基于概率神经网络和层次分析法的硐室群施工风险评估

宗志栓，张逸飞，林作忠，陈 晨，杨 航，邱泽刚，申玉生

(1.中铁十五局集团城市轨道交通工程有限公司,广州 510540; 2.西南交通大学土木工程学院,成都 610031; 3.中铁第四勘察设计院集团有限公司,武汉 430063)

引言

深部地下硐室群施工作业空间小,具有跨度大、空间纵横交错、挖空率高、边墙难以稳定等特点,其施工难度远超过一般的地下工程,同时存在施工队伍安全意识和监督管理力度等主观不确定因素,一旦某个硐室出现较大片帮或冒顶,极易引发大范围硐室群连锁失稳事故[1]。因此,为减少或避免安全事故的发生,有必要对硐室群施工风险因素进行研究,并做出科学合理的评价。

近年来,部分学者和专业人员对地下工程的风险评估进行了一系列研究,取得了一定成果。黄萍等[2]以管廊盾构施工导致的地面沉降事故为例,采用AHP建立管廊盾构施工的动态事故树,定性分析了盾构施工过程中的危险因素。何乐平等[3]采用博弈论思想,提出了一种应用于软岩大变形隧道的云模型综合风险评价方法。卢庆钊等[4]基于模糊数学理论和AHP构建定量评估模型,开展了关于隧道穿越F7断层破碎带的安全风险等级评估。郑学召等[5]结合梯形模糊层次分析法(FAHP),提出了一种地铁隧道施工风险等级的综合评价体系。宋战平等[6]针对TBM穿越断层段的施工,建立了基于非线性FAHP的风险评价模型。杨卓等[7]运用BP神经网络方法评估了岩溶隧道发生突涌水的风险,并结合超前预报提出支护方案。LI等[8]采用未确知测度分析和可信度识别标准对风险等级进行评估,建立了岩溶隧道综合风险控制理论和技术体系。HYUN等[9]从地质、设计、施工和管理四方面构建了盾构隧道施工的故障树集,采用故障树分析法和AHP系统地评价了总体风险水平。HASANPOUR等[10]利用人工神经网络及贝氏网络评估隧道掘进机在挤压地层等不利地面条件下的干扰风险,并对所需的推力进行了估算。SOUSA等[11]基于贝叶斯网络提出地质预测模型和评估风险的施工管理模型,成功应用于现场地铁施工。JEONGHEUM等[12]提出了一种基于量化分级体系的隧道塌方风险评价模型,并采用AHP和德尔菲法对风险指标进行了分析。这些研究实现了采用数学方法建立风险评估模型,合理分析工程风险,为地下工程施工预防事故发生提供了有效的解决办法。但是,目前针对于地下硐室群施工的安全风险评估研究较少,尚处于发展阶段。地下复杂环境下硐室群的施工存在一系列不可控风险因素,其风险评价体系尚无成熟的架构体系,仍有许多需要改进和完善的地方。

因此,依托重庆轨道交通18号线歇台子车站工程,通过统计分析国内类似的“以小扩大”硐室群施工案例,构建硐室群施工风险指标和评估体系,开发复杂环境地下硐室群施工专项风险评估软件,实现隧道施工风险评估,预防施工安全事故发生,从而提高施工安全性。

1 隧道施工风险评估软件设计流程

硐室群风险评估软件是由计算机软件设计语言Python和GUI应用软件开发框架PyQt进行开发,分为“风险概率评估”和“风险因素权重计算”两个模块,分析流程如图1所示。

图1 地下硐室群施工风险评估软件分析流程

风险概率评估模块的设计算法是基于概率神经网络(Probabilistic Neural Network,PNN)建立,选取同时期开工建设的硐室群隧道工程作为样本集,在“风险概率评估”模块导入后即可完成网络的训练,再输入待测硐室群施工各项风险因素的综合评分值即可预测施工风险等级。

风险因素权重模块通过改进的层次分析法能计算硐室群施工的风险因素权重,得出了各个因素的影响权重后,便可根据不同因素的影响大小进行有针对性的处理。

研究成果对保障大断面硐室群施工的安全性以及解决硐室群隧道施工专项风险预测难的问题具有一定指导和推广作用。

2 硐室群施工风险评估指标体系构建

首先,根据国内学者对硐室群施工风险因素的分析总结,并参考《公路工程施工安全风险评估指南》,将硐室群施工的风险因素分为两大类:一类是主观人为的因素;二类是客观物的因素。主观因素包括设计施工因素和管理因素,客观因素主要是工程地质因素和自然因素。

