赵秋华

(北京希达工程管理咨询有限公司，北京 100840)

0 引言

国内外诸多学者针对城市地下工程施工安全进行了大量研究，主要涉及风险识别、风险评价以及风险应对措施等方面。在风险评价研究中，大多运用层次分析法、模糊综合评价法以及事故树分析法等，此类方法过于依靠评价人员的主观经验判断，并不能准确地反映工程项目真实的施工安全风险情况。因此，本文拟在建立契合地下工程施工安全实际风险评价指标体系的基础上，构建基于支持向量机(support vector machine, SVM)的风险预测模型，以准确预测城市地下工程施工安全风险水平，为其安全管理提供科学理论支持。

1 模型理论基础

支持向量机(SVM)是监督学习算法的一种，主要用于解决模式识别中的数据分类问题，其本质即利用空间映射找到距离分类样本点间隔最大的分类超平面。完成训练的SVM模型的复杂度是由支持向量的个数决定的，而不是维度。因此，SVM模型在训练和预测过程中保持良好的一致性，并且不容易出现过度拟合的情况。SVM算法对于非线性、高维度的小样本问题有较强的泛化能力，适用于城市地下工程施工安全风险水平预测研究。SVM算法详细计算原理以及参数的选取可参考文献[9]，一般可利用Matlab中libsvm工具包进行求解。

表1 地下工程施工安全评价指标体系以及指标参数确定准则

2 地下工程施工安全影响因素

为了科学准确地选取地下工程施工安全影响因素，本文通过CNKI检索主题“地下工程”“地下空间”以及“施工安全”，得到近5年相关中文文献470篇，利用Citespace主题和关键词聚类对其进行统计分析，并筛选出地下工程施工安全影响因素作为参考。按照4M1E(人-机-物-法-环)事故要素理论，结合城市地下工程施工安全特点以及专家意见，对影响因素进行进一步的筛选和修正，最终确定地下工程施工安全评价指标体系以及指标参数确定准则，如表1所示。在指标参数确定的过程中，根据项目实际情况，采用对照打分法，为避免量纲影响，各指标的参数范围均在0～5内，未说明的情况均以0分计。

3 实例分析

选择武汉、北京、广州等地区范围内的25个城市地下工程施工项目进行实例验证，主要包括地下房屋、地下过街通道以及地铁施工项目。通过项目访谈和调查问卷等方式，根据表1中指标参数确定准则对各指标进行打分，其中A1，B1，C4和C5的值根据实际统计情况求均值得到；A3，E1，E2的值通过问卷调查结果求均值得到；其他指标均按项目实际情况直接评判。最后根据项目负责人以及专家意见对各项目进行施工安全风险评价，将风险等级划分为微度风险、低度风险、中度风险、高度风险以及极度风险，各风险等级的含义如表2所示。各项目样本统计数据如表3所示，由于篇幅限制，文中仅列出部分项目数据。

表2 城市地下工程施工安全风险等级含义

表3 各项目样本统计数据

将25个项目样本统计数据导入Matlab环境中，利用Mapminmax函数对其进行进一步的归一化处理，并将项目1～20作为模型训练集，项目21～25作为模型测试集。选取RBF核参数构建SVM模型，利用K折交叉验证法确定SVM模型中参数，惩罚因子c为12，核参数方差g为0.6，利用Libsvm工具包中Svmtrain和Svmpredict函数对样本进行训练和预测，训练集回代检验和测试集预测结果如图1所示。

图1 训练集回代检验和测试集预测结果

从图1可以看出，训练集回代检验和测试集预测结果均与实际情况完全一致。因此，SVM模型可以作为城市地下工程施工安全风险水平预测的有效方法。此外，随着模型的不断应用，样本数据的不断增加和修正，模型预测结果将越来越可靠。与传统的较主观的评价方法相比，SVM模型中仅有少量指标需要人为主观确定，大大增加了预测结果的客观性，同时也减少了预测工作量，提了工作效率。

4 结语

1)在文献分析、“4M1E”事故理论基础、地下工程特点以及专家意见的基础上，建立了契合地下工程施工安全实际的风险评价指标体系，为地下工程施工安全风险水平预测提供依据。

2)构建了地下工程施工安全风险水平预测SVM模型，实例分析验证了模型的可行性，为地下工程施工安全风险水平提供了一种科学有效的预测方法，具有良好的实践指导意义。