基于人工智能方法的隧道塌方風險預測研究

劉志鋒，陳名煜，吳修梅，魏振華，3

(1.東華理工大學，江西 南昌 330013；2.江西省地質環境與地下空間工程研究中心，江西 南昌 330013；3.江西省水信息協同感知與智能處理重點實驗室，江西 南昌 330099)

0 引 言

塌方事故在隧道施工過程中的發生概率頻繁且危害嚴重，不僅會破壞工程環境，延誤施工進度，更有可能造成人員傷亡和不良的社會影響。因此，有必要對隧道塌方成因進行分析并預判風險發生的可能性進行研究。張晨曦等[1]采用層次分析法及多層次模糊綜合決策確定法預測隧道塌方事故的可能性等級；牟新偉等[2]提出了TSP203和理想點法相結合的綜合評價體系，對隧道塌方風險進行預測；吳曉松[3]采用文獻分析法及專家調查歸納法得出隧道塌方風險要素，通過解釋結構模型和貝葉斯網絡構建塌方風險預測模型，實現塌方風險定量評估；王婧等[4]建立風險評估指標體系，并通過可變模糊評價法評估得出巖山隧道工程的塌方風險等級；周浩宇等[5]運用理想點法建立隧道塌方風險預測模型，通過非線性計算得出塌方風險等級；仝躍等[6]基于普氏平衡拱理論，應用Monte-Carlo方法和數值分析法對塌方風險進行定量化分析預測；蔡寧過[7]提出了基于屬性識別模型的隧道塌方風險評估方法；詹金武等[8]開發了基于模糊數學的山嶺隧道塌方風險評估系統；趙雪等[9]基于人工蜂群優化支持向量機回歸法預測隧道塌方風險；陳航等[10]運用BP神經網絡的構建原理，對隧道塌方機理進行了深入研究。

以上研究大多以傳統評估方法為主，多采用模糊數學主觀加權法，具有較強的主觀性。人工智能方法可快速處理和分析復雜數據，發現并提取出數據中的隱藏關聯和趨勢，并通過學習和優化算法，作出更準確的預測，同時還可以自動執行繁重、重復或耗時的任務，提高工作效率。為此，本文在已提出確定隧道塌方風險評估指標方法的研究基礎上，著重研究人工智能預測方法對塌方風險進行研究，構建隨機森林、徑向基函數神經網絡和BP神經網絡模型對隧道塌方風險進行預測。同時，采用粒子群算法對BP神經網絡模型進行優化，以期使預測結果更加客觀、準確。

1 隧道塌方風險評估指標體系的建立

本文對國內外246起隧道塌方事故進行統計和分類，同時查閱《公路橋梁和隧道工程施工安全風險評估制度及指南解析》等文件，對隧道塌方的風險因素進行辨識，完成指標的分級量化工作。根據各指標特點及對塌方的影響規律，確定隧道塌方風險評估指標體系為圍巖級別A1、降水及地下水A2、偏壓A3、特殊不良地質A4、開挖跨度A5、埋深A6、開挖擾動A7、支護設計A8、施工質量A9、超前地質預報A10、主觀因素A11和其他A12共12個評估指標。將評估指標劃分為Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ等6個等級，從低到高表示各評估指標引起塌方風險的可能性，得到隧道塌方預測的樣本數據集。量化后的部分樣本數據見表1。

表1 量化后的部分樣本數據

隧道塌方風險預測的樣本數據共300條，其中包含246條塌方樣本數據和54條未塌方樣本數據，每條樣本記錄中包括12個特征因子和1個分類標簽，特征因子為選取的12個隧道塌方評估指標，每條數據的分類標簽為塌方預測結果，分類結果有塌方和不塌方。試驗時將樣本數據打亂，設置訓練集與測試集的比值為8∶2，240條樣本作為訓練集，60條樣本作為測試集。

2 隧道塌方風險評估模型

在機器學習領域，人工智能常用方法包括決策樹、支持向量機、神經網絡等。本文選用隨機森林算法、徑向基函數神經網絡、BP神經網絡和粒子群算法優化BP神經網絡構建評估模型，對隧道塌方風險進行預測。

2.1 隨機森林算法

隨機森林(Random Forest，RF)是一種集成學習算法，工作原理是對訓練數據進行隨機抽樣，通過構建多個決策樹模型，將其合并實現分類預測，提高整體的預測準確性。由于每個決策樹都是基于不同的隨機抽樣數據集構建的，因此可以減少模型的方差，提高模型的穩定性和準確性[11]。隨機森林算法還可以評估特征的重要性，通過計算特征在決策樹中的采用頻率和劃分質量，得到每個特征對分類結果的貢獻程度。

試驗過程為：①數據集處理。采用mapminmax()函數對輸入數據進行歸一化處理，再將數據集矩陣轉置以適應模型。②建立隨機森林模型。采用TreeBagger()函數構建隨機森林模型。③設置超參數。將決策樹數目設置為50，最小葉子數設置為1。④訓練模型。采用訓練集訓練隨機森林模型，建立樣本數據集中特征和標簽之間的關聯。⑤模型預測。采用訓練好的隨機森林模型對測試集進行預測，并生成塌方預測結果。

