基于GRA-SSA-Elman的隧道施工瓦斯安全性預測評價

顧偉紅,趙 雪

(蘭州交通大學 土木工程學院,甘肅 蘭州 730070)

0 引言

我國地質構造復雜多樣,在隧道施工中常伴有各種災害發生,尤其是瓦斯隧道施工災害問題。隧道施工中穿越瓦斯煤層時,會伴有瓦斯溢出,當短時間內瓦斯濃度達到上限,會造成人員窒息、瓦斯突出、爆炸、環境污染等災害,增加施工風險,所以在隧道施工前進行瓦斯安全性預測研究,不僅可以科學合理地進行事前防控,而且還可以在施工過程中進行事故風險控制[1]。因此,建立一種科學合理的預測評價模型對隧道施工瓦斯安全動態實時監測、準確評估具有重要意義。

近年來,許多學者就隧道施工瓦斯安全評價進行了相關研究。蔣曉檳等[2]建立蒙德法評估模型,定量地進行隧道瓦斯風險評估,為隧道施工瓦斯災害評價奠定了基礎。吳波等[3]將熵值法和可拓理論相結合,依托興泉鐵路某隧道工程建立了隧道施工瓦斯安全評估模型。LIU等[4]基于模糊數學評價模型,對隧道瓦斯安全等級進行評判。翟強等[5]基于未確知測度理論確定隧道瓦斯災害風險等級,以期降低隧道施工風險。SHAHRIAR等[6]提出了基于AHP-TOPISIS的隧道施工瓦斯安全評估方法,為瓦斯災害評估提供了新思路?？锪恋萚7]基于BP神經網絡模型,綜合評價瓦斯突出的危險性,預測結果較為理想。李兆奎等[8]建立多層次可拓模型進行隧道施工瓦斯安全評價,為多指標模糊因素評價提供了有效的一種方法。熊建明等[9]采用FDA判別分析法對選取的瓦斯隧道進行風險等級確定。朱寶合等[10]建立支持向量機(support vector machine, SVM)算法模型,采用機器學習算法預測隧道中瓦斯突出危險性等級,預測結果與實例工程相一致。上述研究理論及方法在隧道施工瓦斯安全性評價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因素存在非線性、離散型的特征使得模型評價精度不高,而傳統的安全評估方法未考慮到指標間存在的非線性問題且模型在建立指標體系后進行賦權然后進行等級評價,在賦權時容易受到主觀或客觀因素的影響,對評價結果產生影響,個別評價模型如BP神經網絡對樣本訓練不穩定且易陷入局部最優、SVR模型的網絡泛化能力較弱使得預測精度較低,且這些模型建立評價體系未考慮影響因素與評價對象間的關聯性,使得評價結果準確性難以保證。由此可見,目前隧道施工瓦斯安全性評估仍然缺少科學、合理的隧道施工瓦斯安全預測評估的理論及方法,因此開展隧道瓦斯安全性評價方法的研究具有十分的必要性。

基于此,本文在結合現有文獻研究、大量瓦斯隧道施工事故案例及施工調研基礎上,構建針對隧道施工瓦斯安全性的評價指標體系,采用GRA分析指標因素與隧道施工瓦斯安全性之間的關聯度,引入SSA優化Elman神經網絡確定最佳初始權值及閾值,利用留一交叉驗證法檢驗模型可靠性。Elman是具有內部反饋回路的動態神經網絡,有更好的全局穩定性及更強的計算能力,可提高模型的預測性能,Elman雖然是以零誤差預測值接近真實值,但初始權值存在不穩定性,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化算法,與傳統的優化方法相比可以加快收斂且避免陷入最優,提高模型實用價值,2種算法相結合的預測評價模型已在地質探測[11]、機械自動化[12]、經濟管理科學[13]等領域中取得了良好的效果,但尚未有學者應用于隧道施工瓦斯安全預測評價中,所以本文提出基于GRA與SSA優化Elman神經網絡的隧道施工瓦斯安全預測評估新方法,可為動態的隧道施工瓦斯風險預測評估提供新途徑。

