王飞球1, 2，黄健陵1，符竞1，闫屹彬1，陈辉华1
(1. 中南大学 土木工程学院，湖南 长沙410075；2.中铁二十四局 江苏工程有限公司，江苏 南京 210038)
摘 要：基于跨既有线高速铁路桥梁施工需同时满足桥梁施工和既有线运营的安全，导致其风险因素复杂多样，风险识别难度大。通过文献研究与典型案例分析，识别跨既有线高速铁路桥梁施工安全风险因素，运用4M1E分析方法建立跨既有线高速铁路桥梁施工安全风险评估指标体系，构建基于BP神经网络的跨既有线高速铁路桥梁施工安全风险评估模型，并以信江特大桥为研究对象进行实证评估，表明其综合风险与项目建设风险等级一致，模型和案例拟合度较好，本文构建的风险评估模型具有一定的科学性和可行性。
关键词：跨既有线；高速铁路桥梁施工；风险评估；BP神经网络
我国高速铁路建设规模不断扩大，铁路网交汇不断加密，跨既有线高速铁路桥梁数量日益增多。与常规高速铁路桥梁施工相比，跨既有线高速铁路桥梁施工既要保证线路的正常运营，又要保证施工安全和工期目标实现，施工安全风险因素更加复杂多样[1]。此外，国内外学者关于跨既有线高速铁路桥梁施工安全风险的研究成果较少，对其风险影响因素的识别不够系统、全面。因此，通过科学合理的方法对跨既有线高速铁路桥梁施工安全风险影响因素进行有效地识别，以确保桥梁施工安全及既有线行车安全，是跨既有线高速铁路桥梁施工安全风险管理中的关键与核心。
本文通过梳理桥梁施工安全风险相关文献，辅助识别跨既有线高速铁路桥梁工程施工安全风险因素。通过筛选统计，形成基于文献研究的桥梁施工安全风险因素识别表，如表1所示。
教师在实验教学时将学生分为4组，每组2人，每组学生独立进行实验，获得的数据作为平行实验数据共享。教师发放给学生两张指导单，第一张为实验过程指导单(表1)，第二张为实验数据处理指导单(表2)，学生根据指导单分小组独立进行实验。学生是高二年级，实验时间为1节课85min。
表1 基于文献研究的桥梁施工安全风险因素识别表
Table 1 Risk factors identification table of bridge construction safety based on literature research
文献来源风险因素 许铎等(2003)桥梁结构复杂性、施工技术成熟度、自然环境、施工队伍能力不足等 陈树青等(2006)组织结构复杂、参与建设的工种、单位多、干扰既有线运输生产等 Tarek Zayed等(2007)桥梁结构复杂性、河流冲刷、地震等 余常俊等(2009)施工方案合理性、施工计划不周密、安全保障措施不健全等 李皓等(2010)路基沉降、施工区域狭窄、既有线路繁、承台基坑开挖深度深、机械违章作业等 Y.F.Duan等(2011)自然环境灾害、地质环境不良、船舶碰撞等 黄建陵等(2011)既有线地下管线复杂、路基滑塌、设备侵限、施工种类繁杂、施工组织协调难度大等 张青青等(2011)桩基施工破坏地下管线、既有轨面高程变化、物资设备侵限、施工人员侵限等 晁阳等[2](2011)施工准备不充分、施工单位配合不默契、施工违章作业、人员经验与业务能力不足等 Alberto Decò等(2011)设计方案合理性、地质环境不良、冲刷和地震等 宋刚等(2011)转体施工难度大、转体施工设备使用故障、恶劣气象条件、既有线路列车运行、高空坠物、高架电线密集、施工现场管理混乱等 Wang Peng等(2012)物体高空坠落、物体撞击、塌落等 李哲宇等(2012)路基塌陷、破坏地下管线、损害地上架空电线、挂篮不稳定、人员物资高空坠落、施工管理难度大、人员素质不足、物资设备侵限、地质水文条件等 付彦超等[3](2012)施工技术方案不合理、安全保护措施不当、人员素质不足、材料质量不合格、设备运行故障等、地质水文条件等 吴广盛等[4](2013)地质水文条件、气象条件、人员构成复杂、施工安排不合理、施工协调不到位等 Upul Attanayake等(2014)设计方案合理性、桥梁结构复杂性、技术交底完整度等 李艳哲等[5](2014)施工工艺成熟度、地质条件不良、气候环境灾害、建设规模、人员能力不足、机械设备配置与管理等 韩学伟等[6](2014)基坑支护方案、既有线列车运行安排等 卢朝晖等[7](2015)桥梁主体结构承载力、主梁及桥墩适用性、主梁及桥墩耐久性 谭仁伟等[8](2016)设备、材料、杂物等物品高空坠落、既有线高压电线密集、施工协调难度大、施工计划合理性、挂篮稳定性等
