基于BP神经网络的航道整治施工风险评估

(重庆交通大学 重庆 400074)

航道整治具有施工难度大、施工周期长、环境复杂、安全控制标准高、涉及部门繁多的特点。航道整治施工是一个动态开放的过程，多为水上作业或临水作业，存在各种不确定的施工风险，受到多种因素的制约，因此有必要开展航道整治工程的安全风险评估，对施工的可靠性作出预警，针对施工风险作出相应的预防措施，把风险损失降低到最小[1]。在各项工程施工风险评估如隧道地铁、道路桥梁方面，国内外高校和科研机构研究较多，如程远[2]采用层次分析法将隐藏在大跨浅埋公路隧道施工各环节中的风险因素有效识别出来；黄越[3]对隧道洞口段施工阶段的风险评估采用模糊数学理论与BP神经网络相结的方法，该方法准确度强，可用于实际施工中。桂志敬[4]结合隧道洞口坍塌事故后果当量估计和数值模拟计算，优化公路隧道施工安全风险评估方法。梁宏浩[5]在对地铁隧道施工中结合模糊数学理论，运用BP人工神经网络算法，建立隧道施工风险评估数学模型进行风险评估工作。牛发阳[6]等结合层次分析法与BP神经网络建立深基坑工程施工风险评价模型，分析基坑施工过程中面临的风险问题，对施工过程进行科学指导。目前关于航道施工风险评估的研究较少。

在航道整治中，施工风险受到多种因素的制约，且影响因素具有不确定性，无法用精确的表达式进行预测。BP神经网络模型结构简单、算法成熟，它的自适应性和非线性映射能力可以很好的描述复杂且不确定的问题。基于航道整治软体排的施工过程的特点，本文评价采用基于BP神经网络的评估模型，该模型可以预警施工事故的发生，指导应急防治措施，降低施工灾害的影响。该模型的基本思想是：首先对材料的预制运输、机械设备、现场环境、水文地质条件、作业人员、现场工作人员操作作为自变量X，为模型的输入；其次将水上铺排施工现场的风险等级为因变量Y，为模型的输出。

BP神经网络模型：

BP神经网络通过误差的反向传播和信号的正向传播求解误差最小值，由输入层、隐含层和输出层三部分组成[7]。

新的自变量数据X,可由对输入层数据X归一化处理得到：

(1)

min(X)：每组样本数据的最小值；max(X)每组样本数据的最大值，a和b表示两个不同的常量。

样本误差计算模型：

(2)

tki，yki应真实值和实际输出值。

根据具体问题BP神经网络模型选取三层(l×h×n)，l为输出层神经元，h为隐含层神经元，n为输入层神经元，即n个影响因素，X=[x1,x2…xn]。θji和Wji分别表示隐含层与输入层之间的阈值和权值。

隐含层输出变量为：

(3)

N个影响因素通过数据层输入，经过隐含层的处理计算出实际输出层的输出值。得到输出值Ykj为：

(4)

输出变量Y与输入变量X关系为：

(5)

其中n为输入变量的个数、fji(·)为隐含层传递函数、h隐含层神经元个数、fkj(·)输出层传递函数、l为输出层神经元个数。

将公式(5)简化，即是：

Y=F(x1,x2,...,xn)

(6)

本文基于BP神经网络风险等级评估模型并结合理论计算，对施工过程的失效概率进行定量评价分析后得到风险损失值，对施工风险进行预警，提高对突发事件的防范能力和治理能力，可以对施工过程提出科学有效的建议和措施，对施工的稳定性进行强有力的支撑和保障。