顧偉紅,趙 雪

(蘭州交通大學(xué) 土木工程學(xué)院,甘肅 蘭州 730070)

0 引言

我國地質(zhì)構(gòu)造復(fù)雜多樣,在隧道施工中常伴有各種災(zāi)害發(fā)生,尤其是瓦斯隧道施工災(zāi)害問題。隧道施工中穿越瓦斯煤層時,會伴有瓦斯溢出,當(dāng)短時間內(nèi)瓦斯?jié)舛冗_到上限,會造成人員窒息、瓦斯突出、爆炸、環(huán)境污染等災(zāi)害,增加施工風(fēng)險,所以在隧道施工前進行瓦斯安全性預(yù)測研究,不僅可以科學(xué)合理地進行事前防控,而且還可以在施工過程中進行事故風(fēng)險控制[1]。因此,建立一種科學(xué)合理的預(yù)測評價模型對隧道施工瓦斯安全動態(tài)實時監(jiān)測、準(zhǔn)確評估具有重要意義。

近年來,許多學(xué)者就隧道施工瓦斯安全評價進行了相關(guān)研究。蔣曉檳等[2]建立蒙德法評估模型,定量地進行隧道瓦斯風(fēng)險評估,為隧道施工瓦斯災(zāi)害評價奠定了基礎(chǔ)。吳波等[3]將熵值法和可拓理論相結(jié)合,依托興泉鐵路某隧道工程建立了隧道施工瓦斯安全評估模型。LIU等[4]基于模糊數(shù)學(xué)評價模型,對隧道瓦斯安全等級進行評判。翟強等[5]基于未確知測度理論確定隧道瓦斯災(zāi)害風(fēng)險等級,以期降低隧道施工風(fēng)險。SHAHRIAR等[6]提出了基于AHP-TOPISIS的隧道施工瓦斯安全評估方法,為瓦斯災(zāi)害評估提供了新思路?？锪恋萚7]基于BP神經(jīng)網(wǎng)絡(luò)模型,綜合評價瓦斯突出的危險性,預(yù)測結(jié)果較為理想。李兆奎等[8]建立多層次可拓模型進行隧道施工瓦斯安全評價,為多指標(biāo)模糊因素評價提供了有效的一種方法。熊建明等[9]采用FDA判別分析法對選取的瓦斯隧道進行風(fēng)險等級確定。朱寶合等[10]建立支持向量機(support vector machine, SVM)算法模型,采用機器學(xué)習(xí)算法預(yù)測隧道中瓦斯突出危險性等級,預(yù)測結(jié)果與實例工程相一致。上述研究理論及方法在隧道施工瓦斯安全性評價問題中取得了一定的研究成果,但這些理論與方法仍存在一定的缺陷。影響隧道瓦斯安全因素眾多且大多數(shù)因素存在非線性、離散型的特征使得模型評價精度不高,而傳統(tǒng)的安全評估方法未考慮到指標(biāo)間存在的非線性問題且模型在建立指標(biāo)體系后進行賦權(quán)然后進行等級評價,在賦權(quán)時容易受到主觀或客觀因素的影響,對評價結(jié)果產(chǎn)生影響,個別評價模型如BP神經(jīng)網(wǎng)絡(luò)對樣本訓(xùn)練不穩(wěn)定且易陷入局部最優(yōu)、SVR模型的網(wǎng)絡(luò)泛化能力較弱使得預(yù)測精度較低,且這些模型建立評價體系未考慮影響因素與評價對象間的關(guān)聯(lián)性,使得評價結(jié)果準(zhǔn)確性難以保證。由此可見,目前隧道施工瓦斯安全性評估仍然缺少科學(xué)、合理的隧道施工瓦斯安全預(yù)測評估的理論及方法,因此開展隧道瓦斯安全性評價方法的研究具有十分的必要性。

