基于概率神經網絡和層次分析法的硐室群施工風險評估

宗志栓，張逸飛，林作忠，陳 晨，楊 航，邱澤剛，申玉生

(1.中鐵十五局集團城市軌道交通工程有限公司,廣州 510540; 2.西南交通大學土木工程學院,成都 610031; 3.中鐵第四勘察設計院集團有限公司,武漢 430063)

引言

深部地下硐室群施工作業空間小,具有跨度大、空間縱橫交錯、挖空率高、邊墻難以穩定等特點,其施工難度遠超過一般的地下工程,同時存在施工隊伍安全意識和監督管理力度等主觀不確定因素,一旦某個硐室出現較大片幫或冒頂,極易引發大范圍硐室群連鎖失穩事故[1]。因此,為減少或避免安全事故的發生,有必要對硐室群施工風險因素進行研究,并做出科學合理的評價。

近年來,部分學者和專業人員對地下工程的風險評估進行了一系列研究,取得了一定成果。黃萍等[2]以管廊盾構施工導致的地面沉降事故為例,采用AHP建立管廊盾構施工的動態事故樹,定性分析了盾構施工過程中的危險因素。何樂平等[3]采用博弈論思想,提出了一種應用于軟巖大變形隧道的云模型綜合風險評價方法。盧慶釗等[4]基于模糊數學理論和AHP構建定量評估模型,開展了關于隧道穿越F7斷層破碎帶的安全風險等級評估。鄭學召等[5]結合梯形模糊層次分析法(FAHP),提出了一種地鐵隧道施工風險等級的綜合評價體系。宋戰平等[6]針對TBM穿越斷層段的施工,建立了基于非線性FAHP的風險評價模型。楊卓等[7]運用BP神經網絡方法評估了巖溶隧道發生突涌水的風險,并結合超前預報提出支護方案。LI等[8]采用未確知測度分析和可信度識別標準對風險等級進行評估,建立了巖溶隧道綜合風險控制理論和技術體系。HYUN等[9]從地質、設計、施工和管理四方面構建了盾構隧道施工的故障樹集,采用故障樹分析法和AHP系統地評價了總體風險水平。HASANPOUR等[10]利用人工神經網絡及貝氏網絡評估隧道掘進機在擠壓地層等不利地面條件下的干擾風險,并對所需的推力進行了估算。SOUSA等[11]基于貝葉斯網絡提出地質預測模型和評估風險的施工管理模型,成功應用于現場地鐵施工。JEONGHEUM等[12]提出了一種基于量化分級體系的隧道塌方風險評價模型,并采用AHP和德爾菲法對風險指標進行了分析。這些研究實現了采用數學方法建立風險評估模型,合理分析工程風險,為地下工程施工預防事故發生提供了有效的解決辦法。但是,目前針對于地下硐室群施工的安全風險評估研究較少,尚處于發展階段。地下復雜環境下硐室群的施工存在一系列不可控風險因素,其風險評價體系尚無成熟的架構體系,仍有許多需要改進和完善的地方。

因此,依托重慶軌道交通18號線歇臺子車站工程,通過統計分析國內類似的“以小擴大”硐室群施工案例,構建硐室群施工風險指標和評估體系,開發復雜環境地下硐室群施工專項風險評估軟件,實現隧道施工風險評估,預防施工安全事故發生,從而提高施工安全性。

1 隧道施工風險評估軟件設計流程

硐室群風險評估軟件是由計算機軟件設計語言Python和GUI應用軟件開發框架PyQt進行開發,分為“風險概率評估”和“風險因素權重計算”兩個模塊,分析流程如圖1所示。

圖1 地下硐室群施工風險評估軟件分析流程

風險概率評估模塊的設計算法是基于概率神經網絡(Probabilistic Neural Network,PNN)建立,選取同時期開工建設的硐室群隧道工程作為樣本集,在“風險概率評估”模塊導入后即可完成網絡的訓練,再輸入待測硐室群施工各項風險因素的綜合評分值即可預測施工風險等級。

風險因素權重模塊通過改進的層次分析法能計算硐室群施工的風險因素權重,得出了各個因素的影響權重后,便可根據不同因素的影響大小進行有針對性的處理。

研究成果對保障大斷面硐室群施工的安全性以及解決硐室群隧道施工專項風險預測難的問題具有一定指導和推廣作用。

2 硐室群施工風險評估指標體系構建

首先,根據國內學者對硐室群施工風險因素的分析總結,并參考《公路工程施工安全風險評估指南》,將硐室群施工的風險因素分為兩大類:一類是主觀人為的因素;二類是客觀物的因素。主觀因素包括設計施工因素和管理因素,客觀因素主要是工程地質因素和自然因素。

