基于OWA－BP神经网络的公路隧道施工风险评估

平自要，李玉梅

（1．河南省收费还贷高速公路管理中心，河南 郑州 450016；2．河南省交通科学技术研究院有限公司，河南 郑州 450005；3．河南省道路材料与结构工程技术研究中心，河南 郑州 450001）

0 引 言

隧道施工因其技术的复杂性和实施的不确定性等，成为公路工程建设过程中的高风险环节，因此隧道施工的风险评估问题显就得尤为迫切。

在隧道及地下工程风险研究领域，美国学者Einstenin作为代表人物较早地界定了地下工程风险研究所遵循的理念及风险分析的特点［1－2］。Struk等人经过深入研究，提出了隧道及地下工程风险控制的理论框架及方法体系［3－4］。

国内针对地下工程及隧道的风险研究起步相对较晚，但随着公路隧道、地铁等地下工程的建设，除了逐步引进国外的风险管理理论与方法［5－6］之外，近年来国内诸多专家学者针对公路工程的风险管理问题也进行了一系列的研究，如李凡［7］从项目管理的角度对公路工程项目管理过程中的多个目标风险进行系统分析，并结合同三高速等实际工程案例进行了风险控制研究；俞素平［8］在风险分解结构RBS的基础上对公路隧道施工风险进行了系统识别，构建了风险评估的网络分析方法；周树影［9］就公路工程中的高架工程风险管理问题进行了探讨，提出了风险模糊评估方法并得出对应的风险应对策略；程远等［10］运用模糊理论，从风险发生概率与风险损失相结合的角度对大跨浅埋隧道施工风险进行了评估；曹成勇等［11］针对浅埋大跨度下高速公路隧道施工风险评估问题，构建了功能系数评估方法并进行了运算。

综合上述分析可知，现有的隧道及地下工程风险管理已经形成了相对系统的框架体系，但针对公路隧道风险评估的方法研究相对较少，且上述学者所采用的研究方法在很大程度上依赖于专家主观经验来确定相应指标的权重与风险程度，在具体风险评估实践中容易失真［12－14］。因此为了提高公路隧道施工风险评估的可靠性与准确性，需要结合公路隧道施工的系统特征提出科学的风险评估新方法。本文以此为出发点，对一种基于有序加权（OWA）算子和人工神经网络的风险评估方法进行了研究，以期为公路隧道施工风险评估提供方法支持。

1 公路隧道工程施工风险评估体系

1．1 指标体系的构建原则

对公路隧道施工风险进行综合评估，需要以科学合理的综合评估体系作为依托。综合评估指标体系是风险评估的载体，是连接风险因素与评估方法模型的桥梁。由于公路隧道施工风险的影响因素繁杂且呈非线性的特点，不同类型的风险很难纳入到相同层面实施分类，应以“4M1E”原理为理论依据，将公路隧道施工风险的影响指标按人员、设备、技术、材料及环境5个方面进行分类，从而涵盖公路隧道施工现场风险管理的各个方面。同时，应深入研究《建筑施工安全风险检查标准》（JTJ 59—2011）及相关规范和法规，结合公路隧道施工的具体工序，遵循系统性、目标性、可操作性的原则实施体系构建。

1．2 指标体系的构建

对公路隧道施工风险指标进行归纳，建立层次结构，构建涵盖人员、机械、技术、材料、环境5个一级指标以及21个二级指标在内的风险综合评估指标体系，如图1所示。

图1 公路隧道工程施工风险综合评估指标体系

2 基于OWA－BP神经网络的公路隧道施工风险评估模型

2．1 评估模型的理论基础与适用性分析

在完成指标体系构建的基础上首先要对体系内各级指标进行权重的确定。由于公路隧道施工影响因素多且存在相互作用，使得在具体评估过程中得到的是大样本的评估数据，在这种情况下进行权重确定就要考虑数据极端值对计算结果的影响。为了保证有限数据情况下权重确定的准确性，本文尝试运用有序加权（OWA）算子进行赋权。OWA算子是美国学者Yager教授提出的一种客观赋权方法。该方法通过按照一定的顺序对原始数据序列重新排序、集成并根据位置先行加权处理，从而对数据实行区别对待，弱化极值的负面作用［15－16］。

