市政管網井下作業安全風險評估

韓進光 王 勇 閆 娜

(西安市東郊市政養護管理公司，陜西 西安 710016)

0 引言

隨著現代化的不斷發展，市政管網系統的暢通運行越發重要，一旦城市地下管道出現了排水不暢、管道堵塞等情況，就極有可能引發城市內潰等自然災害，嚴重時可造成人員傷亡事故。因此隨著我國城市化的不斷發展，管網清淤變得越發重要，是保障城市系統正常運行的重要環節。

管網清淤主要分為機械和人工兩種。機械清淤主要依賴于高壓水槍和機器人疏通，僅適合特定環境下，局限性較高；而人工清淤是目前主要依賴的作業方式，其具有靈活性高、適應面廣、入門等級低等優勢。但在井下作業中，檢測設備、防護配置、作業方式等任何環節操作不當均有可能危及人身安全，長期以來下井作業發生中毒窒息事故數不勝數，因此諸多學者對密閉空間作業進行研究。劉應書教授對基于實驗及動力學模型,確定應用參數,對密閉空間人工環境氧氣濃度控制策略進行研究；黃俊革教授對狹小或密閉的空間進行清掃作業的污垢檢測系統進行研究；常杉杉對井下作業通風系統進行研究，并對原有通風系統進行改良優化。綜上所述，當前研究主要集中在改良井下作業環境，忽視了對井下作業安全風險評估。

本文將以西安市政管網井下清淤作業為研究背景，建立安全風險評估體系，采用BP神經網絡梯度下降法進行模式識別，以期得到重要安全評估指標。

1 實施方案

1.1 安全風險指標體系

安全風險體系就是對危險性的一個定性評價，對照有關標準、規范及同類系統和以往的事故統計資料，找出系統中可能在某種條件下引發事故的安全風險。一般情況下對影響井下作業的設備、環境、人員、管理等方面的狀況進行非量化評價，本次安全評價體系主要以培訓情況、驅動力、示范性規范、影響及響應五方面構成模型體系，具體結構體系如圖1所示。

1.2 安全風險指標處理

針對安全風險指標體系中的培訓情況、驅動力、響應情況等進行分類，對結構中各分支內容統一劃分為5個等級，等級1為最高等級，以此類推，不同的分數區間對應不同等級，通過分數量化法對體系結構分支進行評比。建立安全風險指標量化表，見表1。

表1 安全風險指標量化表

2 數據分析

安全數據評估方法有很多，如常用的安全檢查表法、預先危險性分析方法、故障類型和影響分析、故障樹分析、事件樹分析、風險矩陣法、概率危險評價技術、作業條件危險性評價法等。但這些方法主要依賴于個人主觀意識，而實際評估中又存在各種各樣的不確定性，為了防止不同層級數據在處理過程中出現偏差，本次選用BP神經網絡梯度下降法作為處理方式。

BP(Back Propagation)神經網絡是1986年由Rumelhart和McClelland為首的科學家提出的概念，是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡。他是一種按誤差反向傳播(簡稱誤差反傳)訓練的多層前饋網絡，其算法稱為BP算法，它的基本思想是梯度下降法，利用梯度搜索技術，以期使網絡的實際輸出值和期望輸出值的誤差均方差為最小(見圖2)。

神經網絡是由神經元的獨立單元組成，其中每個神經元都能夠作為信息加工的處理器。圖3所示為一種典型的神經元結構模型。

在圖3中，X=(x1,x2,…,xm)T為神經元的輸入，W=(w1,w2,…，wm)T為各輸入相連的連接強度，也稱為連接權值；∑WTX為神經元的輸入總和；θ為神經元的偏置，亦稱為閾值，如果∑WTX的值大于θ，則神經元被激活；激活的神經元由激勵函數f的處理，得到輸出值yf。 則有：

yf=f(∑WTX-θ)。

將目標輸出設置為：優(1,0,0,0,0)，良(0,1,0,0,0)，中(0,0,1,0,0)，差(0,0,0,1,0)，劣(0,0,0,0,1)。通過上述計算方法，共取樣30組用于神經網絡計算，其中25組用于神經網絡訓練，剩余5組作為測試標準值進行對比，得出各指標實際數據為：[5.9,5.2,6.1,4.2,0.84,4.9,80,4.5,100,4.7,5.3,5.2,86,4.9,4.9,2,3,0,0.3,5.3,90,100,95,5.1,5.7]，通過數據顯示，在井下作業中最主要的風險源于培訓情況和響應情況，示范性規范、驅動力、影響因素次之。

3 結語

1)設計了井下安全評估風險方案，得到安全風險指標體系結構圖，并對結構體系分支進行量化分類。

2)采用BP神經網絡梯度下降法進行模式識別，建立了數據訓練模型。

3)對現有量化數據進行處理，得出井下作業中的風險指標，培訓情況及響應情況為風險管控的重中之重。