其次,结合文献[13-17]和安全领域专家的意见,依据科学性、系统性、全面性等原则,将工程地质因素、自然因素、设计施工因素、管理因素作为4个一级风险因素。其中,工程地质因素主要是指在施工环境中易积聚危险能量的点,包括地质构造和岩体结构情况、偏压、地下水等指标。自然因素取决于当地的气候条件,其中降雨量和温度对施工的影响较大。设计施工因素包括设计参数的选取、开挖工法的选择、工程地质勘探等指标,同时需要考虑复杂硐室群施工中各个导洞开挖步序是否合理、临时支护是否有效、交叉洞口支护是否安全。管理因素是指有效控制风险的手段,包括超前地质预报情况、施工和设备的监督管理情况、监控量测的力度和质量、施工队伍的安全意识和素质等指标。

最后,在4个一级风险因素基础上,构建出地下硐室群施工安全风险评估体系,如图2所示。该指标体系由23个指标构成,能够概括出硐室群施工中的各种风险因素所在,适用于大部分传统暗挖工法。但考虑工程多样性、硐室群施工工序复杂,根据实际施工情况的变化可能出现新的风险因素,此时则有必要对指标体系进行合理调整。

图2 地下硐室群施工风险评估指标体系

为便于后续“风险概率评估模块”工作,借鉴相关资料中的风险事件可能性等级标准,将每个风险等级一一对应每个分值区段,具体评分标准如表1所示。风险结果的期望输出结果与工程的实际情况相对应,期望输出结果1～5作为分别对应风险评估概率等级Ⅰ～Ⅴ。

表1 风险等级对应分值范围

3 基于PNN硐室群施工风险模型设计

硐室群施工风险评估软件中“风险概率评估”模块设计算法是基于PNN建立的。PNN是径向基函数[18]的一种变化形式,但不同的是,PNN结合贝叶斯决策来判断测试样本的类别,从贝叶斯判定策略以及概率密度函数的非参数估计角度,将贝叶斯统计方法映射到前馈神经网络结构,不需要反向传播优化参数。

硐室群施工风险评估指标较多,本质上属于较复杂的分类问题。相比一般最常用的BP神经网络[19-20],PNN可以任意精度逼近任意的非线性函数,具有良好的泛化能力,能从根本上解决BP网络的局部最优问题,并且学习速度和收敛性也较BP网络更易于保证,适用于不同的训练样本。且PNN基本结构较简单、在计算机算法设计上比较容易完成,能用线性学习算法实现非线性学习算法的功能[21-22],适合解决复杂分类预测问题。因此,硐室群施工风险概率评估模型基于PNN进行建立。

3.1 模型结构

基于PNN的硐室群施工风险概率模型共由4个结构层组成,分别为输入层、隐含层、求和层和输出层,如图3所示。

图3 PNN的硐室群施工风险概率模型结构

第一层是输入层,主要功能是传输给下一网络层输入的数据。第二层是隐含层(径向基层),主要功能是计算输入数据与每一个神经元节点中心的距离,最后返回一个标量值。求和层用于负责将各个类的模式层单元连接起来,这一层的神经元个数是样本的类别数目。最后输出层负责输出求和层中概率值最大的那一类。

3.2 计算流程

在基于密度函数核估计PNN中,每一个隐含的神经元由一个样本确定,训练样本的输入数据可直接确定神经元的权重值,分析过程如下。

(1)归一化输入样本

假设原始数据共有m个样本数,每一个样本都有n个特征属性值,则输入的原始数据矩阵X为

(1)

计算原始数据矩阵归一化系数B为

(2)

(3)

则归一化后的输入样本矩阵C为

C=Bm×1[1 1 … 1]1×mXm×n

(4)

(2)激活隐含层函数

假设待识别矩阵Y由p个n维向量组成,则经归一化处理后的待识别矩阵D为

(5)

(6)

