0 引言

随着中国经济快速发展，构建了大量城市高速路网，以此来缓解交通带来的压力，隧道在其中显得尤为重要^[1-2]。但因地质条件的复杂性，在修建隧道过程中存在很多不确定因素，近年来因隧道施工引起的安全事故屡见不鲜，会造成极大损失^[3-5]。

目前，国内外已取得相关研究成果主要包括：Olga Špačková等^[6]基于动态贝叶斯网络和传统施工的数据，开发了一种新的预测隧道施工过程的概率分布模型。Zhang等^[7]通过结合BIM技术和专家系统，解决了以往安全风险识别的不足。吴波等^[8]针对含瓦斯地层隧道施工难度大、安全风险高等特点。开展了基于模糊-熵权理论铁路瓦斯隧道施工安全风险评价研究。王晓形^[9]基于AHP及专家打分法，构建平风岭山岭隧道施工安全总体风险评价指标体系，开展大跨度隧道风险评价研究。张欢等^[10]针对高寒地区施工环境的复杂性，提出了基于数据场聚类和高斯混合模型的隧道施工风险评价模型。此外，径向基神经网络^[11]、熵权模糊理论^[12]、物元可拓法^[13]等方法也成功应用于隧道施工安全风险评价中。但是这些方法仍缺少客观的评价标准，有必要探索更为合理的隧道施工安全风险评价的可量化分析方法。

本研究根据模糊数学理论建立隧道施工安全风险评价模型，并据此开发相应安全风险评估与管理专家系统。依托某新建公路隧道上跨既有公路隧道工程，选取实测样本对所提模型和系统进行综合检测，能够动态指导隧道施工。

1 隧道施工安全风险评价方法 1.1 模糊预测方法

模糊数学方法是一种兼具定性与定量的分析方法^[14]，其主要是将一个复杂问题当作一个系统看待，然后将其划分为多个小的方面，并据此建立层次结构模型，一般可分为目标层、准则层及指标层这3个层次。同时通过评价指标隶属函数计算出隶属度，从而将施工风险评价的模糊性问题转化为确定性问题。

假设评价目标集O = (O₁, O₂, ⋯O_n)的评价指标集G = (G₁, G₂, ⋯, G_n)，则模糊综合理论的基本模型为：

(1)

式中，E为集合，为对目标集的综合评判值；E_i为对评价目标的评价值；G为评价指标的总权重集合；R隶属度矩阵。

1.2 模糊综合评估流程

由于影响隧道施工风险的因素众多，模糊数学方法能够更加全面、精确地反映各评价指标对施工风险的影响程度，在此基础上本研究将其和专家系统^[15]相结合，使得隧道施工安全风险评价更加科学、高效、合理。

基于模糊数学方法的专家系统评价流程如图 1所示。首先构建隧道施工安全风险评价指标体系；然后通过各评价指标的隶属函数计算对应的权重，并构建相关的评价模型；最后开发基于模糊数学的隧道施工安全风险评价系统，并得到隧道施工安全风险等级。

1.3 遗传算法

层次分析法通常是模糊问题的量化求解，而遗传算法^[16-17]可增大全局寻优能力及其鲁棒性，以生物进化为原型，具有很好的收敛性。其优化步骤如下：

(1) 根据决策问题随机生成初始种群。

(2) 求解个体适应度，判断是否满足矫正条件，若满足，输出最优解；若不满足，则经由交叉、变异后产生新的个体。

(3) 在产生新的个体中，挑选优化个体，返回第(2)中再次进行判断。

遗传算法运行流程如图 2所示。

2 隧道施工风险模型构建 2.1 评价指标体系建立

由于隧道施工的复杂性，施工时有众多的风险因素，本研究主要考虑工程地质情况及施工量测体系进行风险评价，做到对隧道施工安全的动态风险把控。因此，选取了影响隧道施工安全的两大类准则层指标，分别为工程地质情况及施工量测情况。其中，工程地质情况涉及两项指标层指标为岩石抗压强度和地下水渗水量，施工量测情况涉及3项指标层指标为拱顶沉降、围岩压力和周边收敛，构建评价指标体系如图 3所示。

2.2 构建判断矩阵

根据层次分析法，以E为目标层、F为准则层，G为指标层，给出不同专家等级评判权重(见表 1)。

设第Ⅰ等级(First)、第Ⅱ等级(Second)、第Ⅲ等级(Third)专家分别有n位、m位、k位，根据表 1和表 3可得最终判断矩阵A如式(2)所示：

(2)

式中f_i，s_i，t_i分别为第Ⅰ等级、第Ⅱ等级、第Ⅲ等级中第i位专家的判断矩阵。

据此构建判断矩阵如表 2所示。

2.3 基于遗传算法求解权重及一致性检验

参考图 3所示遗传算法流程图，在matlab中构建遗传算法模型求解指标权重，以E-F层为例，将各层判断矩阵数值输入到算法中，得到求解精度随迭代次数的变化如图 4所示。

可以看到，经过30多次迭代后，目标函数值趋于稳定。同理，可得到其余各层次的指标权重结果，在此基础上可计算并得到隧道安全施工风险评价的总层次指标权重，见表 3，其排序如图 5所示。