基于此,本文在結(jié)合現(xiàn)有文獻研究、大量瓦斯隧道施工事故案例及施工調(diào)研基礎(chǔ)上,構(gòu)建針對隧道施工瓦斯安全性的評價指標(biāo)體系,采用GRA分析指標(biāo)因素與隧道施工瓦斯安全性之間的關(guān)聯(lián)度,引入SSA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)確定最佳初始權(quán)值及閾值,利用留一交叉驗證法檢驗?zāi)Ｐ涂煽啃?。Elman是具有內(nèi)部反饋回路的動態(tài)神經(jīng)網(wǎng)絡(luò),有更好的全局穩(wěn)定性及更強的計算能力,可提高模型的預(yù)測性能,Elman雖然是以零誤差預(yù)測值接近真實值,但初始權(quán)值存在不穩(wěn)定性,容易陷入最小值。麻雀搜索算法是近些年提出的一種智能優(yōu)化算法,與傳統(tǒng)的優(yōu)化方法相比可以加快收斂且避免陷入最優(yōu),提高模型實用價值,2種算法相結(jié)合的預(yù)測評價模型已在地質(zhì)探測[11]、機械自動化[12]、經(jīng)濟管理科學(xué)[13]等領(lǐng)域中取得了良好的效果,但尚未有學(xué)者應(yīng)用于隧道施工瓦斯安全預(yù)測評價中,所以本文提出基于GRA與SSA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的隧道施工瓦斯安全預(yù)測評估新方法,可為動態(tài)的隧道施工瓦斯風(fēng)險預(yù)測評估提供新途徑。

1 隧道施工瓦斯安全性評估的指標(biāo)選取

影響隧道施工瓦斯災(zāi)害的因素眾多,通過國內(nèi)現(xiàn)有研究成果[14-16]及隧道施工技術(shù)規(guī)范確定瓦斯災(zāi)害主要影響因素包括水文地質(zhì)條件、隧道設(shè)計、煤層結(jié)構(gòu)狀況及施工管理四個方面。瓦斯在透氣性較好的巖體中較為安全;巖體中地質(zhì)構(gòu)造的連通封閉性會直接影響瓦斯安全;瓦斯涌出量是瓦斯安全評價中常選取的指標(biāo)因素;煤層厚度易量化可表征煤層狀況;施工管理中施工技術(shù)水平與管理水平皆屬于人為因素,因此選為隧道瓦斯安全指標(biāo)。綜上所述,將4個一級指標(biāo)細分為水文地質(zhì)條件3個二級指標(biāo)、隧道設(shè)計4個二級指標(biāo)、煤層結(jié)構(gòu)狀況3個二級指標(biāo)、施工管理2個二級指標(biāo),共12個二級指標(biāo),構(gòu)建隧道施工瓦斯安全評價指標(biāo)體系。

通過既有文獻[5,9]研究和GB 40880—2021《礦井瓦斯等級鑒定規(guī)范》將風(fēng)險等級劃分定義為:Ⅰ級瓦斯涌出量大,有瓦斯爆炸的風(fēng)險;Ⅱ級應(yīng)及時采取措施,避免瓦斯爆炸風(fēng)險;Ⅲ級有少量瓦斯涌出,一般不會有瓦斯災(zāi)害;Ⅳ級瓦斯涌出量極少,施工較安全。具體分級標(biāo)準(zhǔn)如表1所示。其中地下水涌出量、隧道通風(fēng)風(fēng)速、煤層厚度、回風(fēng)流平均瓦斯?jié)舛?、相對瓦斯涌出量依?jù)《鐵路瓦斯隧道施工技術(shù)規(guī)范》、《煤礦安全規(guī)程》、《瓦斯隧道技術(shù)規(guī)范》、《公路瓦斯隧道設(shè)計與施工技術(shù)規(guī)范》劃分等級標(biāo)準(zhǔn);隧道埋深、隧道長度、隧道跨度依據(jù)《鐵路隧道設(shè)計規(guī)范》劃分等級標(biāo)準(zhǔn);連通封閉性評分、巖石類型評分、施工技術(shù)水平和施工管理水平為定性指標(biāo),根據(jù)專家打分法確定分級標(biāo)準(zhǔn)。

