高支模坍塌事故致因分析与对策研究

董石磊

（石嘴山市星凯建筑安装有限责任公司，宁夏 石嘴山）

引言

随着高支模技术的迅速发展及其在建筑工程领域内的广泛应用，国内外学者和技术人员对该技术的研究也在不断深化。与此相关联的有关安全生产的规定也越来越严格、细化，根据有关规定，高支模施工前，应由技术部门组织各单位负责人，对施工现场进行审查，并经施工技术负责人签字确认后，邀请有关人员组织会议，另外，在完成支模的安装后，还需要邀请参与论证的专家对施工现场进行质量验收[1]。由此也可以证明，建筑施工方对于高支模施工技术应用的重视程度。

根据市场有关部门的综合分析可知，高支模结构的工程项目是指将具有大跨度、集中施工负荷较高的模板结构与支撑框架建设在混凝土工程上的施工过程，由于此类工程大多具有多元化、复杂化的特点，因此，在施工中一旦出现现场监督不到位或施工行为不规范的问题，便会出现较为严重的现场安全事故发生[2]。近年来，由于高支模施工所造成的现场坍塌事故数量正呈现逐年上涨的趋势，并对工程项目施工方带来了较大的经济损失。为解决此方面问题，规范高支模工程项目的施工，下文将对此展开研究。

1 高支模坍塌事故致因分析

1.1 高支模事故案例统计分析

根据市场调研与不完全统计可知，近年来，国内高支模施工现场所发生的坍塌事故数量较多，大部分高支模技术被应用在市政工程项目的建设中，对近七年（2016 年-2020 年）高支模坍塌事故发生次数在建筑工程项目施工现场总事故发生次数中的占比、由于高支模坍塌造成的现场死亡人数在建筑工程项目施工现场总事故现场死亡人数中的占比进行分析，相关内容见图1。

图1 高支模坍塌事故案例占比与死亡人数占比

从图1 中可以看出，高支模施工中的现场坍塌事故数量正呈现逐年显著的提升趋势，尽管对应的高支模现场死亡人数占比存在一定的下降，但仍无法实现对此类事故的完全规避，说明在施工现场中，尽管施工方应用了大量的安全保障技术与隐患排查手段，但一直未能在高支模坍塌事故的预防中发挥预期效果[3]。

1.2 坍塌事故的致因分析

高支模坍塌致因分析要以工程项目资料、事故报告、现场调查等为基础，只有对建筑施工项目各个方面进行全面的了解，才能更客观地对高支模工程的致因进行分析。然而，对于任何一起高支模坍塌事故，通常都会与一系列的危险因素相关联[4]。为了能够将高支模坍塌的常见原因尽可能地罗列出来，在事故统计阶段，将事故报告中所提到的全部原因都尽量地列举出来，然后，结合现场问卷调查和专家访谈法，增加遗漏的高支模坍塌致因，在此基础上，通过对常见因素的筛选、修正、删除，统计并分析造成高支模坍塌的共同因素[5]。

在上述内容的基础上，选择近10 年，经过地方政府纰漏或专业部门报道后的事故作为案例，不同类型的事故发生背景不同、诱因也不相同，因此，事故发生的特征也存在差异，下述将根据高支模施工的四个主要阶段，选择其中较为典型的25 个高支模坍塌事故为例，对常见的坍塌事故致因频次进行分析，具体内容见表1。

表1 常见的高支模坍塌事故致因频次统计分析

提取表1 中出现频次较高的致因，对其进行编码，引进扎根理论，进行致因的分析，此过程如图2 所示。

图2 基于扎根理论的事故致因分析

综合分析后，明确了造成此类坍塌事故发生的主要原因包括：①现场监理工作不到位（出现频次为18）；②设计方案与工程项目实际需求不匹配（出现频次为15）；③现场高支模搭设质量未能达到设计标准（出现频次为15）；④三方监测工作不及时、预报与检测结果不准确（出现频次为15）。

2 基于BP 神经网络和MATLAB 模型的高支模体系安全性评价

在分析高支模坍塌事故致因后，结合BP 神经网络和MATLAB 模型对高支模体系安全性进行评价。将含有一个隐藏层的BP 神经网络作为评价体系的基本结构，将各项安全性评价指标作为该神经网络的输入神经元。由于计算机只能够实现对1、0 的分辨，因此利用计算机语言对评价结果进行描述。共划分为四个安全性评价等级，分别对应神经网络输出层的4 个节点[6]。表2 为计算机可识别的安全性评价级别描述。

表2 计算机可识别的安全性评价级别描述

在BP 神经网络中，输入向量设置为n+1 维，将x0作为神经网络中隐藏层的激活函数阈值。在神经网络当中，输入量xi既可以是连续的实数，也可以是离散的数值。在隐藏层中含有n2个神经元[7]。根据上述论述，构建如图3 所示的BP 神经网络结构模型。