计算结果满足总层次排序的一致性要求。

由图 6可知隧道施工安全风险评价指标的总层次排序权重从大到小依次为岩石单轴抗压强度、拱顶沉降、地下水渗水量、围岩压力、周边收敛。

2.4 隧道施工安全风险分级评价标准

为了将按上述方法得到的评价值E与隧道施工安全风险相关联，需要对其进行划分以便于应用。在综合分析国内外等级划分方法的基础上^[18-20]，结合隧道施工安全风险评价的实际情况，将隧道施工安全风险进行分级，其分级标准见表 4。

2.5 评价指标隶属函数的建立

结合隧道施工安全风险分级标准、5项指标层指标以及前人研究成果^[21-27]，可知隧道施工安全风险等级与各评价指标的对应关系，见表 5。

根据表 5中给出的不同施工风险等级下各评价指标取值范围，构建了各个评价指标的隶属函数，见表 6。

3 隧道施工安全风险评估与管理专家系统 3.1 系统主要功能及组成

依据前两节所构建的隧道施工安全风险评价模型，通过Java语言，并配合Microsoft Access等数据处理工具，对所构建的隧道施工风险评价模型程序化，设计了3大系统模块如图 6所示。

3.2 系统主要功能模块

根据上文的系统功能模块设计，系统主要划分为3大模块，分别为隧道施工安全风险评价模块、隧道施工安全风险数据管理模块、辅助功能模块，各模块的功能如下：

(1) 隧道施工安全风险评价子模块

该模块主要完成评价指标参数的输入及权重的输入，得出隶属并给出隧道施工安全风险等级。

(2) 隧道施工安全风险数据管理子模块

该模块主要对储存的隧道施工安全风险数据信息进行操作，具有检索、添加、删除、修改4大功能，由管理员对模块中的数据库的信息进行维护管理，并为知识库的运行以及风险决策分析评估提供信息源。

(3) 辅助功能子模块

该模块主要提供对隧道施工安全风险的各评价指标的单层次与总层次权重辅助计算功能。

隧道施工安全风险评价专家系统流程为先计算单层次及总层次权重，满足一致性要求后输入到数据管理模块；随后在评价界面输入各指标参数，进行隶属度的计算，同时载入相应的指标权重数据；最后计算综合评价值，得到隧道施工安全风险等级。

4 工程实际应用 4.1 工程概况

某新建高速公路隧道(以下简称新建隧道)为上、下行分离双洞单向行车3车道形式。隧道左线桩号ZK13+110~ZK14+563，长1 453 m；右线桩号YK13+110~YK14+630，长1 520 m。隧道采用3心圆曲墙式横断面，设计车速为100 km/h，建筑限界净宽14.5 m，净高5.0 m。新建隧道进口端洞口位于丘陵缓坡地带，坡体自然坡度10°~15°，坡体覆盖坡积物，并分布滚石，下伏基岩为燕山晚期侵入花岗岩，物探及钻探结果表明进洞口坡积物巨厚，花岗岩风化强烈。

既有某隧道(以下简称既有隧道)由1期和2期共两次修建的3条隧道组成，包括上、下行机动车双车道隧道及1条非机动车隧道。新建隧道从既有某隧道上方斜向穿过，路线与既有隧道轴线夹角约39°，并在既有隧道的明洞接长段上方填筑高达13.5 m高的路堤。这使得位于软弱围岩地段的新建道路路基及新建隧道和既有隧道在空间位置上呈现出相互交叠，上下斜交的不利布局，并带来诸多不利影响，新建隧道与既有隧道的平面关系如图 7所示。选取表 7所示的样本，进行隧道施工安全风险评价。

4.2 评价结果分析

将表 7中评价样本数据输入到所开发的隧道施工安全风险评估与管理专家系统，如图 8所示，求解出评价样本1的施工安全风险综合评判值为0.145 7，其相应施工安全风险等级为Ⅰ级(安全)，与表 6中分级标准相一致。将计算出来的评价结果保存到隧道施工安全评价指标数据管理模块里，可进行数据的管理和操作。

隧道施工安全风险等级评价结果见表 8，计算所得评价预测等级与工程实际等级较为一致，表明了该模型和评价系统的有效性。其中实例样本6评价结果为Ⅴ级，为极高风险，该洞段围岩岩体极易破碎，节理裂隙发育，拱顶局部地方存在塌方现象，采用两台阶开挖法进行开挖，且采用超前注浆锚杆或超前小导管进行超前加固。

5 结论

本研究依托某新建公路隧道上跨既有公路隧道工程，开展基于模糊数学方法的隧道施工安全风险评价，得到主要结论如下：

(1) 在影响隧道施工安全因素的分析基础上，结合层次分析法，建立了3大类准则层及16项指标层指标的评价体系；采用遗传层次分析法(GA-FAHP)得到各指标层对目标层的权重值分别为0.375，0.125，0.250，0.125，0.125，并借助模糊数学理论构建各个评价指标的隶属函数。

(2) 基于模糊数学和专家系统方法，在构建隧道施工安全风险评价模型的基础上，设计开发了隧道施工安全风险评估与管理专家系统，能够做到快速、准确及高效地评估隧道施工安全风险等级。

(3) 将所开发的隧道施工安全评价系统用到工程实际中，得到的隧道施工风险预测等级和实际结果较为吻合，表明该评价系统的有效性。

(4) 影响隧道施工风险产生的因素众多，机制复杂，目前将专家系统方法用于隧道施工风险预测的研究还处于探索阶段，仍存在不少问题亟待解决，后续将应用大数据驱动知识进行学习、推理等，提高系统的可靠性和准确性。