閆自海,李 碩,甘鵬路,梁思農(nóng)

(1. 中國電建集團華東勘察設計研究院有限公司,浙江 杭州 311122; 2. 重慶交通大學 土木工程學院,重慶 400074)

0 引 言

隧道作為交通運輸?shù)难屎?具有縮短里程和提高運輸效率的優(yōu)勢,但同時也面臨高事故率、高傷亡率的困境[1]。密閉的隧道內(nèi)視覺參照作用較弱,影響駕駛員安全行駛的因素較多,影響因素主次不明,嚴重威脅隧道內(nèi)的行車安全[2]。隧道照明環(huán)境是一個人-車-路耦合作用下多因素共同影響的復雜環(huán)境,進行隧道內(nèi)部照明環(huán)境評價研究,對改善隧道內(nèi)部運行環(huán)境,提高隧道路段交通安全有重要意義。

隧道的照明空間以及可直接或間接影響照明的各種自然影響因素稱為隧道照明環(huán)境,研究人員普遍認為,影響隧道照明環(huán)境的因素主要包括:交通狀況、建筑特性[3]、照明品質(zhì)與環(huán)境污染[4]狀況4個方面。

指標權重一直以來是隧道運營環(huán)境評估研究的重點?；趯哟畏治龇ǖ闹笜藱嘀赜嬎惴椒?實現(xiàn)了隧道運營環(huán)境評價由定性到定量的轉(zhuǎn)變[5],將層次分析法權重和熵值法權重加權平均,以確定評價指標的綜合權重[6],其同時反映了指標權重計算的主觀性和實測數(shù)據(jù)的客觀性,但現(xiàn)有權重計算方法的研究未真正解決主觀評價的局限性。

此外,可通過分析駕駛員的視覺特性[7]、生理反應[8]與駕駛行為[9]的變化規(guī)律,進行隧道照明環(huán)境安全狀況評估。但已有研究往往只選擇1種或1類指標對駕駛員的生理負荷進行評價,在進行隧道照明環(huán)境安全狀況評價時無法確定具體指標的影響程度。

綜上,針對現(xiàn)階段隧道照明環(huán)境評價方法過分依賴人的主觀評價、無法合理反映實測數(shù)據(jù)本身蘊涵信息的問題。筆者提出了一種基于改進熵值法的隧道照明環(huán)境評價方法,根據(jù)現(xiàn)場采集的實驗數(shù)據(jù)計算指標權重,進行整體照明環(huán)境質(zhì)量評估,并選取瞳孔面積變化率對評估值進行有效性檢驗,明確了隧道照明環(huán)境各影響因素的影響程度,以期為隧道照明環(huán)境的優(yōu)化和改善提供參考依據(jù)。

1 隧道照明環(huán)境評價體系的構建

1.1 評價指標的選取

通過綜合分析隧道照明環(huán)境的影響因素、特點以及近年來的研究成果,可將影響隧道照明環(huán)境的因素概括為光源、交通狀況、通風條件以及空間通視性4個方面。為客觀評價隧道內(nèi)部照明環(huán)境質(zhì)量,需將影響隧道照明環(huán)境的因素進一步細分,從而確定內(nèi)部照明環(huán)境影響因素的具體參數(shù)指標。

由于駕駛員在隧道內(nèi)前進的過程是動態(tài)的,從駕駛員視認需求的目的出發(fā),首先應當重視隧道內(nèi)各照明段的亮度變化,劇烈的亮度變化會對駕駛員的視覺感知造成直接影響,且人工光源的色溫會影響駕駛員視覺感受,較好的路面亮度均勻度可減輕視覺疲勞,較高的側(cè)壁亮度增強了視覺誘導性。車流量和車速會影響駕駛員的緊張情緒,煙霧濃度和能見度影響駕駛員的視認距離,隧道的空間通視性決定駕駛員的視野范圍。綜上,諸多指標均直接或間接造成隧道內(nèi)的駕駛安全問題,因此將隧道內(nèi)部照明環(huán)境危險程度評價指標細化(表1),其中子指標是依據(jù)主指標的內(nèi)涵確定,各指標的正負屬性代表指標對隧道照明環(huán)境危險程度的利弊影響,正為有利,負反之。