1 隧道施工瓦斯安全性評估的指標選取

影響隧道施工瓦斯災害的因素眾多,通過國內現有研究成果[14-16]及隧道施工技術規范確定瓦斯災害主要影響因素包括水文地質條件、隧道設計、煤層結構狀況及施工管理四個方面。瓦斯在透氣性較好的巖體中較為安全;巖體中地質構造的連通封閉性會直接影響瓦斯安全;瓦斯涌出量是瓦斯安全評價中常選取的指標因素;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。綜上所述,將4個一級指標細分為水文地質條件3個二級指標、隧道設計4個二級指標、煤層結構狀況3個二級指標、施工管理2個二級指標,共12個二級指標,構建隧道施工瓦斯安全評價指標體系。

通過既有文獻[5,9]研究和GB 40880—2021《礦井瓦斯等級鑒定規范》將風險等級劃分定義為:Ⅰ級瓦斯涌出量大,有瓦斯爆炸的風險;Ⅱ級應及時采取措施,避免瓦斯爆炸風險;Ⅲ級有少量瓦斯涌出,一般不會有瓦斯災害;Ⅳ級瓦斯涌出量極少,施工較安全。具體分級標準如表1所示。其中地下水涌出量、隧道通風風速、煤層厚度、回風流平均瓦斯濃度、相對瓦斯涌出量依據《鐵路瓦斯隧道施工技術規范》、《煤礦安全規程》、《瓦斯隧道技術規范》、《公路瓦斯隧道設計與施工技術規范》劃分等級標準;隧道埋深、隧道長度、隧道跨度依據《鐵路隧道設計規范》劃分等級標準;連通封閉性評分、巖石類型評分、施工技術水平和施工管理水平為定性指標,根據專家打分法確定分級標準。

表1 隧道施工瓦斯安全性指標及指標分級標準Table 1 Classification standard of gas safety risk index in tunnel construction

2 構建隧道施工瓦斯安全性預測模型

2.1 灰色關聯分析

本文影響因素復雜多變,是信息不完全的典型灰色系統,因此采用灰色關聯分析(grey relational analysis,GRA)對指標進行分析和篩選。序列Xi=[xi(1),xi(2),xi(3),…,xi(n)],令X0為數據序列,Xi為對比序列,X0和Xi之間的關系度系數[16]:

(1)

式中:x0i=x0(k)-xi(k);minimink|x0i|為k點x0(k)與xi(k)的最小絕對差值;maximaxk|x0i|為k點的最大絕對差值;ρ為分辨率系數ρ∈[0,1]。

根據式(1)計算各指標與隧道施工瓦斯安全系數值如表2所示。

表2 各指標因素與隧道施工瓦斯安全關聯系數值Table 2 Correlation coefficient values of various index factors and gas safety in tunnel construction

X0和Xi之間的灰色關聯度γi為:

(2)

求出各指標之間的灰色關聯度進行排序,當指標關聯度低于0.7時,相關性較低,剔除不予考慮。根據式(2)求出各指標因素與隧道施工瓦斯安全關聯度值及排序如表3所示。根據表3中所得各指標因素的關聯度值可知,隧道埋深和隧道通風風速關聯度低于0.7,相關性較低,因此應選擇表3中前10個指標作為預測隧道施工瓦斯安全的輸入變量。

表3 各指標因素與隧道施工瓦斯安全關聯度值Table 3 Correlation value between each index factor and gas safety in tunnel construction

2.2 Elman神經網絡

Elman神經網絡因所增加的動態結構可將過去或未來某一狀態作為隱含層的輸入值,通過非線性函數確定隱含層神經元數量[17],Elman神經網絡結構如圖1所示。所增加的動態結構可增強該模型的計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具有較強的能力,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因素存在的非線性問題十分適用。因本文所預測隧道施工安全性等級為分類問題,所以特對評價等級進行獨熱編碼(One-Hot-coding)轉化為分類預測,One-Hot編碼是通過N位狀態寄存器對N個狀態進行編碼,且每個狀態都存在獨立的寄存器位,在使用One-Hot編碼轉換后可提高模型運行效率。

圖1 Elman神經網絡結構圖Fig. 1 Elman neural network structure

其數學表達式為:

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)為連接權重;f為中間層的傳遞函數;g為輸出神經元的傳遞函數。xc(t)計算得到:

xc(t)=x(t-1)=f(w1xc(t-1)+w2u(t-2))

(6)

