基于BP神经网络的跨既有线高速铁路桥梁施工安全风险评估

王飞球，黄健陵，符竞，闫屹彬，陈辉华



基于BP神经网络的跨既有线高速铁路桥梁施工安全风险评估

王飞球1, 2，黄健陵1，符竞1，闫屹彬1，陈辉华1

(1. 中南大学 土木工程学院，湖南 长沙410075；2.中铁二十四局 江苏工程有限公司，江苏 南京 210038)

基于跨既有线高速铁路桥梁施工需同时满足桥梁施工和既有线运营的安全，导致其风险因素复杂多样，风险识别难度大。通过文献研究与典型案例分析，识别跨既有线高速铁路桥梁施工安全风险因素，运用4M1E分析方法建立跨既有线高速铁路桥梁施工安全风险评估指标体系，构建基于BP神经网络的跨既有线高速铁路桥梁施工安全风险评估模型，并以信江特大桥为研究对象进行实证评估，表明其综合风险与项目建设风险等级一致，模型和案例拟合度较好，本文构建的风险评估模型具有一定的科学性和可行性。

跨既有线；高速铁路桥梁施工；风险评估；BP神经网络

我国高速铁路建设规模不断扩大，铁路网交汇不断加密，跨既有线高速铁路桥梁数量日益增多。与常规高速铁路桥梁施工相比，跨既有线高速铁路桥梁施工既要保证线路的正常运营，又要保证施工安全和工期目标实现，施工安全风险因素更加复杂多样[1]。此外，国内外学者关于跨既有线高速铁路桥梁施工安全风险的研究成果较少，对其风险影响因素的识别不够系统、全面。因此，通过科学合理的方法对跨既有线高速铁路桥梁施工安全风险影响因素进行有效地识别，以确保桥梁施工安全及既有线行车安全，是跨既有线高速铁路桥梁施工安全风险管理中的关键与核心。

1 跨既有线高速铁路桥梁施工安全风险因素识别

1.1 基于文献研究的桥梁施工安全风险因素识别

本文通过梳理桥梁施工安全风险相关文献，辅助识别跨既有线高速铁路桥梁工程施工安全风险因素。通过筛选统计，形成基于文献研究的桥梁施工安全风险因素识别表，如表1所示。

表1 基于文献研究的桥梁施工安全风险因素识别表

1.2 基于典型案例分析的桥梁施工安全风险因素识别

本文选取9座跨既有线高速铁路桥梁作为典型案例进，收集工程案例的相关资料作为风险识别依据，邀请数位专家对每座桥梁资料进行深入分析。采用WBS结构分解对跨线桥梁施工项目进行分解，以WBS的最低级工作包为风险识别的基本单元[9]，找出典型案例的施工安全风险因素，形成施工安全风险因素清单，见表2。

表2 部分跨既有线高速铁路桥梁主要施工安全风险因素

1.3 跨既有线高速铁路桥梁施工安全风险评估指标体系

通过分析上述文献资料和典型案例识别施工安全风险因素，结合工程实践，按照系统性、科学性、全面性、层次性和可行性原则，根据4M1E分析理论对跨既有线高速铁路桥梁施工安全风险因素进行分类汇总，其中1级指标包括物资设备等5个风险指标，2级指标包括材料质量等34个风险指标，形成的跨既有线高速铁路桥梁施工安全风险评估指标体系如图1所示。

图1 跨既有线高速铁路桥梁施工安全风险评估指标体系构成图

2 BP神经网络理论基础及算法

2.1 BP神经网络基本理论

BP神经网络是指采用反向传播算法的人工神经网络,根据输入的信息建立神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，合 理有效地解决非正态分布、非线性的风险评估 问题[10]。

2.2 BP神经网络数学模型

BP神经网络由个输入层，个中间隐层及个输出层组成[11]。对于跨既有线高速铁路桥梁施工安全风险评估，其中输入层为3级风险评估指标，输出层为综合风险评估值[12]，其结构如图2所示。

