人工智能算法在橋梁總體風險評估中的應用

羅 京

(上海城建市政工程(集團)有限公司，上海 201900)

隨著我國基建事業(yè)的飛速發(fā)展，工程建設安全事故層出不窮，近年來，由于橋梁建設導致的安全生產(chǎn)事故給國家和社會造成了嚴重的經(jīng)濟損失。為提前發(fā)現(xiàn)我國在橋梁建設中的安全隱患，針對性地解決項目建設中存在的安全問題，風險評估制度被引入到項目建設中。風險評估作為一項風險預防制度，能夠有效規(guī)范管理施工，規(guī)避施工風險，在項目建設中占據(jù)著重要地位，在風險評估中，較為主要的技術(shù)核心為風險評估指標、風險評估準則、風險評估方法以及風險控制措施。針對以上幾點，已有眾多學者開展了相關(guān)研究并取得了一定的研究成果，朱洪波以高速公路簡支梁施工為依托，詳細闡述了簡支梁施工工藝，制定了簡支梁施工組織風險評估體系[1]；李德航、彭曉穎等基于模糊突變理論，運用人機工程學原理和方法分析了高速公路橋梁施工風險發(fā)生機理，構(gòu)建了相應的遞歸層次體系和施工風險評估模型[2-3]；徐騰[4]分別對封閉交通和不封閉交通兩種情況下的橋梁加固施工期風險評估模型進行了研究，采用模糊層次法-徑向基神經(jīng)網(wǎng)絡-ALARP模型對封閉交通的橋梁開展了評估，采用模糊層次法-有限元法對不封閉交通的橋梁進行了風險評估；李麗、周榮義、王凌睿等[5]提出了一種基于組合賦權(quán)和后悔理論的?；饭窐蛄猴L險評估模型，解決了現(xiàn)有?；窐蛄哼\輸風險評估主觀性過強的不足；陳勇、孫博[6]通過調(diào)研并以現(xiàn)有研究為基礎，構(gòu)建了橋梁綜合風險指標識別流程，對現(xiàn)有的橋梁風險評估底層指標進行了系統(tǒng)性的篩查，提出了一種適用性廣、多維度、多層次的風險評估指標體系，補足了現(xiàn)有橋梁風險評估基礎性工作的短板；楊隆浩、葉菲菲、王應明[7]通過在現(xiàn)有的擴展置信規(guī)則庫的橋梁風險評估模型基礎上，引入?yún)?shù)優(yōu)化和數(shù)據(jù)包絡分析，提出了擴展置信規(guī)則庫的規(guī)則生成方法和規(guī)則約減方法，并通過橋梁風險評估中常用的公認數(shù)據(jù)集驗證了模型的有效性；熊皓[8]以某主跨1 488 m的斜拉-懸索協(xié)作體系橋梁為工程背景，確定了該類橋梁的風險源，構(gòu)建了斜拉-懸索體系橋梁的風險評估指標體系，結(jié)合熵值法，組合賦權(quán)確定了各項安全指標權(quán)重；徐超[9]以模糊層次分析法作為橋梁耐久性評估方法并結(jié)合橋梁耐久性評估的多層次特點，提出采用變權(quán)的分析方法以解決不同損傷程度評估指標對評估結(jié)果的貢獻程度問題，并以小南門大橋為工程背景進行了可行性驗證。在現(xiàn)有研究成果的基礎上，本文提出了一種基于神經(jīng)網(wǎng)絡+遺傳算法的橋梁風險評估研究的新方法，通過引入遺傳算法，并對數(shù)據(jù)樣本進行訓練，明確風險評估各項指標體系，求解最小風險結(jié)果，相關(guān)研究成果可為橋梁風險評估提供一種新的思路。