式中xc(t-1)=x(t-2)進行迭代時xc(t)受上一時刻連接權重的影響,得到歷史信號對現有系統的影響。

在進行Elman模型預測時,隱含層的神經元數量少則學習程度不佳,數量多則訓練過程變得緩慢,模型初始時無法得到最佳的神經元數量只能不斷訓練進行調整[18],最佳神經元數量范圍可根據經驗公式:

(7)

式中:m為輸入層神經元數量;l為輸出層神經元數量;a的范圍為1～10,計算出n的范圍代入模型進行訓練尋優,本文模型的訓練集為64組,測試集為16組,訓練后的均方誤差(mean square error, MSE)隨隱含層神經元數量變化曲線如圖2所示,由圖2可知,最佳隱含層節點數為6,MSE為0.0903,所以承接層的神經元數量也為6,因此Elman的網絡結構圖如圖3所示。

圖2 MSE隨隱含層神經元數量變化曲線圖Fig. 2 Change curve of MSE with the number of neurons in hidden layer

圖3 Elman神經網絡結構圖Fig. 3 Elman neural network structure

2.3 麻雀搜索優化Elman神經網絡

麻雀搜索算法(sparrow search algorithm ,SSA)中包括發現者、跟隨著、偵查者,通過三者不斷更新位置循環直到達到最優解[19]。由于Elman的初始權值和閾值是隨機的,所以引入SSA尋求最佳初始權值和閾值[20]。算法流程圖如圖4所示。

圖4 SSA-Elman預測模型流程圖Fig. 4 Flow chart of SSA-Elman prediction model

具體步驟如下:

1)數據預處理:將隧道施工瓦斯安全評價樣本數據進行提取。

2)設置初始參數:設置模型初始參數。

3)設置適應度函數:適應度計算公式為:

(8)

4)更新發現者位置。

(9)

式中:t為迭代次數;rmax為最大迭代次數;Xi,j為第i只麻雀的j維的位置;α為(0, 1]的隨機數;R2為安全值;ST為警戒值;Q為服從正態分布的隨機數;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為最優位置;fg為最佳適應度值;fw為最差適應度值;β為步長控制參數;K為[-1, 1]上的一個隨機數;ε為無限接近于0的常數。

7)獲取最佳值:將樣本訓練集代入模型,計算適應度值,判斷是否滿足終止條件。

8)構建模型:將得到的最佳權值和閾值代入Elman,構建SSA-Elman模型。

SSA-Elman預測模型的適應度曲線通過訓練集和測試集的均方誤差體現,在SSA進化過程中,適應度越小,表明模型預測精度更準確。隧道施工瓦斯安全預測的SSA適應度變化曲線如圖5所示,由圖5可知算法在迭代初期尋優效果好能快速找到相對較優解,收斂速度快,運行后期開始逐漸穩定收斂,表明算法的尋優能力較強。

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

3 實例驗證

3.1 數據準備

通過調研,搜集我國現有瓦斯隧道勘測資料和閱讀整理相關文獻[9,21],參考瓦斯隧道研究成果,選取隧道施工瓦斯評價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、梅子關隧道梨樹灣隧道、康牛隧道、涼風埡隧道、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樣本來驗證模型的準確性及實用性?，F依據隧道施工瓦斯隧道施工分級標準選取標準值,即根據表1在每個等級指標分級數值區間均勻選取20組數值,由此可得到80組標準樣本,其中選取第5、10、15、…、80共16組數據為測試樣本,剩余的64組樣本值作為訓練樣本,為方便模型代碼識別將安全性等級以數字“1”、“2”、“3”、“4”作為輸入值。為避免數據差值過大影響模型預測的準確性,故將各指標數據標準樣本等比例縮小映射[0,1]區間內[22]。樣本數據和待測隧道評價樣本如表4所示(由于篇幅有限表中只列出部分數據)。

表4 瓦斯隧道標準樣本數據和待測樣本Table 4 Standard sample data and samples to be tested of gas tunnel

3.2 SSA-Elman模型建立與驗證

模型建立基于MATLAB2020a軟件中,采用留一交叉驗證法檢驗SSA-Elman模型的預測性能,將樣本中的每一個訓練樣本輪流作為測試集,剩余的為訓練集,優勢在于每個樣本都會通過模型單獨訓練,使得模型預測最接近原始樣本分布特征。將64組樣本作為訓練樣本進行留一交叉驗證法,驗證結果如圖6所示。SSA-Elman模型只有少數幾組數據驗證誤差值在[-1,1]區間浮動,且大部分樣本點預測值穩定,證明SSA-Elman模型的預測精度較好,預測性能穩定。

