人工智能算法在桥梁总体风险评估中的应用

罗 京

(上海城建市政工程(集团)有限公司，上海 201900)

随着我国基建事业的飞速发展，工程建设安全事故层出不穷，近年来，由于桥梁建设导致的安全生产事故给国家和社会造成了严重的经济损失。为提前发现我国在桥梁建设中的安全隐患，针对性地解决项目建设中存在的安全问题，风险评估制度被引入到项目建设中。风险评估作为一项风险预防制度，能够有效规范管理施工，规避施工风险，在项目建设中占据着重要地位，在风险评估中，较为主要的技术核心为风险评估指标、风险评估准则、风险评估方法以及风险控制措施。针对以上几点，已有众多学者开展了相关研究并取得了一定的研究成果，朱洪波以高速公路简支梁施工为依托，详细阐述了简支梁施工工艺，制定了简支梁施工组织风险评估体系[1]；李德航、彭晓颖等基于模糊突变理论，运用人机工程学原理和方法分析了高速公路桥梁施工风险发生机理，构建了相应的递归层次体系和施工风险评估模型[2-3]；徐腾[4]分别对封闭交通和不封闭交通两种情况下的桥梁加固施工期风险评估模型进行了研究，采用模糊层次法-径向基神经网络-ALARP模型对封闭交通的桥梁开展了评估，采用模糊层次法-有限元法对不封闭交通的桥梁进行了风险评估；李丽、周荣义、王凌睿等[5]提出了一种基于组合赋权和后悔理论的危化品公路桥梁风险评估模型，解决了现有危化品桥梁运输风险评估主观性过强的不足；陈勇、孙博[6]通过调研并以现有研究为基础，构建了桥梁综合风险指标识别流程，对现有的桥梁风险评估底层指标进行了系统性的筛查，提出了一种适用性广、多维度、多层次的风险评估指标体系，补足了现有桥梁风险评估基础性工作的短板；杨隆浩、叶菲菲、王应明[7]通过在现有的扩展置信规则库的桥梁风险评估模型基础上，引入参数优化和数据包络分析，提出了扩展置信规则库的规则生成方法和规则约减方法，并通过桥梁风险评估中常用的公认数据集验证了模型的有效性；熊皓[8]以某主跨1 488 m的斜拉-悬索协作体系桥梁为工程背景，确定了该类桥梁的风险源，构建了斜拉-悬索体系桥梁的风险评估指标体系，结合熵值法，组合赋权确定了各项安全指标权重；徐超[9]以模糊层次分析法作为桥梁耐久性评估方法并结合桥梁耐久性评估的多层次特点，提出采用变权的分析方法以解决不同损伤程度评估指标对评估结果的贡献程度问题，并以小南门大桥为工程背景进行了可行性验证。在现有研究成果的基础上，本文提出了一种基于神经网络+遗传算法的桥梁风险评估研究的新方法，通过引入遗传算法，并对数据样本进行训练，明确风险评估各项指标体系，求解最小风险结果，相关研究成果可为桥梁风险评估提供一种新的思路。

1 总体风险评估基本方法

桥梁总体风险评估是对桥梁施工期的潜在风险源进行辨识、评分并提出风险控制措施，并为进一步的专项风险评估提供依据。但是在总体风险评估中，经常需要凭借评估人员的实际工程经验，具有较强的主观性，从而导致评估结果出现较大误差，现有的评估方法主要为专家调查法和指标体系法，其中专家调查法又分为头脑风暴法和德尔菲法，考虑到专家调查法的主观性，目前在实际项目中一般采用指标体系法，指标体系法重点在于建立指标评估体系并对指标的重要性进行排序，根据重要性确定权重系数，对指标进行评分、划分风险等级，其主要流程见图1。

采用指标体系法进行风险评估，指标体系一般分为建设规模、地质条件、气候环境条件、地形地貌条件、桥位特征、施工工艺成熟度、施工工艺复杂性、事故救援的可开展性、施工质量检测与监控9大项。在以上9项中，部分指标体系的量化和排序均存在不确定性，为了明确各项指标排序的确定性，本文引入神经网络的方法对其进行排序。

