基于模糊神经网络的新奥法隧道施工风险评价

平自要，李玉梅

0 引言

隧道施工是公路工程建设过程中的高风险环节，新奥法作为隧道施工的主要工法，具有技术复杂和实施不确定的特点，使得公路隧道施工成为一项高风险建设工程。因此，迫切需要科学有效的施工风险评估方法为新奥法公路隧道施工的风险控制提供支持。

针对隧道及地下工程的风险评估问题，国内外学者进行了一些研究，如美国学者Einstenin最早提出了隧道风险管控的理念及基本框架［1-2］;Kskesen等人就隧道及地下工程风险控制方法体系进行了探讨［3］。国内的相关研究最早从借鉴国外风险管理的相关理论与方法开始，逐步运用到公路隧道及地下建设领域中，通过理论方法与工程实践的结合，探讨了一系列风险评估的具体方式［4-6］，如俞素平等分别依托不同的工程从不同角度就公路工程的风险分析进行了探讨，建立了面向公路工程风险评估的网络分析评估法、LEC法、模糊评估法、功能系数法等［7-9］。

从现有研究来看，公路工程风险分析及相关评估方法的研究形成了一系列的成果，但可操作性不强且不具有重复延展性，也没有依托具体施工工法进行风险分析等。鉴于此，要提高新奥法公路隧道施工风险评估的可靠性与准确性，需要结合新奥法公路隧道的施工工序与系统特征提出科学的风险评估新方法。本文以此为出发点，构建一种模糊评价与神经网络相结合的模糊神经网络方法，以期提高风险评价的可操作性、准确性与延展性，为新奥法公路隧道施工的风险管理提供支持。

1 新奥法公路隧道施工风险综合评价指标体系

1.1 评价指标体系的构建依据及原则

针对新奥法公路隧道施工实施风险评价，首先要构建科学合理的评价指标体系。新奥法公路隧道施工风险综合评价指标体系是风险量化评价的载体，通过指标体系可以界定风险评价的具体对象，从而实现定性指标向量化评价数据的转换。对公路隧道施工风险进行综合评估，需要以科学合理的综合评估体系作为依托。公路隧道施工风险的影响因素繁杂且呈非线性，不同类型的风险很难纳入到相同的层面实施分类，故本文以“4M1E”原理为理论依据，将公路隧道施工风险的影响指标按人员、设备、技术、材料及环境5个方面进行分类，从而涵盖公路隧道施工现场风险管理的各个方面。

1.2 评价指标体系的构建

以新奥法隧道施工的4个基本步骤作为指标体系的一级指标，即爆破开挖、初期支护、监控测量、二次衬砌;以各步骤包含的各施工工序作为二级指标，最终完成包含4个一级指标和15个二级指标在内的综合评价指标体系，如图1所示。评价指标体系构建完成后需要对各指标的权重进行确定，考虑到该体系的层次结构相对简单，且各指标涵盖的技术管理要素较多，在权重确定的过程中通常采用德尔菲法实施多轮评估，最终完成赋权。

图1 新奥法公路隧道工程施工风险综合评价指标体系

2 模糊神经网络法的理论分析

2.1 相关理论基础

模糊数学是L.A.Zadeh教授提出的一种在模糊集合与逻辑基础上建立的数学理论的总称，它能够对认知不确定的模糊对象进行描述。运用模糊数学理论设计的模糊评价方法，可以通过对应的评语集合与隶属度函数将不确定的模糊问题转化为相对清晰确定的量化问题，实现对问题的描述与分析［10］。人工神经网络则是通过抽象人脑神经元网络并按照不同连接方式形成网络的一种人工智能运算模型，具备较好的自学习功能和联想记忆功能，借助计算机可以实现快速精准的计算，在模拟非线性关系、处理复杂系统多指标评价问题时具备较强的优势和延展性［11］。模糊评价的局限性是，在描述和分析问题的过程中受实施者主观因素的影响，且难以实现精度较高的计算，而神经网络则是在最初研究对象数据转化的过程中不具备优势。通过将模糊数学与神经网络相结合，可以有效克服两者的局限性，实现不确定性问题的有效转化和科学计算。

