鄧林，陳玉斌，劉湘慧，陳赟

(1. 湖南交通職業(yè)技術(shù)學(xué)院 建筑工程學(xué)院，湖南 長沙 410132；2. 長沙理工大學(xué) 交通運輸工程學(xué)院，湖南 長沙 410114；3. 中鐵建港航局集團勘察設(shè)計院有限公司，廣東 廣州 511442)

近年來，隨著城市化進程的不斷加快，地鐵成為城市軌道交通網(wǎng)絡(luò)建設(shè)的重要內(nèi)容。但其建設(shè)過程具有較大的不確定性和風(fēng)險，從而導(dǎo)致地鐵隧道施工坍塌事故時有發(fā)生。為減少人員傷害和財產(chǎn)損失，事故發(fā)生后及時、合理的應(yīng)急救援尤為重要，其中應(yīng)急資源類型和規(guī)模的選擇是實施救援的前提和基礎(chǔ)。為提高救援效率，保證應(yīng)急資源的合理調(diào)配和利用，已有學(xué)者指出消防部隊、醫(yī)護人員、工程器械和藥品等[1-2]是應(yīng)急資源的重要組成部分，且應(yīng)急車輛是應(yīng)急資源的核心[3]。目前，對于應(yīng)急資源調(diào)配和利用的相關(guān)研究主要集中于應(yīng)急資源調(diào)度和應(yīng)急資源預(yù)測兩方面。在應(yīng)急資源調(diào)度方面，主要包括運輸路徑選擇及資源配置優(yōu)化[4-7]等相關(guān)研究。在應(yīng)急資源預(yù)測方面，學(xué)者們將多米諾效應(yīng)、蒙特卡洛、魯棒優(yōu)化模型、直覺模糊集和案例推理等方法[8-10]引入其需求量的預(yù)測過程中。現(xiàn)有研究主要集中于突發(fā)事件應(yīng)急資源總體上的預(yù)測和調(diào)度，缺少對地鐵隧道施工過程中具體突發(fā)事件以及特定性的應(yīng)急資源的相關(guān)研究。而在地鐵施工坍塌事故中，展開對于醫(yī)療救護力量和消防救援力量需求的預(yù)測具有一定的現(xiàn)實意義。此外，在現(xiàn)今大數(shù)據(jù)時代，神經(jīng)網(wǎng)絡(luò)技術(shù)在應(yīng)急管理領(lǐng)域得到了較為全面的應(yīng)用，如應(yīng)急資源需求預(yù)測、應(yīng)急能力評價和應(yīng)急疏散仿真等，其適用性和合理性已經(jīng)得到了驗證。在模擬預(yù)測方面，相較于傳統(tǒng)統(tǒng)計回歸模型，神經(jīng)網(wǎng)絡(luò)模擬預(yù)測能力更強，對樣本數(shù)據(jù)不要求其具有很強的規(guī)律性，且相對誤差較小，地鐵隧道坍塌事故突發(fā)性質(zhì)決定了樣本數(shù)據(jù)的不規(guī)律性[11]。因此，可以將神經(jīng)網(wǎng)絡(luò)技術(shù)引入地鐵隧道施工坍塌事故的應(yīng)急資源需求預(yù)測中。綜上所述，本文從應(yīng)急車輛需求量預(yù)測角度出發(fā)，結(jié)合行業(yè)標(biāo)準(zhǔn)及相關(guān)規(guī)定，以救護車和消防車數(shù)量為預(yù)測目標(biāo)，考慮神經(jīng)網(wǎng)絡(luò)技術(shù)的優(yōu)越性，利用RBF 神經(jīng)網(wǎng)絡(luò)技術(shù)，構(gòu)建地鐵隧道施工坍塌事故應(yīng)急車輛需求量預(yù)測模型，對應(yīng)急車輛及其關(guān)聯(lián)的應(yīng)急人員數(shù)量展開預(yù)測，提供調(diào)度建議，為事故應(yīng)急決策提供參考。

1 地鐵隧道施工坍塌事故應(yīng)急車輛需求預(yù)測輸入指標(biāo)確定

為明確地鐵隧道施工坍塌事故應(yīng)急預(yù)測輸入指標(biāo)，本文借鑒其他領(lǐng)域在應(yīng)急資源需求量預(yù)測輸入指標(biāo)選取方面的研究[12-14]，歸納得到各類輸入指標(biāo)的選取應(yīng)主要考慮以下3個類型。