2 BP神经网络和遗传算法

2.1 BP神经网络

BP神经网络是一种误差逆向传播的神经网络，一个常用的BP神经网络一般包含输入层、隐藏层、输出层三层架构，是基于人工神经网络改进而来的模型，通过样本训练、内部权值调整等操作，以保证网络输出结果实际结果的误差最小。假定BP神经网络有n个输入层，隐藏层中存在p个神经元，输入层有s个结果，则可以记W11～Wsn为神经元和输出层之间的权值[10-11]，正向传播机理如下：

假定θ为隐藏层各个神经元的阈值，h(x)为隐藏层的激活函数，a为输出层阈值，f(x)为输出层的激活函数，则隐藏层的第n个节点的输入值Nn可以表示为式(1)的形式。

(1)

其中，Wni为权值；xn为变量。

联立激活函数h(x)，隐藏层第n个节点的输出结果kn可以表示为式(2)的形式。

(2)

得出上式后，将其作为输出层的输入节点，则可以输出结果见式(3)。

(3)

将式(3)代入激活函数f(x)可得：

(4)

BP神经网络凭借良好的非线性映射能力、较强的自适应学习能力、较好的泛化能力等优势，在工程界得到了广泛应用，BP神经网络一般与遗传算法联合应用，具有较好效果。

2.2 遗传算法改进

遗传算法是一种通过选择、交叉、变异等操作手段搜索解空间的优秀个体的方法，在遗传算法中，选择操作对寻优结果影响很大[12]。目前，常用的选择方式有轮盘赌和精英保留策略，轮盘赌策略具有较强的随机性，其最优个体不容易被选中，对寻优结果有一定影响；精英保留策略则是尽可能地选择最优个体，但是忽略其多样性，导致寻优容易陷入局部最优从而导致求解失败。为保障选择操作既能满足种群多样性，又能最大限度地选择较优个体，一般采用轮盘赌方式的同时会引入精英保留策略。在使用遗传算法进行寻优求解时，一般需先对算子进行编码操作，编码形成的字符串被称为染色体，其主要作用是用以模仿生物种群进化的过程以生成比上一代更为优秀、适应度更高的个体，在进行编码操作后程序将会经历选择、交叉、变异等过程。在算法优化过程中，种群的优劣判定主要依赖于适应度函数，构造一个合适的适应度函数对算法的快速收敛具有重要意义[13-15]。同时，由于基本的遗传算法各操作环节缺乏自适应调整，因此需要对现有的方式进行改进，结合合理的适应度函数，达到快速收敛和全局最优的效果。本文采用实数编码的形式，避免了二进制编码在优化迭代过程中的先天性不足，通过在交叉、变异等操作过程中加入精英策略，最大限度保留优秀个体。

3 工程算例

3.1 工程概况

以平益高速中的南阳湘江特大桥为研究对象，该桥全长7 120 m，其中主桥长512.6 m，主跨跨径为120 m，跨径组合为(76.3+3×120+76.3)m，设计荷载为公路-Ⅰ级，设计车速100 km/h，桥面单幅最大宽度为14.5 m，航道等级为湘江西支规划航道等级为Ⅱ(3)级，双孔单向通航净空为75×10 m，最高通航水位为34.08 m(20年一遇洪水位)，地震烈度6度、7度区交界地带，按7度区设计，超越概率50年10%的地震动峰值加速度为0.078g，地震动反应谱特征周期0.4 s；超越概率50年2%的地震动峰值加速度为0.138g，地震动反应谱特征周期0.5 s。桥梁抗震设防类别为B类，设震措施设防烈度为8度。

