基于T-S模糊神經網絡的改擴建高速公路運營安全危險性預測

謝旺祥　熊　艷

(貴州省交通規劃勘察設計研究院股份有限公司　貴陽　550081)

基于T-S模糊神經網絡的改擴建高速公路運營安全危險性預測

謝旺祥熊艷

(貴州省交通規劃勘察設計研究院股份有限公司貴陽550081)

摘要為正確評估改擴建高速公路高邊坡施工過程中的運營安全危險性，文中基于T-S模糊神經網絡原理建立了運營安全危險性預測模型，同時在MATLAB軟件中通過C語言編程實現了這一評價算法，并利用小平陽高邊坡的改造進行實例研究，對采取不同施工和交通組織方案的情況作比較評價，根據評價結果判斷危險性的大小與危險的來源。

關鍵詞高速公路改擴建工程高邊坡T-S模糊神經網絡運營安全危險性

運營安全危險性指的是某一高邊坡施工過程中，原有道路的運營在影響因素的作用下發生事故的概率。危險性預測是改擴建高速公路高邊坡施工過程中運營安全風險評價的主要步驟之一，也是開展風險評價的基礎性工作之一。廣義上說，運營安全危險性預測是從高邊坡施工過程中各內外影響因素發生的變化中，找尋運營安全事故發生機理，建立實用的評價模型，從而獲得運營安全事故發生的概率。

實施改擴建的高速公路經過的路線較長，沿線地形地貌、地質條件等均不相同，高邊坡改造時會給邊坡帶來失穩風險，以致可能造成交通中斷和運營安全事故。此外，高邊坡的施工會嚴重影響到原有高速公路上車輛的正常通行，從而給運營安全帶來危險[1]。

現階段，國內外學者對運營安全危險性預測的研究主要是從高速公路運營環境方面考慮的，雖然有些也考慮了道路條件、高邊坡穩定性等因素[2-3]，但較少有人考慮改擴建工程高邊坡施工對運營安全的影響。因此，筆者擬從多個方面，結合T-S模糊神經網絡方法建立改擴建高速公路高邊坡施工過程中運營安全危險性預測模型，以預測改擴建高速公路高邊坡施工過程中的運營安全危險性大小,為正確評價其運營安全風險水平奠定良好的基礎。

1基于T-S模糊神經網絡的危險性預測模型

1.1基于T-S模糊神經網絡的危險性預測模型的提出

T-S模糊神經網絡分析法是將模糊數學原理與神經網絡分析技術相結合而產生的一種新的神經網絡評價方法，它具有神經網絡和模糊邏輯兩者的優點。這種方法既有較強的自適應和學習能力，又能方便地表達模糊和定性的內容[4-5]。

由于高邊坡施工過程中運營安全危險性的影響因素極其復雜，且T-S模糊神經網絡模型的自適應與自我更新能力相當強，還可以不斷修正隸屬函數。因此，選取T-S模糊神經網絡方法來構建高速公路改擴建工程高邊坡施工過程中的運營安全危險性預測模型，對運營安全危險性預測能取得較好的效果。

1.2運營安全危險性等級標準

根據工程風險發生的概率等級標準，可將改擴建高速公路高邊坡施工過程中的運營安全危險性劃分為5個等級，見表1。

表1　運營安全危險性等級標準

2基于T-S模糊神經網絡的運營安全危險性預測

2.1運營安全危險性評價指標體系的構成

通過對高速公路改擴建工程特性、改擴建工程高邊坡施工特性、高邊坡施工對運營安全的影響特性及運營安全危險性影響因素進行分析，從地質條件因素、邊坡施工因素、運營環境因素和交通組織因素4個方面共選取18個主要的危險性影響因素構建運營安全危險性評價指標體系。其中地質條件因素方面包括地形地貌、巖土體類型、邊坡地質構造、邊坡坡形和地下水情況5個指標；邊坡施工因素包括邊坡爆破方式、邊坡開挖范圍、邊坡開挖方式、邊坡防護方式和邊坡監控方式5個指標；運營環境因素方面包括施工期間氣候條件、道路拓寬方式、作業路段道路情況和交通流特性4個指標；交通組織因素方面包括交通管制措施、交通疏導措施、交通信息發布措施和交通防護措施4個指標。

2.2模型參數的選取

隸屬度函數的個數和輸入/輸出節點數依據樣本的維數來確定。由于每個指標數值分為5個等級，且運營安全危險性評價指標體系包括18個指標，因而有18個輸入節點，每個節點的模糊分割數為5，取一個輸出神經元明確運營安全危險性等級，因而模糊神經網絡的結構為18-90-1，也就是隸屬度函數有90個且均選取高斯函數。選取19組系數P0～P18，隸屬度函數的寬度b和中心c隨機獲取。誤差e=0.001，網絡學習率取α=0.05。