1 總體風險評估基本方法

橋梁總體風險評估是對橋梁施工期的潛在風險源進行辨識、評分并提出風險控制措施，并為進一步的專項風險評估提供依據(jù)。但是在總體風險評估中，經(jīng)常需要憑借評估人員的實際工程經(jīng)驗，具有較強的主觀性，從而導致評估結(jié)果出現(xiàn)較大誤差，現(xiàn)有的評估方法主要為專家調(diào)查法和指標體系法，其中專家調(diào)查法又分為頭腦風暴法和德爾菲法，考慮到專家調(diào)查法的主觀性，目前在實際項目中一般采用指標體系法，指標體系法重點在于建立指標評估體系并對指標的重要性進行排序，根據(jù)重要性確定權(quán)重系數(shù)，對指標進行評分、劃分風險等級，其主要流程見圖1。

采用指標體系法進行風險評估，指標體系一般分為建設規(guī)模、地質(zhì)條件、氣候環(huán)境條件、地形地貌條件、橋位特征、施工工藝成熟度、施工工藝復雜性、事故救援的可開展性、施工質(zhì)量檢測與監(jiān)控9大項。在以上9項中，部分指標體系的量化和排序均存在不確定性，為了明確各項指標排序的確定性，本文引入神經(jīng)網(wǎng)絡的方法對其進行排序。

2 BP神經(jīng)網(wǎng)絡和遺傳算法

2.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種誤差逆向傳播的神經(jīng)網(wǎng)絡，一個常用的BP神經(jīng)網(wǎng)絡一般包含輸入層、隱藏層、輸出層三層架構(gòu)，是基于人工神經(jīng)網(wǎng)絡改進而來的模型，通過樣本訓練、內(nèi)部權(quán)值調(diào)整等操作，以保證網(wǎng)絡輸出結(jié)果實際結(jié)果的誤差最小。假定BP神經(jīng)網(wǎng)絡有n個輸入層，隱藏層中存在p個神經(jīng)元，輸入層有s個結(jié)果，則可以記W11～Wsn為神經(jīng)元和輸出層之間的權(quán)值[10-11]，正向傳播機理如下：

假定θ為隱藏層各個神經(jīng)元的閾值，h(x)為隱藏層的激活函數(shù)，a為輸出層閾值，f(x)為輸出層的激活函數(shù)，則隱藏層的第n個節(jié)點的輸入值Nn可以表示為式(1)的形式。

(1)

其中，Wni為權(quán)值；xn為變量。

聯(lián)立激活函數(shù)h(x)，隱藏層第n個節(jié)點的輸出結(jié)果kn可以表示為式(2)的形式。

(2)

得出上式后，將其作為輸出層的輸入節(jié)點，則可以輸出結(jié)果見式(3)。

(3)

將式(3)代入激活函數(shù)f(x)可得：

(4)

BP神經(jīng)網(wǎng)絡憑借良好的非線性映射能力、較強的自適應學習能力、較好的泛化能力等優(yōu)勢，在工程界得到了廣泛應用，BP神經(jīng)網(wǎng)絡一般與遺傳算法聯(lián)合應用，具有較好效果。

2.2 遺傳算法改進

遺傳算法是一種通過選擇、交叉、變異等操作手段搜索解空間的優(yōu)秀個體的方法，在遺傳算法中，選擇操作對尋優(yōu)結(jié)果影響很大[12]。目前，常用的選擇方式有輪盤賭和精英保留策略，輪盤賭策略具有較強的隨機性，其最優(yōu)個體不容易被選中，對尋優(yōu)結(jié)果有一定影響；精英保留策略則是盡可能地選擇最優(yōu)個體，但是忽略其多樣性，導致尋優(yōu)容易陷入局部最優(yōu)從而導致求解失敗。為保障選擇操作既能滿足種群多樣性，又能最大限度地選擇較優(yōu)個體，一般采用輪盤賭方式的同時會引入精英保留策略。在使用遺傳算法進行尋優(yōu)求解時，一般需先對算子進行編碼操作，編碼形成的字符串被稱為染色體，其主要作用是用以模仿生物種群進化的過程以生成比上一代更為優(yōu)秀、適應度更高的個體，在進行編碼操作后程序?qū)?jīng)歷選擇、交叉、變異等過程。在算法優(yōu)化過程中，種群的優(yōu)劣判定主要依賴于適應度函數(shù)，構(gòu)造一個合適的適應度函數(shù)對算法的快速收斂具有重要意義[13-15]。同時，由于基本的遺傳算法各操作環(huán)節(jié)缺乏自適應調(diào)整，因此需要對現(xiàn)有的方式進行改進，結(jié)合合理的適應度函數(shù)，達到快速收斂和全局最優(yōu)的效果。本文采用實數(shù)編碼的形式，避免了二進制編碼在優(yōu)化迭代過程中的先天性不足，通過在交叉、變異等操作過程中加入精英策略，最大限度保留優(yōu)秀個體。

