基于GRA-SSA-Elman的隧道施工瓦斯安全性預(yù)測(cè)評(píng)價(jià)

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(shí),會(huì)伴有瓦斯溢出,當(dāng)短時(shí)間內(nèi)瓦斯?jié)舛冗_(dá)到上限,會(huì)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(xiǎn),所以在隧道施工前進(jìn)行瓦斯安全性預(yù)測(cè)研究,不僅可以科學(xué)合理地進(jìn)行事前防控,而且還可以在施工過程中進(jìn)行事故風(fēng)險(xiǎn)控制[1]。因此,建立一種科學(xué)合理的預(yù)測(cè)評(píng)價(jià)模型對(duì)隧道施工瓦斯安全動(dòng)態(tài)實(shí)時(shí)監(jiān)測(cè)、準(zhǔn)確評(píng)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(píng)價(jià)進(jìn)行了相關(guān)研究。蔣曉檳等[2]建立蒙德法評(píng)估模型,定量地進(jìn)行隧道瓦斯風(fēng)險(xiǎn)評(píng)估,為隧道施工瓦斯災(zāi)害評(píng)價(jià)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(píng)估模型。LIU等[4]基于模糊數(shù)學(xué)評(píng)價(jià)模型,對(duì)隧道瓦斯安全等級(jí)進(jìn)行評(píng)判。翟強(qiáng)等[5]基于未確知測(cè)度理論確定隧道瓦斯災(zāi)害風(fēng)險(xiǎn)等級(jí),以期降低隧道施工風(fēng)險(xiǎn)。SHAHRIAR等[6]提出了基于AHP-TOPISIS的隧道施工瓦斯安全評(píng)估方法,為瓦斯災(zāi)害評(píng)估提供了新思路。匡亮等[7]基于BP神經(jīng)網(wǎng)絡(luò)模型,綜合評(píng)價(jià)瓦斯突出的危險(xiǎn)性,預(yù)測(cè)結(jié)果較為理想。李兆奎等[8]建立多層次可拓模型進(jìn)行隧道施工瓦斯安全評(píng)價(jià),為多指標(biāo)模糊因素評(píng)價(jià)提供了有效的一種方法。熊建明等[9]采用FDA判別分析法對(duì)選取的瓦斯隧道進(jìn)行風(fēng)險(xiǎn)等級(jí)確定。朱寶合等[10]建立支持向量機(jī)(support vector machine, SVM)算法模型,采用機(jī)器學(xué)習(xí)算法預(yù)測(cè)隧道中瓦斯突出危險(xiǎn)性等級(jí),預(yù)測(cè)結(jié)果與實(shí)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(píng)價(jià)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(píng)價(jià)精度不高,而傳統(tǒng)的安全評(píng)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(jìn)行賦權(quán)然后進(jìn)行等級(jí)評(píng)價(jià),在賦權(quán)時(shí)容易受到主觀或客觀因素的影響,對(duì)評(píng)價(jià)結(jié)果產(chǎn)生影響,個(gè)別評(píng)價(jià)模型如BP神經(jīng)網(wǎng)絡(luò)對(duì)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(cè)精度較低,且這些模型建立評(píng)價(jià)體系未考慮影響因素與評(píng)價(jià)對(duì)象間的關(guān)聯(lián)性,使得評(píng)價(jià)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(píng)估仍然缺少科學(xué)、合理的隧道施工瓦斯安全預(yù)測(cè)評(píng)估的理論及方法,因此開展隧道瓦斯安全性評(píng)價(jià)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(xiàn)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(duì)隧道施工瓦斯安全性的評(píng)價(jià)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(yàn)證法檢驗(yàn)?zāi)Ｐ涂煽啃浴lman是具有內(nèi)部反饋回路的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò),有更好的全局穩(wěn)定性及更強(qiáng)的計(jì)算能力,可提高模型的預(yù)測(cè)性能,Elman雖然是以零誤差預(yù)測(cè)值接近真實(shí)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(shí)用價(jià)值,2種算法相結(jié)合的預(yù)測(cè)評(píng)價(jià)模型已在地質(zhì)探測(cè)[11]、機(jī)械自動(dòng)化[12]、經(jīng)濟(jì)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(cè)評(píng)價(jià)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(cè)評(píng)估新方法,可為動(dòng)態(tài)的隧道施工瓦斯風(fēng)險(xiǎn)預(yù)測(cè)評(píng)估提供新途徑。