表1 隧道照明環(huán)境危險程度評價指標Table 1 Evaluation indexes of dangerous degree of tunnel lighting environment

隧道內(nèi)主要依靠人工光源提供照明,選用A1～A3反映隧道內(nèi)部動態(tài)亮度變化情況,A4用于衡量光源的色溫,A5衡量路面亮度的均勻性,A6為側(cè)壁亮度。隧道內(nèi)的交通狀況中,B1用于反映隧道內(nèi)部車輛的通行能力,B2用于衡量隧道交通的服務質(zhì)量。隧道內(nèi)的通風條件中,C1用來反映隧道內(nèi)部光線的穿透能力,C2用于表征駕駛員在隧道內(nèi)辨認目標的最遠距離。隧道的空間通視性,用D1反映密閉的空間對駕駛員視野范圍的影響。

1.2 基于改進熵值法的指標權重計算

利用熵值法進行隧道內(nèi)部照明環(huán)境各參數(shù)指標權重分析計算時,根據(jù)數(shù)據(jù)攜帶的信息量大小計算權重,得到客觀的指標權重。但是,當某一指標離散程度較大時,該指標權重值會很大,導致該指標主導最后的評價結(jié)果。選用改進的熵值計算權重,通過兩兩指標差異性系數(shù)比較的方法,減輕某個指標值離散程度較大時帶來的指標權重不合理的問題,具體方法包括:標準化處理、比重計算、信息熵計算、權重計算與危險程度評估值共5個步驟。

選取試驗樣本的所有評價指標構成初始矩陣X=[Xij],Xij表示第i個樣本的第j個指標的數(shù)值,其中(i=1,…,n;j=1,…,m)。

1.2.1 標準化處理

為保留原始數(shù)據(jù)的信息熵,對初始矩陣進行標準化處理,如式(1):

(1)

1.2.2 比重計算

計算第j項指標下第i個參評單元占該指標的比重Yij,如式(2):

(2)

1.2.3 信息熵計算

計算第j項指標的指標信息熵Ej,差異性系數(shù)gj,最大差異系數(shù)D與映射比率R。

(3)

式中:?為調(diào)整系數(shù),D≤9時?取最接近D的整數(shù),否則取?=9。

(?-1)-1是將D平均分配在1～9標度的映射值上,用D除以?得到與層次分析法映射值結(jié)構相一致的1～9標度的映射值[10]。1～9標度和其映射值間的對應關系如表2。

表2 1～9標度、映射值對照Table 2 1～9 scale and mapping value comparison table

1.2.4 權重計算

根據(jù)指標的兩兩差異性系數(shù)比rik構造判斷矩陣A,如若rik最接近1～9標度映射值中的6×R5,則指標j與指標k的相對重要性為6,并可得指標k與指標j的相對重要性為1/6。按照層次分析法計算指標權重的方法得到各指標權重ωj。

1.2.5 危險程度評估值

根據(jù)ωj計算結(jié)果,可得到隧道內(nèi)部照明環(huán)境綜合危險程度評估值W為:

(4)

為便于分析,將隧道內(nèi)部照明環(huán)境綜合危險程度評估值W進行歸一化處理,縮放在[0,1]之間。

1.3 基于BP神經(jīng)網(wǎng)絡的評價模型簡化

鑒于隧道內(nèi)部照明環(huán)境綜合危險程度評估值W計算的復雜性,在改進熵值法的基礎之上,通過BP神經(jīng)網(wǎng)絡對樣本數(shù)據(jù)與估值結(jié)果進行迭代運算,得到可簡便使用的隧道內(nèi)部照明環(huán)境評價模型。

