构图来反映系统运行的复杂性，展现地铁隧道施工风险的衍生性、传播性、动态性、复杂性。

地铁隧道施工风险的衍生性、传播性、动态性、复杂性主要体现在地铁隧道施工过程中施工风险因素可能衍生出其它风险因素，风险事件发生的实际区域在空间上蔓延扩大，风险事件在时间上表现出持续性、间歇性和反复性等特点。例如，在地铁隧道开挖过程中遇到软弱破碎等不良地质条件可能导致施工人员的工作量加大，并造成安全管理人员的管理难度加大(如：须加强安全监督及隐患排查力度，增加安全投入等)。

根据事故致因理论，地铁隧道安全事故的发生，是由于人的不安全行为与物的不安全状态在不良环境和管理缺陷的共同作用下不断演化而致的结果。在地铁隧道施工中，物的不安全状态与人的不安全行为的影响因子由6个关键要素共同作用。这些相关因子的复杂作用在系统动力学中主要是通过因果反馈回路体现，如图2所示。

2　地铁隧道施工风险演化模型构建

2.1　地铁隧道施工风险模型情景假设与边界确定

本文以地铁隧道施工风险为研究对象。分析在将人—机—环境—管理视为一个整体的情况下，其中某一风险因素发生变化时对地铁隧道这一复杂系统施工风险演化的影响。在进行深入访谈以及咨询专家意见的基础上提出了以下3个假设。

假设1：以地铁隧道施工事件为起点，考虑施工人员，机械设备，施工环境，安全管理各因素间相互影响导致施工风险的形成，而其他变量仅作为外生变量不予考虑。

图2　地铁隧道施工风险演化因果回路Fig.2　Subway tunnel construction risk evolution causal circuit diagram

假设2：本文从施工方的角度出发，因此不考虑因为政治动荡、发生地震等不可抗力因素而导致的系统崩溃的情形。

假设3：管理者有一定的风险管控能力，但并不能完全地消除风险因素造成的不良影响。

2.2　地铁隧道施工风险动力学流图确定

地铁隧道施工风险演化系统由施工人员子系统、机械设备子系统、施工环境子系统和安全管理子系统4个子系统构成且都可通过风险管控与安全投入来消除部分风险量。系统模型包括状态变量、速率变量和辅助变量。状态变量用于描述系统的积累效应，速率变量用于描述累积效应变化快慢，辅助变量是用于表达决策过程的中间变量。根据人、机、环境、管理相互作用的特点，在地铁隧道施工风险事故相关统计数据的基础上，构建地铁隧道施工风险系统流图如图3所示，其中状态变量1个，速率变量2个，辅助变量29个。

图3　地铁隧道施工风险系统流Fig.3　Subway tunnel construction risk system flow chart

2.3　仿真模型参数的确定

2.3.1数据的获取

参照图3编制调查问卷，问卷列举20个题项，题项具体表现为该指标对地铁隧道施工风险值的影响有多大，为使计算参数具有一致性、可计算性，将参数的取值范围设定在[0，10]之间的整数，其中0代表此因素对地铁隧道施工风险值无影响，10则代表此因素对地铁隧道施工风险值有很大的影响，且会带来巨大的损失。问卷采用现场发放的形式调查，共发放问卷370份，回收349份，剔除36份不完整问卷，剩余313份合格问卷。其调查对象涉及施工一线的技术人员、施工现场安全管理人员、监理人员。

将调查的数据进行信度和效度的检验，信度检验采用Cronbach’ Alpha值，效度检验采用KMO值和巴特勒球形度检验值。其检验结果分别如表1和表2所示。

表1　总信度检验值

表2　各分项信度检验值

由表1,2可看出：各个风险子系统Cronbach’s Alpha值均大于0.65，信度良好。问卷数据的KMO值大于0.8，巴特球形度检验值Sig为0，说明问卷效度良好。

2.3.2MIV算法确定指标权重

MIV算法是与BP神经网络结合较紧密的一种权重贡献率计算方法，其大致思想是利用BP神经网络计算得出的输出神经元差值计算出输入神经元的重要程度系数，这个重要程度系数的判断标准即MIV值。具体操作过程是：将调查所得样本S中每一个输入值，也就是自变量分别在其原基础上涨幅10%和跌幅10%，形成两个新的样本S1和S2。将S1和S2输入到已建立的BP神经网络中得出输出结果T1和T2，求出T1和T2的差值即为该自变量的改变对输出的影响变化值(Impact Value, IV)，然后将IV值按照观测例数平均得到自变量的平均影响值(Mean Impact Value, MIV)。

BP神经网络的构建根据地铁隧道施工风险系统流图确定，图3中可看出因变量机械设备风险系统有4个自变量；因变量施工人员风险系统、安全管理风险系统各有5个自变量；因变量施工环境风险系统有6个自变量。所以需构建3个神经网络，分别为：四输入—输出；五输入—输出；六输入—输出，其拓扑结构图如图4所示。对于隐含层节点数的选择遵循Kolmogrov定理[13]，即一个具有n个输入单元、2n+1个中间单元、m个输出单元的神经网络能够表达任何映射。将样本输入BP神经网络得出的输出结果进行MIV算法归一化，结果如表3所示。