1 隧道施工瓦斯安全性評(píng)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(jì)、煤層結(jié)構(gòu)狀況及施工管理四個(gè)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(huì)直接影響瓦斯安全;瓦斯涌出量是瓦斯安全評(píng)價(jià)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(gè)一級(jí)指標(biāo)細(xì)分為水文地質(zhì)條件3個(gè)二級(jí)指標(biāo)、隧道設(shè)計(jì)4個(gè)二級(jí)指標(biāo)、煤層結(jié)構(gòu)狀況3個(gè)二級(jí)指標(biāo)、施工管理2個(gè)二級(jí)指標(biāo),共12個(gè)二級(jí)指標(biāo),構(gòu)建隧道施工瓦斯安全評(píng)價(jià)指標(biāo)體系。

通過既有文獻(xiàn)[5,9]研究和GB 40880—2021《礦井瓦斯等級(jí)鑒定規(guī)范》將風(fēng)險(xiǎn)等級(jí)劃分定義為:Ⅰ級(jí)瓦斯涌出量大,有瓦斯爆炸的風(fēng)險(xiǎn);Ⅱ級(jí)應(yīng)及時(shí)采取措施,避免瓦斯爆炸風(fēng)險(xiǎn);Ⅲ級(jí)有少量瓦斯涌出,一般不會(huì)有瓦斯災(zāi)害;Ⅳ級(jí)瓦斯涌出量極少,施工較安全。具體分級(jí)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?duì)瓦斯涌出量依據(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(jì)與施工技術(shù)規(guī)范》劃分等級(jí)標(biāo)準(zhǔn);隧道埋深、隧道長(zhǎng)度、隧道跨度依據(jù)《鐵路隧道設(shè)計(jì)規(guī)范》劃分等級(jí)標(biāo)準(zhǔn);連通封閉性評(píng)分、巖石類型評(píng)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(jí)標(biāo)準(zhǔn)。

表1 隧道施工瓦斯安全性指標(biāo)及指標(biāo)分級(jí)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(cè)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(duì)指標(biāo)進(jìn)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(duì)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(diǎn)x0(k)與xi(k)的最小絕對(duì)差值;maximaxk|x0i|為k點(diǎn)的最大絕對(duì)差值;ρ為分辨率系數(shù)ρ∈[0,1]。

根據(jù)式(1)計(jì)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(jìn)行排序,當(dāng)指標(biāo)關(guān)聯(lián)度低于0.7時(shí),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(gè)指標(biāo)作為預(yù)測(cè)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(dòng)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(dòng)態(tài)結(jié)構(gòu)可增強(qiáng)該模型的計(jì)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(shí)具有較強(qiáng)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(cè)隧道施工安全性等級(jí)為分類問題,所以特對(duì)評(píng)價(jià)等級(jí)進(jìn)行獨(dú)熱編碼(One-Hot-coding)轉(zhuǎn)化為分類預(yù)測(cè),One-Hot編碼是通過N位狀態(tài)寄存器對(duì)N個(gè)狀態(tài)進(jìn)行編碼,且每個(gè)狀態(tài)都存在獨(dú)立的寄存器位,在使用One-Hot編碼轉(zhuǎn)換后可提高模型運(yùn)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(dá)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(jì)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(jìn)行迭代時(shí)xc(t)受上一時(shí)刻連接權(quán)重的影響,得到歷史信號(hào)對(duì)現(xiàn)有系統(tǒng)的影響。

