基于GRA-SSA-Elman的隧道施工瓦斯安全性预测评价

顾伟红,赵 雪

(兰州交通大学 土木工程学院,甘肃 兰州 730070)

0 引言

我国地质构造复杂多样,在隧道施工中常伴有各种灾害发生,尤其是瓦斯隧道施工灾害问题。隧道施工中穿越瓦斯煤层时,会伴有瓦斯溢出,当短时间内瓦斯浓度达到上限,会造成人员窒息、瓦斯突出、爆炸、环境污染等灾害,增加施工风险,所以在隧道施工前进行瓦斯安全性预测研究,不仅可以科学合理地进行事前防控,而且还可以在施工过程中进行事故风险控制[1]。因此,建立一种科学合理的预测评价模型对隧道施工瓦斯安全动态实时监测、准确评估具有重要意义。

近年来,许多学者就隧道施工瓦斯安全评价进行了相关研究。蒋晓槟等[2]建立蒙德法评估模型,定量地进行隧道瓦斯风险评估,为隧道施工瓦斯灾害评价奠定了基础。吴波等[3]将熵值法和可拓理论相结合,依托兴泉铁路某隧道工程建立了隧道施工瓦斯安全评估模型。LIU等[4]基于模糊数学评价模型,对隧道瓦斯安全等级进行评判。翟强等[5]基于未确知测度理论确定隧道瓦斯灾害风险等级,以期降低隧道施工风险。SHAHRIAR等[6]提出了基于AHP-TOPISIS的隧道施工瓦斯安全评估方法,为瓦斯灾害评估提供了新思路。匡亮等[7]基于BP神经网络模型,综合评价瓦斯突出的危险性,预测结果较为理想。李兆奎等[8]建立多层次可拓模型进行隧道施工瓦斯安全评价,为多指标模糊因素评价提供了有效的一种方法。熊建明等[9]采用FDA判别分析法对选取的瓦斯隧道进行风险等级确定。朱宝合等[10]建立支持向量机(support vector machine, SVM)算法模型,采用机器学习算法预测隧道中瓦斯突出危险性等级,预测结果与实例工程相一致。上述研究理论及方法在隧道施工瓦斯安全性评价问题中取得了一定的研究成果,但这些理论与方法仍存在一定的缺陷。影响隧道瓦斯安全因素众多且大多数因素存在非线性、离散型的特征使得模型评价精度不高,而传统的安全评估方法未考虑到指标间存在的非线性问题且模型在建立指标体系后进行赋权然后进行等级评价,在赋权时容易受到主观或客观因素的影响,对评价结果产生影响,个别评价模型如BP神经网络对样本训练不稳定且易陷入局部最优、SVR模型的网络泛化能力较弱使得预测精度较低,且这些模型建立评价体系未考虑影响因素与评价对象间的关联性,使得评价结果准确性难以保证。由此可见,目前隧道施工瓦斯安全性评估仍然缺少科学、合理的隧道施工瓦斯安全预测评估的理论及方法,因此开展隧道瓦斯安全性评价方法的研究具有十分的必要性。

基于此,本文在结合现有文献研究、大量瓦斯隧道施工事故案例及施工调研基础上,构建针对隧道施工瓦斯安全性的评价指标体系,采用GRA分析指标因素与隧道施工瓦斯安全性之间的关联度,引入SSA优化Elman神经网络确定最佳初始权值及阈值,利用留一交叉验证法检验模型可靠性。Elman是具有内部反馈回路的动态神经网络,有更好的全局稳定性及更强的计算能力,可提高模型的预测性能,Elman虽然是以零误差预测值接近真实值,但初始权值存在不稳定性,容易陷入最小值。麻雀搜索算法是近些年提出的一种智能优化算法,与传统的优化方法相比可以加快收敛且避免陷入最优,提高模型实用价值,2种算法相结合的预测评价模型已在地质探测[11]、机械自动化[12]、经济管理科学[13]等领域中取得了良好的效果,但尚未有学者应用于隧道施工瓦斯安全预测评价中,所以本文提出基于GRA与SSA优化Elman神经网络的隧道施工瓦斯安全预测评估新方法,可为动态的隧道施工瓦斯风险预测评估提供新途径。