表1 隧道施工瓦斯安全性指標(biāo)及指標(biāo)分級標(biāo)準(zhǔn)Table 1 Classification standard of gas safety risk index in tunnel construction

2 構(gòu)建隧道施工瓦斯安全性預(yù)測模型

2.1 灰色關(guān)聯(lián)分析

本文影響因素復(fù)雜多變,是信息不完全的典型灰色系統(tǒng),因此采用灰色關(guān)聯(lián)分析(grey relational analysis,GRA)對指標(biāo)進行分析和篩選。序列Xi=[xi(1),xi(2),xi(3),…,xi(n)],令X0為數(shù)據(jù)序列,Xi為對比序列,X0和Xi之間的關(guān)系度系數(shù)[16]:

(1)

式中:x0i=x0(k)-xi(k);minimink|x0i|為k點x0(k)與xi(k)的最小絕對差值;maximaxk|x0i|為k點的最大絕對差值;ρ為分辨率系數(shù)ρ∈[0,1]。

根據(jù)式(1)計算各指標(biāo)與隧道施工瓦斯安全系數(shù)值如表2所示。

表2 各指標(biāo)因素與隧道施工瓦斯安全關(guān)聯(lián)系數(shù)值Table 2 Correlation coefficient values of various index factors and gas safety in tunnel construction

X0和Xi之間的灰色關(guān)聯(lián)度γi為:

(2)

求出各指標(biāo)之間的灰色關(guān)聯(lián)度進行排序,當(dāng)指標(biāo)關(guān)聯(lián)度低于0.7時,相關(guān)性較低,剔除不予考慮。根據(jù)式(2)求出各指標(biāo)因素與隧道施工瓦斯安全關(guān)聯(lián)度值及排序如表3所示。根據(jù)表3中所得各指標(biāo)因素的關(guān)聯(lián)度值可知,隧道埋深和隧道通風(fēng)風(fēng)速關(guān)聯(lián)度低于0.7,相關(guān)性較低,因此應(yīng)選擇表3中前10個指標(biāo)作為預(yù)測隧道施工瓦斯安全的輸入變量。

表3 各指標(biāo)因素與隧道施工瓦斯安全關(guān)聯(lián)度值Table 3 Correlation value between each index factor and gas safety in tunnel construction

2.2 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)因所增加的動態(tài)結(jié)構(gòu)可將過去或未來某一狀態(tài)作為隱含層的輸入值,通過非線性函數(shù)確定隱含層神經(jīng)元數(shù)量[17],Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。所增加的動態(tài)結(jié)構(gòu)可增強該模型的計算能力和增加模型的記憶功能。且該模型在處理非線性問題時具有較強的能力,可以任意精度逼近非線性映射,因此處理本文隧道施工瓦斯安全性多指標(biāo)因素存在的非線性問題十分適用。因本文所預(yù)測隧道施工安全性等級為分類問題,所以特對評價等級進行獨熱編碼(One-Hot-coding)轉(zhuǎn)化為分類預(yù)測,One-Hot編碼是通過N位狀態(tài)寄存器對N個狀態(tài)進行編碼,且每個狀態(tài)都存在獨立的寄存器位,在使用One-Hot編碼轉(zhuǎn)換后可提高模型運行效率。

圖1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 1 Elman neural network structure

其數(shù)學(xué)表達式為:

x(t)=f(w1xc(t)+w2(u(t-1)))

(3)

xc(t)=x(t-1)

(4)

y(t)=g(w3x(t))

(5)

式中:u為輸入向量;y為輸出向量;x為中間層向量;xc為反饋向量;w(1, 2, 3)為連接權(quán)重;f為中間層的傳遞函數(shù);g為輸出神經(jīng)元的傳遞函數(shù)。xc(t)計算得到:

xc(t)=x(t-1)=f(w1xc(t-1)+w2u(t-2))

(6)