2.3樣本的準備與輸出值

模糊神經網絡方法必須要有許多樣本數據用來訓練和驗證模型，由于對高邊坡施工過程中運營安全危險性進行評價的真實數據比較難找，如果只采用運營安全危險性指標的分級標準作為訓練樣本，訓練數據過少，所以本文采用MATLAB7.11.0的Linspace函數按等間隔均勻分布方式內插值運營安全危險性標準數據生成樣本，運營安全危險性等級與輸出值的關系見表2。在各級標準內共生成500個訓練樣本和50個檢測樣本數據。

表2　運營安全危險性等級與模型輸出值的關系

2.4編程實現

根據T-S模糊神經網絡原理，在MATLAB中通過編程實現運營安全危險性評價算法。

2.5訓練及測試結果分析

對隸屬度函數的參數與系數進行初始化，歸一化處理訓練樣本，再用準備好的數據訓練運營安全危險性模糊神經網絡。

利用MATLAB軟件，迭代5 000次。所編制程序的運行結果見圖1、圖2，從圖中可以看出網絡輸出值與預測值的差距相當小，因而網絡的評價精度符合要求。

圖1　訓練樣本實際輸出值與預測值的比較

圖2　測試樣本實際輸出值與預測值的比較

2.6應用舉例

柳州至南寧高速公路改擴建工程小平陽高邊坡位于泉南高速公路K1369+300～K1369+500段，高速公路橫切山體邊緣，挖方段路線長約200m。現擬于路塹兩側加寬建設，邊坡右側切坡最高57.2m。小平陽高邊坡所在區域為溶蝕平原微丘地貌單元，坡度較陡。該區未見地表水存在，水文地質條件簡單。原邊坡高約53.5m，整體穩定性較好。

根據柳南高速公路改擴建工程小平陽高邊坡施工的實際情況，在綜合考慮多位專家意見的基礎上，根據運營安全危險性指標分級標準數值表，依托工程高邊坡施工過程中運營安全危險性預測模型中的輸入數據選取見表3，代入所建立的模型中。圖3是模型運行的輸出結果，模型預測輸出值2.5

表3　柳南高速改擴建小平陽高邊坡工程運營安全危險性計算參數

圖3　運營安全危險性等級輸出值

雖然依托工程的運營安全事故發生概率低，但是假如在實際施工過程中，邊坡爆破方式采用常規爆破，爆破開挖不及時封閉交通且防護不到位的情況下，高邊坡施工過程中的運營安全危險性會大幅增加。此處將利用危險性評價Matlab程序得出該種情況下的運營安全危險性等級，以此作對比分析。根據之前輸入模型參數的選取方法，確定對比方案下的運營安全危險性計算參數見表4，Matlab程序運行結果見圖4。

表4　小平陽高邊坡工程對比方案運營安全危險性計算參數

圖4　對比方案運營安全危險性評價結果

2.7結果分析

根據上述研究,可知柳南高速公路改擴建工程施工過程中運營安全危險性等級是C級,等級描述為偶爾發生。由圖4可見，對比方案模型輸出值3.5

以上分析表明，在高速公路改擴建工程高邊坡施工過程中，如果不選擇合適的爆破方式，不采取合理的交通防護與組織方案，或者不按規范施工都勢必大大增加運營安全的危險性。

3結論

預測結果表明，采用本文提出的基于T-S模糊神經網絡的預測模型，既能有效地預測改擴建高速公路高邊坡施工過程中運營安全的危險性，又能找出不同項目中影響危險性大小的主要因素，從而為后續整個風險評估和風險管控工作完成了關鍵性的第一步。

在施工過程中可以利用本套預測體系預測危險性，針對主要影響因素提出應對措施，以提前預防和控制風險，對保障施工順利及原有高速公路運營的安全暢通具有實際指導意義。

參考文獻

[1]劉軍，申俊敏．道路條件對高速公路運營安全影響因素分析[J]．山西交通科技，2009(1)：59-61.

[2]李志宏，孔令旗，羅強.高速公路運營安全性評價[J].中國安全科學學報,2008(7):139-143．

[3]肖富昌．高速公路改擴建方案安全性評價與安全管理技術研究[D]．廣州：華南理工大學，2011．

[4]張萬亮，許晨．基于T-S模糊神經網絡的邊坡穩定性分析[J]．露天采礦技術，2013(4)：20-23．

[5]聶春龍．邊坡工程風險分析理論與應用研究[D]．長沙：中南大學，2012．

收稿日期：2014-09-10

DOI10.3963/j.issn.1671-7570.2015.01.060