该桥是我国目前在建最大跨径的波形钢腹板悬臂拼装连续梁桥，该桥上部结构采用装配式变截面波形钢腹板，共分为13个悬臂拼装节段，截面形式为单箱单室截面，支点截面梁高为7.5 m，跨中截面梁高3.5 m，腹板采用波形钢板，厚度由跨中或边跨现浇段至箱梁根部采用12 mm，16 mm，20 mm，22 mm，24 mm五种板厚；各节段波形钢腹板之间采用搭接连续贴角焊接头，施工过程采用高强螺栓连接，波形钢腹板与底板的连接采用角钢连接件；与顶板的连接采用双开孔钢板连接件，主梁共分4个悬拼“T”构，一个“T”构单侧共分13个梁段，0号梁段长8.0 m，其余1号～13号梁段分段为5×3.2 m+8×4.8 m；边跨梁端现浇段长4.74 m，14号～16号梁段长度均为3.2 m。0号梁段在墩顶托架上现浇，边跨梁端现浇段采用支架现浇，边跨14号～16号梁段在支架上拼装，其余梁段为悬臂拼装，最大悬拼节段重量为1 520 kN。

桥型布置图见图2。

3.2 基于改进遗传算法和BP神经网络的桥梁安全评估过程

通过前期调研，结合现场实际情况，确定一级体系层次指标5项，二级体系层次指标15项，具体风险评估层次指标见表1。

表1 风险评估层次指标

在传统的桥梁风险评估中，一般均根据施工作业者或专家经验对风险等级进行判定，具有明显的主观性，而采用改进遗传算法+BP神经网络的方法则遵循结构风险最小原则，通过输入样本数据，使用三层BP神经网络对其进行训练，即可得出最小风险点，该方法可推广至桥梁快速风险评估中。

在整个桥梁风险评估过程中，加权阈值的选取至关重要，本文在选取加权阈值的数学模型时，综合考虑了计算速度、收敛速度和计算精度之间的平衡，选取了径向对称解析的反距离褶积神经网络，相比于其他神经网络结构，径向对称解析的反距离褶积神经网络具有物理意义明确、收敛速度快的优点，同时其计算精度能满足工程需求[16]。其数学表达式见式(5)。

(5)

其中，tr为输入的特征变量；I为任意一个反距离褶积神经网络积分加权阈值的中心点；B1,B2分别为反距离褶积神经网络积分加权阈值的宽度边界；(l)为反距离褶积神经网络积分加权阈值长度函数；t为函数层数；A为容许误差；σ为映射关系。

输入提前准备的样本数据，在反距离褶积神经网络中对加权阈值B和容许误差A施加一个微小扰动，然后结合改进遗传算法，使其在样本数据中进行全局寻优，采用改进遗传算法+BP神经网络建立一个三层网络结构的模型，对加权阈值寻优结果见表2。

对比表2中的期望输出结果和实际输出结果，在任取的10组个体中，两者相对误差极小，最大相对误差仅有5.93%，大部分结果误差在1%～3%之间，证明了改进遗传算法+BP神经网络模型的正确性。

表2 改进遗传算法+BP神经网络结果验证

使用以上改进遗传算法+BP神经网络模型对南阳湘江特大桥建设过程中的风险因素进行预测并求解最小风险指标，根据确定的风险评估层次指标，结合BP神经网络，调用改进遗传算法在样本数据中进行全局寻优，最小风险值为0.195 2，对应的层次指标为现场安全措施，其次为设备老旧程度，其值为0.257 4。

4 结论

本文结合现有风险评估研究成果，调研统计得到平益高速南阳湘江特大桥施工风险层次指标，使用BP神经网络中的径向对称解析的反距离褶积神经网络求解风险评估中加权阈值，并对南阳湘江特大桥的最风险指标进行了求解，可得到以下结论：1)传统的桥梁风险评估方法存在主观性强、严重依赖经验等缺点，使用改进遗传算法+BP神经网 络的方法可以对风险层次指标进行量化，建立了BP神经网络中求解加权阈值的数学模型。2)通过算例验证了BP神经网络中的径向对称解析的反距离褶积神经网络的拟合效果，相对误差最大为5.93%。3)南阳湘江特大桥最小风险因素为现场安全措施，其值为0.195 2。