式中xc(t-1)=x(t-2)進行迭代時xc(t)受上一時刻連接權(quán)重的影響,得到歷史信號對現(xiàn)有系統(tǒng)的影響。

在進行Elman模型預(yù)測時,隱含層的神經(jīng)元數(shù)量少則學(xué)習(xí)程度不佳,數(shù)量多則訓(xùn)練過程變得緩慢,模型初始時無法得到最佳的神經(jīng)元數(shù)量只能不斷訓(xùn)練進行調(diào)整[18],最佳神經(jīng)元數(shù)量范圍可根據(jù)經(jīng)驗公式:

(7)

式中:m為輸入層神經(jīng)元數(shù)量;l為輸出層神經(jīng)元數(shù)量;a的范圍為1～10,計算出n的范圍代入模型進行訓(xùn)練尋優(yōu),本文模型的訓(xùn)練集為64組,測試集為16組,訓(xùn)練后的均方誤差(mean square error, MSE)隨隱含層神經(jīng)元數(shù)量變化曲線如圖2所示,由圖2可知,最佳隱含層節(jié)點數(shù)為6,MSE為0.0903,所以承接層的神經(jīng)元數(shù)量也為6,因此Elman的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

圖2 MSE隨隱含層神經(jīng)元數(shù)量變化曲線圖Fig. 2 Change curve of MSE with the number of neurons in hidden layer

圖3 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig. 3 Elman neural network structure

2.3 麻雀搜索優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)

麻雀搜索算法(sparrow search algorithm ,SSA)中包括發(fā)現(xiàn)者、跟隨著、偵查者,通過三者不斷更新位置循環(huán)直到達到最優(yōu)解[19]。由于Elman的初始權(quán)值和閾值是隨機的,所以引入SSA尋求最佳初始權(quán)值和閾值[20]。算法流程圖如圖4所示。

圖4 SSA-Elman預(yù)測模型流程圖Fig. 4 Flow chart of SSA-Elman prediction model

具體步驟如下:

1)數(shù)據(jù)預(yù)處理:將隧道施工瓦斯安全評價樣本數(shù)據(jù)進行提取。

2)設(shè)置初始參數(shù):設(shè)置模型初始參數(shù)。

3)設(shè)置適應(yīng)度函數(shù):適應(yīng)度計算公式為:

(8)

4)更新發(fā)現(xiàn)者位置。

(9)

式中:t為迭代次數(shù);rmax為最大迭代次數(shù);Xi,j為第i只麻雀的j維的位置;α為(0, 1]的隨機數(shù);R2為安全值;ST為警戒值;Q為服從正態(tài)分布的隨機數(shù);L為全1矩陣。

5)更新跟隨者位置。

(10)

6)更新偵察者位置。

(11)

式中:xbest為最優(yōu)位置;fg為最佳適應(yīng)度值;fw為最差適應(yīng)度值;β為步長控制參數(shù);K為[-1, 1]上的一個隨機數(shù);ε為無限接近于0的常數(shù)。

7)獲取最佳值:將樣本訓(xùn)練集代入模型,計算適應(yīng)度值,判斷是否滿足終止條件。

8)構(gòu)建模型:將得到的最佳權(quán)值和閾值代入Elman,構(gòu)建SSA-Elman模型。

SSA-Elman預(yù)測模型的適應(yīng)度曲線通過訓(xùn)練集和測試集的均方誤差體現(xiàn),在SSA進化過程中,適應(yīng)度越小,表明模型預(yù)測精度更準(zhǔn)確。隧道施工瓦斯安全預(yù)測的SSA適應(yīng)度變化曲線如圖5所示,由圖5可知算法在迭代初期尋優(yōu)效果好能快速找到相對較優(yōu)解,收斂速度快,運行后期開始逐漸穩(wěn)定收斂,表明算法的尋優(yōu)能力較強。

