一种地铁塌方风险评估模型的设计仿真

李梦初，王景春

(石家庄铁道大学土木工程学院，河北 石家庄 050043)

1 引言

我国城市化水平不断进步，日益扩大的经济规模与人口使公共交通关注度与日俱增，为满足交通运输量的需求，确保城市交通良性发展，经过对工程造价、施工周期、周边影响等多个因素的全方位考量，地铁建设[1]逐渐演变成解决人口与交通承载力间矛盾的有效手段。作为城市首选交通工具，地铁凭借运输量大、安全、准时、便利、快速等诸多优势，在城市建设、发展中占据着主导地位。大跨度地铁是一种较为复杂的车站类型，施工阶段的塌方风险较高，有必要对其进行风险评估。分析项目风险，并得到对应风险等级的过程即为风险评估[2]，该项技术对地铁领域发展起到强有力的支撑作用，两者的融合已成为近几年的热点研究课题。

例如：文献[3]针对地铁车站的人员安全问题，构建出含有火灾、踩踏、水灾等五十多个指标的安全评估指标体系，明确指标权值后，利用可拓理论制定安全风险等级判断标准与评估策略；文献[4]就地铁运营期间的车站防汛风险展开评估，基于周边自然条件与防汛设施，识别风险因素，建立风险评价指标，得到防汛风险等级，采取对应防汛措施。

地铁施工阶段若发生塌方事故，不仅会造成巨大的经济损失，而且还会带来极大程度的人员伤亡，对比文献方法中的安全威胁更加严重，因此，本文面向极易引发大型塌方事故的大跨度地铁类型，研究一种塌方风险评估模型，为防止塌方事故发生提供参考依据。基于梯度提升决策树构建LightGBM综合评估模型，更好地分析海量指标数据，完成较为理想的风险评估，为后续制定决策、选取应对策略奠定坚实的数据基础。

2 大跨度地铁塌方风险评估指标体系建立

采用5M1E策略分析大跨度地铁塌方影响因素后，利用AHP[5](Analytic Hierarchy Process，层次分析法)的目标层、准则层以及指标层，从材料设备、技术、勘察设计、管理、人员以及环境等六大方向，建立塌方风险评估指标体系，如表1所示。

表1 大跨度地铁塌方风险评估指标体系

为保证准确评估地铁塌方风险，需明确评估体系中各指标权值。表2为判定矩阵各等级对应权重的赋值。

表2 判定矩阵各等级对应权重赋值表

根据表2所示的判定矩阵标度与以下流程，验证判定矩阵合理性，获取各指标对应权值：

1)假设判定矩阵C的各行元素为cij，其乘积Mi由下式解得，其中i=1，2，…，n

(1)

2)采用式(2)求解元素乘积Mi的n次方根βi

(2)

利用式(3)归一化处理矢量

(3)

其中，j=1，2，…，n，β=(β1，β2，…，βn)T。

4)根据特征矢量W=(w1，w2，…，wn)T，得到判定矩阵C的极大特征根λmax，计算公式如下所示

(4)

其中，矢量Cw的第i个元素是(Cw)i。

5)一致性检验通过下列CI(Consistency Index，计算一致性指标)表达式实现，一致性随指标CI值的增加而下降

(5)

基于RI(Random Index，平均随机一致性指标)与判定矩阵阶数的正相关性，推导出检验数CR(Consistency Ratio，一致性比率)，如下所示

(6)

若判定矩阵阶数为一、二阶，则一致性比率CR取0，具备一致性；若矩阵阶数超过二阶，一致性比率CR小于0.1，则具有一致性，但当一致性比率CR大于0.1时，需通过修正矩阵，令一致性比率CR小于0.1。

6)针对目标层A与准则层B，分别建立准则层B与指标层C的判定矩阵，经一致性检验后，结合判定矩阵权重赋值表2与专家评价结果，解得大跨度地铁塌方风险各评估指标对应权值。

3 基于LightGBM的大跨度地铁塌方风险评估模型

为有效评估大跨度地铁塌方风险，根据GBDT[6](Gradient Boosting Decision Tree，梯度提升决策树)构建一种LightGBM综合评估模型。并根据叶子分裂模式，在LightGBM决策树子模型的全部叶子中，分裂最大分裂增益叶子节点(见图1)，并一直重复，以降低计算代价与过拟合情况的发生概率。

图1 LightGBM决策树子模型叶子节点分裂示意图

基于LightGBM的大跨度地铁塌方风险评估模型实现过程由样本采集、模型参数训练以及塌方风险分析等阶段组成。具体描述如下：

1)样本采集：收集材料设备、技术、勘察设计、管理、人员以及环境等与大跨度地铁塌方有关的数据，即风险评估指标体系的各项指标信息；经过清洗、转换等预处理阶段[7]，去除无效与冗余数据，得到大跨度地铁塌方风险评估指标体系，完成相关运算后，取得对应权值；