3 工程算例

3.1 工程概況

以平益高速中的南陽湘江特大橋為研究對象，該橋全長7 120 m，其中主橋長512.6 m，主跨跨徑為120 m，跨徑組合為(76.3+3×120+76.3)m，設計荷載為公路-Ⅰ級，設計車速100 km/h，橋面單幅最大寬度為14.5 m，航道等級為湘江西支規(guī)劃航道等級為Ⅱ(3)級，雙孔單向通航凈空為75×10 m，最高通航水位為34.08 m(20年一遇洪水位)，地震烈度6度、7度區(qū)交界地帶，按7度區(qū)設計，超越概率50年10%的地震動峰值加速度為0.078g，地震動反應譜特征周期0.4 s；超越概率50年2%的地震動峰值加速度為0.138g，地震動反應譜特征周期0.5 s。橋梁抗震設防類別為B類，設震措施設防烈度為8度。

該橋是我國目前在建最大跨徑的波形鋼腹板懸臂拼裝連續(xù)梁橋，該橋上部結(jié)構(gòu)采用裝配式變截面波形鋼腹板，共分為13個懸臂拼裝節(jié)段，截面形式為單箱單室截面，支點截面梁高為7.5 m，跨中截面梁高3.5 m，腹板采用波形鋼板，厚度由跨中或邊跨現(xiàn)澆段至箱梁根部采用12 mm，16 mm，20 mm，22 mm，24 mm五種板厚；各節(jié)段波形鋼腹板之間采用搭接連續(xù)貼角焊接頭，施工過程采用高強螺栓連接，波形鋼腹板與底板的連接采用角鋼連接件；與頂板的連接采用雙開孔鋼板連接件，主梁共分4個懸拼“T”構(gòu)，一個“T”構(gòu)單側(cè)共分13個梁段，0號梁段長8.0 m，其余1號～13號梁段分段為5×3.2 m+8×4.8 m；邊跨梁端現(xiàn)澆段長4.74 m，14號～16號梁段長度均為3.2 m。0號梁段在墩頂托架上現(xiàn)澆，邊跨梁端現(xiàn)澆段采用支架現(xiàn)澆，邊跨14號～16號梁段在支架上拼裝，其余梁段為懸臂拼裝，最大懸拼節(jié)段重量為1 520 kN。

橋型布置圖見圖2。

3.2 基于改進遺傳算法和BP神經(jīng)網(wǎng)絡的橋梁安全評估過程

通過前期調(diào)研，結(jié)合現(xiàn)場實際情況，確定一級體系層次指標5項，二級體系層次指標15項，具體風險評估層次指標見表1。

表1 風險評估層次指標

在傳統(tǒng)的橋梁風險評估中，一般均根據(jù)施工作業(yè)者或?qū)＜医?jīng)驗對風險等級進行判定，具有明顯的主觀性，而采用改進遺傳算法+BP神經(jīng)網(wǎng)絡的方法則遵循結(jié)構(gòu)風險最小原則，通過輸入樣本數(shù)據(jù)，使用三層BP神經(jīng)網(wǎng)絡對其進行訓練，即可得出最小風險點，該方法可推廣至橋梁快速風險評估中。

