姚緒起

(平陰縣水務局,山東 平陰 250400)

0 引言

隨著社會的高速發(fā)展,各地對于水閘的需求量也逐漸增加[1]。由于在修建水閘的過程中危險因素太多,導致水閘修建過程中的安全事故的發(fā)生比例也在升高[2]。探索一種可減少修建過程中的安全風險的方法具有重大意義[3]。RBF神經(jīng)網(wǎng)絡是一種新型的前饋神經(jīng)網(wǎng)絡,其擁有其他神經(jīng)網(wǎng)絡沒有的最佳逼近性能以及全局最優(yōu)特性,且結(jié)構(gòu)簡單,訓練速度快。RBF神經(jīng)網(wǎng)絡目前廣泛應用各種預測領(lǐng)域[4-5]。而水閘過程中的安全分析從本質(zhì)上將也是對危險的預測,故研究將RBF網(wǎng)絡模型與水閘工程安全分析相結(jié)合,構(gòu)建了一種基于RBF網(wǎng)絡的水閘施工過程中的安全分析模型。以期通過RBF網(wǎng)絡的獨特網(wǎng)絡結(jié)構(gòu)來幫助提高水閘工程施工過程中的安全性風險等級預測,并對施工過程中的安全管理提高數(shù)據(jù)支持。

1 RBF神經(jīng)網(wǎng)絡在水閘施工安全分析模型中的應用

1.1 RBF神經(jīng)網(wǎng)絡模型的構(gòu)建

在水閘工程施工過程中,影響水閘施工安全的因素多種多樣,一般的水閘安全分析系統(tǒng)很難對水閘施工過程中的安全性進行正確預測。而人工神經(jīng)網(wǎng)絡可以對復雜化的問題進行非線性建模,然后通過其誤差反饋機制對網(wǎng)絡進行調(diào)整,最終在模型的構(gòu)建過程中減少人為因素的影響,從而提高預測模型的預測準確率[6-7]。徑向基函數(shù)(Radial Basis Function,RBF)網(wǎng)絡作為一種新型的人工神經(jīng)網(wǎng)絡,因其可以有效地在找到存在與多維空間中的最佳訓練數(shù)據(jù)平面,其常常被應用于各種復雜化的預測問題中。RBF網(wǎng)絡能夠模擬人腦中的神經(jīng)網(wǎng)絡結(jié)構(gòu),從而使其網(wǎng)絡結(jié)構(gòu)中隱藏層的神經(jīng)元函數(shù)成為最佳擬合平面的基函數(shù)。且RBF網(wǎng)絡中輸出層和中間層之間的具有獨特的加權(quán)結(jié)構(gòu)。RBF網(wǎng)絡與一般的神經(jīng)網(wǎng)絡大致結(jié)構(gòu)一致,主要包括輸入層、隱藏層以及輸出層三部分結(jié)構(gòu)。但其映射關(guān)系異于一般神經(jīng)網(wǎng)絡結(jié)構(gòu),RBF網(wǎng)絡的映射關(guān)系均通過非線性函數(shù)的線性組合進行實現(xiàn)。RBF神經(jīng)網(wǎng)絡的具體結(jié)構(gòu)圖如圖1所示。

圖1 RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)圖

由圖1可得,RBF網(wǎng)絡三大組成部分分別為輸入層、隱藏層和輸出層。其中輸入層由若干個感知單元組成,輸入層作為網(wǎng)絡結(jié)構(gòu)與外界的界限,其主要功能是對外界的信息進行接收,并將其傳輸至隱藏層。而隱藏層中包含了若干個隱藏層節(jié)點,隱藏層節(jié)點一般由高斯基函數(shù)組成,高斯基函數(shù)的表達式如式(1)所示。

(1)

式中:αi(x)表示第i個隱藏層節(jié)點的輸出結(jié)果;m表示隱藏層節(jié)點的數(shù)量;ci表示第i個隱藏層節(jié)點對應的高斯基函數(shù)的中心向量;σi表示第i個隱藏層節(jié)點的基寬度;而X表示輸入的樣本;X包含了不同維數(shù)的x1,x2,…,xn。隱藏層的主要功能是對輸入的信息進行響應,并通過高斯基函數(shù)對輸入信息進行非線性映射,然后將通過隱藏層的信息運輸至輸出層。輸出層結(jié)構(gòu)的主要功能是對隱藏層傳出的信息進行最終響應,該部分由線性函數(shù)組成,其表達式如式(2)所示。