1 隧道施工瓦斯安全性评估的指标选取

影响隧道施工瓦斯灾害的因素众多,通过国内现有研究成果[14-16]及隧道施工技术规范确定瓦斯灾害主要影响因素包括水文地质条件、隧道设计、煤层结构状况及施工管理四个方面。瓦斯在透气性较好的岩体中较为安全;岩体中地质构造的连通封闭性会直接影响瓦斯安全;瓦斯涌出量是瓦斯安全评价中常选取的指标因素;煤层厚度易量化可表征煤层状况;施工管理中施工技术水平与管理水平皆属于人为因素,因此选为隧道瓦斯安全指标。综上所述,将4个一级指标细分为水文地质条件3个二级指标、隧道设计4个二级指标、煤层结构状况3个二级指标、施工管理2个二级指标,共12个二级指标,构建隧道施工瓦斯安全评价指标体系。

通过既有文献[5,9]研究和GB 40880—2021《矿井瓦斯等级鉴定规范》将风险等级划分定义为:Ⅰ级瓦斯涌出量大,有瓦斯爆炸的风险;Ⅱ级应及时采取措施,避免瓦斯爆炸风险;Ⅲ级有少量瓦斯涌出,一般不会有瓦斯灾害;Ⅳ级瓦斯涌出量极少,施工较安全。具体分级标准如表1所示。其中地下水涌出量、隧道通风风速、煤层厚度、回风流平均瓦斯浓度、相对瓦斯涌出量依据《铁路瓦斯隧道施工技术规范》、《煤矿安全规程》、《瓦斯隧道技术规范》、《公路瓦斯隧道设计与施工技术规范》划分等级标准;隧道埋深、隧道长度、隧道跨度依据《铁路隧道设计规范》划分等级标准;连通封闭性评分、岩石类型评分、施工技术水平和施工管理水平为定性指标,根据专家打分法确定分级标准。

表1 隧道施工瓦斯安全性指标及指标分级标准Table 1 Classification standard of gas safety risk index in tunnel construction

2 构建隧道施工瓦斯安全性预测模型

2.1 灰色关联分析

本文影响因素复杂多变,是信息不完全的典型灰色系统,因此采用灰色关联分析(grey relational analysis,GRA)对指标进行分析和筛选。序列Xi=[xi(1),xi(2),xi(3),…,xi(n)],令X0为数据序列,Xi为对比序列,X0和Xi之间的关系度系数[16]:

(1)

式中:x0i=x0(k)-xi(k);minimink|x0i|为k点x0(k)与xi(k)的最小绝对差值;maximaxk|x0i|为k点的最大绝对差值;ρ为分辨率系数ρ∈[0,1]。

根据式(1)计算各指标与隧道施工瓦斯安全系数值如表2所示。

表2 各指标因素与隧道施工瓦斯安全关联系数值Table 2 Correlation coefficient values of various index factors and gas safety in tunnel construction

X0和Xi之间的灰色关联度γi为:

(2)

求出各指标之间的灰色关联度进行排序,当指标关联度低于0.7时,相关性较低,剔除不予考虑。根据式(2)求出各指标因素与隧道施工瓦斯安全关联度值及排序如表3所示。根据表3中所得各指标因素的关联度值可知,隧道埋深和隧道通风风速关联度低于0.7,相关性较低,因此应选择表3中前10个指标作为预测隧道施工瓦斯安全的输入变量。

表3 各指标因素与隧道施工瓦斯安全关联度值Table 3 Correlation value between each index factor and gas safety in tunnel construction

2.2 Elman神经网络

Elman神经网络因所增加的动态结构可将过去或未来某一状态作为隐含层的输入值,通过非线性函数确定隐含层神经元数量[17],Elman神经网络结构如图1所示。所增加的动态结构可增强该模型的计算能力和增加模型的记忆功能。且该模型在处理非线性问题时具有较强的能力,可以任意精度逼近非线性映射,因此处理本文隧道施工瓦斯安全性多指标因素存在的非线性问题十分适用。因本文所预测隧道施工安全性等级为分类问题,所以特对评价等级进行独热编码(One-Hot-coding)转化为分类预测,One-Hot编码是通过N位状态寄存器对N个状态进行编码,且每个状态都存在独立的寄存器位,在使用One-Hot编码转换后可提高模型运行效率。

图1 Elman神经网络结构图Fig. 1 Elman neural network structure

其数学表达式为:

x(t)=f(w1xc(t)+w2(u(t-1)))

(3)

xc(t)=x(t-1)

(4)

y(t)=g(w3x(t))

(5)

式中:u为输入向量;y为输出向量;x为中间层向量;xc为反馈向量;w(1, 2, 3)为连接权重;f为中间层的传递函数;g为输出神经元的传递函数。xc(t)计算得到:

xc(t)=x(t-1)=f(w1xc(t-1)+w2u(t-2))