本文选取9座跨既有线高速铁路桥梁作为典型案例进，收集工程案例的相关资料作为风险识别依据，邀请数位专家对每座桥梁资料进行深入分析。采用WBS结构分解对跨线桥梁施工项目进行分解，以WBS的最低级工作包为风险识别的基本单元[9]，找出典型案例的施工安全风险因素，形成施工安全风险因素清单，见表2。
表2 部分跨既有线高速铁路桥梁主要施工安全风险因素
Table 2 Main factors influencing construction safety risk of some railway bridges across existing railway lines
序号跨既有线高速铁路桥梁施工方法跨径/m主要风险因素 1沪杭高铁松江特大桥悬臂施工60+100+60桩基施工破坏地下管线、路基稳定性造破坏、高空坠物、人员设备侵限、建材质量不合格 2合福高铁信江特大桥悬臂施工32+3×52+37挂篮不稳定、施工违章作业、人员材料高空坠落、机械设备倾覆、既有线运行对人材机造成损害 3京沪沧德特大桥转体施工40+56+40转体施工工艺复杂、合龙段施工风险、基坑防护方案不完备、安全防护方案落实不到位 4沪昆高铁宜春特大桥转体施工48+80+48物资设备高空坠落、转体施工工艺难度大、地下岩溶发育 5京广黄河铁路大桥悬臂施工40+64+40路基坍塌滑移、菱形挂篮稳定性、机械设备侵限、夜间施工风险、人员配备结构不合理、项目管理不规范、地质水文情况 6跨西岭互通特大桥悬臂施工70+136+70高空作业、路基坍塌、施工场地狭窄、管理协调难度大 7京沪高铁蕴藻滨大桥悬臂施工32+48+32路基坍塌、机械设备倾覆、人员侵限、施工工序冲突、安全培训落实不到位 8沪昆客专沾益特大桥转体施工72+128+72转体施工难度大、桩基施工破坏地下管线、施工设备故障、人员设备侵限、人员技术能力不足、组织协调不力 9郑徐客专开兰特大桥转体施工70+125+70转体施工工艺复杂、机械设备侵限、人员配备力量不足
通过分析上述文献资料和典型案例识别施工安全风险因素，结合工程实践，按照系统性、科学性、全面性、层次性和可行性原则，根据4M1E分析理论对跨既有线高速铁路桥梁施工安全风险因素进行分类汇总，其中1级指标包括物资设备等5个风险指标，2级指标包括材料质量等34个风险指标，形成的跨既有线高速铁路桥梁施工安全风险评估指标体系如图1所示。
图1 跨既有线高速铁路桥梁施工安全风险评估指标体系构成图
Fig. 1 Construction safety risk assessment index system of high-speed railway bridge across existing lines
BP神经网络是指采用反向传播算法的人工神经网络,根据输入的信息建立神经元，通过学习规则或自组织等过程建立相应的非线性数学模型，合 理有效地解决非正态分布、非线性的风险评估 问题[10]。
BP神经网络由M个输入层，W个中间隐层及P个输出层组成 [11]。对于跨既有线高速铁路桥梁施工安全风险评估，其中输入层为3级风险评估指标，输出层为综合风险评估值[12]，其结构如图2所示。
图2 BP神经网数学模型
Fig. 2 Mathematical model of BP neural network
BP神经网络依据所得样本数据，通过“学习和培训”获得样本所隐含的特征关系，以神经元间连接权重值和阀值的形式储蓄专家的经验与知 识[13]。该模型的数据处理逻辑如图3所示。
神经网络的自学习过程是一个反复迭代的过程，给网络赋一组小的随机初始权值，将数据归一化，使其在0到1之间，并确定期望输出信号
从输出层开始，反向调整权值，其调整公式 如下：
《中国造纸》为专业技术性刊物，国内外公开发行，由中国造纸学会和中国制浆造纸研究院主办，主要报道我国造纸工业在原材料、制浆、造纸、废液综合利用及污染防治、机械设备、分析检验、工艺和质量控制自动化以及制浆造纸专业基础理论等方面的新成就和重要科技成果。
计算总的误差E，若
图3 BP神经网数学数据逻辑处理
Fig. 3 Logical processing of mathematical data of BP neural network
合福高铁上饶车站改扩建工程信江特大桥位于上饶市灵溪镇，全长3 704.21 m。信江特大桥连续梁在DK469+928.52~DK470+153.24(22号墩~27号墩)段上跨上饶站场沪昆线，与沪昆下行线成79.25°交角。
2.3.6 低血压发生率 纳入 5 个研究［7‐8，11‐12，14］，各研究间为同质性（P=0.18，I2=37%），采用固定效应模型进行Meta‐分析（图6）。结果显示卡贝缩宫素组的低血压发生率显著小于缩宫素组，差异有统计学意义（OR=0.28，95%CI=0.13～0.60，P=0.001）。