图4　BP神经网络拓扑结构Fig.4　BP neural network topology

表3　地铁隧道施工风险部分主要变量SD方程

限于篇幅，此处以连续工作时间和施工人员风险系统为例。根据调查问卷结果显示，施工人员连续工作时间为(0，4]个小时，多数情况下为2个小时，因此采用RANDOM UNIFORM(A，B，S)函数，表示产生在区间(A，B)内的均匀分布随机数，S给定随机数序列就确定，S取不同的值产生随机数序列也不同。根据图3所示的地铁隧道施工风险系统流图确定安全防护到位、人员安全素质、作业行为规范、持证上岗与连续工作时间5个输入变量，施工人员风险系统为输出变量。根据Kolmogarav定理，给定合适的权重和结构，对3层前向神经网络进行函数拟合可以达到较好的精度，并确定隐含层节点数(m=2n+1，m为隐含层节点数，n为输入层节点个数)为11，此时模型的精度与训练时间等性能较好。隐含层节点和输出层节点转移函数分别选用tansig函数和purelin函数。模型最大迭代次数为2 000次，目标精度为0.01，学习速率设为0.05。用所构建的模型对问卷数据进行训练。模型迭代1 620次后收敛，并满足小于0.01的精度要求。仿真结果得到4个输入变量经过归一化后的MIV值，分别为0.26，0.32，0.18，0.13，0.11。

3　案例分析

3.1　模型的有效性检验

现以某城市地铁隧道施工为例。该隧道建设周期为20个月。地铁隧道施工风险演化模型建立后，通过对该地铁隧道20个月的各类风险资料分析整理，确定该地铁隧道风险演化的BP-SD模型的参数及各变量的初值。演化结果表明在1～3月间由于施工人员对施工环境地质情况等不熟悉，设备保护装置及安全系统需要准备时间，同时管理人员的风险管控与安全投入存在一定的延迟性，地铁隧道施工风险都呈现出上升趋势。4～10月间技术人员接受安全教育与技术培训，安全管理强度增加，施工技术逐渐成熟，设备维修系统完善，人员安全素质提高，地铁隧道施工风险相比前3个月呈下降趋势。10～20月间，施工人员熟悉适应了施工环境，施工技术成熟，维修人员掌握了机械设备的最佳检测周期与维修方法，管理上加强了风险管控与安全投入，所以10～20月间地铁隧道施工风险走势基本稳定。经过验证，地铁隧道BP-SD模型的风险预测结果与该工程实际施工的风险反馈信息基本符合，如图5所示，说明该模型是可行的。

图5　风险演化模拟值与实际值对比Fig.5　Comparison of simulated evolution values with actual values

3.2　地铁隧道施工风险演化模拟与分析

本文选取施工人员风险、机械设备风险、施工环境风险、安全管理风险4个子系统为变量，动态演化其对地铁隧道施工风险值的影响程度。根据前人总结的相关经验可知，增加风险管控路径与安全投入可以有效降低施工风险发生概率10%～50%[14-16]。笔者将地铁隧道施工风险演化模型设定在其他子系统保持现值不变的情况下，然后在风险管控与安全投入作用下施工人员风险值降低30%，再依次变化机械设备风险、施工环境风险、安全管理风险的值，具体模拟图6所示。

图6　地铁隧道施工风险值仿真结果趋势Fig.6　Trend of simulation results of construction risk value of subway tunnel

由图6可知，当施工人员风险值降低30%时，地铁隧道施工风险值降低18.6%；当施工环境风险值降低30%时，地铁隧道施工风险值降低12.4%；当安全管理风险值降低30%时，地铁隧道施工风险值降低24.8%；当机械设备施工风险值降低30%时，地铁隧道施工风险值降低8.6%。这是因为如果管理层在施工风险管理中出现监管不严、安全投入少时，施工人员会出现侥幸心理而忽视施工中的安全防护、懈怠对设备的维护而导致地铁隧道施工风险值大幅度增加。同时施工人员安全素质较低，不注意安全施工中可能存在潜在的风险，可能会因为风险事件的连锁反应导致风险事故。施工环境条件不适宜工作时会在一定程度上影响到施工人员的心理与生理状态，导致施工风险值增加。机械设备在施工中出现故障时能第一时间得到维修保障，对地铁隧道施工风险值影响最小。因此，在地铁隧道施工风险防范中要重点关注现场安全管理与施工人员风险，其次是改善施工条件，完善设备维护系统。

4　结论

1)确定地铁隧道施工风险影响因素间复杂函数关系，构建地铁隧道施工安全风险演化的BP-SD模型，动态演化模拟人、机、环、管4个子系统风险值变化对地铁隧道施工风险值变化的影响程度。