公路隧道施工风险分析是一个复杂非线性关系的动态系统过程，通常需要根据多次数据变动实施反复动态评估。传统评价方法（如模糊评估法、灰色关联法等）难以满足这种延展性评估的要求，当数据变动时需要重新计算分析，降低了评价的效率。为提高公路隧道施工风险评估的效率和延展性，本文尝试运用BP神经网络构建一种能根据数据变化及时做出调整，从而实现快速科学评估的综合评估模型。BP神经网络方法在模拟非线性关系、处理复杂系统多指标评价问题时，具有较好的优异性和延展性。

2．2 风险评估等级的确定

风险评估等级是实施风险评估的基础，是风险评估分析的参照。在评估者实施评估之前，出现任何评估结果的可能性均是未知的，即出现任一风险评估结果均为等可能事件。鉴于此，在风险评估等级确定时，采用一种等分区间的测度方法。按照风险程度越高得分越低的原则界定公路隧道施工风险测度等级，测度取值区间为（0，1］，具体测度划分如表1所示。

表1 公路隧道施工风险等级测度

2．3 OWA算子赋权

运用OWA算子进行各级指标权重的确定，具体步骤如下。

（1）设指标Vi的初始数据为（a1，a2，…，an），对初始数据按照降序的规则并从0开始重新排列，即初始数列转化成新数列（b0，b1，…，bn），其中b0＞b1＞b2＞…＞bn。

（2）利用组合数对数据bj赋权，求得赋权向量值

其中：Cjn－1为在n－1个数据中选择j个数据后的组合数。

（3）利用赋权向量对决策数据加权，计算出指标Vi的绝对权重值。

（4）求解指标Vi的相对权重值wi。

根据上述步骤，可确定指标体系内各级指标的权重。

2．4 基于BP神经网络的风险评估

BP神经网络通常由输入层、隐含层、输出层三部分构成，输出层节点数由评估对象的实际情况确定。考虑到本文为量化研究，最终的风险评估结果为确定的数值，因此确定输出层节点数为1，输出值的大小表示风险等级。关于中间隐含层节点数的确定，目前尚未有明确的科学方法，故借鉴多数学者所采用的经验公式来进行确定。即l＞log2m；l＝示隐含层、输入层、输出层节点数，最终构建的BP神经网络训练结构见图2。

图2 BP神经网络训练图

在OWA算子确定各级指标权重的基础上，构建下级指标层到上级指标层的网络结构模型，设置相关训练参数进行测试以达到网络结构成熟。将收集的训练样本信息导入训练成熟的网络中，得到二级指标评价值，以此与指标权重进行加权计算，确定评估目标风险等级。

需要注意的是，在将数据输入网络结构之前，要先对其进行归一化处理，使数据满足统一的量纲。当同时出现正向型指标与反向型指标时，分别按公式（5）、（6）实施归一化处理。

正向指标

反向指标

式中：Xi表示第i个输入层的输入值；Oi表示综合得分值。

3 算例分析

结合三淅高速公路西坪至寺湾段某隧道施工实践情况，运用本文构建的模型通过权重计算与评估计算实施综合风险评估。

3．1 权重计算

6名公路隧道施工管理领域相关专家组成决策小组，对指标体系内各级指标进行重要性打分。考虑到数据处理的有效与快捷，设置打分区间为［0，10］，要求打分数据为0．5的整数倍。现以一级指标V4为例进行权重计算，打分结果见表2。

首先对指标V41的得分进行降序处理，得到新序列（8．5，8．0，8．0，8．0，7．5，7．0），根据专家组情况可知n＝6，由式（1）得出加权向量wj＝（0．031，0．156，0．313，0．313，0．156，0，031），则V41的绝对权重＝7．91。

表2权重打分数据

同理可得其余指标的绝对权重：＝6．91，权重向量为

同理，各级指标权重向量为

同理可得出剩余4个一级指标的绝对权重值。

3．2 评估计算

BP神经网络评估由Matlab自带的神经网络工具箱实施计算。考虑到有一级指标5个、二级指标21个，网络结果相对复杂，输入节点较多，应组织人数较多的综合评估小组，按照给定的风险测度等级对各个指标进行打分评估，并采集指标相关评估数据，选择训练样本40组、学习样本3组，实施训练直至满意。从多次模拟的结果可知，当训练次数满足500次，最小训练速率为0．8，最大允许误差为0．001，而迭代次数为800时，模拟效果最好。模拟训练结果如表3所示。

