朱慶杰 張建龍 陳艷華 趙炫皓 萬(wàn)永華

(1.常州大學(xué)石油工程學(xué)院 江蘇常州 213164； 2.華北理工大學(xué)建筑工程學(xué)院 河北唐山 063009)

0 引言

在能源發(fā)展“十三五”規(guī)劃中，國(guó)家強(qiáng)調(diào)了建設(shè)清潔低碳、安全高效的現(xiàn)代能源體系。燃?xì)庾鳛橐环N經(jīng)濟(jì)、高效、清潔的能源得到了廣泛的應(yīng)用，天然氣已經(jīng)成為城市能源的重要一員，但是隨之而來(lái)的問(wèn)題也是層出不窮。燃?xì)夤艿赖钠茐氖鹿?，給城市安全帶來(lái)了隱患，同時(shí)也造成不同程度的環(huán)境污染[1]。例如，2019年3月25日，呼和浩特市工地施工人員將管道挖斷，引發(fā)生天然氣泄漏的事故；2017年7月，由于持續(xù)的強(qiáng)降雨，導(dǎo)致地下土壤松軟，邊坡下陷，從而將貴州一處的輸氣管道壓斷，引發(fā)了泄漏燃爆。因此有必要對(duì)燃?xì)夤艿肋M(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)及預(yù)測(cè)，保證管道安全運(yùn)行。

城市埋地燃?xì)夤芫W(wǎng)的工作環(huán)境復(fù)雜，導(dǎo)致燃?xì)夤芫W(wǎng)破壞的因素也多種多樣，從而對(duì)其破壞風(fēng)險(xiǎn)的評(píng)價(jià)方法提出了較高的要求。傳統(tǒng)的評(píng)價(jià)方法主要根據(jù)的是操作人員和相關(guān)領(lǐng)域?qū)＜业脑u(píng)價(jià)，評(píng)價(jià)結(jié)果的準(zhǔn)確性受到了限制[2-3]。由于人工神經(jīng)網(wǎng)絡(luò)在工業(yè)、金融等領(lǐng)域的預(yù)測(cè)和評(píng)估中也得到了廣泛的應(yīng)用，它是一種用于處理非線性問(wèn)題的較好方法。將神經(jīng)網(wǎng)絡(luò)理論應(yīng)用到埋地燃?xì)夤芫W(wǎng)的風(fēng)險(xiǎn)評(píng)價(jià)中，能夠克服傳統(tǒng)評(píng)價(jià)方法的一些缺陷[4-5]。本文針對(duì)常州市埋地燃?xì)夤芫W(wǎng)的特點(diǎn)，確定了地面沉降、地裂縫、城市內(nèi)澇、土壤腐蝕等4個(gè)評(píng)價(jià)因子，優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)，建立了神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型[6-7]。

1 計(jì)算方法

人工神經(jīng)網(wǎng)絡(luò)模型一般采用級(jí)聯(lián)的前向神經(jīng)網(wǎng)絡(luò)。級(jí)聯(lián)前向網(wǎng)絡(luò)的每一層都與輸入層連接，有著更好的擬合性，神經(jīng)網(wǎng)絡(luò)各個(gè)層相互連接，信息由輸入層逐步向前傳播[8]。級(jí)聯(lián)前向神經(jīng)網(wǎng)絡(luò)的一般數(shù)學(xué)表達(dá)式為：

(1)

式中，W為系數(shù)矩陣，行數(shù)為每一層的神經(jīng)元數(shù)目，列數(shù)為其輸入層的元件數(shù)；n神經(jīng)網(wǎng)絡(luò)層數(shù)；b為閾值；a為每一層的輸出向量；p為輸入向量；f為激活函數(shù)。隱含層的激活函數(shù)為sigmoid函數(shù)，輸出層的激活函數(shù)為線性函數(shù)。用誤差反向傳播的算法求解神經(jīng)網(wǎng)絡(luò)每一層的權(quán)值和偏值，誤差反向傳播是最小均方差(least mean square )算法的推廣[9-10]。通過(guò)網(wǎng)絡(luò)將敏感性反向傳播的公式為：

SM=-2FM(nm)(t-a)

(2)

SM=FM(nm)(Wm-1)Tsm-1

(3)

式中，nm為權(quán)值和閾值的顯式函數(shù)。

(4)

F為近似均方誤差：

F(x)=(t(k)-a(k))T(t(k)-a(k))=eT(k)(k)

(5)

