随着社会的高速发展，各地对于水闸的需求量也逐渐增加[1]。由于在修建水闸的过程中危险因素太多，导致水闸修建过程中的安全事故的发生比例也在升高[2]。探索一种可减少修建过程中的安全风险的方法具有重大意义[3]。RBF神经网络是一种新型的前馈神经网络，其拥有其他神经网络没有的最佳逼近性能以及全局最优特性，且结构简单，训练速度快。RBF神经网络目前广泛应用各种预测领域[4,5]。而水闸过程中的安全分析从本质上将也是对危险的预测，故研究将RBF网络模型与水闸工程安全分析相结合，构建了一种基于RBF网络的水闸施工过程中的安全分析模型。以期通过RBF网络的独特网络结构来帮助提高水闸工程施工过程中的安全性风险等级预测，并对施工过程中的安全管理提高数据支持。

1、RBF神经网络在水闸施工安全分析模型中的应用

1.1 RBF神经网络模型的构建

在水闸工程施工过程中，影响水闸施工安全的因素多种多样，一般的水闸安全分析系统很难对水闸施工过程中的安全性进行正确预测。而人工神经网络可以对复杂化的问题进行非线性建模，然后通过其误差反馈机制对网络进行调整，最终在模型的构建过程中减少人为因素的影响，从而提高预测模型的预测准确率[6,7]。径向基函数(Radial Basis Function, RBF)网络作为一种新型的人工神经网络，因其可以有效地在找到存在与多维空间中的最佳训练数据平面，其常常被应用于各种复杂化的预测问题中。RBF网络能够模拟人脑中的神经网络结构，从而使其网络结构中隐藏层的神经元函数成为最佳拟合平面的基函数。且RBF网络中输出层和中间层之间的具有独特的加权结构。RBF网络与一般的神经网络大致结构一致，主要包括输入层、隐藏层以及输出层三部分结构。但其映射关系异于一般神经网络结构，RBF网络的映射关系均通过非线性函数的线性组合进行实现。RBF神经网络的具体结构图如图1所示。

图1 RBF神经网络结构图  

由图1可得，RBF网络三大组成部分分别为输入层、隐藏层和输出层。其中输入层由若干个感知单元组成，输入层作为网络结构与外界的界限，其主要功能是对外界的信息进行接收，并将其传输至隐藏层。而隐藏层中包含了若干个隐藏层节点，隐藏层节点一般由高斯基函数组成，高斯基函数的表达式如式(1)所示。

αi(x)=exp[−∥X−ci∥22σ2i],i=1,2,⋯,m         (1)

式中：αi(x)表示第i个隐藏层节点的输出结果；m表示隐藏层节点的数量；ci表示第i个隐藏层节点对应的高斯基函数的中心向量；σi表示第i个隐藏层节点的基宽度；而X表示输入的样本；X包含了不同维数的x1,x2,…,xn。隐藏层的主要功能是对输入的信息进行响应，并通过高斯基函数对输入信息进行非线性映射，然后将通过隐藏层的信息运输至输出层。输出层结构的主要功能是对隐藏层传出的信息进行最终响应，该部分由线性函数组成，其表达式如式(2)所示。

yk=∑i=1mωikαi(x),k=1,2,⋯,p         (2)

式中：yk表示神经网络的输出结果；ωik为隐藏层和输出层之间的权值；而p表示输出层的节点数量。在整个神经网络结构中，隐藏层结构主要是对数据进行非线性变换，将输入数据X变换为αi(x),而输出层结构主要是对αi(x)进行线性变换得到最终输出结果，通过两次不同线性的变换不仅可以提高整体神经网络的运行速度，还可以提高其非线性映射的能力。因为RBF网络结构中存在作用不同的线性权值函数和非线性函数，故对于该网络的学习任务包含两个目标。其一是对隐藏层节点的数量、每个隐藏层节点对应的中心向量及宽度进行确定，另一个目标是计算出隐藏层和输出层之间的权值ωik。在此次研究中，使用正交最小二乘算法作为学习算法对RBF网络进行学习。在学习过程中，首先利用学习算法选取输入样本的数据中心，通过确定数据中心来找到隐藏层节点的数量、每个隐藏层节点对应的中心向量及宽度。然后依据影响程度的不同从N个列向量中依次找M个向量构ϕ′∈RN*N,直至最后误差精度达到目标值，具体目标如式(3)所示。

‖y-ϕ′ω0‖<ε (3)

式中：ω0为可使‖y-ϕ′ω0‖值最小的相应权值，即需要确定的隐藏层和输出层之间的权值ωik。由上述可知，RBF神经网络具有良好的预测性能，故研究可利用RBF神经网络对水闸施工过程中的安全问题进行分析，从而预防施工过程中安全事故的发生。

1.2 水闸工程施工安全分析神经网络模型的构建

若需要对水闸工程施工安全分析神经网络模型进行构建，需要先对水闸工程的施工安全因素进行分析和整理，根据不同的风险类型建立不同的神经网络模型[8,9]。故需要对水闸工程施工过程中的安全因素进行归类，研究通过对水闸工程施工的整体过程进行分析，得到如图