(6)

式中xc(t-1)=x(t-2)进行迭代时xc(t)受上一时刻连接权重的影响,得到历史信号对现有系统的影响。

在进行Elman模型预测时,隐含层的神经元数量少则学习程度不佳,数量多则训练过程变得缓慢,模型初始时无法得到最佳的神经元数量只能不断训练进行调整[18],最佳神经元数量范围可根据经验公式:

(7)

式中:m为输入层神经元数量;l为输出层神经元数量;a的范围为1～10,计算出n的范围代入模型进行训练寻优,本文模型的训练集为64组,测试集为16组,训练后的均方误差(mean square error, MSE)随隐含层神经元数量变化曲线如图2所示,由图2可知,最佳隐含层节点数为6,MSE为0.0903,所以承接层的神经元数量也为6,因此Elman的网络结构图如图3所示。

图2 MSE随隐含层神经元数量变化曲线图Fig. 2 Change curve of MSE with the number of neurons in hidden layer

图3 Elman神经网络结构图Fig. 3 Elman neural network structure

2.3 麻雀搜索优化Elman神经网络

麻雀搜索算法(sparrow search algorithm ,SSA)中包括发现者、跟随着、侦查者,通过三者不断更新位置循环直到达到最优解[19]。由于Elman的初始权值和阈值是随机的,所以引入SSA寻求最佳初始权值和阈值[20]。算法流程图如图4所示。

图4 SSA-Elman预测模型流程图Fig. 4 Flow chart of SSA-Elman prediction model

具体步骤如下:

1)数据预处理:将隧道施工瓦斯安全评价样本数据进行提取。

2)设置初始参数:设置模型初始参数。

3)设置适应度函数:适应度计算公式为:

(8)

4)更新发现者位置。

(9)

式中:t为迭代次数;rmax为最大迭代次数;Xi,j为第i只麻雀的j维的位置;α为(0, 1]的随机数;R2为安全值;ST为警戒值;Q为服从正态分布的随机数;L为全1矩阵。

5)更新跟随者位置。

(10)

6)更新侦察者位置。

(11)

式中:xbest为最优位置;fg为最佳适应度值;fw为最差适应度值;β为步长控制参数;K为[-1, 1]上的一个随机数;ε为无限接近于0的常数。

7)获取最佳值:将样本训练集代入模型,计算适应度值,判断是否满足终止条件。

8)构建模型:将得到的最佳权值和阈值代入Elman,构建SSA-Elman模型。

SSA-Elman预测模型的适应度曲线通过训练集和测试集的均方误差体现,在SSA进化过程中,适应度越小,表明模型预测精度更准确。隧道施工瓦斯安全预测的SSA适应度变化曲线如图5所示,由图5可知算法在迭代初期寻优效果好能快速找到相对较优解,收敛速度快,运行后期开始逐渐稳定收敛,表明算法的寻优能力较强。

图5 SSA最佳适应度变化曲线Fig. 5 Change curve of optimal fitness of SSA

3 实例验证

3.1 数据准备

通过调研,搜集我国现有瓦斯隧道勘测资料和阅读整理相关文献[9,21],参考瓦斯隧道研究成果,选取隧道施工瓦斯评价样本分别为通瑜隧道、新石垭口隧道、武隆隧道、青山公路隧道、黄莲坡隧道、梅子关隧道梨树湾隧道、康牛隧道、凉风垭隧道、白龙山隧道、北培隧道、马蹄石隧道、乌蒙山隧道、分水隧道、观斗山隧道和肖家坡隧道作为模型待测样本来验证模型的准确性及实用性。现依据隧道施工瓦斯隧道施工分级标准选取标准值,即根据表1在每个等级指标分级数值区间均匀选取20组数值,由此可得到80组标准样本,其中选取第5、10、15、…、80共16组数据为测试样本,剩余的64组样本值作为训练样本,为方便模型代码识别将安全性等级以数字“1”、“2”、“3”、“4”作为输入值。为避免数据差值过大影响模型预测的准确性,故将各指标数据标准样本等比例缩小映射[0,1]区间内[22]。样本数据和待测隧道评价样本如表4所示(由于篇幅有限表中只列出部分数据)。

表4 瓦斯隧道标准样本数据和待测样本Table 4 Standard sample data and samples to be tested of gas tunnel

