基于AHP和BP神经网络纵向结合的水利施工安全评估算法

万 静 孟凡兰

（青州水建工程建设有限公司，山东 青州 262500）

0 引言

水利工程施工过程中，受人为与自然因素的影响，存在较大的安全风险，为了保障水利工程施工能够顺利完成，施工安全评估已经成为水利工程施工前必不可少的环节。水利施工安全评估不仅要保证评估精度，还要保证评估效率。水利施工安全评估算法从19世纪末开始，发展至今衍生出了多种评估算法，目前常用的主要有基于AHP（层次分析法）和基于BP 神经网络的水利施工安全评估算法两种。前者主要是以层次分析法作为理论依据，对评估指标进行综合分析，得出水利施工安全风险等级。后者主要是利用BP 神经网络对评估指标数据进行训练学习，不断提升BP 神经网络计算精度，将实际数据带入到网络中进行分析。两种算法在实际应用中选择的评估指标比较单一，计算过程比较复杂，导致算法计算输出的结果与实际情况存在较大差距，算法相对误差较大，已经无法满足水利施工安全评估需求。为此，提出基于AHP和BP神经网络纵向结合的水利施工安全评估算法，试图综合传统算法中层次分析法与BP 神经网络的优点，形成一种新的评估算法。

1 基于AHP和BP神经网络纵向结合的水利施工安全评估算法设计

1.1 评估指标选取

根据《水利水电工程施工安全管理》（GB 2010-164451）相关内容，对水利施工安全造成影响的主要为地质灾害风险、危险源风险、隐患风险、安全标准达标情况等，因此选取以上4个指标作为水利施工安全评估指标。其中地质灾害是指可能造成人员伤亡的地质灾害，对水利施工过程中发生地质灾害的概率进行计算，公式如下：

式中：P——水利施工过程中发生地质灾害的概率；

k——一段时间内该区域发生地质灾害事故次数；

w——最近一次发生地质灾害事故距离现在的时间[1]。

根据地质灾害发生概率求出水利施工地质灾害风险度：

式中：B——地质灾害风险度；

i——该区域可能会发生地质灾害种类；

n——地质灾害种类数量；

S——地质灾害发生可能造成的影响，正常情况下特大灾害造成的影响为100，重大灾害对应的影响为80，较大灾害对应的影响为50，一般灾害对应的影响为30，按照该标准带入到上述公式中，求出地质灾害风险度。

安全隐患风险度计算公式为：

式中：P0——水利施工安全隐患风险度；

m——水利施工安全隐患等级；

j——安全隐患数量；

P0m——水利施工中安全隐患发生几率；

S0——安全隐患发生可能造成的影响[2]。

利用以下公式计算水利施工中安全隐患发生几率：

式中：U——水利施工前尚未整改的隐患数量；

A——水利施工区域内发生重大安全隐患的概率；

B——水利施工区域内发生特大安全隐患的概率。

将计算结果带入到公式（3）中求出施工安全隐患风险度。水利施工危险源包括很多种，比如设备缺陷、防护缺陷、辐射、漏电、明火、运动物危害、作业环境不良以及标志缺陷等，危险源的存在会影响水利施工安全[3]。危险源风险度计算同样根据危险源引发安全事故发生的概率，假设水利施工中由危险源可能引发安全事故的概率为P*，其用公式表示为：

式中：L——水利施工期间危险源的管控率；

N——水利施工期间危险源辨识率；

F——水利施工期间危险源的备案率[4]。

按照相同原理结合危险源可能引发安全事故造成的影响，计算出水利施工危险源风险度。安全标准达标指标是指水利施工过程中各项指标的达标情况，其计算公式如下：

式中：V——水利施工安全标准c的达标平均分；

k——安全标准c等级；

E——技术安全标准c达标分数；

K——施工材料安全标准c达标分数；

G——设备安全达标标准c分数。根据水利施工实际情况，计算出各项指标值，为后续水利施工安全评估计算提供数据支撑。

1.2 基于AHP的指标权重计算

算法计算精度与指标权重计算精度有直接的关系，此次采用AHP对指标权重进行计算，其过程如下：

第一步：利用专家评分法对选取的指标进行评分，该评分为指标对水利施工安全评估的重要性，最高分为100分，最低分为0分，每个指标评分三次，以三次评分平均值作为最终评分。