2)模型参数训练：为使模型性能相对理想，采用网格搜索策略[8]，训练学习率、树深极值、叶子个数以及正则化项等LightGBM模型参数，通过十倍交叉验证策略[9]进行模型性能评估。在训练开始之前，预设提升种类、学习速率等模型训练模式参数与迭代数量、允许偏差以及训练时限等模型训练终止参数，一旦满足预设的训练终止条件，就停止模型训练。其中，网格搜索策略的主要执行方法是：抽象化模型参数为多维超空间里的多个实点，按距离完成模型训练，经过遍历全部参数组合，模型最终参数即是训练过程中具有最佳表现力的那组参数。关于十倍交叉验证策略的操作流程是：划分样本数据为K个类别，将K-1个类别的样本数据作为模型的训练集，剩下的一个类别样本数据则用来评估模型，取得均方误差值，不断重复K个验证循环，解得K个均方误差均值，该值表示当前参数下的LightGBM模型性能。

一般情况下，LightGBM模型参数有两种：源于自身知识、经验与任务目标，对模型运算与评估等属性起着决定性作用的参数，例如：任务学习种类等；由迭代训练得到，对基于运算种类与评估标准的模型性能具有极大影响力的参数，例如：学习率等。LightGBM模型参数的字符设定及其相关作用如表3所示。

表3 LightGBM模型参数设置与作用

3)塌方风险分析：根据大跨度地铁塌方风险评估指标体系，将研究目标的相关指标量化值输入完成训练的LightGBM风险评估模型，经运算，即可获得塌方风险的评估等级结果，为后续工作奠定基础。其中，LightGBM模型的塌方风险评估等级如表4所示，该等级的塌方风险分级标准主要以风险发生概率与风险评估指标体系中各指标程度为依据。

表4 塌方风险评估等级表

4 大跨度地铁塌方风险评估模型仿真

4.1 实验对象概况

针对某市地下线路全长为三十公里的地铁一期工程情况，搭建塌方风险评估模型仿真，其衬砌台如图2所示。地铁整体为东西走向，车站主体位于地下15米的岛式暗挖车站[10]，站台宽度在20米左右，主体隧道的开挖宽度与高度约为25米与20米，主体隧道拱顶围岩为Ⅱ到Ⅳ级，拱顶覆土约是7、8米厚。

图2 某地铁一期工程衬砌台示意图

表5所示为该大跨度地铁工程施工不同开挖阶段的地表沉降、拱顶沉降、洞室沉降等数据，利用本文模型就此预设条件，对各开挖阶段展开地铁塌方风险评估。

表5 不同开挖阶段地铁相关指标沉降情况(单位：mm)

4.2 塌方风险因素权值设定

表6所示为所选大跨度地铁站的塌方风险评估体系权值。

表6 塌方风险评估体系权值表

4.3 大跨度地铁塌方风险评估模型效果分析

该地铁工程不同开挖阶段中塌方的实际风险等级与本文模型预估的风险等级如表7所示。

表7 不同开挖阶段塌方风险评估

根据塌方风险等级对比结果可以看出，本文模型利用目标层、准则层以及指标层，从材料设备、技术、勘察设计、管理、人员以及环境等六大方向，建立了塌方风险评估指标体系，根据梯度提升决策树构建了一种LightGBM综合评估模型，该模型在LightGBM决策树子模型的全部叶子中，分裂了最大分裂增益的叶子节点，经不断迭代，有效且准确地完成各开挖阶段的塌方风险评估。

为进一步验证模型性能，分别从AUC(Area Under Curve，ROC曲线下方的面积大小)以及K-S(Kolmogorov-Smirnov Curve，洛伦兹曲线)两个角度量化评估模型的可行性，仿真结果分别如图3、4所示。

图3 AUC示意图

图4 K-S示意图

通过图3所示的AUC值可以看出，本文模型精度较高，具有准确的分类效果；由K-S值可知，该评估模型的风险区分能力较强。究其原因是基于塌方风险评估指标体系，建立准则层与指标层的判定矩阵，经一致性检验后，获取指标层对应权值，采用网格搜索策略，训练了LightGBM模型参数，通过十倍交叉验证策略评估了模型性能，根据叶子分裂模式，对样本数据展开清洗、转换等预处理，去除了无效的冗余数据。

5 结论

城市人口激增在一定程度上加剧了交通运输承载负担，地铁出行模式越来越被众多城市建设者所青睐，随着地铁线路的不断增加，隧道跨度逐渐变大，塌方事故不断频出，为大跨度地铁建设埋下了巨大的安全隐患，因此，构建出一种大跨度地铁塌方风险评估模型，经实验验证，本文设计的评估结果与预估风险等级相似，说明该模型可以实现对大跨度地铁塌方风险的准确评估，且该模型能够准确区分高风险因素与低风险因素，对保证地铁安全建设具有重要的现实价值。

地质作为大跨度地铁塌方的主要因素之一，应展开进一步细化，并深入探索、挖掘出其它更合理的塌方风险因素，完善大跨度地铁塌方风险评估指标体系；评估指标体系权值结果主观性过强，影响了实验结果的可信度，应采取更客观、更科学的赋权策略，提升评估结果的合理性；需将本文模型应用于更多类型的实际地铁工程项目，在真实数据中检验模型的适用性与应用性；应考虑结合新型算法与LightGBM模型，强化模型精准度与分类效果。