1、文章编号:1009-6094(2023)07-2184-07基于 F1DCNN 的城市地下综合管廊施工安全风险评估*秦华礼，祝艺露(东北大学资源与土木工程学院，沈阳 110819)摘要:为应对城市地下综合管廊建设中的施工安全问题，并能对施工风险类别进行准确评估，加强预防施工安全事故发生的能力，提出由随机森林和卷积神经网络相结合的施工风险评估模型。按照 4M1E 的分类方式将指标分为人、物料设备、管理、技术、环境 5 大类，选择 F 随机森林对 22 种特征指标进行属性约简，选择最相关指标，并为施工现场的安全管理提供依据;使用 1D CNN 卷积神经网络对降维后的数据进行风险评估。结果表明，F
2、1D CNN 模型对 80 组样本数据进行分析的均方误差可达 0.011 2%，随机选取 30个样本作为测试集进行模型对比，F 1D CNN 的准确率高于 BP 神经网络，该模型对城市地下综合管廊施工安全风险等级具有高识别精度和高效率。关键词:安全工程;综合管廊;施工安全;卷积神经网络;随机森林中图分类号:X947文献标志码:ADOI:10.13637/j issn 1009-6094.2022.0341*收稿日期:2022 03 07作者简介:秦华礼，副教授，博士，从事安全科学理论、系统安全工程及技术研究，。0引言城市地下综合管廊是指将能源、通讯、给排水、供热等两种以上的功能管道整合在一体的
3、城市地下空间中的基础设施，这充分利用了地下空间，对于城市的发展具有重要作用，有效地提高城市综合负荷能力。城市地下综合管廊中设置检修口、吊装口和监测系统保障其运行安全。现有的施工方法1 主要有明挖现浇法、明挖预制拼装法、盾构法、顶管法、浅埋暗挖法。由于整个管廊的建设是在相对封闭的环境中施工，地层条件具有不稳定性，其结构狭长、覆盖层广和位置深的特点造成其施工易受结构和地层影响，极有可能发生坍塌、地表塌陷、水浸、火灾等事故，对地下施工空间，人身安全，机械设备等易造成严重损害。因此，识别城市地下综合管廊中的施工风险，对城市的安全发展具有重要意义。1833 年，法国巴黎出现了世界上第一条地下管线综合管廊
4、系统，我国第一条综合管廊于 1958 年在北京市的天安门广场下建成。“十三五”期间，我国城市地下综合管廊开始蓬勃发展，综合管廊的建设也成为各城市的重点。2015 年，国务院出台了关于推进城市地下综合管廊建设的指导意见，明确了2020 年城市地下综合管廊的建设应取得的成果。1988 年，Kumara 等2 首次将神经网络引入空间布置的研究，提出了基于专家系统的城市地下管线综合管廊空间优化布置问题求解办法。近年来一些国内外学者投身于城市地下综合管廊的研究上，他们建立了多种模型和方法来评估城市地下综合管廊的安全风险和风险等级，以及管廊系统的安全性问题，并将理论与实践相结合，取得了较好的结果。2019
5、年，Li 等3 在城市地下综合管廊的施工建设中，通过引入 BIM 软件参与规划，提高施工质量和项目管理水平。2020 年，王文和等4 利用集成实验室对策分 析 法(DecisionMakingTrialandEvaluationLaboratory，DEMATEL)和 结 构 解 释 模 型 法(Interpretative Structural Modeling Method，ISM)研究导致综合管廊火灾事故发生的主要因素，建立火灾事故风险模型，并根据试验结果提出火灾事故的预防措施。梁宁慧等1 从融资管理模式、运维管理技术、项目建设、施工方法 4 个方面研究了我国综合管廊建设现状与存在的问题
6、。刘柯汝5 使用灰色关联模型对城市地下综合管廊的施工安全风险进行分析，结合事故案例，确定了影响施工安全的主要因素，为施工企业安全风险决策过程提供参考。邱实等 6 提出将耦合度模型(Coupling Model，CM)和信息熵相结合，从事故致因角度出发，建立综合管廊施工安全风险耦合的评价方法，研究施工安全的风险耦合机理，将该指标应用于具体案例，定量评价风险状态，从而为城市地下综合管廊的施工管理提供新的建议。陈雍君等 7 使用模糊贝叶斯网络对城市地下综合管廊的运维风险进行分析，并对北京市的城市地下综合管廊进行实证分析，证实了方法的可行性。目前，国内外现有的针对城市地下综合管廊风险分析多注重于火灾、