(2)

式中:yk表示神經(jīng)網(wǎng)絡的輸出結(jié)果;ωik為隱藏層和輸出層之間的權(quán)值;而p表示輸出層的節(jié)點數(shù)量。在整個神經(jīng)網(wǎng)絡結(jié)構(gòu)中,隱藏層結(jié)構(gòu)主要是對數(shù)據(jù)進行非線性變換,將輸入數(shù)據(jù)X變換為αi(x),而輸出層結(jié)構(gòu)主要是對αi(x)進行線性變換得到最終輸出結(jié)果,通過兩次不同線性的變換不僅可以提高整體神經(jīng)網(wǎng)絡的運行速度,還可以提高其非線性映射的能力。因為RBF網(wǎng)絡結(jié)構(gòu)中存在作用不同的線性權(quán)值函數(shù)和非線性函數(shù),故對于該網(wǎng)絡的學習任務包含兩個目標。其一是對隱藏層節(jié)點的數(shù)量、每個隱藏層節(jié)點對應的中心向量及寬度進行確定,另一個目標是計算出隱藏層和輸出層之間的權(quán)值ωik。在此次研究中,使用正交最小二乘算法作為學習算法對RBF網(wǎng)絡進行學習。在學習過程中,首先利用學習算法選取輸入樣本的數(shù)據(jù)中心,通過確定數(shù)據(jù)中心來找到隱藏層節(jié)點的數(shù)量、每個隱藏層節(jié)點對應的中心向量及寬度。然后依據(jù)影響程度的不同從N個列向量中依次找M個向量構(gòu)φ′∈RN*N,直至最后誤差精度達到目標值,具體目標如式(3)所示。

(3)

1.2 水閘工程施工安全分析神經(jīng)網(wǎng)絡模型的構(gòu)建

若需要對水閘工程施工安全分析神經(jīng)網(wǎng)絡模型進行構(gòu)建,需要先對水閘工程的施工安全因素進行分析和整理,根據(jù)不同的風險類型建立不同的神經(jīng)網(wǎng)絡模型[8-9]。故需要對水閘工程施工過程中的安全因素進行歸類,研究通過對水閘工程施工的整體過程進行分析,得到如圖2所示的水閘工程施工安全風險分類圖。

圖2 水閘工程施工安全風險分類

從圖2中可得,研究將水閘工程施工中的安全風險分為五大類,這五類風險分別為作業(yè)人員的安全風險、作業(yè)工具的安全風險、施工環(huán)境的安全風險、施工管理的安全風險、施工技術(shù)的安全風險。其中作業(yè)人員的安全風險主要包括作業(yè)人員自身的專業(yè)技能情況、安全意識、身體健康情況以及心理狀況等自身因素;而作業(yè)工具的安全風險主要是指作業(yè)機械設備的性能、維修保養(yǎng)情況以及施工材料的合格情況等用于水閘工程施工的工具的安全風險。作為水閘工程施工安全風險五大類中唯一不可控的安全風險,施工環(huán)境的安全風險主要包括施工場地附近的水域環(huán)境以及天氣氣候情況等,其對水閘工程的施工過程的風險最高[10-11]。施工管理的安全風險主要包括施工安全管理人員的配備、施工安全方案和安全管理制度的制定以及安全教育的實施[12]。施工技術(shù)的安全風險主要包括施工作業(yè)條件、高處作業(yè)以及邊坡最陡坡度、平倉搗鼓等技術(shù)的安全風險。不同的安全風險會導致發(fā)生不同程度的安全事故,研究通過對不同類型的安全風險進行分組,從而對每一類的風險進行整體預估風險,進而更好地規(guī)避水閘施工風險。通過對水閘工程施工安全風險分類的進行分析可構(gòu)建水閘施工過程中安全分析的RBF網(wǎng)絡結(jié)構(gòu),構(gòu)建的RBF網(wǎng)絡結(jié)構(gòu)如圖3所示。