连续梁结构设计为(31.9+3×52+36.62) m一联5跨预应力混凝土变截面连续箱梁，梁高3.05~4.35 m，主线1联箱梁顶宽12 m、主线两侧2联箱梁顶宽6.48 m、最外侧2联箱梁顶宽7.7 m。共7联6线(含2联站台梁)，连续梁全长224.72 m，采用挂篮悬臂施工。
2018年初秋，“激荡40年——中国印刷业大学生联合大寻访”系列报道完美收官，在中国印刷及设备器材工业协会派出老师的指导下，来自北京印刷学院、上海出版高等专科学校、武汉大学、西安理工大学，以及杭州电子科技大学5所印刷院校的10名大学生，以95后独特的视野，追溯那段充满激情的岁月，以全媒体形式呈现了49篇由文字、图片、视频组成的详尽报道。在学校看来，这是一次不作秀，没有提前渲染与铺垫的实打实的行业活动；于每一位学生而言，这是一次难得的实战机会。
由于该桥连续梁梁体要在保证既有沪昆铁路和站线正常通行的情况下悬灌施工，而作业空间相对狭小、必要时还要进行封锁要点施工、外部环境复杂等导致施工难度很大，施工过程中不确定因素很多。因此，开展信江特大桥风险分析评估十分 必要。
本文建立的模型就是一个由输入层、隐含层和输出层神经元构成的3层高度非线性映射模型。模型内，最大训练次数设定为20 000。根据软件要求及模型的需要，本文设置的误差精度是0.000 001，当2次的迭代结果误差小于该值时，系统会结束迭代运算。网络模型参数设定如表3所示。
表3 BP网络模型参数
Table 3 Parameters of BP network model
网络创建函数传递函数学习函数训练函数网络误差性能函数误差精度 newfflogsiglearngdmtraindxMSE0. 000 001
根据上文风险评估指标体系，将风险指标作为模型的输入层神经元，即设定输入层有34个神经元;将项目风险的综合评价值指标作为输出值，输出层节点设定为1，根据输出值的大小判断项目风险情况;采用试凑法确定网络收敛最快、误差最小时对应的隐节点数为20，其运行结构图如图4所示。
图4 BP神经网络运行结构图
Fig. 4 Operation structure of BP neural network
由于每个评估指标有不同的物理量纲，通过设计问卷调查的形式，设置李克特5级量表，通过询问9位专家对每个指标进行打分，为了得到有效的输入值与输出值，需对统计的数据进行归一化，得到相关指标的得分值和专家评估结果，以WS为例，其转化方式见如下。
则对整个指标的输入值如式(12)所示。
秀容月明想：“桂花酒是桂州特产，天下闻名，我怕喝酒误事，一次也没喝过。城要破了，我也要死了，桂花酒倒不妨尝一尝。”
根据《公路桥梁和隧道工程施工安全风险评估指南》，结合工程实践，项目风险评价范围可以分为5档，即低风险，较低风险，中等风险，较高风险，高风险[15]。如表4所示。
表 4 项目风险评价等级表
Table 4 Project risk assessment scale
综合风险评估值0~0.20.2~0.40.4~0.60.6~0.80.8~1 风险危害程度低风险较低风险中等风险较高风险高风险
本文选取8座跨既有线高速铁路桥梁作为BP人工网络模型的训练和检测样本。7组数据作为模型训练样本，1组数据作为检测样本，信江特大桥的各项评估指标值作为风险预测，经过归一化处理的数据如表5所示。
表5 跨既有线高速铁路桥梁风险指标数据
Table 5 Risk index data of transcontinental high-speed railway bridges
桥梁12345678 评价指标10.3570.2570.3140.2140.2430.1860.2710.114 20.3570.3430.3290.3430.3140.3430.2710.314 30.2000.2290.3000.2430.2710.2290.2570.286 40.1710.2290.2290.2000.2430.1570.1570.157 50.2570.1710.2430.2710.2710.2290.2860.200 60.3860.4430.4710.4000.3710.4290.4570.400 70.4000.4000.4140.3710.4140.4290.4710.429 80.3860.4000.5710.4140.4290.4430.4710.443 90.3290.3860.4430.3710.3860.3860.4570.457 