圖5 SSA最佳適應(yīng)度變化曲線Fig. 5 Change curve of optimal fitness of SSA

3 實例驗證

3.1 數(shù)據(jù)準(zhǔn)備

通過調(diào)研,搜集我國現(xiàn)有瓦斯隧道勘測資料和閱讀整理相關(guān)文獻[9,21],參考瓦斯隧道研究成果,選取隧道施工瓦斯評價樣本分別為通瑜隧道、新石埡口隧道、武隆隧道、青山公路隧道、黃蓮坡隧道、梅子關(guān)隧道梨樹灣隧道、康牛隧道、涼風(fēng)埡隧道、白龍山隧道、北培隧道、馬蹄石隧道、烏蒙山隧道、分水隧道、觀斗山隧道和肖家坡隧道作為模型待測樣本來驗證模型的準(zhǔn)確性及實用性?，F(xiàn)依據(jù)隧道施工瓦斯隧道施工分級標(biāo)準(zhǔn)選取標(biāo)準(zhǔn)值,即根據(jù)表1在每個等級指標(biāo)分級數(shù)值區(qū)間均勻選取20組數(shù)值,由此可得到80組標(biāo)準(zhǔn)樣本,其中選取第5、10、15、…、80共16組數(shù)據(jù)為測試樣本,剩余的64組樣本值作為訓(xùn)練樣本,為方便模型代碼識別將安全性等級以數(shù)字“1”、“2”、“3”、“4”作為輸入值。為避免數(shù)據(jù)差值過大影響模型預(yù)測的準(zhǔn)確性,故將各指標(biāo)數(shù)據(jù)標(biāo)準(zhǔn)樣本等比例縮小映射[0,1]區(qū)間內(nèi)[22]。樣本數(shù)據(jù)和待測隧道評價樣本如表4所示(由于篇幅有限表中只列出部分?jǐn)?shù)據(jù))。

表4 瓦斯隧道標(biāo)準(zhǔn)樣本數(shù)據(jù)和待測樣本Table 4 Standard sample data and samples to be tested of gas tunnel

3.2 SSA-Elman模型建立與驗證

模型建立基于MATLAB2020a軟件中,采用留一交叉驗證法檢驗SSA-Elman模型的預(yù)測性能,將樣本中的每一個訓(xùn)練樣本輪流作為測試集,剩余的為訓(xùn)練集,優(yōu)勢在于每個樣本都會通過模型單獨訓(xùn)練,使得模型預(yù)測最接近原始樣本分布特征。將64組樣本作為訓(xùn)練樣本進行留一交叉驗證法,驗證結(jié)果如圖6所示。SSA-Elman模型只有少數(shù)幾組數(shù)據(jù)驗證誤差值在[-1,1]區(qū)間浮動,且大部分樣本點預(yù)測值穩(wěn)定,證明SSA-Elman模型的預(yù)測精度較好,預(yù)測性能穩(wěn)定。

圖6 SSA-Elman模型留一交叉驗證誤差值Fig. 6 SSA-Elman model leaves a cross validation error value

為驗證SSA對Elman神經(jīng)網(wǎng)絡(luò)的優(yōu)化結(jié)果,通過預(yù)測評估16組測試樣本對比分析Elman模型和SSA-Elman模型的預(yù)測結(jié)果,如表5和圖7所示,可得出:Elman模型預(yù)測值與真實值誤差較大,而SSA-Elman模型的預(yù)測值更接近實際值且預(yù)測結(jié)果更穩(wěn)定。

圖7 模型預(yù)測對比圖與誤差圖Fig. 7 Model comparison diagram and prediction error diagram

表5 Elman和SSA-Elman預(yù)測結(jié)果Table 5 Elman and SSA-Elman prediction results

為評估SSA-Elman模型的準(zhǔn)確性,本文采用5個評價參數(shù)分別為均方誤差(mean square error,MSE)、均方根誤差(root mean square error,RMSE)、平均絕對誤差(mean absolute error,MAE)、平均絕對百分比誤差(mean absolute percentage error,MAPE)及常見的分類性能指標(biāo)準(zhǔn)確率(accuracy)對SSA-Elman模型預(yù)測精度進行評估,表6所示為Elman和SSA-Elman模型的評價參數(shù)對比分析,評價參數(shù)越小表明模型預(yù)測回歸性效果越好且預(yù)測精度越高,分類性能指標(biāo)準(zhǔn)確率越高表明模型性能越好,如表6所示,SSA-Elman模型的參數(shù)均優(yōu)于Elman模型,證明SSA-Elman模型的預(yù)測效果良好。