1) 反映救援基本需求。承受災(zāi)害事故不利影響的人或物的數(shù)量或規(guī)模，如受災(zāi)人數(shù)、房屋倒塌規(guī)模。

2) 反映救援難度。事故災(zāi)害的自身信息，如臺風(fēng)災(zāi)害的風(fēng)速、地震災(zāi)害的震級、洪澇災(zāi)害的洪水等級等。

3) 反映事故影響范圍。事故災(zāi)難受損范圍的基礎(chǔ)信息，如災(zāi)區(qū)規(guī)模、電網(wǎng)規(guī)模等。

地鐵隧道施工坍塌事故隸屬于生產(chǎn)安全事故，造成的事故影響包括人員傷害、周邊建筑物塌陷和路面交通受損等，與其他類型的事故災(zāi)難在損害結(jié)果和救援目標(biāo)上相似。因此，本文從以上3類指標(biāo)出發(fā)，結(jié)合所確定的應(yīng)急資源類型——救護車及消防車選取預(yù)測輸入指標(biāo)，選取依據(jù)如下：

1) 與救護車數(shù)量和消防車數(shù)量的需求量判斷相關(guān)聯(lián)。

2) 可以反映承受事故不利影響的人或物的數(shù)量和規(guī)模、事故災(zāi)難的自身信息和項目基本信息。

3) 可以迅速采集即時信息或存在預(yù)留信息，保證應(yīng)急資源需求量預(yù)測的時效性。

4) 可以對指標(biāo)直接進行量化，或通過預(yù)處理后進行量化，便于直觀構(gòu)建預(yù)測模型。

5) 可以獲取完備的訓(xùn)練數(shù)據(jù)以進行預(yù)測模型的訓(xùn)練。

綜上所述，最終確定坍塌位置(c1)、次(衍)生事故(c2)、坍塌面積(c3)和被困人數(shù)(c4)作為地鐵隧道施工坍塌事故應(yīng)急車輛的預(yù)測輸入指標(biāo)，各指標(biāo)含義如表1所示。

表1 地鐵隧道施工坍塌事故應(yīng)急車輛需求量預(yù)測輸入指標(biāo)Table 1 Prediction input index of emergency vehicle demand for subway tunnel construction collapse accident

2 地鐵隧道施工坍塌事故應(yīng)急車輛需求預(yù)測模型構(gòu)建

RBF(Radial Basis Function)神經(jīng)網(wǎng)絡(luò)又稱徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，是一種3層前向神經(jīng)網(wǎng)絡(luò)，具有結(jié)構(gòu)簡單、計算量少、收斂速度快和無局部最優(yōu)等特性[15]。其基本原理是通過徑向基函數(shù)，對輸入的低維數(shù)據(jù)進行非線性變換，形成高維隱含層，隱含層再通過線性變換輸出數(shù)據(jù)。

本文構(gòu)建的地鐵隧道施工坍塌事故應(yīng)急車輛需求預(yù)測模型輸入層由坍塌位置(c1)、次(衍)生事故(c2)、坍塌面積(c3)和被困人數(shù)(c4)4 個節(jié)點組成。同時，為提高預(yù)測準(zhǔn)確性，將救護車數(shù)量(d1)及消防車數(shù)量(d2)2 個變量分別作為輸出層節(jié)點，構(gòu)建2個RBF 神經(jīng)網(wǎng)絡(luò)。通過案例搜集基礎(chǔ)數(shù)據(jù)，量化指標(biāo)作為訓(xùn)練樣本，以及網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練預(yù)測模型，在誤差允許范圍內(nèi)測算結(jié)果。

2.1 數(shù)據(jù)處理

2.1.1 數(shù)據(jù)量化方式及取值范圍

搜集地鐵隧道施工坍塌案例共61 例，其中由于自然條件引發(fā)的事故和施工過程中人為失誤的事故12 例，事故發(fā)生所在地偏遠的事故13 例，被劃分為重大事故的事故10 例。案例數(shù)據(jù)整理和分析過程中，剔除缺失和數(shù)據(jù)偏離均值較大的數(shù)據(jù)組，保留有完整輸入指標(biāo)的數(shù)據(jù)共47組。