100.4290.4000.4290.3860.4430.4570.5400.429 110.3290.3140.3710.3570.3140.4000.3860.400 120.4000.3570.4140.3290.3140.4000.4140.586 130.3000.3140.4000.3430.3140.3290.4140.357 140.2140.3140.3290.3000.3000.3430.4000.357 150.2140.3000.2860.3140.2860.3140.3570.357 160.2000.2860.2860.2860.2860.3140.3570.343 170.2140.3290.3140.3000.2710.3430.3710.357 180.2710.3290.3710.3000.3140.3710.4140.371 190.2710.3570.3570.3140.3290.3860.3860.386 200.3570.4140.4430.4290.3430.3710.4140.414 210.5710.4430.4430.4140.3570.4290.4570.643 220.3000.3710.3570.3140.2860.3570.3860.400 230.3430.4430.4290.3570.2860.3570.4290.429 240.3570.4140.4290.3140.2570.3570.4140.414 250.3710.3710.4140.3000.2570.3860.4430.386 260.2430.3000.3290.2430.2860.3140.3860.314 270.2860.3140.3430.2860.2710.3570.3710.357 280.3710.4430.4710.3860.3710.4430.5000.429 290.3710.4430.4710.4000.3430.4430.5000.429 300.3860.4000.4710.3570.3710.4430.5000.443 310.3710.4140.4710.3860.3430.4140.4710.414 320.3290.5860.4140.5290.3000.3860.4710.414 330.3290.3860.4000.3140.2860.4000.4290.386 340.3170.3550.3840.3300.3170.3620.4020.373
运用Matlab编写程序，创建神经网络，建立矩阵输入数据，并对网络进行学习训练和检测[16]。通过 20次训练后，总体误差满足要求。MATLAB运行图如图5所示。
将归一化后的数据样本带入后检验，可得出期望输出与最终实际输出的误差值如表6所示，8组数据最大误差仅为1.868%，平均绝对误差为0.328%，故拟合情况良好，小于误差精度。因此，BP人工神经网络成熟度较高，网络模型的学习训练和检测结束。
图5 MATLAB模拟运行图
Fig. 5 MATLAB simulation operation diagram
表6 误差分析表
Table 6 Error analysis table
序号期望输出实际输出相对误差/% 10.154 290.154 390.064 20.173 080.173 060.011 30.175 780.176 730.537 40.160 200.160 100.060 50.154 110.154 080.019 60.176 120.176 220.057 70.183 110.186 531.868 80.181 620.181 630.005
运用训练成熟的BP人工神经网络对信江特大桥项目进行风险预测，将信江特大桥各风险指标进行归一化的数据(0.257，0.329 ，0.243，0.143，0.229，0.357，0.371，0.546，0.557，0.357，0.343，0.400，0.343，0.386，0.400，0.371，0.400，0.216，0.400，0.414，0.400，0.364，0.596，0.356，0.400，0.357，0.414，0.400，0.376，0.366，0.286，0.371，0.386，0.400)输入网络，得到预测值0.160 06。根据表4可预测信江特大桥项目风险为低风险，与项目风险等级一致，故模型拟合度较好。