2)仿真结果分析知，安全管理风险与施工人员风险的管控在降低地铁隧道施工风险中占主要地位。环境风险管控的作用次之，大多数机械设备风险在设备进场施工前已经得到预防，其风险管控的作用对地铁隧道施工作用影响最小。因此，为防止地铁隧道施工风险演化为安全事故，主要需要加强安全监督与隐患排查、完善安全防护措施、提高安全培训质量、增加安全投入等。

3)本文研究的是人、机、环、管4个子系统风险值变化对地铁隧道施工风险值变化的影响程度，而子系统中每一个因素的值的变化对地铁隧道施工风险值变化的影响程度有待进一步深入研究。

[1]Dong, Xin, Lu Hao, Xia Yuanpu. Decision-making model under risk assessment based on entropy[J]. ENTROPY, 2016, 18(11)：1-15.

[2]Zhang Qian, Wang Jingchun, Zhang Haixia. Attribute recognition model and its application of risk assessment for slope stability at tunnel portal[J]. JOURNAL OF VIBROENGINEERING, 2017, 19(4): 2726-2738.

[3]石钰锋,阳军生,邵华平,等. 超浅覆大断面暗挖隧道下穿富水河道施工风险分析及控制研究[J]. 岩土力学,2012,33(S2):229-234.

SHI Yufeng, YANG Junsheng, SHAO Huaping, et al. Risk analysis and control study of super-shallow tunnel with large cross-section under water-rich channel[J]. Rock and Soil Mechanics, 2012, 33(S2): 229-234.

[4]刘杰,宋亮,毛爱民,等. 基于FAHP-ISPA-PCN耦合的隧道施工动态评价模型[J]. 地下空间与工程学报,2017,13(2):559-566.

LIU Jie, SONG Lang, MAO Aimin, et al. Tunnel construction risk dynamic evaluation model based on the coupling of FAHP-ISPA-PCN[J]. Chinese Journal of Underground Space and Engineering, 2017, 13(2): 559-566.

[5]杨光,刘敦文,褚夫蛟,等. 基于云模型的隧道塌方风险等级评价[J]. 中国安全生产科学技术,2015,11(6):95-101.

YANG Guang, LIU Dun wen, CHU Fu jiao, et al. Evaluation on risk grade of tunnel collapse based on cloud model[J]. Journal of Safety Science and Technology, 2015,11(6):95-101

[6]郭发蔚,王宏辉. 基于Bayesian隧道施工风险模糊综合评估方法[J]. 铁道科学与工程学报,2016,13(2):401-406.

GUO Fawei，WANG Honghui. Risk assessment of tunnel construction by using fuzzy comprehensive evaluation method based on bayesian networks[J]. Journal of Railway Science and Engineering,2016, 13(2): 401-406.

[7]李存斌,陆龚曙. 工程项目风险元传递的系统动力学模型[J]. 系统工程理论与实践,2012,32(12):2731-2739.

LI Cunbin, LU Gongshu. System dynamics model of construction project risk element transmission[J]. System Engineering-Theory and Practice, 2012,31(12): 2731-2739.

[8]江新,吴园莉,徐平,等. 工程项目群施工风险演化的SD模型研究[J]. 中国安全科学学报,2015,25(6):155-161.

JIANG Xin, WU Yuanli, XU Ping, et al. SD model study on risk evolution in construction of project group[J]. China Safety Science Journal, 2015, 25(6):155-161

[9]李勇建,乔晓娇,孙晓晨,等. 基于系统动力学的突发事件演化模型[J]. 系统工程学报,2015,30(3):306-318.

LI Yongjian，QIAO Xiaojiao, SUN Xiaochen, et al. Modeling the evolution of emergency based on system dynamics[J]. Journal of Systems Engineering, 2015, 30(3):306-318.

[10]游鹏飞. 地铁隧道施工风险机理研究[D].成都：西南交通大学,2013.

[11]王帆. 地铁施工安全风险建模及演化研究[D].武汉：华中科技大学,2013.

[12]李解,王建平,许娜,等. 基于文本挖掘的地铁施工安全风险事故致险因素分析[J]. 隧道建设,2017,37(2):160-166.

LI Jie, WANG Jianping, XU Na, et al. Analysis of safety risk factors for metro construction based on text mining method[J]. Tunnel Construction, 2017, 37(2):160-166.

[13]王德明,王莉,张广明. 基于遗传BP神经网络的短期风速预测模型[J]. 浙江大学学报(工学版),2012,46(5):837-841,904.

WANG Deming, WANG Li, ZHANG Guangming. Short-term wind speed forecast model for wind farms based on genetic BP neural network[J]. Journal of Zhejiang University (Engineering Science), 2012,46(5):837-841,904.

[14]解涛. 地铁建设项目施工安全风险综合评价方法与案例研究[D].北京：华北电力大学,2011.

[15]王纯. 基于人的不安全行为的地铁施工安全管理研究[D].天津：天津理工大学,2014.

[16]冯文成. 广州地铁盾构施工风险管控研究[D].广州：华南理工大学,2014.