RF模型的誤差曲線見圖1。從圖1可知，隨著決策樹數目的增加，隨機森林算法在訓練集上的誤差不斷降低，當決策樹數目為20時，RF模型的誤差曲線趨于平穩；當決策樹數目為38時，模型的誤差為0.033，此時模型的預測性能最好。圖2為RF模型隧道塌方風險各評估指標對于預測結果輸出的重要性。從圖2可知，圍巖級別A1、降水及地下水A2、開挖擾動A7、超前地質預報A10等因素對于隧道塌方預測結果的影響較大，在隧道施工過程中需重點關注。圖3為RF模型預測結果。對預測結果進行排序處理后，直觀可得模型在訓練集上的預測準確率達到100%，在測試集上的預測準確率為81.67%。

圖1 RF評估模型誤差

圖2 RF模型評估指標重要性

圖3 RF評估模型預測結果

2.2 徑向基函數神經網絡

徑向基函數神經網絡(Radial Basis Function Neural Network，RBFNN)是一種適用于分類預測問題的人工神經網絡模型。RBF神經網絡由輸入層、隱藏層和輸出層組成[12]。輸入層接收數據特征，并傳遞給隱藏層；隱藏層中的神經元采用徑向基函數作為激活函數，通過計算輸入數據與各個神經元之間的歐氏距離確定神經元的激活程度；輸出層將隱藏層的激活結果進行加權匯總，通過激活函數將結果映射到合適的輸出范圍內，得到最終的分類預測結果。由于徑向基函數的特性，RBF神經網絡在處理不同類別之間的非線性邊界時表現出較好的局部適應性，能有效地處理復雜的分類問題。同時，RBF神經網絡在訓練過程中，隱藏層的參數可以通過聚類算法快速確定，從而大大減少了訓練時間。

徑向基函數神經網絡預測隧道塌方風險的算法步驟主要為：①導入數據，對訓練集和測試集進行劃分并做歸一化處理，將數據歸一到同一量綱上，減少噪聲和提高精度；②創建徑向基網絡，設置徑向基函數擴展速度為50；③訓練完神經網絡后采用sim函數進行仿真預測；④再對預測的結果進行反歸一化處理，得到真實值；⑤計算相關誤差指標，繪制圖形。徑向基函數神經網絡模型結構為12-240-2，見圖4。圖5為RBFNN評估模型預測結果。從圖5可知，模型在訓練集上的預測準確率達到97.08%，在測試集上的預測準確率為83.33%。

圖4 RBFNN評估模型結構

圖5 RBFNN評估模型預測結果

2.3 BP神經網絡

BP神經網絡(Back Propagation Neural Network，BPNN)是一種深度學習模型，其原理基于反向傳播算法，通過多層的神經元網絡構建復雜的非線性關系，包含輸入層、隱藏層和輸出層[13]，見圖6。輸入層接收特征數據，隱藏層提取特征，輸出層用于進行分類預測。每個神經元都與相鄰層所有神經元相連，并且具有可調節的權重值。BP神經網絡可以通過調整網絡結構和學習參數適應不同的數據分布和復雜的分類問題，并且利用多個計算單元并行計算，提高模型的計算效率。

圖6 BP神經網絡結構

對樣本數據進行歸一化處理后，設計BP神經網絡結構，確定隱藏層節點數m的公式，即

(1)

式中，n為輸入層節點數；o為輸出層節點數；k的取值范圍，為1～10之間的整數。由于隧道塌方風險評估指標確定為12個，因此BPNN評估模型的輸入層節點數為12；塌方預測輸出結果為1(塌方)或2(不塌方)，因此輸出層節點數為2。將輸入層節點數和輸出層節點數代入式(1)計算可得，隱藏層節點數的選取范圍為4～10。后經測試，設置隱藏層節點為6時，模型具有較高的準確率和良好的誤差精度。因此，確定BP神經模型的網絡結構為12-6-2，見圖7。

圖7 BPNN評估模型結構

建立初始網絡模型后，設置主要訓練參數如下：最大迭代次數設置為1 000次，目標訓練誤差設置為10-6，學習率設置為0.01。仿真試驗后，BPNN評估模型訓練到第4次時具有最佳性能，此時的均方誤差值不再下降，為0.064 675。圖8為BP神經網絡評估模型的預測結果。從圖8可知，模型在訓練集上的預測準確率為90.83%，在測試集上的預測準確率為86.67%。

圖8 BPNN評估模型預測結果

2.4 粒子群算法優化BP神經網絡模型

為解決BP神經網絡模型在實際預測中容易陷入局部最小值的問題，同時提高模型的塌方風險預測準確率和性能，采用粒子群算法(Particle Swarm Opti-mization，PSO)對BP神經網絡模型進行優化。PSO是一種群體協作的智能搜索算法，模擬了鳥群或魚群等生物群體在尋找食物或逃避敵害時的行為。通過粒子群算法的全局搜索能力，可以自適應地調整搜索策略，找到合適的權重和偏差[14]，以優化BP神經網絡的分類預測性能。PSO-BPNN算法流程見圖9。