其次,結合文獻[13-17]和安全領域專家的意見,依據科學性、系統性、全面性等原則,將工程地質因素、自然因素、設計施工因素、管理因素作為4個一級風險因素。其中,工程地質因素主要是指在施工環境中易積聚危險能量的點,包括地質構造和巖體結構情況、偏壓、地下水等指標。自然因素取決于當地的氣候條件,其中降雨量和溫度對施工的影響較大。設計施工因素包括設計參數的選取、開挖工法的選擇、工程地質勘探等指標,同時需要考慮復雜硐室群施工中各個導洞開挖步序是否合理、臨時支護是否有效、交叉洞口支護是否安全。管理因素是指有效控制風險的手段,包括超前地質預報情況、施工和設備的監督管理情況、監控量測的力度和質量、施工隊伍的安全意識和素質等指標。

最后,在4個一級風險因素基礎上,構建出地下硐室群施工安全風險評估體系,如圖2所示。該指標體系由23個指標構成,能夠概括出硐室群施工中的各種風險因素所在,適用于大部分傳統暗挖工法。但考慮工程多樣性、硐室群施工工序復雜,根據實際施工情況的變化可能出現新的風險因素,此時則有必要對指標體系進行合理調整。

圖2 地下硐室群施工風險評估指標體系

為便于后續“風險概率評估模塊”工作,借鑒相關資料中的風險事件可能性等級標準,將每個風險等級一一對應每個分值區段,具體評分標準如表1所示。風險結果的期望輸出結果與工程的實際情況相對應,期望輸出結果1～5作為分別對應風險評估概率等級Ⅰ～Ⅴ。

表1 風險等級對應分值范圍

3 基于PNN硐室群施工風險模型設計

硐室群施工風險評估軟件中“風險概率評估”模塊設計算法是基于PNN建立的。PNN是徑向基函數[18]的一種變化形式,但不同的是,PNN結合貝葉斯決策來判斷測試樣本的類別,從貝葉斯判定策略以及概率密度函數的非參數估計角度,將貝葉斯統計方法映射到前饋神經網絡結構,不需要反向傳播優化參數。

硐室群施工風險評估指標較多,本質上屬于較復雜的分類問題。相比一般最常用的BP神經網絡[19-20],PNN可以任意精度逼近任意的非線性函數,具有良好的泛化能力,能從根本上解決BP網絡的局部最優問題,并且學習速度和收斂性也較BP網絡更易于保證,適用于不同的訓練樣本。且PNN基本結構較簡單、在計算機算法設計上比較容易完成,能用線性學習算法實現非線性學習算法的功能[21-22],適合解決復雜分類預測問題。因此,硐室群施工風險概率評估模型基于PNN進行建立。

3.1 模型結構

基于PNN的硐室群施工風險概率模型共由4個結構層組成,分別為輸入層、隱含層、求和層和輸出層,如圖3所示。

圖3 PNN的硐室群施工風險概率模型結構

第一層是輸入層,主要功能是傳輸給下一網絡層輸入的數據。第二層是隱含層(徑向基層),主要功能是計算輸入數據與每一個神經元節點中心的距離,最后返回一個標量值。求和層用于負責將各個類的模式層單元連接起來,這一層的神經元個數是樣本的類別數目。最后輸出層負責輸出求和層中概率值最大的那一類。

3.2 計算流程

在基于密度函數核估計PNN中,每一個隱含的神經元由一個樣本確定,訓練樣本的輸入數據可直接確定神經元的權重值,分析過程如下。

(1)歸一化輸入樣本

假設原始數據共有m個樣本數,每一個樣本都有n個特征屬性值,則輸入的原始數據矩陣X為

(1)

計算原始數據矩陣歸一化系數B為

(2)

(3)

則歸一化后的輸入樣本矩陣C為

C=Bm×1[1 1 … 1]1×mXm×n

(4)

(2)激活隱含層函數

假設待識別矩陣Y由p個n維向量組成,則經歸一化處理后的待識別矩陣D為

(5)

(6)