图2 BP神经网数学模型

BP神经网络依据所得样本数据，通过“学习和培训”获得样本所隐含的特征关系，以神经元间连接权重值和阀值的形式储蓄专家的经验与知 识[13]。该模型的数据处理逻辑如图3所示。

2.3 BP神经网络基本算法

从输出层开始，反向调整权值，其调整公式 如下：

3 基于BP神经网络的信江特大桥施工安全风险评估

3.1 工程概况

合福高铁上饶车站改扩建工程信江特大桥位于上饶市灵溪镇，全长3 704.21 m。信江特大桥连续梁在DK469+928.52~DK470+153.24(22号墩~27号墩)段上跨上饶站场沪昆线，与沪昆下行线成79.25°交角。

连续梁结构设计为(31.9+3×52+36.62) m一联5跨预应力混凝土变截面连续箱梁，梁高3.05~4.35 m，主线1联箱梁顶宽12 m、主线两侧2联箱梁顶宽6.48 m、最外侧2联箱梁顶宽7.7 m。共7联6线(含2联站台梁)，连续梁全长224.72 m，采用挂篮悬臂施工。

由于该桥连续梁梁体要在保证既有沪昆铁路和站线正常通行的情况下悬灌施工，而作业空间相对狭小、必要时还要进行封锁要点施工、外部环境复杂等导致施工难度很大，施工过程中不确定因素很多。因此，开展信江特大桥风险分析评估十分 必要。

3.2 建立BP神经网络模型

本文建立的模型就是一个由输入层、隐含层和输出层神经元构成的3层高度非线性映射模型。模型内，最大训练次数设定为20 000。根据软件要求及模型的需要，本文设置的误差精度是0.000 001，当2次的迭代结果误差小于该值时，系统会结束迭代运算。网络模型参数设定如表3所示。

表3 BP网络模型参数

根据上文风险评估指标体系，将风险指标作为模型的输入层神经元，即设定输入层有34个神经元;将项目风险的综合评价值指标作为输出值，输出层节点设定为1，根据输出值的大小判断项目风险情况;采用试凑法确定网络收敛最快、误差最小时对应的隐节点数为20，其运行结构图如图4所示。

图4 BP神经网络运行结构图

由于每个评估指标有不同的物理量纲，通过设计问卷调查的形式，设置李克特5级量表，通过询问9位专家对每个指标进行打分，为了得到有效的输入值与输出值，需对统计的数据进行归一化，得到相关指标的得分值和专家评估结果，以WS为例，其转化方式见如下。

则对整个指标的输入值如式(12)所示。

根据《公路桥梁和隧道工程施工安全风险评估指南》，结合工程实践，项目风险评价范围可以分为5档，即低风险，较低风险，中等风险，较高风险，高风险[15]。如表4所示。

表 4 项目风险评价等级表

本文选取8座跨既有线高速铁路桥梁作为BP人工网络模型的训练和检测样本。7组数据作为模型训练样本，1组数据作为检测样本，信江特大桥的各项评估指标值作为风险预测，经过归一化处理的数据如表5所示。

表5 跨既有线高速铁路桥梁风险指标数据

运用Matlab编写程序，创建神经网络，建立矩阵输入数据，并对网络进行学习训练和检测[16]。通过 20次训练后，总体误差满足要求。MATLAB运行图如图5所示。

将归一化后的数据样本带入后检验，可得出期望输出与最终实际输出的误差值如表6所示，8组数据最大误差仅为1.868%，平均绝对误差为0.328%，故拟合情况良好，小于误差精度。因此，BP人工神经网络成熟度较高，网络模型的学习训练和检测结束。