在样本集矩阵和待识别矩阵归一化后,令Eij(i=1,2,…,p,j=1,2,…,m)表示待识别矩阵Y归一化后的第i个n维向量与归一化后的训练集样本矩阵C的第j个样本之间的欧拉距离,则待识别矩阵与样本集矩阵之间的模式距离矩阵E为

(7)

(8)

激活隐含层的高斯函数,取标准层σ=0.1。得到待识别矩阵的初始概率矩阵G为

(9)

(3)计算求和层概率

假设样本集矩阵X的m个样本一共可分为c类,且各类的样本数均为l。令Sij(i=1,2,…p,j=1,2,…c) 表示待识别样本矩阵Y中第i个样本属于第j类的初始概率之和。则可在PNN模型的求和层中算得待识别矩阵Y属于各类的初始概率S为

(10)

(4)计算概率并输出

计算待识别样本矩阵Y中第i个样本属于第j类的概率

(11)

因此,依据待识别样本所属各类别的概率值,则输出层的概率值即为第i个样本属于第j类的最大概率值。

4 风险因素权重计算

在硐室群施工的众多风险因素中,权重值的大小反映了评估指标对风险影响的程度。然而,概率神经网络在评估过程中是根据训练集的数据进行综合评估分类,对于特定的某一硐室群工程的风险因素之间的重要程度关系是无法区别的。因而,基于AHP进行施工风险指标权重计算,建立硐室群施工风险评估软件中“风险因素权重”模块。

4.1 计算流程

在隧道工程风险评估领域,通常采用专家调查法来进行两两指标的重要程度比较,从而构造出判断矩阵。在硐室群施工专项风险评估过程中,风险指标往往并不只一个,专家们在对大量的指标之间进行两两判断时难免会出现填写不仔细,或判断不准确等情况,且1～9标度法用重要程度来描述指标之间的判断依据,这可能导致专家在评议过程中出现难以抉择的情况,例如标度值相差不大时,指标之间的重要程度往往难以评定。

为解决上述问题,使构造出的判断矩阵更加符合实际情况,尽可能地使判断矩阵少含主观臆断性,本文将待评定的每个指标的重要程度划分为3个等级,每个等级用分值1～9来表示,如表2所示。分值越低代表其重要程度越低,反之分值越高,代表其重要程度越高。

表2 风险指标分值评定

专家调查法统计出来的数据并不只有一个专家的评分情况,而是由多名专家进行打分评定的。将各个专家打分情况汇总如表3所示。

表3 专家评分汇总

综合考虑每个专家的打分情况,对每项风险因素取平均值,即

(12)

求得每项风险因素得分平均值后,再定义判定数Aij

(13)

(14)

4.2 风险指标权重计算

(15)

(16)

w=(w1w2…wn)T

(17)

最后,根据判断矩阵的最大特征值λmax进行一致性验算。

(18)

(19)

其中,CI即为判断矩阵A的一般一致性指标,n为判断矩阵的阶数。若CI/RI<0.1,则判断矩阵符合要求,否则需对判断矩阵进行再次建立并重新进行计算直到符合要求为止。当所有判断矩阵符合要求时,可计算各层次指标之间的组合权重。判断矩阵一致性验算如表4所示。

表4 判断矩阵一致性验算

5 工程应用

5.1 工程概况

歇台子站为14 m岛式站台车站,为单拱双层结构,采用复合式衬砌,隧道最大开挖宽度26.02 m,开挖高度22.26 m,开挖面积492.84 m2。拱顶埋深19.65～40.38 m,其中上覆土层厚度0.33～10.73 m,上覆岩层厚度9.08～37.36 m。本工程主要地处构造剥蚀丘陵地带,少部分为长江河谷侵蚀、堆积地貌,地貌形态较简单,无区域性断裂通过,上覆土层主要为第四系全新统人工填土层、残坡积层粉质黏土,下伏基岩为侏罗系中统沙溪庙组岩层。地下水类型主要为松散层孔隙水、基岩裂隙水。周边环境极为复杂,管线及房屋密集。该工程拟采用“以小扩大”划分多个硐室分9部开挖,施工需严格按设计图纸进行组织各分部开挖,加强中隔壁施作质量,保证施工作业安全。

5.2 风险概率评估

样本集选取了50个工程实例各项指标的综合评分,主要源于重庆、青岛、大连等地区的硬岩地层大断面暗挖车站施工,施工方法一般为双侧壁导坑法、拱盖法,其与应用工程的施工过程十分相近,如表5所示,限于篇幅,只列出工程地质因素中的部分样本数据。

