基于BP神经网络的地铁工程施工安全风险智能识别研究

2020-03-03

(石家庄铁道大学河北石家庄 050043)

一、BP神经网络模型

人工神经网络是随着神经生理科学、数学、计算机科学等学科的发展而产生的一门新兴的交叉边缘学科。其中，最常用的是BP神经网络，多用于向前网络的反向传播。BP神经网络因具有较强的学习能力、抗故障性和并行性等优点，适合于解决地铁施工风险这种非线性的复杂系统。

BP神经网络模型一般由三层组成，即输入层、隐含层和输出层，隐含层也被称为处理层，其学习过程主要有输入数据的正向传播和与期望值误差的反向传播两部分组成。其核心也就是输入值正向传播和误差反复进行传播的过程，直到达到预先设定的训练次数或者是误差达到规定的范围之内，即可停止学习训练。

为测试上述模型对地铁施工风险的智能识别效果，笔者以北京潘家园西地铁站为例进行实证分析。

(一)工程概况。潘家园西站位于潘家园东路和潘家园路交汇处南侧。两侧均为住宅区。潘家园东路规划红线宽度为30m，潘家园路规划红线宽度为40m，均为双向两车道，交通比较繁忙。潘家园西站主体采用“PBA”工法施工，车站为暗挖地下双层单跨箱型拱顶直墙箱型结构，两端区间均为盾构区间。

(二)建立类似已完工程安全风险历史数据库。本论文主要以地铁工程安全风险控制为重点阐述，通过报刊、书籍、期刊检索和走访设计、施工等单位和施工现场等方式，遴选了15个地铁工程安全事故案例数据，在数据库基础上，对潘家园西地铁站工程安全风险进行识别。

(三)潘家园西地铁站施工风险的BPNN神经网设计。通过文献检索、专家访谈、施工单位现场调研等方式，选取了地铁工程施工相关的安全事故案例数据资料，并对其进行量化处理，如表1所示。

表1 土方开挖安全风险影响因素及类别表

以类似工程历史样本数据15组数据作为训练样本，运用BP神经网络对土方开挖为例，利用BP神经网络对土方开挖过程中塌方风险进行预测分析评价。

第二步，构建估算模型并分析。

(1)对收集到的数据进行取值和赋值并整理，如表2所示。

表2 基础数据表

(3)将前14组数据进行训练，最大迭代次数800次。

(4)检验误差，输入第15个案例数据，每个样本运算20次，将输出的结果求取平均值并作为相应的预测值，然后与实际值进行比较，计算误差,满足要求。

依据已建立的边导洞开挖安全风险影响因素表，将拟建工程作为输入值，运行模型，得到预测值为0.29，为2级风险，可接受，在风险等级不升级的情况下允许一定条件内发生。

通过搜集整理以往已完类似工程的历史数据资料，建立地铁施工安全风险控制历史资料数据库，并且运用神经网络等智能算法对该工程可能发生的风险类型和等级进行预测分析，从而较准确地提出相应的预警措施，为其它地铁施工安全风险的控制提供一些借鉴。