式中，a為學(xué)習(xí)率；SM為最后一層的敏感性；sm為剩余層的敏感性；t為實(shí)際的輸出向量，每次迭代用最速下降法修改權(quán)值和閾值的修改公式為：

(6)

(7)

2 評(píng)價(jià)因子分析

埋地天然氣管道的破壞風(fēng)險(xiǎn)取決于各個(gè)評(píng)價(jià)因子的綜合作用。由于每個(gè)城市所處環(huán)境不同，埋地天然氣管道破壞的影響因素和相互作用也不同。通過(guò)地質(zhì)災(zāi)害條件現(xiàn)場(chǎng)調(diào)查，分析了常州市埋地天然氣管道破壞的影響因素，確定了4個(gè)主要評(píng)價(jià)因子：地面沉降、地裂縫、城市內(nèi)澇、土壤腐蝕。圖1為所研究區(qū)塊的管線圖[11]。

圖1 研究區(qū)塊的管線圖

(1)地面沉降。常州市是發(fā)生地面沉降代表性的城市之一，沉降開(kāi)始時(shí)間較晚，但發(fā)展迅速波及范圍廣，將其作為評(píng)價(jià)因子之一，有利于常州市的經(jīng)濟(jì)建設(shè)與發(fā)展。地面沉降采用累計(jì)沉降量作為等級(jí)標(biāo)準(zhǔn)[12]。

(2)地裂縫。指在外力的作用下，土體形成一定的開(kāi)裂現(xiàn)象，會(huì)對(duì)天然氣管道造成爆管[13]。所研究區(qū)塊的裂縫最大寬度大約在20～80 mm，裂縫擴(kuò)展深度在20～40 mm。地裂縫分布圖如圖2所示。

圖2 常州市地裂縫分布

(3)城市內(nèi)澇。研究區(qū)塊臨靠長(zhǎng)江，河網(wǎng)縱橫，城市內(nèi)澇頻發(fā)[14]。根據(jù)常州市城市排水防澇規(guī)劃將城市內(nèi)澇分為高、較高、中、低4級(jí)。在風(fēng)險(xiǎn)量化考核上采用10分制打分，危險(xiǎn)值處于0～2.5之間為低風(fēng)險(xiǎn)，處于2.5～5之間為中風(fēng)險(xiǎn)，處于5～7.5之間為較高風(fēng)險(xiǎn)，高風(fēng)險(xiǎn)危險(xiǎn)值處于7.5～10。

(4)土壤腐蝕。土壤腐蝕是導(dǎo)致埋地燃?xì)夤芫W(wǎng)破壞的重要原因之一。影響土壤腐蝕性的因素有電阻率、氧化還原電位、含水量、含鹽量以及土壤pH值，故可通過(guò)這些因素來(lái)計(jì)算土壤腐蝕性[15-16]。

在常州市土壤腐蝕性的計(jì)算中，土壤電阻率、氧化還原電位、含水量、含鹽量以及pH值的權(quán)重依次為：0.261 5，0.063 4，0.033 3，0.129 0，0.512 8。則得到土壤腐蝕性的計(jì)算式如下：

fs=0.216 5R+0.063 4Rw+0.033 3Sw+0.129 0Ss+0.512 8PH

(8)

式中，fs代表土壤腐蝕性；R為土壤電阻率；Rw為土壤氧化還原電位；Sw為含水率；Ss代表含鹽率；PH為土壤酸堿度。

根據(jù)燃?xì)夤芫W(wǎng)以往研究成果，選取具有代表性的100個(gè)空間點(diǎn)作為預(yù)測(cè)樣本點(diǎn)，依次將地面沉降、地裂縫、城市內(nèi)澇、土壤腐蝕性和管道破壞概率進(jìn)行歸一化，歸一化后的部分?jǐn)?shù)據(jù)見(jiàn)表1。

3 人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

依據(jù)前文中的計(jì)算方法，在MATLAB 中通過(guò)訓(xùn)練函數(shù)選取和隱含層優(yōu)化分析，可以確定人工神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)，從而建立所需的人工神經(jīng)網(wǎng)絡(luò)模型。

表1 樣本歸一化數(shù)據(jù)

3.1 網(wǎng)絡(luò)隱含層

所采用級(jí)聯(lián)前向神經(jīng)網(wǎng)絡(luò)的輸入層元件為4，代表4種評(píng)價(jià)指標(biāo)因子，輸出層為1，代表燃?xì)夤艿榔茐牡娘L(fēng)險(xiǎn)概率，訓(xùn)練步數(shù)設(shè)定為1 000，學(xué)習(xí)目標(biāo)為0.01，學(xué)習(xí)速率為0.01，隱含層的傳遞函數(shù)分別為tansig，logsig，網(wǎng)絡(luò)訓(xùn)練函數(shù)為trainlm函數(shù)。隱含層的個(gè)數(shù)與網(wǎng)絡(luò)訓(xùn)練誤差如表2所示。