圖3 水閘工程施工安全分析RBF網(wǎng)絡結(jié)構(gòu)

從圖3中可看出,研究構(gòu)建的水閘施工過程中的安全分析RBF網(wǎng)絡結(jié)構(gòu)主要分為兩個層級、六個神經(jīng)網(wǎng)絡組成。其中以水閘施工過程中的安全分析網(wǎng)絡作為第一層級,而作業(yè)人員不安全行為網(wǎng)絡、作業(yè)工具不安全狀態(tài)網(wǎng)絡、施工環(huán)境網(wǎng)絡、施工管理網(wǎng)絡、施工技術(shù)網(wǎng)絡作為第二層級。在實際水閘施工過程中,可利用RBF神經(jīng)網(wǎng)絡對實際的安全風險等級進行評估,根據(jù)評估結(jié)果對施工過程中可能出現(xiàn)的安全事故進行合理規(guī)避,減少水閘施工過程中的安全事故[14-15]。

2 水閘工程施工安全分析RBF神經(jīng)網(wǎng)絡性能分析

2.1 RBF神經(jīng)網(wǎng)絡模型訓練結(jié)果分析

為了對水閘施工過程中包含不同安全風險的六種RBF神經(jīng)網(wǎng)絡的性能進行檢測,研究選用Matlab工具箱對其進行仿真,并選取50個實例樣本作為訓練樣本,分別對六個不同RBF神經(jīng)網(wǎng)絡進行模型訓練。其中施工人員安全RBF、施工工具安全RBF、施工環(huán)境RBF的訓練誤差變化曲線如圖4所示。

圖4 施工人員安全RBF、施工工具安全RBF、施工環(huán)境RBF的訓練誤差曲線

從圖4中可以看出,施工人員安全RBF網(wǎng)絡在訓練次數(shù)為10次時,達到了誤差精度目標0.001,此時施工人員安全RBF網(wǎng)絡的均方誤差為0.000 864;施工工具安全RBF網(wǎng)絡在訓練次數(shù)為14次時,達到了誤差精度目標0.001,此時施工工具安全RBF網(wǎng)絡均方誤差為0.000 138;施工環(huán)境RBF網(wǎng)絡在訓練次數(shù)為11次時,達到了誤差精度目標0.001,此時施工環(huán)境RBF網(wǎng)絡均方誤差為0.000 682。由上述結(jié)果可得,施工人員安全RBF、施工工具安全RBF、施工環(huán)境RBF三種RBF神經(jīng)網(wǎng)絡通過十多次的模型訓練后可得到自身的誤差精度目標。研究除了得到上述神經(jīng)網(wǎng)絡的訓練誤差外,另外三種安全風險的RBF神經(jīng)網(wǎng)絡(施工技術(shù)RBF、施工管理RBF、施工安全RBF)的訓練誤差變化曲線如圖5所示。

由圖5可得,施工技術(shù)RBF網(wǎng)絡在訓練次數(shù)為9次時,達到了誤差精度目標0.001,此時施工技術(shù)RBF網(wǎng)絡的均方誤差為0.000 952;施工管理RBF網(wǎng)絡在訓練次數(shù)為13次時,達到了誤差精度目標0.001,此時施工管理RBF網(wǎng)絡的均方誤差為0.000 787。施工安全RBF網(wǎng)絡在訓練次數(shù)為11次時,達到了其誤差精度目標0.01,此時施工安全RBF網(wǎng)絡的均方誤差為0.008 751。由上述結(jié)果可得,施工人員安全RBF、施工工具安全RBF、施工環(huán)境RBF三種不同的神經(jīng)網(wǎng)絡通過十次左右模型訓練后均可以達到自身模型的誤差精度目標。擁有較好的預測性能,可對相應的安全風險進行預測。綜上所述,研究提出的六種針對水閘施工過程中的安全分析的RBF網(wǎng)絡在經(jīng)過訓練后均擁有較好的預測性能,可通過這六種RBF網(wǎng)絡對水閘施工過程中的安全狀態(tài)進行預測,幫助水閘施工單位規(guī)避可控制的安全事故。