表6 模型評價參數(shù)分析表Table 6 Analysis of model evaluation parameters

3.3 結(jié)果與分析

為驗證模型實際工程中預(yù)測的的準(zhǔn)確性和可靠性,本文通過選取的待測樣本預(yù)測隧道施工瓦斯安全性等級結(jié)果與PSO-Elman、Elman及文獻[8]中的FDA模型、實際工程實測結(jié)果進行對比分析。如表7所示,SSA-Elman模型得到的各樣本點隧道瓦斯安全等級準(zhǔn)確率為93.75%,PSO-Elman預(yù)測結(jié)果準(zhǔn)確率為87.5%,Elman模型評價等級預(yù)測準(zhǔn)確率與FDA模型評價隧道施工瓦斯安全等級準(zhǔn)確率同為81.25%,SSA-Elman模型預(yù)測準(zhǔn)確性更高且趨于穩(wěn)定;通過分析發(fā)現(xiàn)預(yù)測待測樣本產(chǎn)生誤差的原因可能出現(xiàn)在各評價等級之間劃分標(biāo)準(zhǔn)不夠細致,所以后續(xù)可完善劃分安全性等級。基于此,本文所建立的SSA-Elman預(yù)測模型對于隧道施工瓦斯安全性預(yù)測更適用。

表7 不同模型隧道施工瓦斯安全性評價結(jié)果Table 7 Gas risk assessment results of different model tunnel construction

綜上所述,本文所建立的預(yù)測模型可準(zhǔn)確預(yù)測隧道施工瓦斯安全。較好的評估效果也反映了該模型在實際工程應(yīng)用中具有實用價值。

4 結(jié)論

本文在總結(jié)國內(nèi)外隧道施工瓦斯安全評價文獻研究、規(guī)范搜集、工程調(diào)研、專家調(diào)查的基礎(chǔ)上,確定隧道施工瓦斯影響因素并確定等級劃分,并通過調(diào)研搜集16個瓦斯隧道作為待測對象完成了隧道瓦斯安全性預(yù)測,得到以下結(jié)論:

1)隧道施工瓦斯災(zāi)害影響因素眾多,本文從水文地質(zhì)條件、隧道設(shè)計、煤層結(jié)構(gòu)狀況及施工管理四個方面分析影響隧道施工瓦斯安全的主要因素,在既有研究和相關(guān)規(guī)范的基礎(chǔ)上,構(gòu)建了包含12個二級指標(biāo)的隧道施工瓦斯安全預(yù)測評價指標(biāo)體系,并采用GRA分析了選取指標(biāo)對評價對象的相關(guān)性,使得建立的指標(biāo)更具合理性。

2)本文構(gòu)建GRA-SSA-Elman的隧道施工瓦斯安全性預(yù)測模型,該模型可在有限樣本、多因素非線性條件下預(yù)測隧道施工瓦斯安全等級,并采用留一交叉驗證法驗證、對比分析測試樣本預(yù)測值和模型評價參數(shù),得出模型預(yù)測精度高且性能穩(wěn)定,模型整體預(yù)測效果良好,可操作性強、實用價值高。

3)本文通過選取的16組不同實例瓦斯隧道待測樣本將SSA-Elman模型評價結(jié)果與PSO-Elman、Elman、FDA模型結(jié)果進行對比分析,實際工程一致性較高,驗證了該模型評估的準(zhǔn)確性及實用性,可為實時動態(tài)的隧道施工瓦斯災(zāi)害預(yù)測評估提供參考。

4)本文的隧道施工瓦斯安全等級劃分依據(jù)較為定性,之后可通過具體的量化方法對標(biāo)準(zhǔn)進一步完善,使得模型更加合理準(zhǔn)確。