基于环境承载力的隧道工程环境影响评价体系及应用

万炳彤，鲍学英，李爱春

基于环境承载力的隧道工程环境影响评价体系及应用

万炳彤，鲍学英，李爱春

(兰州交通大学 土木工程学院，甘肃 兰州 730070)

为了将隧道工程环境影响控制在区域环境所能承载的范围之内，考虑适应性、可操作性和推广性等原则，提出基于环境承载力构建隧道工程环境影响评价指标体系。支持向量回归机(Support vector Regression, SVR)与传统评价方法相比减少了指标体系赋权过程，能避免人为因素或指标数据的干扰，提高评价体系的通用性。利用SVR建立的隧道工程环境影响评价模型，并结合交叉验证法对SVR模型参数进行优化选择，解决SVR模型在参数选择上的盲目性。以兰渝铁路全线中段的西秦岭隧道为例进行模型运算。结果表明该方法符合实际，适应性及可操作性强，能够为隧址区生态环境的修复工作提供科学依据。

隧道施工；环境承载力；支持向量回归机(SVR)；交叉验证法

改革开放以来，我国基础设施建设发展迅速，但以往依靠资源高消耗、污染高排放的粗放型发展模式都是以环境恶化为代价的。隧道工程作为一项复杂的基础设施项目，其洞身开挖、施工爆破、弃渣处理、支护、衬砌等施工过程不可避免的会对沿线地区的水环境、大气环境、声环境、水土资源、生态植被等造成一定程度的不利影响。因此，有必要开展对隧道工程环境影响综合评价体系的研究，以便指导下一步隧址区生态环境的修复工作。目前，对于隧道工程环境影响的内涵、评价理论、评价指标体系和评价方法尚未达成共识，评价指标体系的构建模式也是多种多样，总结归纳目前应用较多的指标体系构建模式有：1) 基于压力-状态-响应(pressure-state response，PSR)模型构建评价指标体系。PSR概念模型的显著特点的是含有清晰的因果关系，其基本原理是人类的经济活动对环境产生了一定影响，导致环境状态发生了改变，人类社会应通过意识和行为对环境状态的改变做出响应。基于PSR思想，隧道工程环境影响评价指标体系由“压力”指标、“状态”指标和“响应”指标组成。赵鑫[1]以生态角度为出发点，基于PSR概念模型，建立了隧道建设对生态环境影响的综合评价指标体系。王泽兴[2]遵循PSR思想建立了一套由大气环境效应、声环境效应、环境风险效应、社会环境效应构成的评价指标体系，并采用层次分析法与模糊综合评价法对城市道路隧道工程产生的环境效应进行了评价研究。2) 基于生命周期评价(Life Cycle Assessment, LCA)构建评价指标体系。LCA是指对产品整个生命周期内消耗的资源、能源和排出的环境负荷进行测算，从而定量评价产品对环境造成的负面影响[3]。杨龙龙[4]运用LCA理论分析了隧道在建造、运营、拆除这整个生命周期内各阶段的资源、能源消耗以及固体废弃物的产生量等，定量评价了公路隧道对环境产生的影响。徐建峰等[5]按照LCA思想，以NO2和SO2为研究对象，对隧道施工空气污染导致的人员健康损害进行了评价研究。3) 基于环境要素构建评价指标体系。评价指标体系由土壤环境、生态环境等环境要素构成，并采用传统的层次分析法、模糊评价法、BP神经网络法[6]等对隧道工程环境影响进行综合评价。上述指标体系构建模式各具特点，在适用性、可操作性等方面存在较大差异。由于环境的特性所在，自然环境受到外界影响后，其环境质量的变化存在一定的滞后性，一旦人类活动对环境的影响超出了环境承载力，将会导致生态环境恶化以及后期环境恢复工作难度增大，甚至导致社会、经济的不可持续发展。所谓环境承载力是指在一定时期，一定环境状态下，一定区域内环境对人类活动支持能力的阈值[7]。换言之环境承载力是衡量环境影响程度的阈值、是人类活动与环境协调程度的标尺。人类活动应控制在区域环境所能承载的范围之内。鉴于此，本文以一种全新视角，结合隧道施工特点，同时考虑适应性、可操作性、推广性等基本原则，提出基于环境承载力构建隧道工程环境影响评价指标体系，即用隧道施工产生的污染物排放浓度、强度等指标以及其相应的环境治理指标对隧道工程一定区域范围内的环境承载力大小进行量化研究，目的是将隧道工程环境影响控制在区域环境所能承载的范围之内。当前，国内外对于隧道工程环境影响评价方法的研究[2, 4-5, 8]多数是从对指标体系赋权以形成综合影响指数以及其衍生算法入手，但权重的确定不但容易受到人为因素或指标数据的干扰，也限制了评价体系的通用性。机器学习方法具有强大的容错性，能够排除外界干扰。目前已有国内学者运用人工神经网络模型[6]对隧道建设产生的环境影响进行了综合评价，并验证了机器学习思维在隧道工程环境影响评价中的可行性。支持向量机(Support vector machine，SVM)是一种以统计学理论为基础的机器学习方法，它以结构风险最小化为原则，以训练误差为约束条件，以VC维最小(置信区间最小)为优化目标，相比传统的BP神经网络模型，SVM能够在有限的样本信息下寻求到模型的复杂性和学习能力之间的最佳平衡点，即在小样本集的条件下SVM具有更强的学习能力和泛化推广能力[9]。SVM作为机器学习领域的集大成者，已经广泛应用到分类和回归领域，但是运用SVM进行隧道工程环境影响评价的研究还未见报道。因此，本文选择SVM的回归算法即支持向量回归机(Support vector Regression, SVR)作为隧道工程环境影响评价的主要方法，并利用交叉验证法对SVR模型参数进行优化选择，解决了SVR在参数选择上的盲目性，构造了基于交叉验证的SVR评价模型。最后，本文以兰渝铁路全线中段的西秦岭隧道为例，运用该模型对其环境影响进行评价研究，旨在为隧址区生态环境的修复工作提供科学依据。