1.3.1 BP神經(jīng)網(wǎng)絡原理

誤差反向傳播多層前饋神經(jīng)網(wǎng)絡,又稱BP神經(jīng)網(wǎng)絡,能學習和存貯大量的輸入-輸出模式映射關系,可以解決求解非線性連續(xù)函數(shù)的多層前饋神經(jīng)網(wǎng)絡權重調(diào)整問題。用于隧道內(nèi)部照明環(huán)境質(zhì)量評價,可通過誤差反饋與權重調(diào)整,提高隧道內(nèi)部照明環(huán)境評價簡化模型計算精度[11]。其拓撲結(jié)構模型如圖1。

圖1 BP神經(jīng)網(wǎng)絡模型Fig.1 BP neural network model

1.3.2 BP神經(jīng)網(wǎng)絡結(jié)構

輸入層包含影響隧道照明環(huán)境的m個輸入變量;輸出層為隧道內(nèi)部照明環(huán)境綜合評估值,即輸出層神經(jīng)元節(jié)點數(shù)為1;隱含層節(jié)點數(shù)設為l。

將歸一化處理后的各項指標數(shù)據(jù)輸入神經(jīng)網(wǎng)絡,激活函數(shù)選用logistic函數(shù),由式(5)得到輸入層輸出值y。

(5)

式中:ωy為輸入層權值;by為輸入層閾值。

輸出層神經(jīng)元的傳遞函數(shù)采用線形(purelin)函數(shù),則輸出層輸出值z如式(6):

z=ωzy+bz

(6)

式中;ωz為輸出層權值;bz為輸出層閾值。

當取得所有訓練樣本的輸出層輸出值后,利用公式(7),判斷模型訓練精度。

(7)

式中:mj為輸出值;zj為實測值。

同時利用梯度下降算法對誤差進行反向傳播,直至達到目標精度即訓練過程結(jié)束,計算公式為:

(8)

式中:ωN為各連接層間的權值;bN為各連接層間的閾值;ωN+1為各連接層間的修正后權值;bN+1為各連接層間的修正后閾值;α為網(wǎng)絡學習速率;N為修正次數(shù)。

1.4 基于聚類分析的照明環(huán)境質(zhì)量評估

為對目標隧道內(nèi)部照明環(huán)境質(zhì)量的優(yōu)劣進行整體客觀性評估,采用k-means聚類分析對隧道內(nèi)部照明環(huán)境綜合危險程度評估值W進行聚類,得到不同等級的取值范圍[12],方法為:

指定需要劃分的簇的個數(shù)k值,從估值W中隨機選擇k個樣本數(shù)據(jù)作為初始聚類中心si,i=1,…,k,wj為每個樣本估值,j=1,…,n,可計算wj到si的距離:

dwx(wi,Si)=(w1-s1)2+(w2-s2)2+…+(wk-sk)2

(9)

計算出所有的樣本到各中心點的距離后,將樣本分配到距離最近的中心點對應的類別中,再計算每個類別對應的中心點,如式(10):

(10)

式中:s′i是重新聚類后的第i個聚類中心;N′是該聚類中心對應的類別的樣本個數(shù)。重復上述計算步驟,直到樣本估值到聚類中心的距離符合精度要求,迭代結(jié)束,可得到各評價等級的取值范圍。

2 數(shù)據(jù)采集與處理

2.1 試驗隧道

選取重慶市主城區(qū)內(nèi)7處線性良好、坡度較小、周邊環(huán)境干擾較小的隧道開展現(xiàn)場試驗。每條隧道進行4次數(shù)據(jù)采集,共計28組樣本數(shù)據(jù),隧道概況見表3。