根据各风险因素输入值，可知信江特大桥主要风险是由既有线侵限、安全规章制度落实不到位及应急措施不完善等风险因素导致，如悬臂施工挂篮倾覆、人员及材料高空坠落、触碰既有线接触网发生触电及火灾、既有线运营对施工人员、机械设备造成伤害等，对工程施工安全管理造成较大影响。因此，合福高铁信江特大桥施工安全控制重点为连续梁施工风险控制及既有线运营对施工造成的风险控制2方面。
1) 通过文献调研和案例分析，对跨既有线高速铁路桥梁施工安全风险的影响因素进行识别，并根据4M1E分析理论，建立了施工安全风险评估指标体系。
2) 基于BP神经网络自学习算法，根据风险评估指标体系，建立了跨既有线高速铁路桥梁施工安全风险评估模型。
3) 基于构建的施工安全风险评估模型，对信阳特大桥的施工安全风险等级进行预测，得到其风险等级预测值为0.160 06，其风险评价等级为低风险，与项目建设风险拟合程度较好。表明此风险识别与评估方法具有较强的合理性与实用性，可推广应用于此类工程施工风险评估。
参考文献：
[1] 张青春, 刘德锋. 沪杭高速铁路上跨既有沪昆铁路施工安全技术研究[J]. 铁道标准设计, 2011, 55(6): 114− 117.ZHANG Qingchun, LIU Defeng. Study on the construction safety technology of Shanghai-Hangzhou high-speed railway across existing Shanghai-Kunming railway[J]. Railway Standard Design, 2011, 55(6): 114− 117.
[2] 晁阳.铁路既有线施工安全管理[J]. 铁道建筑, 2011, 51(11): 135−136. CHAO Yang. Safety management of railway construction on existing railway lines[J]. Railway Engineering, 2011, 51(11): 135−136.
[3] 付彦超. 大型桥梁工程施工风险管理研究[D]. 郑州: 郑州大学, 2012. FU Yanchao. Study on construction risk management of large bridges engineering[D]. Zhengzhou: Zhengzhou University, 2012.
[4] 吴广盛. 京沪高铁蕴藻浜桥跨既有铁路施工安全风险管理研究[D]. 成都: 西南交通大学, 2013. WU Guangsheng. Construction safety management Beijing-Shanghai high-speed railway Yunzaobang bridge span the existing line[D]. Chengdu: Southwest Jiaotong, 2013.
[5] 李艳哲. 受既有线控制的重庆白沙沱长江大桥施工风险控制研究[D]. 重庆: 重庆交通大学, 2014. LI Yanzhe. Study on construction risk control of Baishatuo Yangtze river bridge in Chongqing controlled by the existing railway line[D]. Chongqing: Chongqing Jiaotong University, 2014.
[6] 韩学伟, 王君, 王高彦.基坑开挖对临近既有铁路的影响分析[J]. 中外公路, 2014, 34(6): 38−41. HAN Xuewei, WANG Jun, WANG Gaoyan. Analysis on the influence of foundation pit excavation on nearby existing railway[J]. Journal of China and Foreign Highway, 2014, 34(6): 38−41.
[7] 卢朝辉, 闵欢, 余志武. 既有铁路桥梁状态评估指标体系和方法研究[J]. 铁道科学与工程学报, 2015, 12(5): 1103−1110. LU Zhaohui, MIN Huan, YU Zhiwu. Study on the condition assessment index and method for existing railway bridge structures[J]. Journal of Railway Science and Engineering, 2015, 12(5): 1103−1110.