图5 MATLAB模拟运行图

表6 误差分析表

3.3 运用BP神经网络模型对信江特大桥施工安全进行风险预测

运用训练成熟的BP人工神经网络对信江特大桥项目进行风险预测，将信江特大桥各风险指标进行归一化的数据(0.257，0.329 ，0.243，0.143，0.229，0.357，0.371，0.546，0.557，0.357，0.343，0.400，0.343，0.386，0.400，0.371，0.400，0.216，0.400，0.414，0.400，0.364，0.596，0.356，0.400，0.357，0.414，0.400，0.376，0.366，0.286，0.371，0.386，0.400)输入网络，得到预测值0.160 06。根据表4可预测信江特大桥项目风险为低风险，与项目风险等级一致，故模型拟合度较好。

根据各风险因素输入值，可知信江特大桥主要风险是由既有线侵限、安全规章制度落实不到位及应急措施不完善等风险因素导致，如悬臂施工挂篮倾覆、人员及材料高空坠落、触碰既有线接触网发生触电及火灾、既有线运营对施工人员、机械设备造成伤害等，对工程施工安全管理造成较大影响。因此，合福高铁信江特大桥施工安全控制重点为连续梁施工风险控制及既有线运营对施工造成的风险控制2方面。

4 结论

1) 通过文献调研和案例分析，对跨既有线高速铁路桥梁施工安全风险的影响因素进行识别，并根据4M1E分析理论，建立了施工安全风险评估指标体系。

2) 基于BP神经网络自学习算法，根据风险评估指标体系，建立了跨既有线高速铁路桥梁施工安全风险评估模型。

3) 基于构建的施工安全风险评估模型，对信阳特大桥的施工安全风险等级进行预测，得到其风险等级预测值为0.160 06，其风险评价等级为低风险，与项目建设风险拟合程度较好。表明此风险识别与评估方法具有较强的合理性与实用性，可推广应用于此类工程施工风险评估。

[1] 张青春, 刘德锋. 沪杭高速铁路上跨既有沪昆铁路施工安全技术研究[J]. 铁道标准设计, 2011, 55(6): 114− 117.ZHANG Qingchun, LIU Defeng. Study on the construction safety technology of Shanghai-Hangzhou high-speed railway across existing Shanghai-Kunming railway[J]. Railway Standard Design, 2011, 55(6): 114− 117.

[2] 晁阳.铁路既有线施工安全管理[J]. 铁道建筑, 2011, 51(11): 135−136. CHAO Yang. Safety management of railway construction on existing railway lines[J]. Railway Engineering, 2011, 51(11): 135−136.

[3] 付彦超. 大型桥梁工程施工风险管理研究[D]. 郑州: 郑州大学, 2012. FU Yanchao. Study on construction risk management of large bridges engineering[D]. Zhengzhou: Zhengzhou University, 2012.

[4] 吴广盛. 京沪高铁蕴藻浜桥跨既有铁路施工安全风险管理研究[D]. 成都: 西南交通大学, 2013. WU Guangsheng. Construction safety management Beijing-Shanghai high-speed railway Yunzaobang bridge span the existing line[D]. Chengdu: Southwest Jiaotong, 2013.

[5] 李艳哲. 受既有线控制的重庆白沙沱长江大桥施工风险控制研究[D]. 重庆: 重庆交通大学, 2014. LI Yanzhe. Study on construction risk control of Baishatuo Yangtze river bridge in Chongqing controlled by the existing railway line[D]. Chongqing: Chongqing Jiaotong University, 2014.

[6] 韩学伟, 王君, 王高彦.基坑开挖对临近既有铁路的影响分析[J]. 中外公路, 2014, 34(6): 38−41. HAN Xuewei, WANG Jun, WANG Gaoyan. Analysis on the influence of foundation pit excavation on nearby existing railway[J]. Journal of China and Foreign Highway, 2014, 34(6): 38−41.

[7] 卢朝辉, 闵欢, 余志武. 既有铁路桥梁状态评估指标体系和方法研究[J]. 铁道科学与工程学报, 2015, 12(5): 1103−1110. LU Zhaohui, MIN Huan, YU Zhiwu. Study on the condition assessment index and method for existing railway bridge structures[J]. Journal of Railway Science and Engineering, 2015, 12(5): 1103−1110.