表3 基于Matlab神经网络工具箱的训练结果

由表3分析可知：4个样本的期望输出值与实际输出值均为同一风险等级，即“一般”等级；最大误差的绝对值为0．005 5，说明该评估模型满足训练精度要求。测试样本输出结果为0．730 9，即本项目的风险评估等级为一般，施工管理者暂时无需采取针对性的措施，应保持对施工过程的实时监测，并持续进行风险评估。随着施工的开展，对现场评估数据实施动态监测与收集，将变动的输入样本导入到训练成熟的网络中，可实现快速科学的动态持续评估，这是该模型延展性的体现，也符合施工过程动态控制的目标。

4 结 语

（1）以“4M1E”理论为依据构建的公路隧道施工风险评估指标体系可以较为科学地反映遂道施工过程的风险指标及层次结构。

（2）运用OWA算子结合BP神经网络构建的综合评估模型，可以在有限数据条件下有效确定各指标的权重，满足公路隧道施工风险评估复杂性与延展性等方面的要求。

（3）运用本研究设计的评估模型对三淅公路西坪至寺湾段某隧道施工实践进行风险评估，结果显示该隧道施工的风险等级为“一般”，运用本模型可以对该项目进行跟踪风险评估。

［1］ EINSTEIN H H．Risk and Risk Analysis in Rock Engineering［J］．Tunnelling and Underground Space Technology，1996，11（2）：141－155．

［2］ EINSTEIN H H，XU S，GRASSO P，et al．Decision Aids in Tunneling［J］．World Tunneling，1998（4）：157－159．

［3］ STURK R，OLSSON L，JOHANSSON J．Risk and Decision Analysis for Large Underground Projects as Applied to the StockholmRing Road Tunneling［J］．Tunneling and Underground Space Technology，1996，11（2）：157－164．

［4］ CLARK G T，BORST A．Addressing Risk in Seattle`s Underground［J］．PB Network，2002（1）：34－37．

［5］ ESKESEN S D，TENGBORG P R，KAMPMANN J，et al．Guidelines for Tunnelling Risk Management：International Tunneling Association，Working Group No．2［J］．Tunnelling and Underground Space Technology，2008，27（4）：649－655．

［6］ 钱七虎，戎晓力．中国地下工程安全风险管理的现状、问题及相关建议［J］．岩石力学与工程学报，2013，9（1）：216－222．

［7］ 李 凡．高速公路施工风险管理研究［D］．北京：北京交通大学，2013．

［8］ 俞素平．公路工程施工安全风险评估的网络分析法研究［J］．地下空间与工程学报，2013，9（1）：216－222．

［9］ 周树影．A高速公路高架工程施工风险评估与对策研究［D］．天津：天津大学，2015．

［10］ 程 远，朱和华．基于模糊理论大跨浅埋公路隧道施工风险评估［J］．地下空间与工程学报，2016，12（6）：1616－1622．

［11］ 曹成勇，施成华．浅埋大跨下穿高速公路隧道施工风险评估及控制措施研究［J］．铁道科学与工程学报，2016，13（7）：1440－1446．

［12］ 代春泉，王 磊．城市隧道施工风险指数法评估［J］．北京工业大学学报，2012，38（2）：251－256．

［13］ 陈结金，张永杰．下穿既有桥梁隧道施工风险定量评估方法［J］．中南大学学报：自然科学版，2015，46（5）：1862－1868．

［14］ AN Y L，PENG L M，WU B，et al．Comprehensive Extension Assessment on Tunnel Collapse Risk［J］．Journal of Central South University：Science and Technology，2011，42（2）：514－520．

［15］ YAGER R R．Families of OWA Operators［J］．FuzzySets and System，1993，59（2）：125－148．

［16］ 程 波，贾国柱．改进AHP－BP神经网络算法研究—以建筑企业循环经济评价为例［J］．管理评论，2015，27（1）：35－47．