市政管网井下作业安全风险评估

2020-07-14韩进光

山西建筑 2020年14期

韩进光王勇闫娜

(西安市东郊市政养护管理公司，陕西西安 710016)

0 引言

随着现代化的不断发展，市政管网系统的畅通运行越发重要，一旦城市地下管道出现了排水不畅、管道堵塞等情况，就极有可能引发城市内溃等自然灾害，严重时可造成人员伤亡事故。因此随着我国城市化的不断发展，管网清淤变得越发重要，是保障城市系统正常运行的重要环节。

管网清淤主要分为机械和人工两种。机械清淤主要依赖于高压水枪和机器人疏通，仅适合特定环境下，局限性较高；而人工清淤是目前主要依赖的作业方式，其具有灵活性高、适应面广、入门等级低等优势。但在井下作业中，检测设备、防护配置、作业方式等任何环节操作不当均有可能危及人身安全，长期以来下井作业发生中毒窒息事故数不胜数，因此诸多学者对密闭空间作业进行研究。刘应书教授对基于实验及动力学模型,确定应用参数,对密闭空间人工环境氧气浓度控制策略进行研究；黄俊革教授对狭小或密闭的空间进行清扫作业的污垢检测系统进行研究；常杉杉对井下作业通风系统进行研究，并对原有通风系统进行改良优化。综上所述，当前研究主要集中在改良井下作业环境，忽视了对井下作业安全风险评估。

本文将以西安市政管网井下清淤作业为研究背景，建立安全风险评估体系，采用BP神经网络梯度下降法进行模式识别，以期得到重要安全评估指标。

1 实施方案

1.1 安全风险指标体系

安全风险体系就是对危险性的一个定性评价，对照有关标准、规范及同类系统和以往的事故统计资料，找出系统中可能在某种条件下引发事故的安全风险。一般情况下对影响井下作业的设备、环境、人员、管理等方面的状况进行非量化评价，本次安全评价体系主要以培训情况、驱动力、示范性规范、影响及响应五方面构成模型体系，具体结构体系如图1所示。

1.2 安全风险指标处理

针对安全风险指标体系中的培训情况、驱动力、响应情况等进行分类，对结构中各分支内容统一划分为5个等级，等级1为最高等级，以此类推，不同的分数区间对应不同等级，通过分数量化法对体系结构分支进行评比。建立安全风险指标量化表，见表1。

表1 安全风险指标量化表

2 数据分析

安全数据评估方法有很多，如常用的安全检查表法、预先危险性分析方法、故障类型和影响分析、故障树分析、事件树分析、风险矩阵法、概率危险评价技术、作业条件危险性评价法等。但这些方法主要依赖于个人主观意识，而实际评估中又存在各种各样的不确定性，为了防止不同层级数据在处理过程中出现偏差，本次选用BP神经网络梯度下降法作为处理方式。

BP(Back Propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络。他是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小(见图2)。

神经网络是由神经元的独立单元组成，其中每个神经元都能够作为信息加工的处理器。图3所示为一种典型的神经元结构模型。

在图3中，X=(x1,x2,…,xm)T为神经元的输入，W=(w1,w2,…，wm)T为各输入相连的连接强度，也称为连接权值；∑WTX为神经元的输入总和；θ为神经元的偏置，亦称为阈值，如果∑WTX的值大于θ，则神经元被激活；激活的神经元由激励函数f的处理，得到输出值yf。则有：

yf=f(∑WTX-θ)。

将目标输出设置为：优(1,0,0,0,0)，良(0,1,0,0,0)，中(0,0,1,0,0)，差(0,0,0,1,0)，劣(0,0,0,0,1)。通过上述计算方法，共取样30组用于神经网络计算，其中25组用于神经网络训练，剩余5组作为测试标准值进行对比，得出各指标实际数据为：[5.9,5.2,6.1,4.2,0.84,4.9,80,4.5,100,4.7,5.3,5.2,86,4.9,4.9,2,3,0,0.3,5.3,90,100,95,5.1,5.7]，通过数据显示，在井下作业中最主要的风险源于培训情况和响应情况，示范性规范、驱动力、影响因素次之。