在整個橋梁風險評估過程中，加權(quán)閾值的選取至關(guān)重要，本文在選取加權(quán)閾值的數(shù)學模型時，綜合考慮了計算速度、收斂速度和計算精度之間的平衡，選取了徑向?qū)ΨQ解析的反距離褶積神經(jīng)網(wǎng)絡，相比于其他神經(jīng)網(wǎng)絡結(jié)構(gòu)，徑向?qū)ΨQ解析的反距離褶積神經(jīng)網(wǎng)絡具有物理意義明確、收斂速度快的優(yōu)點，同時其計算精度能滿足工程需求[16]。其數(shù)學表達式見式(5)。

(5)

其中，tr為輸入的特征變量；I為任意一個反距離褶積神經(jīng)網(wǎng)絡積分加權(quán)閾值的中心點；B1,B2分別為反距離褶積神經(jīng)網(wǎng)絡積分加權(quán)閾值的寬度邊界；(l)為反距離褶積神經(jīng)網(wǎng)絡積分加權(quán)閾值長度函數(shù)；t為函數(shù)層數(shù)；A為容許誤差；σ為映射關(guān)系。

輸入提前準備的樣本數(shù)據(jù)，在反距離褶積神經(jīng)網(wǎng)絡中對加權(quán)閾值B和容許誤差A施加一個微小擾動，然后結(jié)合改進遺傳算法，使其在樣本數(shù)據(jù)中進行全局尋優(yōu)，采用改進遺傳算法+BP神經(jīng)網(wǎng)絡建立一個三層網(wǎng)絡結(jié)構(gòu)的模型，對加權(quán)閾值尋優(yōu)結(jié)果見表2。

對比表2中的期望輸出結(jié)果和實際輸出結(jié)果，在任取的10組個體中，兩者相對誤差極小，最大相對誤差僅有5.93%，大部分結(jié)果誤差在1%～3%之間，證明了改進遺傳算法+BP神經(jīng)網(wǎng)絡模型的正確性。

表2 改進遺傳算法+BP神經(jīng)網(wǎng)絡結(jié)果驗證

使用以上改進遺傳算法+BP神經(jīng)網(wǎng)絡模型對南陽湘江特大橋建設過程中的風險因素進行預測并求解最小風險指標，根據(jù)確定的風險評估層次指標，結(jié)合BP神經(jīng)網(wǎng)絡，調(diào)用改進遺傳算法在樣本數(shù)據(jù)中進行全局尋優(yōu)，最小風險值為0.195 2，對應的層次指標為現(xiàn)場安全措施，其次為設備老舊程度，其值為0.257 4。

4 結(jié)論

本文結(jié)合現(xiàn)有風險評估研究成果，調(diào)研統(tǒng)計得到平益高速南陽湘江特大橋施工風險層次指標，使用BP神經(jīng)網(wǎng)絡中的徑向?qū)ΨQ解析的反距離褶積神經(jīng)網(wǎng)絡求解風險評估中加權(quán)閾值，并對南陽湘江特大橋的最風險指標進行了求解，可得到以下結(jié)論：1)傳統(tǒng)的橋梁風險評估方法存在主觀性強、嚴重依賴經(jīng)驗等缺點，使用改進遺傳算法+BP神經(jīng)網(wǎng) 絡的方法可以對風險層次指標進行量化，建立了BP神經(jīng)網(wǎng)絡中求解加權(quán)閾值的數(shù)學模型。2)通過算例驗證了BP神經(jīng)網(wǎng)絡中的徑向?qū)ΨQ解析的反距離褶積神經(jīng)網(wǎng)絡的擬合效果，相對誤差最大為5.93%。3)南陽湘江特大橋最小風險因素為現(xiàn)場安全措施，其值為0.195 2。