图3 BP 神经网络结构模型

图3 中，g 代表隐藏层的输出向量，y 代表输出层的输出向量。在完成对BP 神经网络结构模型的构建后，对该神经网络进行迭代训练[8]。在迭代过程中，第k次迭代时各层之间的阈值以及连接权向量、神经网络输出误差对于各个权值和阈值的梯度向量可表示为：

式中：x（k+1）代表第k+1 个迭代点的加权误差与输出偏差的梯度矢量；x（k）代表第k 次迭代时加权误差与输出误差之间的梯度关系；a 代表学习速率，a 的默认取值为0.01；g（k）代表迭代时输出误差对阈值的梯度向量。BP 神经网络的训练流程如图4 所示。

图4 BP 神经网络训练流程

图4 中E 表示预先设置的阈值。在按照图4 所示的流程，完成对BP 神经网络的训练后，为实现对高支模体系安全性体系中各项指标的自动辨识，将该模型导入到MATLAB 中，在评价时，对现场获取到的数据进行归一化处理，并得到专家给出的评测结果。在评分中，设置四个分值区间，其中0～0.6 代表非常差；0.69～0.79 代表较差；0.8～0.89 代表较好；0.9～1.0 代表非常好。BP 神经网络因为其3 层正交结构非常适合于模拟输入和输出之间的关系而得到了广泛的应用。当隐藏神经元数目足够多时，它可以无限近似任意连续函数，但如果其数目太少，它不能高效地保存输入数据中的全部规则，如果隐藏层节点数目太多，它将增大网络的训练时间和不规则的内容。采用试凑法确定隐藏层中节点的数量，公式为：

式中：m 代表隐藏层中节点的数量；l 代表输出层中节点的数量；n 代表输出层中节点的数量。在实际应用中选择多个高支模工程对其进行全程追踪，并详细记录各个指标的参数，再对搭设结构的参数进行还原。在获得相应的参数后，利用上述训练完的BP 神经网络，对高支模体系安全性进行评价。

3 基于评价结果的高支模坍塌事故预防对策

对于高支模体系来说，原材料品质是体系安全性的首要保障，直接关系到体系的稳定性和承载能力。因此，应当对原料质量进行严格的控制，政府部门应当制定和健全相关标准，构建严格的质量管控与监督体系。为了避免坍塌事故的发展，从原材料方面提出以下几点预防对策：第一，各类材料的质量都要达到施工的要求，特别是以扣件和钢管为首的材料，是高支模体系的核心，如果有任何的质量问题，都会对项目的安全造成很大的威胁，因此，一定要按照现场的情况进行严格的筛选和检验。第二，管材的规格尺寸和壁厚不符合标准是管道工程建设中的必然要求。当管材厚度较小时，其横截面将减小，对整体支撑系统的承载力有不利的影响。因此，在材料进场时需要对其进行严格检验。如果需要的话，还可以取样并送往化验室检测，确认符合要求后，方可投入使用。第三，在工地上使用的材料，必须经过严格的检查，对变形严重或损坏严重的材料，不得进入工地使用。要测试的物料，应在相关人员的监督下，取样送往有资格的实验室，进行测试，若不合格，应立即退场，而符合相关要求的物料，应将样品封存，以备查证。

再从设计方案编制方面，提出预防高支模坍塌事故发生的对策。首先，当支架位于横梁上时，若采用直角扣件，将小支架固定在大支架上，则支架的横向构造也更贴近于排架模型。对于采用直角扣件将小横杆与竖杆固定在一起的情形，采用接近接合的方法对小横杆进行处理也更为安全。其次，对铰接架模型而言，可将铰接架的节点看作铰接的节点。以铰接的方式全面考虑小横杆与立杆的连接问题。在设计阶段，必须将脱模前后和预应力张拉前后的荷载变化等布罗利影响因素纳入到考虑范畴当中。在正式拟定方案前，必须对整个工程有全面的了解。在此基础上，根据施工现场实情和混凝土结构形式，综合考虑经济成本、安全性等因素，科学地选择与这一工程相匹配的支撑结构形式。总而言之，在开展高支模施工时应当对坍塌事故进行更加严格的防范，并明确防范这一事故的目标。相关负责人以及所有参与该工程的人员都应当将自身职责落实到位。

结束语

在深入此方面内容的研究中发现，高支模施工技术是我国建筑市场内应用范围最广、系统性最强的施工工艺之一，此项施工工艺在应用中涉及工程学、力学等多个方面的内容，近年来，随着大跨度和高大空间建筑的持续衍生，建筑结构的整体受力呈现出越发复杂的趋势，为保证建筑结构的稳定性与可靠性，需要设计更高的承载能力进行建筑结构的支撑。尽管相关工作在实施中已经取得了一定的成绩，但根据现场统计发现，高支模结构坍塌事故仍屡见不鲜，针对以上问题，本文开展了此次研究，对造成高支模坍塌事故的原因进行了全面、综合地分析，并提出了对应的措施，以实现对高支模现场施工中安全事故发生频次的控制。