第二步：利用AHP 的1～9 标度法确定指标标度，标度依据如表1所示。

根据两个指标专家评分差，确定对于某个属性一个指标与另一个指标重要性差距，从而依据表1 确定指标标度值。根据指标标度计算指标权重值，其计算公式为：

式中：ϖe——评估指标e的权重值；

∂——指标集合中指标的数量；

We——指标标度值；

ηe——指标e的专家评分[5]。

将标度值与专家评分代入到公式（7）中，求出指标权重值。

1.3 基于BP神经网络的施工安全风险系数计算

根据实际情况建立BP神经网络，BP神经网络由输入层、隐含层和输出层组成，在网络隐含层中建立评估函数，用公式表示如下：

式中：f(x) ——水利施工安全风险系数值；

κ——参数向量；

s——指标实际值；

ϖs——指标实际值s的权重值。

评估函数中存在一个未知的参数向量，为了保证计算结果的准确性，需要求出该向量最优值，因此需要对建立的BP 神经网络进行训练。选取一组水利施工数据作为网络训练样本，将数据带入到网络输入层中，由数据层对数据进行分类，建立指标集合，再将分类处理后的数据样本输入到隐含层，随机选取一个值作为参数向量，由评估函数对数据进行分析[6]。根据实际情况在网络中设定计算期望值与阈值，根据期望值与阈值得出评估函数的计算误差，对参数向量进行调整[7]。重复上述过程，直到函数输出值与期望值相等为止，此时参数向量值为最优值。将待评估的水利施工数据代入到训练完成后的BP 神经网络，由输出层输出最终安全风险系数值。

1.4 输出安全风险等级

此次设立了五个安全风险等级，分别为一级、二级、三级、四级、五级，根据计算的安全风险系数值确定风险等级，如果安全风险系数值大于0.85，对应的风险等级为一级，表示出现安全事故的概率非常高，发生的安全事故对水利施工造成的影响非常大；如果安全风险系数值在0.75～0.85 之间，对应的风险等级为二级，表示出现安全事故的概率比较高，发生的安全事故对水利施工造成的影响比较大；如果安全风险系数值在0.65～0.55之间，对应的风险等级为三级，表示可能会出现安全事故，发生的安全事故对水利施工造成的影响一般；如果安全风险系数值在0.35～0.55 之间，对应的风险等级为四级，表示发生安全事故的概率比较低，发生的安全事故对水利施工造成的影响比较小；如果安全风险系数值小于0.35，对应的风险等级为五级，表现安全事故的概率非常低，发生的安全事故对水利施工造成的影响非常小。水利施工安全定性评估用公式表示为：

式中：C——水利施工安全风险等级；

h——评语集合中等级h的数量；

ϑh——等级评定标准，由该公式计算结果作为算法输出，以此完成算法设计。

2 实验论证分析

以某水利施工项目为实验对象，该水利施工项目属于大型水库施工项目，施工内容包括堆石坝建设、泄水建筑物建设、排水隧洞建设、水坝建设等，施工时间为8 个月，施工面积为1564.01m²。该水利施工区域地质结构比较复杂，经常发生地质灾害，利用此次设计算法与传统算法对该水利施工安全进行评估。实验次数为8次，每个月对施工安全进行评价1次，由专人对施工期间各项指标数据进行采集和记录，根据记录的数据对各项指标进行计算和分析。随机选取1000 个数据作为BP神经网络训练样本，BP神经网络初始阈值与初始期望值为5.426 和0.015，通过迭代计算得到BP 神经网络未知参数向量值为0.014。将指标数据代入到BP 神经网络中求出最终评估结果。实验以相对误差作为两种算法性能对比指标，利用OSFU软件对两种算法计算值与实际值进行分析，使用电子表格记录两种算法相对误差，具体见表2。

表2 两种算法计算结果相对误差对比

从表2数据可以看出，设计算法计算结果的相对误差小于最大误差限值，平均相对误差值为0.004，数值比较小，说明算法计算结果基本与实际情况一致；而传统算法计算结果最大相对误差为0.0562，平均相对误差值为0.0468，远远高于设计算法，而且也超出规定要求。这是因为设计算法将层次分析法与BP 神经网络纵向结合，利用层次分析法深度分析评估指标权重，利用BP 神经网络对指标进行深度挖掘，保证了评估精度。因此实验结果证明了，设计算法在精度方面优于传统算法，更适用于水利施工安全评估。

3 结束语

水利施工安全评估一直以来都是困扰水利施工的一个难题，涉及到的指标种类比较多，且施工工艺比较复杂，要想保证水利施工安全评估精度，必须要应用一套比较完善的算法。此次考虑传统算法存在的弊端，将层次分析法与BP 神经网络技术纵向结合，设计了一组新的水利施工安全评估算法，并利用实验论证了该算法计算思路可以有效提高评估精度，计算结果能够反映出真实的水利施工安全情况，为采取水利施工安全风险控制策略，提高水利施工安全性，以及提高水利施工安全管理质量具有重要意义。但是该算法在某些方面可能存在一些不足之处，还不够完善，后续会对该方面进行深层次探究，为水利施工安全评估提供有力的理论支撑。