表2 網(wǎng)絡(luò)訓(xùn)練誤差

表2可以看出，在網(wǎng)絡(luò)訓(xùn)練中(訓(xùn)練函數(shù)采用trainlm)，隱含層為7,3的網(wǎng)絡(luò)的誤差值最小，逼近效果較好，而且經(jīng)過(guò)2次就達(dá)到了訓(xùn)練目標(biāo)誤差。其他網(wǎng)絡(luò)誤差值較大，所以最能接受的就是隱含層結(jié)構(gòu)為：網(wǎng)絡(luò)有2個(gè)隱含層，隱含層1和隱含層2的神經(jīng)元個(gè)數(shù)分別為7，3。

3.2 網(wǎng)絡(luò)訓(xùn)練函數(shù)選擇

下面采用不同的訓(xùn)練函數(shù)對(duì)網(wǎng)絡(luò)訓(xùn)練，觀察并分析結(jié)果。

采用trainlm函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，該函數(shù)的學(xué)習(xí)算法為L(zhǎng)evenberg-Marquadt反傳算法，優(yōu)點(diǎn)在于收斂速度快。當(dāng)隱含層神經(jīng)元數(shù)目為7，3時(shí)，網(wǎng)絡(luò)的誤差為0.034 1，訓(xùn)練次數(shù)為2次。網(wǎng)絡(luò)的訓(xùn)練結(jié)果見(jiàn)圖3所示。

然后采用traindx函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，該函數(shù)的學(xué)習(xí)算法是梯度下降動(dòng)量法，而且學(xué)習(xí)速率是自適應(yīng)的?？梢?jiàn)在訓(xùn)練步數(shù)為123時(shí)，才達(dá)到訓(xùn)練誤差的要求，這時(shí)的誤差為0.213 3。網(wǎng)絡(luò)的訓(xùn)練結(jié)果如圖4。

圖3 trainlm 函數(shù)訓(xùn)練圖

圖4 traindx 函數(shù)訓(xùn)練圖

最后traingd訓(xùn)練函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，此函數(shù)所用的學(xué)習(xí)算法是普通的梯度下方法。網(wǎng)絡(luò)在訓(xùn)練1000次后，仍達(dá)不到誤差要求。訓(xùn)練結(jié)果如圖5所示。不同訓(xùn)練函數(shù)的訓(xùn)練結(jié)果如表3所示。

圖5 traingd 函數(shù)訓(xùn)練圖

表3 訓(xùn)練函數(shù)對(duì)誤差值的影響

由表3可以看出，采用不同的訓(xùn)練函數(shù)對(duì)網(wǎng)絡(luò)的性能也有很大的影響，網(wǎng)絡(luò)的訓(xùn)練誤差、收斂速度都與選取的訓(xùn)練函數(shù)有密切的關(guān)系，所選取的訓(xùn)練函數(shù)可能會(huì)使網(wǎng)絡(luò)的誤差達(dá)到要求、收斂速度很快，也可能使網(wǎng)絡(luò)無(wú)法收斂。

3.3 最終網(wǎng)絡(luò)結(jié)構(gòu)

根據(jù)樣本數(shù)據(jù)，通過(guò)網(wǎng)絡(luò)的訓(xùn)練誤差分析，確定了所采用人工神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)隱含層結(jié)構(gòu)，根據(jù)訓(xùn)練函數(shù)的收斂性能以及訓(xùn)練誤差，確定了最優(yōu)的訓(xùn)練函數(shù)，最終采用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如表4所示。

表4 最終神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)模型的最終表達(dá)式為：

(9)

各層的權(quán)重矩陣為：

W32=[-0.305 1 -0.418 3 -0.257 9]

W31=[0.354 9 0.110 8 0.025 2 -0.218 0 -0.101 9 -0.392 4 -0.254 2]

W30=[0.330 6 0.647 7 1.011 8 0.104 8]