圖9 PSO-BPNN算法流程

首先導入隧道塌方樣本數據，劃分訓練集和測試集并進行歸一化處理，選用BP神經網絡模型結構及參數，經反復測試后，粒子群算法的最優參數設置見表2。

表2 粒子群算法的最優參數設置

仿真試驗后，PSO-BPNN評估模型的最佳適應度收斂曲線見圖10。從圖10可知，隨著粒子群迭代次數不斷增加，算法適應度值逐漸降低，在迭代到第18次時適應度值收斂到最小。此時，模型訓練到第7次時具有最佳性能，訓練均方誤差為0.080 439。圖11為PSO-BPNN評估模型的預測結果。從圖11可知，模型在訓練集上的預測準確率為94.58%，在測試集上的預測準確率為93.33%，優化后的評估模型相比其他模型具有更高的預測準確率。

圖10 粒子群算法的最佳適應度收斂曲線

圖11 PSO-BPNN評估模型預測結果

3 模型對比與分析

3.1 混淆矩陣

混淆矩陣(Confusion Matrix)常用于分類模型性能評估，展示分類模型的預測結果與真實標簽之間的差異。在混淆矩陣中，行代表真實標簽的類別，列代表模型預測的類別。對于二分類問題而言，混淆矩陣通常是1個2×2的矩陣。RF、RBFNN、BPNN、PSO-BPNN模型預測結果的混淆矩陣見圖12。圖12中，1代表預測結果為塌方，2代表預測結果為不塌方，在測試集60個樣本中：

圖12 各評估模型預測結果的混淆矩陣

(1)RF評估模型對塌方結果的預測準確率為81.67%。真實標簽為塌方的2個樣本被預測為不塌方，真實標簽為不塌方的9個樣本被預測為塌方，真實標簽為塌方的39個樣本和真實標簽為不塌方的10個樣本均預測正確。

(2)RBFNN評估模型對塌方結果的預測準確率為83.33%。真實標簽為塌方的3個樣本被預測為不塌方，真實標簽為不塌方的7個樣本被預測為塌方，真實標簽為塌方的41個樣本和真實標簽為不塌方的9個樣本均預測正確。

(3)BPNN評估模型對塌方結果的預測準確率為86.67%。真實標簽為塌方的3個樣本被預測為不塌方，真實標簽為不塌方的5個樣本被預測為塌方，真實標簽為塌方的48個樣本和真實標簽為不塌方的4個樣本均預測正確。

(4)PSO-BPNN評估模型對塌方結果的預測準確率為93.33%。真實標簽為塌方的3個樣本被預測為不塌方，真實標簽為不塌方的1個樣本被預測為塌方，真實標簽為塌方的46個樣本和真實標簽為不塌方的10個樣本均預測正確。

3.2 準確率

各塌方風險預測模型的準確率見表3。從表3可知，經試驗測試后選取最優參數的各基本模型中，BPNN評估模型的預測準確率最高，為86.67%；對該模型采用粒子群算法進行優化后，PSO-BPNN模型的準確率提高到了93.33%，此時，模型在該數據集上具有較好的塌方風險預測能力。

表3 各模型預測準確率 %

3.3 F1值

F1值是衡量二分類模型的精確度指標，兼顧了精確率和召回率[15]，范圍在0～1之間，越接近1模型的性能越好，反之則越差，相關計算公式為

(2)

(3)

(4)

式中，P為精確率；R為召回率；TP表示預測結果中的真正類(預測正確且預測結果為不塌方)；FP表示預測結果中的假正類(預測錯誤且預測結果為不塌方)；FN表示預測結果中的真負類(預測錯誤且預測結果為塌方)。

由測試集混淆矩陣計算得出各評估模型的F1值見表4。從表4可知，各評估模型中PSO-BPNN模型的F1值最高，為0.833，優化后的模型性能有了明顯提升，驗證了通過粒子群優化算法調整BP神經網絡的參數，可更好地提高BP神經網絡模型的泛化能力和適應性，使隧道塌方風險預測效果更好。

表4 各評估模型的F1值

4 結 語

本文以隧道塌方風險為研究對象，在收集整理國內外塌方事故案例的基礎上，基于人工智能預測方法，分別采用隨機森林算法、徑向基函數神經網絡、BP神經網絡模型、粒子群算法優化后的BP神經網絡模型，建立了隧道塌方風險評估指標體系，并對比各模型在隧道塌方風險預測中的準確率及模型性能。結果表明，PSO-BPNN模型的性能最佳，預測效果最好，大大減少了評估結果的主觀性，為隧道塌方風險研究提供了新的研究思路。

由于收集整理的隧道塌方事故案例有限，本文的樣本量較少，后續將繼續擴充樣本量，進一步完善塌方風險預測模型和算法。