結(jié)合以上事故案例，對坍塌位置(c1)、次(衍)生事故(c2)、坍塌面積(c3)和被困人數(shù)(c4)的量化方式及取值范圍進行選擇。對指標(biāo)c1，地鐵隧道施工坍塌位置分為洞口、洞身和其他位置(機械內(nèi)部和其他掩埋物內(nèi)部)。洞口坍塌較洞身坍塌和其他位置坍塌可供救援設(shè)備安置和救援人員操作的開放空間較大，救援難度較小；洞身坍塌事故多伴隨路面塌陷或建筑物沉降，救援難度居中；其他位置坍塌是在隧道本身坍塌的基礎(chǔ)上伴隨著其他結(jié)構(gòu)物、機械設(shè)備或施工材料的繼發(fā)坍塌，救援難度大。綜上，洞口、洞身和其他位置的救援難度是遞增的，分別賦值1，2 和3。對指標(biāo)c2，無次(衍)生事故和有次(衍)生事故的救援難度是遞增的，分別賦值0 和1。對指標(biāo)c3和c4，為數(shù)值型指標(biāo)，可根據(jù)事故情況取值，各指標(biāo)量化方式及取值范圍見表2。

表2 指標(biāo)量化方式及取值范圍Table 2 Ⅰndex quantification method and value range

2.1.2 數(shù)據(jù)預(yù)處理

通過對61 例案例數(shù)據(jù)的整理和分析，剔除數(shù)據(jù)缺失和數(shù)據(jù)偏離均值較大的數(shù)據(jù)組，保留有完備輸入指標(biāo)和輸入指標(biāo)的數(shù)據(jù)組共47 組。各數(shù)據(jù)組有c1，c2，c3，c4，d1和d2共6 項數(shù)據(jù)，記為樣本矩陣X47×6。

為消除各變量量綱不同對預(yù)測結(jié)果的影響，需要對數(shù)據(jù)進行歸一化處理。對于第i個樣本的第j個數(shù)據(jù)xij，其歸一化數(shù)據(jù)x*

ij計算公式如下：

其中：min{xj}和max{xj}分別為第j列數(shù)據(jù)的最小值和最大值。

2.2 代碼實現(xiàn)與結(jié)果分析

本文選用Windows10 環(huán)境下MATLAB R2018a軟件進行模型構(gòu)建和訓(xùn)練，基于47 組樣本數(shù)據(jù)隨機生成37 組訓(xùn)練集和10 組測試集樣本。選用matlab 中的newrb 函數(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)，該函數(shù)通過不斷增加隱含層神經(jīng)元個數(shù)直至滿足目標(biāo)誤差為止，可以較好地解決隱含層難以確定的問題。樣本歸一化數(shù)據(jù)精度為0.001，因此設(shè)定目標(biāo)誤差為0.001，最大神經(jīng)元個數(shù)為100，每次返回增加神經(jīng)元個數(shù)為1。為防止過擬合，分別選取擴展速度spread為0.01，0.05，0.1，0.5，1和3進行訓(xùn)練。

以救護車數(shù)量RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型為例，不同的擴展速度訓(xùn)練結(jié)果如表3所示。

結(jié)合訓(xùn)練結(jié)果和表3 的對比分析結(jié)果可知，spread 取0.01 和0.05 時，救護車數(shù)量訓(xùn)練數(shù)據(jù)和預(yù)測數(shù)據(jù)基本重合，形成了過擬合；spread 取3 時，救護車數(shù)量訓(xùn)練數(shù)據(jù)和預(yù)測數(shù)據(jù)偏差較大。綜合對比隱含層神經(jīng)元個數(shù)和均方誤差，選取spread值為0.1，救護車數(shù)量預(yù)測模型訓(xùn)練結(jié)果如表4和圖1所示。

表3 擴展速度對比表Table 3 Expansion speed comparison table

表4 救護車數(shù)量newrb函數(shù)訓(xùn)練結(jié)果Table 4 Number of ambulances newrb function training result

圖1 救護車數(shù)量訓(xùn)練集樣本數(shù)據(jù)對比Fig.1 Comparison of sample data of ambulance number training set