式中，W10表示第一隱含層到輸入層的權(quán)值矩陣；W21表示第二隱含層到第一隱含層的權(quán)值矩陣；W32表示輸出層到第二隱含層的權(quán)值矩陣；W20表示第二隱含層到輸入層的權(quán)值矩陣；W31表示輸出層到第一隱含層的權(quán)值矩陣；W30表示輸出層到輸入層的權(quán)值矩陣。xi(i=1,2,3,4)表示輸入層的元件數(shù)，也就是評(píng)價(jià)的指標(biāo)。

這樣就確定了常州市埋地燃?xì)夤艿榔茐牡娜斯ど窠?jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，可以根據(jù)任意空間位置的地面沉降量、地裂縫，城市內(nèi)澇、土壤腐蝕性的調(diào)查結(jié)果，將這些評(píng)價(jià)因子的值帶入已經(jīng)建立的神經(jīng)網(wǎng)絡(luò)模型中，就可以得到常州市埋地燃?xì)夤芫W(wǎng)破壞危險(xiǎn)性的評(píng)價(jià)結(jié)果。

4 結(jié)果分析

通過(guò)建立人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，依據(jù)燃?xì)夤艿浪诘目臻g位置和此位置各個(gè)評(píng)價(jià)因子的風(fēng)險(xiǎn)值，可以計(jì)算出這個(gè)位置燃?xì)夤艿榔茐牡母怕实拇笮　Ｒ罁?jù)表1的計(jì)算結(jié)果結(jié)合圖1所示的研究區(qū)塊的管線圖，可以看出埋地燃?xì)夤艿赖钠茐闹饕性跂|南，這里洪水集中較多，土質(zhì)松軟，地面沉降嚴(yán)重，不適合鋪設(shè)燃?xì)夤艿溃鶕?jù)燃?xì)夤芫W(wǎng)的布置圖也可以看出，此處的管道布置較為松散，也盡量的避開(kāi)了危險(xiǎn)區(qū)。

人工神經(jīng)網(wǎng)絡(luò)模型可以對(duì)非線性相關(guān)的各評(píng)價(jià)指標(biāo)做出較為準(zhǔn)確的預(yù)測(cè)。從表2可以看出，網(wǎng)絡(luò)的訓(xùn)練誤差不僅與隱含層的層數(shù)有關(guān)，還與隱含層的元件數(shù)目有關(guān)。當(dāng)隱含層層數(shù)及元件數(shù)目增加時(shí)，網(wǎng)絡(luò)的訓(xùn)練步數(shù)也增加。從圖3、圖4、圖5以及表3可以得出，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)對(duì)網(wǎng)絡(luò)性能和誤差也有著重大影響。本例中，當(dāng)采用trainlim函數(shù)訓(xùn)練網(wǎng)絡(luò)時(shí)，收斂的速度較快，僅僅訓(xùn)練2步后就達(dá)到了誤差要求，誤差最為0.034 1；當(dāng)采用traingdx函數(shù)訓(xùn)練網(wǎng)絡(luò)時(shí)，雖然可以達(dá)到設(shè)定的誤差要求，但是收斂速度較慢；當(dāng)采用traingd函數(shù)訓(xùn)練網(wǎng)絡(luò)時(shí)，經(jīng)過(guò)1 000次后迭代失敗，沒(méi)有達(dá)到精度要求。

5 結(jié)論

本文應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的方法建立了常州市埋地燃?xì)夤艿榔茐娘L(fēng)險(xiǎn)預(yù)測(cè)的多元非線性模型，分析研究區(qū)塊的埋地燃?xì)夤艿榔茐娘L(fēng)險(xiǎn)分布，得出如下幾點(diǎn)結(jié)論。

(1)盡管埋地燃?xì)夤艿朗艿蕉喾N因素的共同作用，難以精確預(yù)測(cè)其危險(xiǎn)性，但是如果能夠找到某種非線性的關(guān)聯(lián)關(guān)系，建立非線性模型，是可以進(jìn)行預(yù)測(cè)的，人工神經(jīng)網(wǎng)絡(luò)是解決這種非線性相關(guān)關(guān)系、建立非線性模型的好方法。

(2)在容易發(fā)生燃?xì)夤艿榔茐妮^大的東南部區(qū)域，燃?xì)夤艿赖牟贾幂^為疏散，最大限度的避開(kāi)了危險(xiǎn)地帶。

(3)神經(jīng)網(wǎng)絡(luò)的隱含層層數(shù)以及各隱含層的元件數(shù)、網(wǎng)絡(luò)的訓(xùn)練函數(shù)對(duì)誤差值均有較大的影響。因此，網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化分析，是建立人工神經(jīng)網(wǎng)絡(luò)模型的關(guān)鍵。