表3 試驗隧道概況Table 3 Overview of the test tunnel

2.2 試驗指標及設備

試驗采用高精度雷達測速儀Bushnell 101921、便攜式隧道光透過率檢測器BN-SDTRA10H、照度計TES 1339R Data Logger Light Meter Pro與分光輻射亮度計PR 655采集隧道內(nèi)路面亮度、光源顯色指數(shù)、車流量、車速、能見度、煙霧濃度、與斷面尺寸等指標數(shù)據(jù)。選用德國SMI生產(chǎn)的ETG 2w型便攜眼鏡式眼動儀采集實車駕駛試驗過程中隧道內(nèi)的駕駛員瞳孔直徑數(shù)據(jù)。

2.3 注意事項與試驗流程

為保證測試人員的安全與測試精度,隧道內(nèi)亮度測試時各照明區(qū)段等距布置5個測點,布置測點位置如圖2。考慮早晚高峰出行對照明及交通數(shù)據(jù)的影響,在天氣良好的08:00—18:00的時段開展試驗,同時測試人員正對車輛行駛方向測量,避免人為因素干擾。在進行隧道內(nèi)的駕駛員瞳孔直徑數(shù)據(jù)采集時,駕駛員保持自由流車速正常行駛,為了避免駕駛員長時間行駛產(chǎn)生疲勞感,每名駕駛員每次試驗至少間隔20 min,試驗的主要流程如圖3。每次測試完畢后,由駕駛員對本次駕駛體驗做出評價,共分為安全、較安全、較危險和非常危險4個評價等級,總計28組統(tǒng)計樣本。

圖2 隧道內(nèi)亮度和能見度測試點示意Fig. 2 Schematic diagram of test points for brightness and visibility in the tunnel

圖3 試驗流程Fig. 3 Test flow chart

2.4 數(shù)據(jù)處理

考慮在通車隧道內(nèi)測試亮度的難度和危險性較大,通過測試隧道路面照度,并根據(jù)照度/亮度轉(zhuǎn)換系數(shù)得出實測亮度值[13]。駕駛員瞳孔直徑數(shù)據(jù)處理時,前、后每隔1 s提取該時間段內(nèi)的平均值作為測試值,若該時間段內(nèi)有數(shù)據(jù)和平均值之差超過3倍標準差時,需剔除該數(shù)據(jù)后重新求平均值。

3 隧道內(nèi)部照明環(huán)境評價實例計算

3.1 指標權重計算

基于現(xiàn)場試驗采集的指標數(shù)據(jù),利用改進的熵值法計算各項指標的權重。根據(jù)色溫、交通量與能見度等項指標的兩兩差異性系數(shù)比rik構造判斷矩陣A為:

(10)

根據(jù)計算最大差異系數(shù)D=1.035,計算出1～9標度的映射值(表4)以及熵值法改進前后指標權重(表5)。

表4 改進熵值法1～9標度的映射值Table 4 1～9 scale mapping value in improved entropy method

表5 熵值法改進前后評價指標權重Table 5 Evaluation index weight before and after the improvement of entropy method

評價指標權重的排序在算法改進前后基本沒生變化,光源與交通環(huán)境所占權重分別由40.42%和43.06%變?yōu)?9.18%和31.73%,改進熵值法權重計算突出光源是影響隧道中間段照明環(huán)境的最主要因素,更符合實際的主觀期望。究其原因,基于兩兩差異性系數(shù)比rik構造的判斷矩陣A保留了熵值法所反映的潛在權重關系,在計算過程中,改善了由于因交通量數(shù)據(jù)離散程度較大所導致的權重值較大的問題。

由改進熵值法的主指標權重計算結(jié)果可知,光源因素所包含的信息量最多,子指標變異程度最大,對隧道照明環(huán)境的影響程度最大,包含交通量與車速評價指標的交通環(huán)境因素占照明環(huán)境影響權重的31.73%;隧道通風條件對照明環(huán)境也會產(chǎn)生一定的影響,通風條件因素權重占比為12.95%;而隧道的空間通視條件對照明環(huán)境的影響相對較小(對應權重為6.14%)。子指標權重計算排序為:交通量>入口段與過渡段路面平均亮度變化值>中間段與出口段路面平均亮度變化值>過渡段與中間段路面平均亮度變化值>車速>煙霧濃度>斷面面積>能見度>路面亮度均勻度>色溫>側(cè)壁亮度。