圖5 三種神經(jīng)網(wǎng)絡的訓練曲線

2.2 水閘施工過程中六種RBF模型實證分析

為了驗證研究提出的六種RBF模型的實際安全分析性能,研究采用MATLAB提供的神經(jīng)網(wǎng)絡工具箱對沙扒水閘工程進行安全分析。選取沙扒水閘工程的12個樣本作為研究對象,并按照不同樣本的情況,將所有神經(jīng)網(wǎng)絡的評價結(jié)果分為高風險、中風險、低風險、安全四個等級,其對應輸出分別為4、3、2、1。研究利用提出的六種RBF網(wǎng)絡對選取的12個樣本進行分析。其中施工人員安全RBF和施工工具安全RBF的期望輸出和實際輸出結(jié)果如圖6所示。

圖6 施工人員安全和施工工具安全RBF 神經(jīng)網(wǎng)絡輸出結(jié)果與期望結(jié)果對比圖

由圖6可得,施工人員安全RBF神經(jīng)網(wǎng)絡在十二個樣本中的輸出結(jié)果與期望結(jié)果均相差不大,其中9號樣本的輸出結(jié)果和期望結(jié)果相差最大,為0.087 2;施工工具安全RBF神經(jīng)網(wǎng)絡在十二個樣本中的輸出結(jié)果與期望結(jié)果也相差不大,其中5號樣本的輸出結(jié)果和期望結(jié)果相差最大,為0.076 2。圖7為另兩種神經(jīng)網(wǎng)絡施工環(huán)境RBF、施工管理RBF的實際輸出與期望輸出對比圖。

從圖7中可看出,施工環(huán)境RBF網(wǎng)絡在十二個樣本中的輸出結(jié)果與期望結(jié)果均相差不大,其中1號樣本的輸出結(jié)果和期望結(jié)果相差最大,為0.078 6;施工管理RBF網(wǎng)絡在十二個樣本中的輸出結(jié)果與期望結(jié)果也相差不大,其中3號樣本的輸出結(jié)果和期望結(jié)果相差最大,為0.102 3。另外兩種施工技術(shù)RBF網(wǎng)絡和施工安全RBF網(wǎng)絡的輸出結(jié)果和期望結(jié)果之間的對比圖如圖8所示。

圖7 施工環(huán)境和施工管理RBF神經(jīng)網(wǎng)絡輸出結(jié)果與期望結(jié)果對比圖

圖8 施工技術(shù)和施工安全RBF神經(jīng)網(wǎng)絡輸出結(jié)果與期望結(jié)果對比圖

由圖8可得,施工技術(shù)RBF網(wǎng)絡在十二個樣本中的輸出結(jié)果與期望結(jié)果均相差不大,其中2號樣本的輸出結(jié)果和期望結(jié)果相差最大,為0.113 3;施工安全RBF網(wǎng)絡在十二個樣本中的輸出結(jié)果與期望結(jié)果也相差不大,其中4號樣本的輸出結(jié)果和期望結(jié)果相差最大,為0.077 5。綜上,六種RBF網(wǎng)絡對于安全等級的預測均與期望等級相差不大,且最大誤差在0.1左右,不影響整個風險等級的判斷。故可利用研究提出的RBF網(wǎng)絡對水閘施工過程中的安全風險等級進行評估,并根據(jù)結(jié)果采取適當措施避免安全事故的發(fā)生,從而加大水閘施工過程中的安全性。

3 結(jié)語

在水閘施工過程中存在諸多安全隱患,近些年來在水閘施工過程中發(fā)生了較多的安全事故。為了幫助水閘施工隊伍提高施工過程的安全性,研究將水閘工程過程中的安全影響因素融入RBF模型中,構(gòu)建了一個水閘施工安全分析模型。對這模型中的RBF神經(jīng)網(wǎng)絡進行實證分析。結(jié)果顯示,施工人員安全、施工工具安全、施工環(huán)境、施工管理、施工技術(shù)、施工安全RBF網(wǎng)絡的輸出結(jié)果和期望結(jié)果的最大差值分別為0.087 2、0.076 2、0.078 6、0.102 3、0.113 3、0.077 5。實驗結(jié)果表明,研究提出的安全分析模型可以有效地對水閘施工過程中的安全風險進行準確評級,以此來幫助施工隊伍進行安全預警。