3.2 SSA-Elman模型建立与验证

模型建立基于MATLAB2020a软件中,采用留一交叉验证法检验SSA-Elman模型的预测性能,将样本中的每一个训练样本轮流作为测试集,剩余的为训练集,优势在于每个样本都会通过模型单独训练,使得模型预测最接近原始样本分布特征。将64组样本作为训练样本进行留一交叉验证法,验证结果如图6所示。SSA-Elman模型只有少数几组数据验证误差值在[-1,1]区间浮动,且大部分样本点预测值稳定,证明SSA-Elman模型的预测精度较好,预测性能稳定。

图6 SSA-Elman模型留一交叉验证误差值Fig. 6 SSA-Elman model leaves a cross validation error value

为验证SSA对Elman神经网络的优化结果,通过预测评估16组测试样本对比分析Elman模型和SSA-Elman模型的预测结果,如表5和图7所示,可得出:Elman模型预测值与真实值误差较大,而SSA-Elman模型的预测值更接近实际值且预测结果更稳定。

图7 模型预测对比图与误差图Fig. 7 Model comparison diagram and prediction error diagram

表5 Elman和SSA-Elman预测结果Table 5 Elman and SSA-Elman prediction results

为评估SSA-Elman模型的准确性,本文采用5个评价参数分别为均方误差(mean square error,MSE)、均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)及常见的分类性能指标准确率(accuracy)对SSA-Elman模型预测精度进行评估,表6所示为Elman和SSA-Elman模型的评价参数对比分析,评价参数越小表明模型预测回归性效果越好且预测精度越高,分类性能指标准确率越高表明模型性能越好,如表6所示,SSA-Elman模型的参数均优于Elman模型,证明SSA-Elman模型的预测效果良好。

表6 模型评价参数分析表Table 6 Analysis of model evaluation parameters

3.3 结果与分析

为验证模型实际工程中预测的的准确性和可靠性,本文通过选取的待测样本预测隧道施工瓦斯安全性等级结果与PSO-Elman、Elman及文献[8]中的FDA模型、实际工程实测结果进行对比分析。如表7所示,SSA-Elman模型得到的各样本点隧道瓦斯安全等级准确率为93.75%,PSO-Elman预测结果准确率为87.5%,Elman模型评价等级预测准确率与FDA模型评价隧道施工瓦斯安全等级准确率同为81.25%,SSA-Elman模型预测准确性更高且趋于稳定;通过分析发现预测待测样本产生误差的原因可能出现在各评价等级之间划分标准不够细致,所以后续可完善划分安全性等级。基于此,本文所建立的SSA-Elman预测模型对于隧道施工瓦斯安全性预测更适用。

表7 不同模型隧道施工瓦斯安全性评价结果Table 7 Gas risk assessment results of different model tunnel construction

综上所述,本文所建立的预测模型可准确预测隧道施工瓦斯安全。较好的评估效果也反映了该模型在实际工程应用中具有实用价值。

4 结论

本文在总结国内外隧道施工瓦斯安全评价文献研究、规范搜集、工程调研、专家调查的基础上,确定隧道施工瓦斯影响因素并确定等级划分,并通过调研搜集16个瓦斯隧道作为待测对象完成了隧道瓦斯安全性预测,得到以下结论:

1)隧道施工瓦斯灾害影响因素众多,本文从水文地质条件、隧道设计、煤层结构状况及施工管理四个方面分析影响隧道施工瓦斯安全的主要因素,在既有研究和相关规范的基础上,构建了包含12个二级指标的隧道施工瓦斯安全预测评价指标体系,并采用GRA分析了选取指标对评价对象的相关性,使得建立的指标更具合理性。

2)本文构建GRA-SSA-Elman的隧道施工瓦斯安全性预测模型,该模型可在有限样本、多因素非线性条件下预测隧道施工瓦斯安全等级,并采用留一交叉验证法验证、对比分析测试样本预测值和模型评价参数,得出模型预测精度高且性能稳定,模型整体预测效果良好,可操作性强、实用价值高。

3)本文通过选取的16组不同实例瓦斯隧道待测样本将SSA-Elman模型评价结果与PSO-Elman、Elman、FDA模型结果进行对比分析,实际工程一致性较高,验证了该模型评估的准确性及实用性,可为实时动态的隧道施工瓦斯灾害预测评估提供参考。

4)本文的隧道施工瓦斯安全等级划分依据较为定性,之后可通过具体的量化方法对标准进一步完善,使得模型更加合理准确。