基于模糊神经网络的桥梁施工多目标风险分析与评价

王 微

（北京市政路桥管理养护集团有限公司，北京 100097）

引言

桥梁工程由于所处自然环境和社会环境的复杂性，导致项目在施工过程中存在较高的难度，整个桥梁工程的施工是一项周期长、投资高、影响因素较多的复杂过程[1-2]。桥梁工程的施工过程是整个工程开发阶段、实施阶段和运营阶段中最关键的过程，该过程质量的高低将直接影响桥梁的使用寿命，在一定程度上决定了区域经济的发展[3]。桥梁施工过程中面临的技术难度高、施工资料质量要求高、环境复杂等因素导致影响桥梁施工质量的风险性较高，对这些因素的把燮如果不到位，均会直接影响整个桥梁施工的质量。

为保证桥梁施工质量，对桥梁施工过程中的风险因素进行评估，建立合理的施工风险评估体系十分关键。截止到目前，在桥梁施工风险评估方面已取得了一定的研究进展。Wang 等[4]基于模糊接近理想点的TOPSIS 模型对桥梁施工风险进行了评估，指出了该方法在风险评估中的科学性；孙建诚等[5]基于改进的层次分析法和TOPSIS 模型对桥梁施工风险进行了评价，通过风险分析，提出了最优方案，降低了桥梁施工过程的风险；庞伟英等[6]基于灰色聚类法对大跨度桥梁施工风险进行了评估，指出该方法可为桥梁安全施工提供科学依据。

目前来看，对桥梁施工风险的评估方法主要集中在模糊评价、层次分析等传统方法中，这类传统方法具有较强的模糊性，限制了方法的适用性。人工神经网络模型具有较强的学习性，可弥补传统评价方法的不足，应用于桥梁施工风险评估中。

本研究基于模糊神经网络模型对桥梁施工风险进行评估，构建桥梁施工风险评估体系和评价方法指导生产。

1 改进FCM 聚类分析

为构建桥梁施工风险综合评估模型，以模糊神经网络模型为基础，基于改进的FCM聚类分析方法对模型进行改进，从多角度对桥梁施工风险进行了评估，消除了传统模型的局部极值缺点。

1.1 FCM聚类分析

模糊C 均值聚类（FCM）通过计算各个数据与聚类中心之间的聚类，从而分析出指标对目标值的影响程度，确定指标权重，从而实现对目标系统的综合分析[7-8]。该算法的主要步骤为：

假设在整个评价目标群中存在n 个节点，将这些节点进行分组，组数为m 个，m 个分组的聚类中心满足下式条件

式中:νi为聚类中心矢量，c 为权重，m 为聚类数。

1.2 改进蝙蝠算法

蝙蝠算法（BA）是一种以蝙蝠回声觅食行为为原理的算法，该算法将每个个体视为一个蝙蝠个体，首先确定个体的位置和速度，通过蝙蝠回声的脉冲从而不断更新蝙蝠个体位置，直到找到最优位置为止，第i个蝙蝠在t 时刻的位置(xit)和速度(vit)可以表示为：

式中：x*是所求个体的最优适应度值。重复迭代过程，直到找出个体最优解为止。

在传统的BA 算法中，对种群进行初始化时，引入了Logistic 映射，增加了种群初始化的均匀性，具体公式为

式中：ρ 为Logistic 映射系数，yk为随机数，取值0～1。

随着BA 算法的进行，不同过程中算法的搜索能力不同，随着算法的进行，种群数量有所降低，则需算法具有较强的局部搜索能力，在传统算法中引入自适应权重值，具体步骤可见文献[9]。

1.3 改进FCM聚类分析

为进一步提高FCM聚类分析的适用性，将改进BA 算法的最优输出值作为FCM 聚类分析的聚类中心，通过公式（2）输出FCA 聚类分析的结果。

2 基于改进FCM 聚类分析TS 模糊神经网络

根据改进FCM 聚类分析对训练样本进行分组，经过改进BA 算法进行迭代计算，FCM 的最优基础参数为：聚类半径取0.3，指标权重c=2，最大迭代次数为1 000 次，聚类中心个数为31。

采用改进FCM 聚类分析确定TS 模糊神经网络模型基本结构，网络模型的学习速率为0.2，最大迭代次数为300 次，允许误差为0.000 1，将桥梁施工过程的样本数据代入网络模型中，具体步骤为：

（1） TS 模型参数初始化。

（2） 输入基础数据，基于改进的FCM 分析确定数据相对隶属度。

（3） 基于改进的FCM 聚类分析，确定模型输出值。

（4） 计算输出误差，直到满足条件为主。

为测试模型的性能，引入2 种标准测试函数，测试了改进前后TS 模糊神经网络模型的性能，算法函数的公式如下

图1 比较了改进前后TS 模糊神经网络模型的运行性能，由图中可以清晰看出，改进后的模型在运行速率和计算精度上均优于改进前的模型。

图1 改进前后TS 神经网络模型运行性能对比

3 桥梁工程施工风险综合评价体系构建

为在评价体系构建中综合考虑影响桥梁工程施工的各个因素，从人员风险、材料设备风险、外部环境风险和其他风险共4 个方面构建评估体系，具体评估体系见表1。将整个评估体系分为4 个准则层，准侧层下共有15 个目标层。将最终施工过程风险等级分为低风险、较低风险、中风险和高风险共4 个等级，不同指标分级标准可见表2。

表1 桥梁施工过程风险综合评价体系构建

表2 评价指标等级划分情况

4 桥梁施工风险评价结果

基于模糊神经网络模型，对15 个目标层指标进行综合计算，得出桥梁工程施工风险综合分级标准，结果可见表3。

表3 风险评价等级划分

基于改进后的TS 模糊神经网络模型，本文对2种施工方案在不同年份的施工风险进行了评估，结果见表4。从表4 中可以看出，方案1 在2010-2020 年的施工风险均为较低风险等级和低风险等级，在2010-2016 年的施工风险较高，随后施工风险有所降低。而方案2 在所有年份的施工风险均为低风险，这表明施工方案2 的风险较低，为较优的施工方案。

表4 不同施工方案在不同年份的施工风险评价结果

5 结论

基于改进BA 算法对FCM聚类分析进行了优化，基于优化后的FCM算法优化TS 模糊神经网络模型，构建了桥梁施工风险综合评估模型。在人员风险、材料设备风险、外部环境风险和其他风险共4 个准则层方面构建了风险评估体系，分析了2 个施工方案在不同年份的风险等级，选出了最优方案，证明了该方法的科学性。