由表4 可知，隱含層神經(jīng)元個數(shù)為15 時，其均方誤差MSE 可以滿足目標(biāo)誤差要求。由圖1 可知，該預(yù)測模型對于救護車數(shù)量能夠較好地擬合訓(xùn)練集歷史數(shù)據(jù)，誤差較小(＜0.001)。將測試集代入計算，并將預(yù)測數(shù)據(jù)與實際值進行對比可得圖2。

由圖2可知，該預(yù)測模型對于救護車數(shù)量測試集樣本預(yù)測準(zhǔn)確率為90%(反歸一化后取整數(shù)據(jù)的準(zhǔn)確率)，相關(guān)系數(shù)R2=0.965 21，進一步驗證了模型的可靠性。

圖2 救護車數(shù)量測試集樣本數(shù)據(jù)對比Fig.2 Comparison of sample data of ambulance number test set

同理，對消防車數(shù)量RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行訓(xùn)練，選取spread 值為0.1，消防車數(shù)量預(yù)測模型訓(xùn)練結(jié)果如表5和圖3所示。

表5 消防車數(shù)量newrb函數(shù)訓(xùn)練結(jié)果Table 5 Number of fire engines newrb function training result

由表5 可知，隱含層神經(jīng)元個數(shù)為21 時，其均方誤差MSE 可以滿足目標(biāo)誤差要求。由圖3 可知，該預(yù)測模型對于消防車數(shù)量能夠較好地擬合訓(xùn)練集歷史數(shù)據(jù)，誤差較小(＜0.001)。將測試集代入計算，并將預(yù)測數(shù)據(jù)與實際值進行對比可得圖4。

圖3 消防車數(shù)量訓(xùn)練集樣本數(shù)據(jù)對比Fig.3 Comparison of sample data of training set for the number of fire engines

由圖4可知，該預(yù)測模型對于消防車數(shù)量測試集樣本預(yù)測準(zhǔn)確率為80%(反歸一化后取整數(shù)據(jù)的準(zhǔn)確率)，相關(guān)系數(shù)R2=0.958 35，進一步驗證了模型的可靠性。

圖4 消防車數(shù)量測試集樣本數(shù)據(jù)對比Fig.4 Comparison of sample data of test set for the number of fire engines

3 地鐵隧道施工坍塌事故應(yīng)急車輛需求量預(yù)測與實施建議

3.1 地鐵隧道施工坍塌事故應(yīng)急車輛需求量預(yù)測

3.1.1 項目描述

2016年10月19 日上午8 時45 分左右，某地鐵區(qū)間正線左線隧道發(fā)生坍塌事故，事故造成現(xiàn)場作業(yè)人員3 人死亡，直接經(jīng)濟損失約450 萬元。該合同段采用暗挖法和明挖法結(jié)合施工，事故段采用臺階法施工。

該事故發(fā)生的直接原因包括：1) 坍塌處的地質(zhì)條件復(fù)雜，地層變化大。2) 事發(fā)點地處十字路口，重載車往返頻繁，震動及動載對下部隧道內(nèi)施工空頂期土體穩(wěn)定性造成不利影響。3) 事故掌子面處上方土體塌方后，局部土體流動和應(yīng)力釋放迅速波及后方上臺階初支結(jié)構(gòu)，進而導(dǎo)致初支全封閉和未全封閉處上部結(jié)構(gòu)發(fā)生斷裂。

該事故發(fā)生的間接原因包括：1) 施工單位對總體風(fēng)險預(yù)判不足，監(jiān)測不到位，未采取有效的安全保護措施；對作業(yè)人員的安全教育不詳實。2)監(jiān)理單位對監(jiān)測工作未進行有效地指導(dǎo)和監(jiān)督，對事故隱患未提出防范措施和建議。3) 建設(shè)單位對施工擾動預(yù)估不足，對作業(yè)人員的安全教育指導(dǎo)不力。

3.1.2 應(yīng)急車輛預(yù)測

據(jù)調(diào)查顯示，該地鐵隧道施工坍塌發(fā)生在洞身處，未引起其他次(衍)生事故，坍塌面積為50 m2，造成3 人被困。據(jù)此，該項目預(yù)測指標(biāo)取值如表6所示。