1 隧道工程环境影响评价指标体系的建立

1.1 基于环境承载力的隧道工程环境影响评价指标体系

区域环境承载力主要涉及环境、资源、人类活动这3大子系统，本文根据承载对象的特性，分别从这3大子系统出发进行了评价指标的设定，如表1所示。各指标的选取依据如下。

1) 环境子系统：环境子系统主要考虑水环境、大气环境和声环境这三类要素，由于环境承载力主要表征环境系统对人类活动产生的各类污染物的承受能力，故将隧道施工产生的污染物作为水环境和大气环境的评价指标。其中，根据《铁路给水排水设计规范》(TB10010—2016)，隧道施工导致区域水质下降的主要污染因子为悬浮物(SS)、化学需氧量(COD)、石油类等；隧道施工中产生的粉尘、有害气体是影响大气环境的主要因素，根据文献[10]选用CO，NO和PM10(可呼吸入粉尘)作为大气环境污染的评价指标。此外，隧道施工时噪声污染严重，以区域噪声Leq值(等效声级)作为声环境污染的评价指标。

2) 资源子系统：隧道建设过程中，其工程占地、挖方填方、弃土弃碴等施工过程都会对水土资源造成一定影响，导致其区域地表土层松动，土壤抗蚀性下降，水土保持功能降低，水土流失加剧。根据文献[11]选用水土流失强度这一指标来度量施工活动对水土资源造成的影响。水土流失强度可以按照土壤水蚀模数确定，其计算方法见《土壤侵蚀分类分级标准》(SL 190—2007)和文献[11]。

3) 调节子系统：环境承载力反映环境与人类的相互作用关系，是人类活动与环境协调程度的标尺，人类活动在对环境排放污染物，影响水土资源的同时，也需要通过相应的环境治理措施来调节区域环境状况。根据隧道工程环境影响特征及《生产建设项目水土流失防治标准》(GB/T50434—2018)，选用施工废水处理率、植被恢复率与拦渣率作为调节子系统的评价指标。根据GB/T50434—2018标准中的定义，施工废水处理率表示区域内施工废水处理量占总产生量的比重；植被恢复率表示隧道建设区内植被面积占可恢复植被面积的百分比；拦渣率表示隧道建设区内采取措施实际拦挡的弃土(石、渣)量与工程弃土(石、渣)总量的百分比。