3.2 簡化模型計算

為防止數(shù)據(jù)過度擬合,選取28組樣本數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡的訓練測試?；诟倪M熵值法的權重計算結(jié)果,得到隧道內(nèi)部照明環(huán)境綜合危險程度評估值W,將所有評價指標數(shù)據(jù)與評估值代入8:6:1的BP神經(jīng)網(wǎng)絡結(jié)構中進行迭代運算(輸入層包含8個節(jié)點,隱含層包含6個節(jié)點,輸出層包含1個節(jié)點),在訓練過程中目標誤差設置為10-4,網(wǎng)絡學習率為0.01,最大訓練步數(shù)為1 000。輸入和輸出的評估值及相對誤差百分比如圖4。

圖4 輸入和輸出評估值對比Fig. 4 Comparison of input and output evaluation values

由簡化模型計算結(jié)果可知:7條隧道28組樣本估值在模型簡化前后計算結(jié)果的相對誤差百分比在0%～6%之間。28組實驗樣本中僅有1組樣本數(shù)據(jù)輸入和輸出的相對誤差百分比超過5%,經(jīng)計算擬合判斷系數(shù)R2=0.934,即模型精度為93.4%,說明簡化模型通過學習自動提取了輸出、輸出數(shù)據(jù)間的“合理規(guī)則”,基于BP神經(jīng)網(wǎng)絡的內(nèi)部照明環(huán)境評價簡化模型計算精度較高。

3.3 質(zhì)量評估

通過k-means聚類分析,將隧道內(nèi)部照明環(huán)境綜合危險程度劃分為安全、較安全、較危險、非常危險4個等級,并得到評估輸出值W評價等級的取值范圍:安全為[0.108,0.199)、較安全為[0.199～0.257)、較危險為[0.257～0.488)、非常危險為[0.488～0.617]。

通過計算每條隧道所有樣本的平均評估值,確定試驗隧道內(nèi)部照明環(huán)境的危險狀態(tài),向黃隧道評估值為0.23,長沖隧道評估值為0.12,真武山隧道評估值為0.49,九龍坡隧道評估值為0.18,石黃隧道評估值為0.20,南山隧道評估值為0.24,慈母山1號隧道評估值為0.27。評估結(jié)果表明:長沖隧道內(nèi)部照明環(huán)境相對安全,九龍坡隧道與石黃隧道內(nèi)部照明環(huán)境較為安全,慈母山1號隧道、向黃隧道與南山隧道內(nèi)部照明環(huán)境較為危險,真武山隧道內(nèi)部照明環(huán)境非常危險。

3.4 評估檢驗

基于改進熵值法的隧道照明環(huán)境評價是從駕駛員視認需求角度評估隧道照明環(huán)境危險程度,而瞳孔面積變化規(guī)律也可在反映隧道內(nèi)駕駛員的駕駛安全性[26],因此可利用駕駛員在隧道內(nèi)部的瞳孔面積變化率對評估值進行有效性檢驗。試驗隧道內(nèi)部照明環(huán)境綜合危險程度評估值W與駕駛員瞳孔面積變化率對比如圖5。

圖5 評估值與瞳孔面積變化率對比Fig. 5 Comparison of assessment value and pupil area change rate

由圖5可知:試驗測試隧道內(nèi)部駕駛員瞳孔面積變化率的上下四分位數(shù)在0～5 mm2/s之間,不同隧道駕駛員瞳孔面積變化率數(shù)據(jù)總體分布具有顯著差異。瞳孔面積變化率可以明顯表現(xiàn)駕駛員在行駛過程的生理負荷,在一定程度可以表征不同隧道內(nèi)行車的危險程度。從采集瞳孔數(shù)據(jù)處理結(jié)果與計算評估值對比可以明顯看出,瞳孔面積變化率均值與中位數(shù)跟評估值的大小排序基本保持一致,向黃隧道和慈母山1號隧道的結(jié)果略有差異,主要是受試驗中儀器誤差與測量誤差的影響,造成了駕駛員瞳孔面積變化結(jié)果與評估值計算結(jié)果差異性的存在,但不影響整體評估效果。由此可見,評估值W可以在明確具體指標的影響程度的基礎上有效評估隧道內(nèi)部照明環(huán)境綜合危險程度。