在進(jìn)行Elman模型預(yù)測(cè)時(shí),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(shí)無法得到最佳的神經(jīng)元數(shù)量只能不斷訓(xùn)練進(jìn)行調(diào)整[18],最佳神經(jīng)元數(shù)量范圍可根據(jù)經(jīng)驗(yàn)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(jì)算出n的范圍代入模型進(jìn)行訓(xùn)練尋優(yōu),本文模型的訓(xùn)練集為64組,測(cè)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(diǎn)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(dá)到最優(yōu)解[19]。由于Elman的初始權(quán)值和閾值是隨機(jī)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(cè)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(píng)價(jià)樣本數(shù)據(jù)進(jìn)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(jì)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(jī)數(shù);R2為安全值;ST為警戒值;Q為服從正態(tài)分布的隨機(jī)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(zhǎng)控制參數(shù);K為[-1, 1]上的一個(gè)隨機(jī)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(jì)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(cè)模型的適應(yīng)度曲線通過訓(xùn)練集和測(cè)試集的均方誤差體現(xiàn),在SSA進(jìn)化過程中,適應(yīng)度越小,表明模型預(yù)測(cè)精度更準(zhǔn)確。隧道施工瓦斯安全預(yù)測(cè)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(duì)較優(yōu)解,收斂速度快,運(yùn)行后期開始逐漸穩(wěn)定收斂,表明算法的尋優(yōu)能力較強(qiáng)。

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

3 實(shí)例驗(yàn)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(cè)資料和閱讀整理相關(guān)文獻(xiàn)[9,21],參考瓦斯隧道研究成果,選取隧道施工瓦斯評(píng)價(jià)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(cè)樣本來驗(yàn)證模型的準(zhǔn)確性及實(shí)用性?，F(xiàn)依據(jù)隧道施工瓦斯隧道施工分級(jí)標(biāo)準(zhǔn)選取標(biāo)準(zhǔn)值,即根據(jù)表1在每個(gè)等級(jí)指標(biāo)分級(jí)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(cè)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(shí)別將安全性等級(jí)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(cè)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(cè)隧道評(píng)價(jià)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(cè)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(yàn)證

模型建立基于MATLAB2020a軟件中,采用留一交叉驗(yàn)證法檢驗(yàn)SSA-Elman模型的預(yù)測(cè)性能,將樣本中的每一個(gè)訓(xùn)練樣本輪流作為測(cè)試集,剩余的為訓(xùn)練集,優(yōu)勢(shì)在于每個(gè)樣本都會(huì)通過模型單獨(dú)訓(xùn)練,使得模型預(yù)測(cè)最接近原始樣本分布特征。將64組樣本作為訓(xùn)練樣本進(jìn)行留一交叉驗(yàn)證法,驗(yàn)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(yàn)證誤差值在[-1,1]區(qū)間浮動(dòng),且大部分樣本點(diǎn)預(yù)測(cè)值穩(wěn)定,證明SSA-Elman模型的預(yù)測(cè)精度較好,預(yù)測(cè)性能穩(wěn)定。

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

為驗(yàn)證SSA對(duì)Elman神經(jīng)網(wǎng)絡(luò)的優(yōu)化結(jié)果,通過預(yù)測(cè)評(píng)估16組測(cè)試樣本對(duì)比分析Elman模型和SSA-Elman模型的預(yù)測(cè)結(jié)果,如表5和圖7所示,可得出:Elman模型預(yù)測(cè)值與真實(shí)值誤差較大,而SSA-Elman模型的預(yù)測(cè)值更接近實(shí)際值且預(yù)測(cè)結(jié)果更穩(wěn)定。

圖7 模型預(yù)測(cè)對(duì)比圖與誤差圖Fig. 7 Model comparison diagram and prediction error diagram