表1 基于环境承载力的隧道工程环境影响评价指标及指标测定(计算)方法

1.2 分级标准建立

根据现行的《污水综合排放标准》(GB8978—1996)，《环境空气质量标准》(GB3095—2012)，《工作场所有害因素职业接触限值第1部分：化学有害因素》(GBZ2.1－2007)，《声环境质量标准》(GB 3095—2008)，《建筑施工场界环境噪声排放标准》(GB 12523—2011)，《土壤侵蚀分类分级标准》(SL 190—2007)和《生产建设项目水土流失防治标准》(GB/T50434—2018)来确定隧道区域环境承载力的分级标准，如表2所示。

表2 环境承载力分级标准

2 基于SVR的隧道工程环境影响评价模型

2.1 SVR算法原理

支持向量回归机(Support vector Regression, SVR)是基于SVM模型提出的，两者的区别为SVM[12]是在两类样本点之间找到一个最优分类面(函数())，使得离该平面最近的样本点能够最远，从而形成最大间隔(margin)，如图1所示。但SVR[13]寻求的是一个线性回归方程(函数=())来拟合所有的样本点，即它寻求的超平面不是划分样本点，而是使样本点离超平面的总方差最小，如图2所示。SVR的计算原理[14]如下。

图1 SVM分类示意图

图2 SVR拟合示意图

式(3)是一个二次规划求最优解问题，利用Lagrange乘子法求解，引入Lagrange函数可获得其对偶形式

目前应用最广泛的核函数是径向基核函数(RBF)：

式中：为核参数。

2.2 基于SVR的隧道工程环境影响评价方法

隧道工程环境承载力评价问题可以看成一种数学映射问题，设评价因子与承载力等级之间存在一个复杂的非线性映射，其中承载力等级为评价因子在映射下的象，评价因子为承载力等级关于映射的原象。基于SVR强大的学习能力和泛化推广能力，运用SVR对评价因子的指标值进行训练学习，获得一个十分逼近的映射F，从而获得隧道工程的环境承载力等级，具体过程如图3所示。

图3 基于SVR的隧道工程环境影响评价流程图

3 实证研究

西秦岭隧道位于兰渝全线中段，地处甘肃省陇南市，是兰渝铁路全线控制工程，全长28.236 km，为两座平行的分离式单线隧道，是目前采用钻爆法和TBM法相结合施工的最长隧道。根据对西秦岭隧道监测结果,本项目施工排放废水的主要污染物为石油类、悬浮物(SS)、化学需氧量(COD)等。其中石油主要来自施工所使用的开挖、钻孔等设备以及液压施工机械、运渣机械等施工机械产生的油污，悬浮物(SS)主要来自钻爆、喷射混凝土等过程中产生的污染物。化学需氧量(COD)主要来自石油类的氧化等；本项目施工产生的大气污染主要是材料运输、堆放等过程中的风扬灰尘导致的粉尘污染以及施工时施工机械和运输车辆排放大量含有CO和NO的尾气；施工中爆破、钻孔、搅拌、运输等作业产生的噪声是本项目施工造成声污染的主要原因。指标体系中各项指标的监测数据分别为210 mg/L，89 mg/L，21 mg/L，13 mg/m3，98mg/m3，110mg/m3，56 dB(A)，2 570 t/(km2·a，90%，89%和91%。

SVR寻求的是一个线性回归方程(函数y=g(x))来拟合所有的样本点，因此首先根据承载力评价指标分级标准选取标准样本值，即在各承载力等级上随机均匀选取的5组指标值作为SVR的输入向量，其对应的承载力等级为SVR的输出值，从而获得25组标准样本,其中1~20组样本作为学习样本，21~25组样本作为测试样本。由于各指标监测数据差值大，影响模型准确性，故将各指标值等比例缩小映射到[0,1]区间内，经过处理的标准样本值如表3所示。