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

為驗證SSA對Elman神經網絡的優化結果,通過預測評估16組測試樣本對比分析Elman模型和SSA-Elman模型的預測結果,如表5和圖7所示,可得出:Elman模型預測值與真實值誤差較大,而SSA-Elman模型的預測值更接近實際值且預測結果更穩定。

圖7 模型預測對比圖與誤差圖Fig. 7 Model comparison diagram and prediction error diagram

表5 Elman和SSA-Elman預測結果Table 5 Elman and SSA-Elman prediction results

為評估SSA-Elman模型的準確性,本文采用5個評價參數分別為均方誤差(mean square error,MSE)、均方根誤差(root mean square error,RMSE)、平均絕對誤差(mean absolute error,MAE)、平均絕對百分比誤差(mean absolute percentage error,MAPE)及常見的分類性能指標準確率(accuracy)對SSA-Elman模型預測精度進行評估,表6所示為Elman和SSA-Elman模型的評價參數對比分析,評價參數越小表明模型預測回歸性效果越好且預測精度越高,分類性能指標準確率越高表明模型性能越好,如表6所示,SSA-Elman模型的參數均優于Elman模型,證明SSA-Elman模型的預測效果良好。

表6 模型評價參數分析表Table 6 Analysis of model evaluation parameters

3.3 結果與分析

為驗證模型實際工程中預測的的準確性和可靠性,本文通過選取的待測樣本預測隧道施工瓦斯安全性等級結果與PSO-Elman、Elman及文獻[8]中的FDA模型、實際工程實測結果進行對比分析。如表7所示,SSA-Elman模型得到的各樣本點隧道瓦斯安全等級準確率為93.75%,PSO-Elman預測結果準確率為87.5%,Elman模型評價等級預測準確率與FDA模型評價隧道施工瓦斯安全等級準確率同為81.25%,SSA-Elman模型預測準確性更高且趨于穩定;通過分析發現預測待測樣本產生誤差的原因可能出現在各評價等級之間劃分標準不夠細致,所以后續可完善劃分安全性等級?；诖?本文所建立的SSA-Elman預測模型對于隧道施工瓦斯安全性預測更適用。

表7 不同模型隧道施工瓦斯安全性評價結果Table 7 Gas risk assessment results of different model tunnel construction

綜上所述,本文所建立的預測模型可準確預測隧道施工瓦斯安全。較好的評估效果也反映了該模型在實際工程應用中具有實用價值。

4 結論

本文在總結國內外隧道施工瓦斯安全評價文獻研究、規范搜集、工程調研、專家調查的基礎上,確定隧道施工瓦斯影響因素并確定等級劃分,并通過調研搜集16個瓦斯隧道作為待測對象完成了隧道瓦斯安全性預測,得到以下結論:

1)隧道施工瓦斯災害影響因素眾多,本文從水文地質條件、隧道設計、煤層結構狀況及施工管理四個方面分析影響隧道施工瓦斯安全的主要因素,在既有研究和相關規范的基礎上,構建了包含12個二級指標的隧道施工瓦斯安全預測評價指標體系,并采用GRA分析了選取指標對評價對象的相關性,使得建立的指標更具合理性。

2)本文構建GRA-SSA-Elman的隧道施工瓦斯安全性預測模型,該模型可在有限樣本、多因素非線性條件下預測隧道施工瓦斯安全等級,并采用留一交叉驗證法驗證、對比分析測試樣本預測值和模型評價參數,得出模型預測精度高且性能穩定,模型整體預測效果良好,可操作性強、實用價值高。

3)本文通過選取的16組不同實例瓦斯隧道待測樣本將SSA-Elman模型評價結果與PSO-Elman、Elman、FDA模型結果進行對比分析,實際工程一致性較高,驗證了該模型評估的準確性及實用性,可為實時動態的隧道施工瓦斯災害預測評估提供參考。

4)本文的隧道施工瓦斯安全等級劃分依據較為定性,之后可通過具體的量化方法對標準進一步完善,使得模型更加合理準確。