2.2 模型的适用性分析

公路隧道施工风险评价是一个涉及多类不确定因素的不确定系统过程，通常对风险属性的描述很难用量纲统一且数值精确的客观数据来表示，这就需要借助模糊数学实现定性问题向量化描述的转化。结合工程实践情况，充分利用现场施工管理人员及领域内专家学者的经验与知识积累，确定具体施工过程的风险属性与等级，实施模糊评价并将评价结果输入到经过训练而达到运算精度的神经网络模型中，借助计算机平台进行评价运算，有效地完成施工过程风险评价工作。在评价过程中，通常要根据隧道施工的具体情况划分施工段，每一个施工段界定为一个评估单元，充分发挥神经网络模型能够反复计算的延展性优势。

3 模糊神经网络评估模型的构建

3.1 指标模糊隶属度与模糊风险等级的确定

指标模糊隶属度的确定通常要区分定性指标与定量指标，定性指标隶属度的计算过程如下。

首先构建隶属度评语集U。

U= ［很好，好，一般，较差，差］

之后邀请n位专家对指标进行打分，计算各指标评分的平均值R［KG*3］原i，以此作为各指标因素的评价值。

为保证数据处理的便捷有效，打分采用百分制。据此可计算得到单个定性指标对各评语的隶属度μi。

定量指标隶属度的计算可采用模糊主观理想点法。该方法实施的基础是先确定各定量指标的最优值Xmax以及最差值Xmin。数值的确定应立足于新奥法施工的实践情况，由公路工程施工从业工程师及高级管理人员通过经验集合给定。

极值确定的情况下，在数据采集过程中确定良好值Xmid1、一般值 Xmid2、比较差值Xmid3。数据采集应全部落在(Xmin，Xmax)区间内。

就正向型指标和负向型指标分别计算隶属度。

正向型指标的隶属度

负向型指标的隶属度

最终指标的权向量与隶属度矩阵逐级相乘，即可计算各二级指标和施工风险的综合评价值。

本研究结合调查数据及隧道施工规范，以指标体系4个一级指标下的1个二级指标为例，建立评分标准的参考值，如表1所示，全部指标的参考值不再赘述。

结合参考值与上述计算公式，计算得到指标风险等级，如表2所示。

风险测度表是新奥法公路隧道施工风险评价的依据，也是风险管理工作的基本参照，根据风险等级对照可以确定下一步的风险管理决策行为。五级风险认为是不可接受的，评价为五级风险时应立刻停止作业并进行全面评估;四级风险界为重大风险，出现该情况时应综合考虑承担主体的实际情况，采取应对措施;三级风险为较大风险，需引起重视并实施专项应急措施;二级风险表示风险相对可以接受，实施动态跟踪控制即可;一级风险通常可以忽略而不作处理。

表1 指标体系分类标准参考值

表2 风险等级

3.2 选择训练样本

在确定模糊风险等级及模糊综合评价风险值的基础上，构建神经网络评估模式进行科学评估。结合表1指标体系标准参考值，运用线性内插法将模糊评价向量O=(o1，o2，…，om)作为训练输出数据。由于本文的训练数据满足隶属度的相关属性，因此符合神经网络应用条件。

3.3 训练参数的选择

神经网络评估模型通常可以由Matlab神经网络工具箱实施运算，在工具箱运行之前应首先对模型所需的主要参数(节点传递函数TF、隐含层节点数S、训练函数BTF和网络学习函数BLF)进行设定。

一般情况下，隐含层节点数S由经验公式来确定，即:l跃log2m;l= 槡m +n+a;l=(m+n)/2+a。其中l、m、n分别表示隐含层、输入层、输出层的节点数。

Matlab神经网络工具箱有多种节点传递函数，经调试发现purelin函数经训练后精度更高，可以更好地反映节点之间的传递映射关系，故确定TF为purelin函数。同时采用梯度下降算法训练BTF，选择一般学习规则learngd作为网络学习函数BLF。