表5 二级风险指标综合分值

导入样本数据完成网络训练后,对歇台子车站硐室群的典型区段YCK12+584～YCK12+673上台阶导洞施工进行风险评估,以验证软件“风险评估模块”的实用性。车站导洞掌子面开挖情况如图4所示。开挖后掌子面岩体较完整,岩质较硬,岩体裂隙不发育,围岩基岩裂隙水补给、排泄条件一般,水量较小,呈滴状或脉状。

图4 小导洞开挖掌子面

将各项风险因素的综合评分值输入到风险评估软件对应的输入框中,即可预测相应的风险概率等级,结果如图5所示,得到其发生风险事件的概率等级为Ⅳ,即风险事件发生可能性很小。实际施工过程与预测的风险概率评估结果较符合。该导洞为保证初支台车顺利进入,下调了1节钢架高度(2 m),导致开挖面很大,并且存在渗漏水的问题,因此,需要采取相应的风险控制措施,尽可能把风险发生概率降至最低。

图5 风险概率等级评估结果

5.3 风险权重分析

基于硐室群施工风险评估指标体系,邀请5位来自施工企业、国内高校等具备多年车站施工经验的教高或教授级专家,以专家调查的方式对歇台子车站硐室群施工各个风险因素进行重要度判断,评分标准参考表2,汇总后的专家评分表如表6和表7所示。

表6 一级风险指标专家评分

表7 二级风险指标专家评分

一级风险指标的判断矩阵如表8所示,采用硐室群风险评估软件中的“风险因素权重计算”模块进行验证计算权重结果如图6所示。基于改进后的判断矩阵构建方法,构建二级风险因素的判断矩阵并进行一致性验证,并计算出相对应的权重值。最终可以计算出各个风险因素的权重值,在风险评估软件中显示结果如图7所示。

表8 一级风险指标判断矩阵

图6 一级风险指标权重值

图7 二级风险指标权重值

通过权重计算结果可以看出,一级因素指标对歇台子站硐室群典型段施工风险影响大小为:工程地质因素C1>设计施工因素C3>管理因素C4>自然因素C2。二级因素指标中,地下水C17、围岩等级C11、支护及时性C34和特殊地质C16对隧道施工过程风险概率的影响较大。得到风险因素的影响权重后,即可根据不同因素的影响大小进行有针对性的处理,从而有效降低隧道施工风险事件的概率。根据风险评估结果和现场施工情况,该典型区段初期支护采用300 mm厚C25早强喷射混凝土内置I22b型钢拱架及φ8 mm双层钢筋网的形式,环向间距1 m,隧洞拱部120°范围内设置φ25 mm、t=5 mm中空注浆锚杆,每根长度4.5 m。

该工程案例验证了软件中“风险因素权重”模块的实用性,能够准确高效地完成各个风险因素的权重分析,对于硐室群现场施工管理及风险控制能够提供一定参考。

6 结论

(1)基于以往工程案例,以客观和主观两类因素进行研究分析,构建地下硐室群施工风险因素评价指标体系,其中,包括工程地质、自然、设计施工和管理共4个一级指标和23个二级指标。

(2)结合PNN和AHP进行硐室群施工风险评估,PNN模型训练速度快、稳定性高,通过识别代表性样本数据即可完成对施工风险概率等级的预测分类。实现评估施工风险概率后,采用 AHP 定量分析风险指标权重,迅速捕捉风险点,从而针对风险概率大的因素采取有效的防范措施,保证硐室群施工安全。

(3)采用本文研发的硐室群风险评估软件,依托重庆轨道交通18号线歇台子车站硐室群工程,对硐室群工程上台阶施工风险事件概率进行了预测,得出发生风险事件的概率等级为Ⅳ,即“发生可能性很小”的结论,并结合实际施工情况对风险指标进行了权重分析,验证了软件的实用性,为类似地下硐室群施工风险评估项目提供了参考和借鉴。

(4)在PNN模型的构建中,统计样本的数量、神经元个数会对输出结果产生一定影响,整个风险评估软件仍有优化空间,在未来有必要结合不同工程特点对硐室群施工风险评估结果进行动态调整。