2所示的水闸工程施工安全风险分类图。

图2 水闸工程施工安全风险分类   从图2中可得，研究将水闸工程施工中的安全风险分为五大类，这五类风险分别为作业人员的安全风险、作业工具的安全风险、施工环境的安全风险、施工管理的安全风险、施工技术的安全风险。其中作业人员的安全风险主要包括作业人员自身的专业技能情况、安全意识、身体健康情况以及心理状况等自身因素；而作业工具的安全风险主要是指作业机械设备的性能、维修保养情况以及施工材料的合格情况等用于水闸工程施工的工具的安全风险。作为水闸工程施工安全风险五大类中唯一不可控的安全风险，施工环境的安全风险主要包括施工场地附近的水域环境以及天气气候情况等，其对水闸工程的施工过程的风险最高[10,11]。施工管理的安全风险主要包括施工安全管理人员的配备、施工安全方案和安全管理制度的制定以及安全教育的实施[12]。施工技术的安全风险主要包括施工作业条件、高处作业以及边坡最陡坡度、平仓捣鼓等技术的安全风险。不同的安全风险会导致发生不同程度的安全事故，研究通过对不同类型的安全风险进行分组，从而对每一类的风险进行整体预估风险，进而更好地规避水闸施工风险。通过对水闸工程施工安全风险分类的进行分析可构建水闸施工过程中安全分析的RBF网络结构，构建的RBF网络结构如图3所示。

图3 水闸工程施工安全分析RBF网络结构   

从图3中可看出，研究构建的水闸施工过程中的安全分析RBF网络结构主要分为两个层级、六个神经网络组成。其中以水闸施工过程中的安全分析网络作为第一层级，而作业人员不安全行为网络、作业工具不安全状态网络、施工环境网络、施工管理网络、施工技术网络作为第二层级。在实际水闸施工过程中，可利用RBF神经网络对实际的安全风险等级进行评估，根据评估结果对施工过程中可能出现的安全事故进行合理规避，减少水闸施工过程中的安全事故[14,15]。

2、水闸工程施工安全分析RBF神经网络性能分析

2.1 RBF神经网络模型训练结果分析

为了对水闸施工过程中包含不同安全风险的六种RBF神经网络的性能进行检测，研究选用Matlab工具箱对其进行仿真，并选取50个实例样本作为训练样本，分别对六个不同RBF神经网络进行模型训练。其中施工人员安全RBF、施工工具安全RBF、施工环境RBF的训练误差变化曲线如图4所示。

图4 施工人员安全RBF、施工工具安全RBF、施工环境RBF的训练误差曲线   下载原图

从图4中可以看出，施工人员安全RBF网络在训练次数为10次时，达到了误差精度目标0.001,此时施工人员安全RBF网络的均方误差为0.000 864;施工工具安全RBF网络在训练次数为14次时，达到了误差精度目标0.001,此时施工工具安全RBF网络均方误差为0.000 138;施工环境RBF网络在训练次数为11次时，达到了误差精度目标0.001,此时施工环境RBF网络均方误差为0.000 682。由上述结果可得，施工人员安全RBF、施工工具安全RBF、施工环境RBF三种RBF神经网络通过十多次的模型训练后可得到自身的误差精度目标。研究除了得到上述神经网络的训练误差外，另外三种安全风险的RBF神经网络(施工技术RBF、施工管理RBF、施工安全RBF)的训练误差变化曲线如图5所示。

由图5可得，施工技术RBF网络在训练次数为9次时，达到了误差精度目标0.001,此时施工技术RBF网络的均方误差为0.000 952;施工管理RBF网络在训练次数为13次时，达到了误差精度目标0.001,此时施工管理RBF网络的均方误差为0.000 787。施工安全RBF网络在训练次数为11次时，达到了其误差精度目标0.01,此时施工安全RBF网络的均方误差为0.008 751。由上述结果可得，施工人员安全RBF、施工工具安全RBF、施工环境RBF三种不同的神经网络通过十次左右模型训练后均可以达到自身模型的误差精度目标。拥有较好的预测性能，可对相应的安全风险进行预测。综上所述，研究提出的六种针对水闸施工过程中的安全分析的RBF网络在经过训练后均拥有较好的预测性能，可通过这六种RBF网络对水闸施工过程中的安全状态进行预测，帮助水闸施工单位规避可控制的安全事故。

图5 三种神经网络的训练曲线   

2.2 水闸施工过程中六种RBF模型实证分析

为了验证研究提出的六种RBF模型的实际安全分析性能，研究采用MATLAB提供的神经网络工具箱对沙扒水闸工程进行安全分析。选取沙扒水闸工程的12个样本作为研究对象，并按照不同样本的情况，将所有神经网络的评价结果分为高风险、中风险、低风险、安全四个等级，其对应输出分别为4、3、2、1。研究利用提出的六种RBF网络对选取的12个样本进行分析。其中施工人员安全RBF和施工工具安全RBF的期望输出和实际输出结果如图6所示。