3.4 训练成果分析

运用Matlab神经网络工具箱采用梯度下降BP算法(traingd)训练函数，经10 034次迭代达到预设精度水平，并满足泛化检验的要求，具体如图2所示。

由模型构建与分析可知，该模型满足新奥法公路隧道施工风险评估的要求，可以据此实施评估。

4 案例分析

本研究以三淅高速公路工程卢氏至西坪段4个连续隧道区段为研究对象，借助模糊神经网络评价模型进行风险评估。各个指标对应的权重通常可以根据实际情况由德尔菲法确定。

图2 网络训练均方根误差变化

4.1 各区段施工风险的模糊评价

结合工程实践，根据洞口段、洞内段及水文地质等变化情况进行区段划分，共划分为4个区段作为独立评估单元。组织专家团队按照设定的模糊评语集及标准参考值对各单元实施评估，汇总的评估数据见表3。

表3 各区段评估数据汇总

将各评估单元的评估数据转化为模糊风险等级数值，具体如表4所示。

运用Matlab人工神经网络工具箱，将风险等级数值作为测试数据导入经过训练的评估模型中，求得风险评估输出值，并与模糊评估真实值进行对比。数值对比分析结果如表5所示，评估结果如图3所示。

表4 各区段风险等级数值

表5 评价结果分析

图3 评价结果

4.2 评估结果分析

通过上述分析可知，神经网络模型评估结果与模糊评价结果拟合度较高，各区段精度在区间(0.006，0.016)，满足评估精度要求。

根据评估结果可知，4个区段的风险等级均处于二级，现阶段可保持动态跟踪，无需进行具体的风险应对。

5 结语

针对新奥法公路隧道施工风险评价问题所构建的模糊评价与人工神经网络相结合的综合评价方法，可以整合2种理论方法的优点，提高评价模型的可操作性、准确性、延展性，科学地确定施工风险等级，为新奥法公路隧道施工风险评价提供模型支持。本研究评价结果显示，多个区段的风险等级都处于相对可控的范围，可以根据本研究所设计的模型实施动态跟踪评价。

参考文献:

［1］ EINSTEIN H H.XU S，GRASSOP，et al.Decision Aids in Tunneling［J］.World Tunneling，1998(4):157-159.

［2］ EINSTEIN H H.Risk and Risk Analysis in Rock Engineering［J］.Tunnelling and Underground Space Technology，1996，11(2):141-155.

［3］ ESKESEN S D，TENGBORG P R，KAMPMANN J，et al.Guidelines for Tunnelling Risk Management:International Tunneling Association，Working Group No.2［J］.Tunnelling and Underground Space Technology，2008，27(4):649-655.

［4］ 钱七虎，戎晓力.中国地下工程安全风险管理的现状、问题及相关建议［J］.岩石力学与工程学报，2013，9(1):216-222.

［5］ CHEN J J，ZHANG Y J.Quantitative Risk Assessment Model of Tunnel Construction under Passing Existing Bridges［J］.Journal of Central South University:Science and Technology，2015，46(5):1862-1868.

［6］ 安永林.彭立敏，吴 波，等.隧道坍方突发性事件风险可拓法综合评估［J］.中南大学学报:自然科学版，2011，42(2):514-520.

［7］ 俞素平.公路工程施工安全风险评估的网络分析法研究［J］.地下空间与工程学报，2013，9(1):216-222.

［8］ 程 远，朱和华.基于模糊理论大跨浅埋公路隧道施工风险评估［J］.地下空间与工程学报，2016，12(6):1616-1622.

［9］ 曹成勇，施成华.浅埋大跨下穿高速公路隧道施工风险评估及控制措施研究［J］.铁道科学与工程学报，2016，13(7):1440-1446.

［10］ ZADEH L A.Fuzzy Sets as a Basis for a Theory of Possibility［J］.Fuzzy Sets and System，1978，1(1):3-28.

［11］ 程 波，贾国柱.改进AHP-BP神经网络算法研究—以建筑企业循环经济评价为例［J］.管理评论，2015，27(1):35-47.