[8] 谭仁伟, 周思锋. 浅谈跨运营既有线铁路连续梁施工安全控制[J]. 公路交通科技, 2016, 12(7): 279−280. TAN Renwei, ZHOU Shifeng. Discussion on safety control of continuous beam construction across existing railway lines[J]. Journal of Highway and Transportation Research and Development, 2016, 12(7): 279−280.
[9] 薛瑶, 刘永强, 戴玮, 等. WBS-RBS法在水利工程全过程管理中的风险识别[J]. 中国农村水利水电, 2014, 56(2): 71−74. XUE Yao, LIU Yongqiang, DAI Wei, et al. Risk identification in the whole process management of hydraulic engineering by WBS-RBS[J]. China Rural Water and Hydropower, 2014, 56(2): 71−74.
[10] 王瑞. 基于BP神经网络的港口货运运营风险控制研究[D]. 北京: 北京交通大学, 2014. WANG Rui. Research on port freight operational risk control based on BP neural network[D]. Beijing: Beijing Jiaotong University, 2014.
[11] Oliveira R. Combining first principles modelling and artificial neural networks: A general framework[J]. Computers and Chemical Engineering, 2004, 28(5): 755−766.
[12] JIANG F, SHI K. Early warning system of operational risks in petrochemical listed companies in china based on BP artificial neural network[J]. Finance, 2011, 1(3): 57− 62.
[13] GAO D, Kinouchi Y, Ito K, et al. Neural networks for event extraction from time series: a back propagation algorithm approach[J]. Future Generation Computer Systems, 2005, 21(7): 1096−1105.
[14] Sudha G. A simple classification of binary document into vector image or scalar image using feed forward neural networks with back propagation training[J]. International Journal of Computer Applications, 2010, 9(3): 24−28.
[15] 陆新鑫, 徐秀丽, 李雪红, 等. 基于肯特指数法的桥梁施工安全风险评估[J]. 中国安全科学学报, 2013, 23(6):165−171. LU Xinxin, XU Xiuli, LI Xuehong, et al. Assessment of bridge construction safety risk based on kent index method[J]. China Safety Science Journal, 2013, 23(6): 165−171.
[16] 李晓娓, 王林艳. MATLAB在神经网络算法研究中的应用[J]. 无线互联科技, 2015, 12(19): 139−141. LI Xiaowei, WANG Linyan. MATLAB in the study of neural network algorithm[J]. Wireless Internet Technology, 2015, 12(19): 139−141.
(编辑 蒋学东)
Risk assessment of construction safety of high-speed railway bridge across existing lines based on BP neural network
WANG Feiqiu1, 2, HUANG Jianling1, FU Jing1, YAN Yibin1, CHEN Huihua1
(1. School of Civil Engineering, Central South University, Changsha 410075, China;2. Jiangsu Engineering Co, Ltd. of China Railway 24th Bureau Group, Nanjing 210038, China)
Abstract:The construction of high-speed railway bridge across the existing line needs to meet the safety of the bridge construction and the operation of the existing line at the same time. Through literature research and typical case analysis, this paper identified the construction safety risk factors of high-speed railway Bridges across existing lines. The 4M1E analysis method was used to establish the construction safety risk assessment index system for the cross-section high-speed railway bridge, and the BP neural network based construction safety risk assessment model for the cross-section high-speed railway bridge was constructed. Based on the empirical evaluation of Xinjiang bridge, the comprehensive risk was consistent with the risk level of project construction, and the model and case were well fitted, which indicated that the risk assessment model constructed in this paper is scientific and feasible.
Key words:cross existing lines; construction of high-speed railway bridges; risk assessment; BP neural network
DOI: 10.19713/j.cnki.43−1423/u.2019.05.003
中图分类号：U24
文献标志码：A
文章编号：1672 − 7029(2019)05 − 1129 − 08
收稿日期：2018−08−11
基金项目：国家自然科学基金资助项目(51378509)
通信作者：王飞球(1979−)，男，江西九江人，高级工程师，从事工程项目组织与实施、项目风险管理和建筑企业管理研究；E−mail：wangfeiqiu@ 163.com
联系客服