表3 标准样本值

本文借助Python平台实现对SVR问题的求解，选用径向基核函数(RBF)作为隧道工程环境影响评价模型的核函数，运用交叉验证法对惩罚参数和核函数参数gamma进行优化选择，设惩罚参数的对数log2的取值范围为(0,100)，优化步长为0.05，核函数参数gamma的对数log2的取值范围为(0,100)，优化步长为0.5，最终确定的最优参数组合为：=99.36，gamma=0.01。此时基于SVR的隧道工程环境影响评价模型的预测准确率为99.861%，测试集的拟合效果如图4所示，误差曲线如图5所示，具体学习结果如表4所示。

图4 测试集拟合效果图

图5 误差曲线图

表4 测试集学习结果

将指标体系中各项指标的监测数据等比例缩小后输入已经训练好的隧道工程环境影响SVR评价模型中进行测算，得到的输出值为3.632，对照表2可知该隧道的环境承载状况为轻度超载。根据现场调查与分析，该评价结果符合实际情况，验证了该模型的可靠适用性，证明本文所建立的方法能够为为隧址区生态环境的修复工作提供科学依据。因此，有必要对西秦岭隧道区域进行相应的生态环境修复措施，如加强施工废水处理、提高植被恢复率等。

4 结论

1) 从环境承载力的概念出发，结合隧道施工特点，同时考虑适应性、可操作性、推广性等原则，提出基于环境承载力构建隧道工程环境影响评价指标体系，即用一定的指标进行隧道区域环境承载力的量化研究，目的是将隧道工程环境影响控制在区域环境所能承载的范围之内。

2) 目前对于隧道工程环境影响的评价方法多数是从对指标体系赋权以形成综合影响指数以及其衍生算法入手，但是权重的确定易受到人为因素或指标数据的干扰，同时也限制了评价体系的通用性。相比传统评价方法，SVR模型减少了指标体系赋权过程，能够排除外界干扰，且在有限的样本信息下具有强大的学习能力和泛化推广能力，使得评价结果更加科学可靠。因此，本文构建了基于SVR的隧道工程环境影响评价模型，并以兰渝铁路全线中段的西秦岭隧道为例验证了该模型的可靠实 用性。

3)利用交叉验证法对SVR模型参数进行优化选择，解决了SVR模型在参数选择上的盲目性。该方法简便易行并且可操作性强，能够为隧址区生态环境的修复工作提供科学依据。但由于指标值数据、样本的处理均会存在较大的差异性，该方法的通用性还有待深入研究与完善。

[1] 赵鑫. 高速公路隧道建设对生态环境影响的敏感性与安全性评价体系[D]. 兰州: 兰州大学, 2008. ZHAO Xin. Sensitivity and security system of highway tunnel construction on the ecological environment[D]. Lanzhou: Lanzhou University, 2008.

[2] 王泽兴. 城市道路隧道环境效应综合评价研究[D]. 成都: 西南交通大学, 2016. WANG Zexing. Environmental influence comprehensive assessment of city road tunnel[D]. Chengdu: Southwest Jiaotong University, 2016.

[3] 郑秀君, 胡彬. 我国生命周期评价(LCA)文献综述及国外最新研究进展[J]. 科技进步与对策, 2013, 30(6): 155-160. ZHENG Xiujun, HU Bin. Domestic literature review and the latest overseas research progress of life cycle assessment[J]. Science & Technology Progress and Policy, 2013, 30(6): 155-160.

[4] 杨龙龙. 基于LCA的公路隧道环境影响评价[D]. 郑州: 中原工学院, 2018. YANG Longlong. Environmental impact assessment of road tunnels based on life cycle assessment[D]. Zhengzhou: Zhongyuan University of Technology, 2018.

[5] 徐建峰, 郭春, 郭雄, 等. 公路隧道施工空气污染健康损害评价[J]. 地下空间与工程学报, 2017, 13(增1): 409-414. XU Jianfeng, GUO Chun, GUO Xiong, et al. Health damage evaluation for air pollution in highway tunnel construction[J]. Chinese Journal of Underground Space and Engineering, 2017, 13(Suppl 1): 409-414.