7、水灾、爆炸等事故致因的研究，对于城市地下综合管廊的施工安全风险等级的评估研究不足。上述研究人员提出了多种安全评价方法，并应用到城市地下综合管廊的安全及施工风险评价方面，但仍存在一些问题，没有充分考虑事故影响因素，模型整体适应性差。由于特征指标之间可能会存在相关性，且各指标的重要性不同，在评价指标过多的情况下会增加模型的运行时间，降低运行速度 使 模 型 性 能 下 降。本 文 采 用 随 机 森 林4812第 23 卷第 7 期2023 年 7 月安全 与 环 境 学 报Journal of Safety and EnvironmentVol 23No 7Jul，2023(andom Fore
8、st，F)8 选择最优指标，进行数据降维，降低各指标之间的线性相关性。采用一维卷积神 经 网 络(onedimensional-ConvolutionalNeuralNetwork，1D CNN)9 进行风险评估，可以优化模型效果，提高预测精度。通过建立随机森林一维卷积神 经 网 络(andomForest-onedimensional-Convolutional Neural Network，F 1D CNN)模型对城市地下综合管廊施工安全的风险等级进行评估，以期及时发现安全隐患，确保城市地下综合管廊的施工安全。1基本原理1.1城市地下综合管廊施工安全指标城市地下综合管廊的施工分为 4 个阶
9、段:工程筹建期、工程准备期、工程施工期、工程完建期。工程筹建期是解决工程建设是否合理，工程准备期是为工程勘察、设计、施工创造条件，工程施工期为主体施工阶段，工程完建期包括验收与保修，其中工程施工期安全风险问题最为突出，会对人身财产安全产生严重影响。在工程施工期，根据安全事故致因机理、综合管廊施工组织设计及住建部的行业标准CJJ/T 2752018市政工程施工安全检查标准 提炼出城市地下综合管廊施工安全影响因素清单10。并根据实地考察分析，按照 4M1E 的分类方式将指标分为人的因素、物料设备因素、管理因素、技术因素、环境因素5 大类，共22 个评价指标，如图1 所示。针对客观性指标，需采用德尔
10、菲法对指标进行判断，并将总分的平均值作为指标的最终值。考虑到城市地下综合管廊各指标间具有复杂的关系，可能存在信息重叠和线性相关性，所以需进一步处理，选择最优指标，找到引起事故的最相关风险，使模型能够高效准确预测后果11。1.2F 随机森林随机森林由决策树组成，且每一棵决策树之间是没有关联的，该算法基于集成学习的思想，可以将多棵树集成，可以对样本进行训练并预测。利用随机森林进行特征重要性评估，按照特征贡献的大小对特征进行排序，并按照预先设定的指标筛选数据，达到对数据降维的效果，优化试验数据，得到最优指标。关于贡献的计算方式，采用基尼指数来表示。G(p)=KK=1pK(1 pK)=1 KK=1p2
11、K(1)式中G 表示基尼指数，K 表示有 K 个类别，pK表示图 1城市地下综合管廊施工安全指标Fig 1Safety index of urban undergroundutility tunnel construction类别 K 的样本权重，p 表示样本权重。如果特征 Yj在决策树 i 中出现的节点在集合 M中，那么 Yj在第 i 棵树的重要性为V(G)ij=mMV(G)jm(2)式中V 表示重要性，m 表示节点数，V(G)jm表示特征在节点 m 的重要性。假设 F 中共有 n 棵树，那么V(G)j=ni=1V(G)ij(3)式中V(G)j表示特征 Yj的重要性，V(G)ij表示特征在第