在樣本集矩陣和待識別矩陣歸一化后,令Eij(i=1,2,…,p,j=1,2,…,m)表示待識別矩陣Y歸一化后的第i個n維向量與歸一化后的訓練集樣本矩陣C的第j個樣本之間的歐拉距離,則待識別矩陣與樣本集矩陣之間的模式距離矩陣E為

(7)

(8)

激活隱含層的高斯函數,取標準層σ=0.1。得到待識別矩陣的初始概率矩陣G為

(9)

(3)計算求和層概率

假設樣本集矩陣X的m個樣本一共可分為c類,且各類的樣本數均為l。令Sij(i=1,2,…p,j=1,2,…c) 表示待識別樣本矩陣Y中第i個樣本屬于第j類的初始概率之和。則可在PNN模型的求和層中算得待識別矩陣Y屬于各類的初始概率S為

(10)

(4)計算概率并輸出

計算待識別樣本矩陣Y中第i個樣本屬于第j類的概率

(11)

因此,依據待識別樣本所屬各類別的概率值,則輸出層的概率值即為第i個樣本屬于第j類的最大概率值。

4 風險因素權重計算

在硐室群施工的眾多風險因素中,權重值的大小反映了評估指標對風險影響的程度。然而,概率神經網絡在評估過程中是根據訓練集的數據進行綜合評估分類,對于特定的某一硐室群工程的風險因素之間的重要程度關系是無法區別的。因而,基于AHP進行施工風險指標權重計算,建立硐室群施工風險評估軟件中“風險因素權重”模塊。

4.1 計算流程

在隧道工程風險評估領域,通常采用專家調查法來進行兩兩指標的重要程度比較,從而構造出判斷矩陣。在硐室群施工專項風險評估過程中,風險指標往往并不只一個,專家們在對大量的指標之間進行兩兩判斷時難免會出現填寫不仔細,或判斷不準確等情況,且1～9標度法用重要程度來描述指標之間的判斷依據,這可能導致專家在評議過程中出現難以抉擇的情況,例如標度值相差不大時,指標之間的重要程度往往難以評定。

為解決上述問題,使構造出的判斷矩陣更加符合實際情況,盡可能地使判斷矩陣少含主觀臆斷性,本文將待評定的每個指標的重要程度劃分為3個等級,每個等級用分值1～9來表示,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 風險指標分值評定

專家調查法統計出來的數據并不只有一個專家的評分情況,而是由多名專家進行打分評定的。將各個專家打分情況匯總如表3所示。

表3 專家評分匯總

綜合考慮每個專家的打分情況,對每項風險因素取平均值,即

(12)

求得每項風險因素得分平均值后,再定義判定數Aij

(13)

(14)

4.2 風險指標權重計算

(15)

(16)

w=(w1w2…wn)T

(17)

最后,根據判斷矩陣的最大特征值λmax進行一致性驗算。

(18)

(19)

其中,CI即為判斷矩陣A的一般一致性指標,n為判斷矩陣的階數。若CI/RI<0.1,則判斷矩陣符合要求,否則需對判斷矩陣進行再次建立并重新進行計算直到符合要求為止。當所有判斷矩陣符合要求時,可計算各層次指標之間的組合權重。判斷矩陣一致性驗算如表4所示。

表4 判斷矩陣一致性驗算

5 工程應用

5.1 工程概況

歇臺子站為14 m島式站臺車站,為單拱雙層結構,采用復合式襯砌,隧道最大開挖寬度26.02 m,開挖高度22.26 m,開挖面積492.84 m2。拱頂埋深19.65～40.38 m,其中上覆土層厚度0.33～10.73 m,上覆巖層厚度9.08～37.36 m。本工程主要地處構造剝蝕丘陵地帶,少部分為長江河谷侵蝕、堆積地貌,地貌形態較簡單,無區域性斷裂通過,上覆土層主要為第四系全新統人工填土層、殘坡積層粉質黏土,下伏基巖為侏羅系中統沙溪廟組巖層。地下水類型主要為松散層孔隙水、基巖裂隙水。周邊環境極為復雜,管線及房屋密集。該工程擬采用“以小擴大”劃分多個硐室分9部開挖,施工需嚴格按設計圖紙進行組織各分部開挖,加強中隔壁施作質量,保證施工作業安全。

5.2 風險概率評估

樣本集選取了50個工程實例各項指標的綜合評分,主要源于重慶、青島、大連等地區的硬巖地層大斷面暗挖車站施工,施工方法一般為雙側壁導坑法、拱蓋法,其與應用工程的施工過程十分相近,如表5所示,限于篇幅,只列出工程地質因素中的部分樣本數據。