[6] 王庆伟, 陈必光. 米拉山高海拔隧道建设环境影响风险评估研究[J]. 地下空间与工程学报, 2018, 14(增2): 975-979. WANG Qingwei, CHEN Biguang. Research on environmental impact risk assessment of mila mountain high altitude tunnel construction[J]. Chinese Journal of Underground Space and Engineering, 2018, 14(Suppl 2): 975-979.

[7] 刘年磊, 卢亚灵, 蒋洪强, 等. 基于环境质量标准的环境承载力评价方法及其应用[J]. 地理科学进展, 2017, 36(3): 296-305. LIU Nianlei, LU Yaling, JIANG Hongqiang, et al. Environmental carrying capacity evaluation methods and application based on environmental quality standards[J]. Progress in Geography, 2017, 36(3): 296-305.

[8] Brousse B, Vidal B, Ponticq X, et al. Pollution dispersion at an urban motorway tunnel portal: Comparison of the small-scale predictive study with the actual conditions measured on the site[J]. Atmospheric Environment, 2005, 39(13): 2459-2473.

[9] 刘苏苏, 孙立民. 支持向量机与RBF神经网络回归性能比较研究[J]. 计算机工程与设计, 2011, 32(12): 4202-4205. LIU Susu, SUN Limin. Performance comparison of regression prediction on support vector machine and RBF neural network[J]. Computer Engineering and Design, 2011, 32(12): 4202-4205.

[10] 张国珍, 崔圣达, 张洪伟, 等. 隧道工程对生态环境的影响及环境效应[J]. 地质灾害与环境保护, 2017, 28(4): 53-57. ZHANG Guozhen, CUI Shengda, ZHANG Hongwei, et al. Influence of tunnel engineering on ecological environment and environmental effects[J]. Journal of Geological Hazards and Environment Preservation, 2017, 28(4): 53-57.

[11] 高海东, 李占斌, 李鹏, 等. 基于土壤侵蚀控制度的黄土高原水土流失治理潜力研究[J]. 地理学报, 2015, 70(9): 1503-1515. GAO Haidong, LI Zhanbin, LI Peng, et al. The capacity of soil loss control in the Loess Plateau based on soil erosion control degree[J]. Acta Geographica Sinica, 2015, 70(9): 1503-1515.

[12] Kordjazi A, Pooya Nejad F, Jaksa M B. Prediction of ultimate axial load-carrying capacity of piles using a support vector machine based on CPT data[J]. Computers and Geotechnics, 2014(55): 91-102.

[13] Samui P, Kim D, Sitharam T G. Support vector machine for evaluating seismic-liquefaction potential using shear wave velocity[J]. Journal of Applied Geophysics, 2011, 73(1): 8-15.

[14] Franklin J. The elements of statistical learning: data mining, inference and prediction[J]. The Mathematical Intelligencer, 2005, 27(2): 83-85.

Environmental impact assessment system of tunnel engineering based on environmental bearing capacity and its application

WAN Bingtong, BAO Xueying, LI Aichun

(School of Civil Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

In order to control the environmental impact of tunnel engineering within the bearing range of the regional environment, considering the principles of adaptability, operability and extensibility, an environmental impact assessment index system based on the environmental carrying capacity of tunnel engineering was proposed. Compared with traditional evaluation methods, Support vector Regression (SVR) reduces the empowerment process of the index system. It can avoid the interference of human factors or index data, and improve the universality of the evaluation system. Therefore, a tunnel engineering environmental impact assessment model was established by using SVR. The parameters of the SVR model were optimized by combining the cross- validation method, which solved the blindness of the SVR model in parameter selection. Finally, the model calculation is carried out by taking the Xiqinling tunnel in the middle section of the Lanzhou-Chongqing railway as an example. The results show that this method is practical, adaptable and operable, and can provide scientific basis for the restoration of ecological environment in tunneling site.

tunnel construction; environmental carrying capacity; support vector regression machine (SVR); cross validation

10.19713/j.cnki.43-1423/u.T20190290

X828

A

1672 - 7029(2020)01 - 0258 - 08

2019-04-12

国家自然科学基金资助项目(51768034)

鲍学英(1974-)，女，宁夏中卫人，教授，从事绿色铁路及工程管理方面的研究；E-mail：813257032@qq.com

(编辑 蒋学东)