12、 i 棵树的重要性。最后，将重要性评分进行一归一化处理。Vj=Vjci=1Vi(4)式中c 表示决策树的总数，Vj表示重要性。58122023 年 7 月秦华礼，等:基于 F 1D CNN 的城市地下综合管廊施工安全风险评估Jul，20231.31D CNN 一维卷积神经网络卷积神经网络是包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，其结构包括输入层、隐含层和输出层，本文设计的隐含层由两层卷积层、池化层、扁平层和全连接层组成，卷积神经网络结构图如图 2 所示。对于第 l 层的一维卷积层，其输出结果可以表示为xlj=fiMkli*xi1ij+bij(5)式中xlj表示第 l
13、 层的第 j 个特征，j 表示卷积核数量，k 表示卷积核，*表示卷积算子，M 表示输入特征的通道数量，xi1ij表示 l 层的输入特征，bij表示对应的偏置向量，f 表示采用的激活函数。卷积层采用 eLU 激活函数，对于一个由 n 个元素组成的数组 X，数组中第 i 个元素的 eLU 值可以表示为(xi)=xixi 00 xi()0(6)式中 表示 eLU 的值。最大池化层的输出结果可以表示为Ml+1i(j)=max(j1)W+1tjWfli(t)(7)式中Ml+1i表示第 l+1 层的神经元输出，W 为池化的面积，fli(t)表示第 l 层的第 i 个特征中的第 t 个神经元输出值。全连接层
14、产生的输出结果可以表示为yl+1i=f(wlxl+bl)(8)式中w 表示权重，b 表示偏置。全连接层采用 Softmax 函数进行分类，对于一个由 n 个元素组成的数组 X，数组中第 i 个元素的Softmax 值可以表示为S(xi)=exinexn(9)式中S 表示 Softmax 的值，e=2.718。损失函数采用均方误差作为目标函数，其计算式为f(y，y)=1NNi=1(yi yi)2(10)式中y 表示模型预测输出，y 表示真实输出分布，N 表示元素总数。1.4BP 神经网络BP 神经网络12 是一种按照误差逆向传播算法训练的多层前馈神经网络，计算过程分为正向计算和反向计算，BP 神
15、经一般具有 3 层网络结构，包括输入层、隐含层和输出层，它具有强大的非线性映射能力和灵活的网络结构，如图 3 所示。BP 神经网络的计算公式可以表示为f(x)=ni=0wixi+bi(11)式中w 表示权重，bi表示隐含层第 i 个节点的阈值，n 表示 BP 神经网络的层数，激活函数采用Softmax。损失函数同样采用均方误差作为目标函数。2模型实例2.1数据集简介城市地下综合管廊施工安全风险等级集合定义为 U=安全，较安全，一般安全，不安全，包含 4个等级，对应类别向量 V=(0，1，2，3)，收集到在不同的城市地下综合管廊的建设工程项目中，工程图 2卷积神经网络结构图Fig 2Struct
16、ure diagram of convolutional neural network图 3BP 神经网络Fig 3BP neural network6812Vol 23No 7安全 与 环 境 学 报第 23 卷第 7 期施工期的 80 组评价数据(部分)见表 1。表 1地下管廊施工期的评价数据统计表(部分)Table 1Statistical table of evaluation data of underground pipe gallery construction period(part)编号A1A2A3A4A19A20A21A22类别19084879487848990029584838985859193038786888885878886149487859685879389059589869389849191080638181687085686432.2F 特征选择利用 Python 语言 sklearn 库中的随机森林分类器(andom Forest Classifier)模块建立随机森林模型，对数据特征进行选择并给出特征指标的重要性。将数据集分为训练集与测试集，其比例