表6 事故案例預(yù)測指標(biāo)取值Table 6 Value of accident case prediction index

通過代入訓(xùn)練后救護車數(shù)量RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型和消防車數(shù)量RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型進行計算。通過歸一化、計算預(yù)測值、反歸一化和取整數(shù)等步驟，最終計算得該突發(fā)事件的救護車需求量為3輛，消防車需求量為5輛。

3.2 應(yīng)急車輛調(diào)配對策分析與驗證

事故案例在事故調(diào)查或新聞媒體報道中均未體現(xiàn)應(yīng)急資源的準(zhǔn)確數(shù)量，但考慮目標(biāo)情景的被困人員數(shù)量和坍塌規(guī)模，并查閱事故現(xiàn)場附近的醫(yī)療機構(gòu)和消防機構(gòu)距離等信息，可以認為預(yù)測值已經(jīng)能夠基本滿足救援需求。

基于前述應(yīng)急資源需求量預(yù)測模型，可以對救護車和消防車的需求量進行預(yù)測，實際資源調(diào)配對策應(yīng)在二者的基礎(chǔ)上進一步推算醫(yī)護人員數(shù)量和消防車人員數(shù)量。由于事故的特殊性和事故間的差異性，還需要對預(yù)測結(jié)果進行修正。

1) 根據(jù)衛(wèi)生行業(yè)標(biāo)準(zhǔn)《救護車(WS/T 209—2008)》，一輛A 型救護車或B 型救護車應(yīng)配備司機1名，醫(yī)生1名，護士1名，擔(dān)架員2名，以及必要的醫(yī)護設(shè)施，至少可容納1 名隨行家屬和1 名傷員。

2)根據(jù)國家通用技術(shù)標(biāo)準(zhǔn)《消防車第1 部分：通用技術(shù)條件(GB 7956.1-2014)》，滅火消防車、舉高消防車和專勤消防車應(yīng)配備5～7 人消防救援人員，本文取6人/輛。

3) 應(yīng)急資源調(diào)配對策反映的是應(yīng)急資源需求量的最低限值。由于預(yù)測模型的預(yù)測值是歸一化后的精確值，反歸一化后數(shù)據(jù)小數(shù)位易被忽略，為滿足應(yīng)急資源的最低限值需要，決策者應(yīng)對其最終取值逢小數(shù)位進一處理，保證救援的基本需求。

4) 對于預(yù)測結(jié)果顯著不合理的地方，則需要按照一般應(yīng)急處置經(jīng)驗對資源調(diào)配對策進行修正。還應(yīng)考慮應(yīng)急儲備、項目所在地周邊醫(yī)療機構(gòu)與消防機構(gòu)自身的救援能力、救援設(shè)備的周轉(zhuǎn)能力等，進而對應(yīng)急資源調(diào)配對策進行修正以滿足實踐需求。

綜上，該事故案例應(yīng)在事故爆發(fā)后委派至少3輛A型救護車或B型救護車，每輛救護車應(yīng)配備司機1 名，醫(yī)生1 名，護士1 名，擔(dān)架員2 名，以及必要的醫(yī)護設(shè)施，每輛至少可容納1名隨行家屬和1 名傷員。同時，需要委派至少5 輛滅火消防車、舉高消防車或?qū)Ｇ谙儡?，每輛消防車應(yīng)配備6名消防救援人員。

4 結(jié)論

1) 通過歸納文獻資料的輸入層指標(biāo)，結(jié)合歷史事故數(shù)據(jù)結(jié)構(gòu)和應(yīng)急需求，確定了將坍塌位置、次(衍)生事故、坍塌面積和被困人數(shù)作為輸入層指標(biāo)。

2) 構(gòu)建了救護車數(shù)量RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型和消防車數(shù)量RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型，2個預(yù)測模型在訓(xùn)練集擬合程度較好，測試集的樣本準(zhǔn)確率分別為90%和80%，驗證了模型的可靠性。在應(yīng)急資源調(diào)配對策選取和修正中，應(yīng)結(jié)合相關(guān)規(guī)范和實踐需求，對應(yīng)急資源調(diào)配對策進行進一步的選取和修正。

3) 本文構(gòu)建的應(yīng)急車輛預(yù)測模型均基于搜集的案例數(shù)據(jù)，在數(shù)量上和信息維度上都存在一定的局限性，在實踐中需要不斷更新案例，不斷更新預(yù)測模型，以提高方法的準(zhǔn)確性。