表5 二級風險指標綜合分值

導入樣本數據完成網絡訓練后,對歇臺子車站硐室群的典型區段YCK12+584～YCK12+673上臺階導洞施工進行風險評估,以驗證軟件“風險評估模塊”的實用性。車站導洞掌子面開挖情況如圖4所示。開挖后掌子面巖體較完整,巖質較硬,巖體裂隙不發育,圍巖基巖裂隙水補給、排泄條件一般,水量較小,呈滴狀或脈狀。

圖4 小導洞開挖掌子面

將各項風險因素的綜合評分值輸入到風險評估軟件對應的輸入框中,即可預測相應的風險概率等級,結果如圖5所示,得到其發生風險事件的概率等級為Ⅳ,即風險事件發生可能性很小。實際施工過程與預測的風險概率評估結果較符合。該導洞為保證初支臺車順利進入,下調了1節鋼架高度(2 m),導致開挖面很大,并且存在滲漏水的問題,因此,需要采取相應的風險控制措施,盡可能把風險發生概率降至最低。

圖5 風險概率等級評估結果

5.3 風險權重分析

基于硐室群施工風險評估指標體系,邀請5位來自施工企業、國內高校等具備多年車站施工經驗的教高或教授級專家,以專家調查的方式對歇臺子車站硐室群施工各個風險因素進行重要度判斷,評分標準參考表2,匯總后的專家評分表如表6和表7所示。

表6 一級風險指標專家評分

表7 二級風險指標專家評分

一級風險指標的判斷矩陣如表8所示,采用硐室群風險評估軟件中的“風險因素權重計算”模塊進行驗證計算權重結果如圖6所示?；诟倪M后的判斷矩陣構建方法,構建二級風險因素的判斷矩陣并進行一致性驗證,并計算出相對應的權重值。最終可以計算出各個風險因素的權重值,在風險評估軟件中顯示結果如圖7所示。

表8 一級風險指標判斷矩陣

圖6 一級風險指標權重值

圖7 二級風險指標權重值

通過權重計算結果可以看出,一級因素指標對歇臺子站硐室群典型段施工風險影響大小為:工程地質因素C1>設計施工因素C3>管理因素C4>自然因素C2。二級因素指標中,地下水C17、圍巖等級C11、支護及時性C34和特殊地質C16對隧道施工過程風險概率的影響較大。得到風險因素的影響權重后,即可根據不同因素的影響大小進行有針對性的處理,從而有效降低隧道施工風險事件的概率。根據風險評估結果和現場施工情況,該典型區段初期支護采用300 mm厚C25早強噴射混凝土內置I22b型鋼拱架及φ8 mm雙層鋼筋網的形式,環向間距1 m,隧洞拱部120°范圍內設置φ25 mm、t=5 mm中空注漿錨桿,每根長度4.5 m。

該工程案例驗證了軟件中“風險因素權重”模塊的實用性,能夠準確高效地完成各個風險因素的權重分析,對于硐室群現場施工管理及風險控制能夠提供一定參考。

6 結論

(1)基于以往工程案例,以客觀和主觀兩類因素進行研究分析,構建地下硐室群施工風險因素評價指標體系,其中,包括工程地質、自然、設計施工和管理共4個一級指標和23個二級指標。

(2)結合PNN和AHP進行硐室群施工風險評估,PNN模型訓練速度快、穩定性高,通過識別代表性樣本數據即可完成對施工風險概率等級的預測分類。實現評估施工風險概率后,采用 AHP 定量分析風險指標權重,迅速捕捉風險點,從而針對風險概率大的因素采取有效的防范措施,保證硐室群施工安全。

(3)采用本文研發的硐室群風險評估軟件,依托重慶軌道交通18號線歇臺子車站硐室群工程,對硐室群工程上臺階施工風險事件概率進行了預測,得出發生風險事件的概率等級為Ⅳ,即“發生可能性很小”的結論,并結合實際施工情況對風險指標進行了權重分析,驗證了軟件的實用性,為類似地下硐室群施工風險評估項目提供了參考和借鑒。

(4)在PNN模型的構建中,統計樣本的數量、神經元個數會對輸出結果產生一定影響,整個風險評估軟件仍有優化空間,在未來有必要結合不同工程特點對硐室群施工風險評估結果進行動態調整。