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

為評(píng)估SSA-Elman模型的準(zhǔn)確性,本文采用5個(gè)評(píng)價(jià)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(duì)誤差(mean absolute error,MAE)、平均絕對(duì)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(duì)SSA-Elman模型預(yù)測(cè)精度進(jìn)行評(píng)估,表6所示為Elman和SSA-Elman模型的評(píng)價(jià)參數(shù)對(duì)比分析,評(píng)價(jià)參數(shù)越小表明模型預(yù)測(cè)回歸性效果越好且預(yù)測(cè)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(cè)效果良好。

表6 模型評(píng)價(jià)參數(shù)分析表Table 6 Analysis of model evaluation parameters

3.3 結(jié)果與分析

為驗(yàn)證模型實(shí)際工程中預(yù)測(cè)的的準(zhǔn)確性和可靠性,本文通過選取的待測(cè)樣本預(yù)測(cè)隧道施工瓦斯安全性等級(jí)結(jié)果與PSO-Elman、Elman及文獻(xiàn)[8]中的FDA模型、實(shí)際工程實(shí)測(cè)結(jié)果進(jìn)行對(duì)比分析。如表7所示,SSA-Elman模型得到的各樣本點(diǎn)隧道瓦斯安全等級(jí)準(zhǔn)確率為93.75%,PSO-Elman預(yù)測(cè)結(jié)果準(zhǔn)確率為87.5%,Elman模型評(píng)價(jià)等級(jí)預(yù)測(cè)準(zhǔn)確率與FDA模型評(píng)價(jià)隧道施工瓦斯安全等級(jí)準(zhǔn)確率同為81.25%,SSA-Elman模型預(yù)測(cè)準(zhǔn)確性更高且趨于穩(wěn)定;通過分析發(fā)現(xiàn)預(yù)測(cè)待測(cè)樣本產(chǎn)生誤差的原因可能出現(xiàn)在各評(píng)價(jià)等級(jí)之間劃分標(biāo)準(zhǔn)不夠細(xì)致,所以后續(xù)可完善劃分安全性等級(jí)?；诖?本文所建立的SSA-Elman預(yù)測(cè)模型對(duì)于隧道施工瓦斯安全性預(yù)測(cè)更適用。

表7 不同模型隧道施工瓦斯安全性評(píng)價(jià)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(cè)模型可準(zhǔn)確預(yù)測(cè)隧道施工瓦斯安全。較好的評(píng)估效果也反映了該模型在實(shí)際工程應(yīng)用中具有實(shí)用價(jià)值。

4 結(jié)論

本文在總結(jié)國內(nèi)外隧道施工瓦斯安全評(píng)價(jià)文獻(xiàn)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(jí)劃分,并通過調(diào)研搜集16個(gè)瓦斯隧道作為待測(cè)對(duì)象完成了隧道瓦斯安全性預(yù)測(cè),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(jì)、煤層結(jié)構(gòu)狀況及施工管理四個(gè)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(gè)二級(jí)指標(biāo)的隧道施工瓦斯安全預(yù)測(cè)評(píng)價(jià)指標(biāo)體系,并采用GRA分析了選取指標(biāo)對(duì)評(píng)價(jià)對(duì)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(cè)模型,該模型可在有限樣本、多因素非線性條件下預(yù)測(cè)隧道施工瓦斯安全等級(jí),并采用留一交叉驗(yàn)證法驗(yàn)證、對(duì)比分析測(cè)試樣本預(yù)測(cè)值和模型評(píng)價(jià)參數(shù),得出模型預(yù)測(cè)精度高且性能穩(wěn)定,模型整體預(yù)測(cè)效果良好,可操作性強(qiáng)、實(shí)用價(jià)值高。

3)本文通過選取的16組不同實(shí)例瓦斯隧道待測(cè)樣本將SSA-Elman模型評(píng)價(jià)結(jié)果與PSO-Elman、Elman、FDA模型結(jié)果進(jìn)行對(duì)比分析,實(shí)際工程一致性較高,驗(yàn)證了該模型評(píng)估的準(zhǔn)確性及實(shí)用性,可為實(shí)時(shí)動(dòng)態(tài)的隧道施工瓦斯災(zāi)害預(yù)測(cè)評(píng)估提供參考。

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