图6 施工人员安全和施工工具安全RBF神经网络输出结果与期望结果对比图   下载原图

由图6可得，施工人员安全RBF神经网络在十二个样本中的输出结果与期望结果均相差不大，其中9号样本的输出结果和期望结果相差最大，为0.087 2;施工工具安全RBF神经网络在十二个样本中的输出结果与期望结果也相差不大，其中5号样本的输出结果和期望结果相差最大，为0.076 2。图7为另两种神经网络施工环境RBF、施工管理RBF的实际输出与期望输出对比图。

从图7中可看出，施工环境RBF网络在十二个样本中的输出结果与期望结果均相差不大，其中1号样本的输出结果和期望结果相差最大，为0.078 6;施工管理RBF网络在十二个样本中的输出结果与期望结果也相差不大，其中3号样本的输出结果和期望结果相差最大，为0.102 3。另外两种施工技术RBF网络和施工安全RBF网络的输出结果和期望结果之间的对比图如图8所示。

图7 施工环境和施工管理RBF神经网络输出结果与期望结果对比图  

图8 施工技术和施工安全RBF神经网络输出结果与期望结果对比图   

由图8可得，施工技术RBF网络在十二个样本中的输出结果与期望结果均相差不大，其中2号样本的输出结果和期望结果相差最大，为0.113 3;施工安全RBF网络在十二个样本中的输出结果与期望结果也相差不大，其中4号样本的输出结果和期望结果相差最大，为0.077 5。综上，六种RBF网络对于安全等级的预测均与期望等级相差不大，且最大误差在0.1左右，不影响整个风险等级的判断。故可利用研究提出的RBF网络对水闸施工过程中的安全风险等级进行评估，并根据结果采取适当措施避免安全事故的发生，从而加大水闸施工过程中的安全性。

3、结语

在水闸施工过程中存在诸多安全隐患，近些年来在水闸施工过程中发生了较多的安全事故。为了帮助水闸施工队伍提高施工过程的安全性，研究将水闸工程过程中的安全影响因素融入RBF模型中，构建了一个水闸施工安全分析模型。对这模型中的RBF神经网络进行实证分析。结果显示，施工人员安全、施工工具安全、施工环境、施工管理、施工技术、施工安全RBF网络的输出结果和期望结果的最大差值分别为0.087 2、0.076 2、0.078 6、0.102 3、0.113 3、0.077 5。实验结果表明，研究提出的安全分析模型可以有效地对水闸施工过程中的安全风险进行准确评级，以此来帮助施工队伍进行安全预警。

参考文献:

[1]刘永强,姚秀兰,杨恒.基于BIM的水闸工程信息化运维管理系统设计与应用研究[J].工程管理学报.2021.35(2):44-49.

[2]马福恒,胡江,叶伟.水闸安全监测技术规范关键要素研究[J].水利水电技术.2019.50(4):90-94.

[3]马克,涂新军,陈晓宏.闸控河网区水闸运行的水流水质响应模拟[J].水文.2021.041(006):66-72.

[4]张志勇,路小娟,孔令刚,等.K-means结合RBF神经网络预测线性菲涅尔集热回路出口熔盐温度[J].农业工程学报.2021.037(003):213-222.

[6]海滢,陈光华.利用人工神经网络模型预测西北太平洋热带气旋生成频数[J].气候与环境研究.2019.024(003):324-332.

[7]谢梦姣,王洋,康营,等.人工神经网络与普通克里金插值法对土壤属性空间预测精度影响研究[J].生态与农村环境学报.2021.037(007):934-942.

[8]侯苗,张泽雄,袁聪,等.基于ABAQUS的软土地基水闸变形风险甄别[J].水电能源科学.2022.40(9):217-220.

[9]晁永莲.混凝土施工技术在水利水电施工中的应用[J].粘接.2020.43(8):122-133.

[10]赵海超,苏怀智,李家田,等.基于多元联系数的水闸运行安全态势综合评判[J].长江科学院院报.2019.36(2):39-45.

[11]甘富万,黄宇明,张华国,等.多个洪水共同作用下水利工程防洪标准与重现期[J].广西大学学报:自然科学版.2020.45(4):920-929.

[12]张磊,陈小明,张凯,等.沿海水闸活塞杆表面激光熔覆Ni基涂层组织及其抗磨耐蚀性能[J].材料保护.2019.52(11):17-22.

[14]吕海深,丁然,朱永华.淮河流域闸坝对径流量的影响分析[J].中国农村水利水电.2020(4):166-176.

[15]梁佳铭,李占超,徐波,等.水闸闸室安全性态影响因素重要性分析[J].水利水电科技进展.2020.40(3):14-20.

文章来源:姚绪起.基于RBF神经网络的水闸施工安全分析方法研究[J].地下水,2023,45(06):253-255+289.