[8] 谭仁伟, 周思锋. 浅谈跨运营既有线铁路连续梁施工安全控制[J]. 公路交通科技, 2016, 12(7): 279−280. TAN Renwei, ZHOU Shifeng. Discussion on safety control of continuous beam construction across existing railway lines[J]. Journal of Highway and Transportation Research and Development, 2016, 12(7): 279−280.

[9] 薛瑶, 刘永强, 戴玮, 等. WBS-RBS法在水利工程全过程管理中的风险识别[J]. 中国农村水利水电, 2014, 56(2): 71−74. XUE Yao, LIU Yongqiang, DAI Wei, et al. Risk identification in the whole process management of hydraulic engineering by WBS-RBS[J]. China Rural Water and Hydropower, 2014, 56(2): 71−74.

[10] 王瑞. 基于BP神经网络的港口货运运营风险控制研究[D]. 北京: 北京交通大学, 2014. WANG Rui. Research on port freight operational risk control based on BP neural network[D]. Beijing: Beijing Jiaotong University, 2014.

[11] Oliveira R. Combining first principles modelling and artificial neural networks: A general framework[J]. Computers and Chemical Engineering, 2004, 28(5): 755−766.

[12] JIANG F, SHI K. Early warning system of operational risks in petrochemical listed companies in china based on BP artificial neural network[J]. Finance, 2011, 1(3): 57− 62.

[13] GAO D, Kinouchi Y, Ito K, et al. Neural networks for event extraction from time series: a back propagation algorithm approach[J]. Future Generation Computer Systems, 2005, 21(7): 1096−1105.

[14] Sudha G. A simple classification of binary document into vector image or scalar image using feed forward neural networks with back propagation training[J]. International Journal of Computer Applications, 2010, 9(3): 24−28.

[15] 陆新鑫, 徐秀丽, 李雪红, 等. 基于肯特指数法的桥梁施工安全风险评估[J]. 中国安全科学学报, 2013, 23(6):165−171. LU Xinxin, XU Xiuli, LI Xuehong, et al. Assessment of bridge construction safety risk based on kent index method[J]. China Safety Science Journal, 2013, 23(6): 165−171.

[16] 李晓娓, 王林艳. MATLAB在神经网络算法研究中的应用[J]. 无线互联科技, 2015, 12(19): 139−141. LI Xiaowei, WANG Linyan. MATLAB in the study of neural network algorithm[J]. Wireless Internet Technology, 2015, 12(19): 139−141.

(编辑 蒋学东)

Risk assessment of construction safety of high-speed railway bridge across existing lines based on BP neural network

WANG Feiqiu1, 2, HUANG Jianling1, FU Jing1, YAN Yibin1, CHEN Huihua1

(1. School of Civil Engineering, Central South University, Changsha 410075, China;2. Jiangsu Engineering Co, Ltd. of China Railway 24th Bureau Group, Nanjing 210038, China)

The construction of high-speed railway bridge across the existing line needs to meet the safety of the bridge construction and the operation of the existing line at the same time. Through literature research and typical case analysis, this paper identified the construction safety risk factors of high-speed railway Bridges across existing lines. The 4M1E analysis method was used to establish the construction safety risk assessment index system for the cross-section high-speed railway bridge, and the BP neural network based construction safety risk assessment model for the cross-section high-speed railway bridge was constructed. Based on the empirical evaluation of Xinjiang bridge, the comprehensive risk was consistent with the risk level of project construction, and the model and case were well fitted, which indicated that the risk assessment model constructed in this paper is scientific and feasible.

cross existing lines; construction of high-speed railway bridges; risk assessment; BP neural network

10.19713/j.cnki.43−1423/u.2019.05.003

U24

A

1672 − 7029(2019)05 − 1129 − 08

2018−08−11

国家自然科学基金资助项目(51378509)

王飞球(1979−)，男，江西九江人，高级工程师，从事工程项目组织与实施、项目风险管理和建筑企业管理研究；E−mail：wangfeiqiu@ 163.com