為檢驗危險程度劃分的正確性,統(tǒng)計了每次測試后駕駛員對駕駛體驗評價的結(jié)果,如表6,表中的數(shù)值為駕駛員駕駛體驗評價安全、較安全、較危險、非常危險的統(tǒng)計次數(shù)。

表6 危險程度駕駛員評價結(jié)果Table 6 Driver evaluation results of hazard level

由表6可知:石黃隧道、慈母山1號隧道的4次測試中,各有1次評價結(jié)果與3.3節(jié)中質(zhì)量評估結(jié)果不一致,28個統(tǒng)計樣本中有26個與簡化模型計算結(jié)果的危險程度相匹配,與改進熵值法對隧道照明環(huán)境的質(zhì)量評估結(jié)果相似率達到92.9%,表明了改進熵值法對隧道照明環(huán)境質(zhì)量評估的合理性。因此,結(jié)合駕駛員瞳孔面積變化率對評估值的有效性檢驗,分析發(fā)現(xiàn)本文中改進熵值法的隧道照明環(huán)境評價方法是合理有效的。

3.5 隧道照明環(huán)境改善建議

在對隧道照明環(huán)境進行設計時,應充分考慮光源、交通環(huán)境、通風條件和空間通視性等物理條件。由于光源和交通環(huán)境對隧道照明環(huán)境的影響比重分別占49.18%和31.73%,因此更加值得關注。

在運營隧道中應合理調(diào)控隧道各區(qū)段燈具亮度使得亮度差異變化減小;開啟隧道通風系統(tǒng)并及時清理揚塵以獲得更佳的能見度;對于交通量較大的隧道,應及時做好交通疏導和引流以保證適宜的交通環(huán)境。隨著隧道運營智能化程度的提高,筆者所列出的11個影響隧道照明環(huán)境的子指標,可作為隧道智能照明監(jiān)測和控制的主要參數(shù),為今后的照明設計提供主要借鑒。

4 結(jié) 論

筆者集合指標選取、權重計算、模型簡化與質(zhì)量評估,構建一套客觀的隧道內(nèi)部照明環(huán)境評價體系,為隧道內(nèi)部的行車安全環(huán)境優(yōu)化及改善提供理論參考,并得到以下結(jié)論:

1)從駕駛員視認需求的角度選取照明環(huán)境評價指標,真實的反映了隧道照明環(huán)境對行車安全的影響。

2)通過改進熵值法計算各參數(shù)指標權重,充分利用數(shù)據(jù)攜帶的信息量大小計算指標的客觀影響程度,結(jié)果分析表明,對于照明環(huán)境來說,光源是最關鍵的評價指標,所占權重約49.18%,其次是交通狀況、通風條件和空間通視性。

3)將改進熵值法權重計算結(jié)果與BP神將網(wǎng)絡相結(jié)合,得到精度達到93.4%的簡化模型,提高了指標綜合權重的計算效率。

4)通過聚類分析劃分隧道照明環(huán)境危險程度等級,并確定評價等級閾值,直觀表現(xiàn)目標隧道照明環(huán)境質(zhì)量并反映指標的內(nèi)在聯(lián)系。

5)利用瞳孔面積變化率對估值檢驗,發(fā)現(xiàn)試驗隧道評估結(jié)果與瞳孔面積變化率分布區(qū)間的大小排序基本保持一致。