0 引言
高速公路隧道运营周期长、环境复杂、设施多，运营安全管理难度大。统计资料显示，我国高速公路隧道运营安全事故数量不断增加[1]，迫切需要开展及时有效的隧道运营安全风险管控工作。风险评估是风险管控的前提，快速、精准的风险评估可提升隧道运营安全风险管控的及时性和有效性。
目前，国内外学者和相关机构在高速公路隧道运营风险评估方面已取得一些研究成果。其中，国外高速公路隧道建设运营起步早，运营安全风险评估成果相对丰富。根据《跨欧公路网隧道安全最低要求》（欧洲理事会2004/54/EC号）规定，高速公路隧道建成后须进行定量化运营安全风险评估。一些欧洲国家结合自身情况发布了相应的风险评估方法[2]，如：英国采取风险优先数（即风险事件发生可能性和发生后果的乘积）评估方法，其中风险事件发生可能性和后果的取值范围分别为1~16和1~1000[3]；法国采用基于场景的定量风险分析方法（即特定灾害调查法），对不同场景选取不同指标进行评估，可用于研究风险事故中各类安全措施的有效性和对比风险评估结果[4]，以隧道内火灾场景为例，主要选择烟雾移动情况及用户行为等因素进行评估；奥地利提出一种基于系统分析的风险评估方法，用来计算特定隧道的风险值，考虑指标主要包括隧道长度、交通量、重型货车比例、危险品车辆比例等[5]。
国内学者针对高速公路隧道运营风险评估的研究主要集中在评估指标和管理系统方面。如，廖志鹏等[6]基于隧道长度、类型、交通量、车型、设计时速、事故形态、发生位置、发生时间和直接原因等9项因素，建立了基于Web的隧道运营风险事故数据库及风险评估系统。此外，由于长大隧道运营安全风险更加突出，许多学者结合模糊层次分析法和集对分析法[7]、初步定性评估和细部定量评估[8]、主观赋权法和客观赋权法[9]等对这一场景进行了研究。不同学者构建的评估指标体系不尽相同，如包含隧道状况、交通特性、运营环境和运营管理等4项评估指标的风险评估模型[7]；面向特长隧道群的基于静态因素（曲线半径、纵坡坡度、视距、隧道长度、车道宽度等）和动态因素（交通量、大车比例、交通形式、入口段照明、中间段照明、出口段照明等）的评估指标体系[10]；针对在役公路隧道的运营安全风险快速评估方法[8]；包含驾驶员与车辆特性、机电设施、土建结构和交通环境等4方面选取19个指标的模糊综合评价模型[11]；涵盖隧道总体、路面结构、交通量、交通形态等10类风险源的隧道运营风险因子评价模型[12]。
综上所述，现有研究中考虑的风险评估因素主要集中在隧道相关结构参数、交通流特性及运行环境等方面，对于管理因素的考虑有所欠缺。对高速公路隧道运营安全而言，管理因素尤其是应急管理能力，是影响隧道事故严重程度的重要因素。此外，现有研究多采用传统的数学方法建立评估模型，计算过程繁琐、主观性强、泛化能力差，导致高速公路隧道运营风险评估仍然存在不准确、不及时等问题。针对上述不足，为建立一种更加智能和高效的高速公路隧道运营风险评估方法，本研究将采用事故数据驱动的技术路线，基于深度学习算法构建风险评估模型，并以广东省某高速公路隧道路段为例对模型有效性进行验证，以期突破隧道运营安全风险评估现存的瓶颈问题，为提升高速公路隧道运营安全水平提供技术支撑。
1 高速公路隧道运营风险评估指标体系
1.1 数据来源与预处理
为构建合理的隧道运营风险评估指标体系，首先需基于隧道事故数据分析其风险特征。本研究收集了2003—2020年全国典型高速公路隧道路段交通事故数据资料，剔除统计字段不完整的记录，并按统一数据格式对所有隧道交通事故记录进行处理，最终得到126个隧道交通事故有效样本。统计发现，隧道交通事故形态主要有追尾碰撞、车辆自燃、侧翻、碰撞起火、撞隧道壁、车辆抛锚和其他等7类，如图1所示。其中，追尾碰撞是最主要的事故类型，占事故总数的74.63%，车辆自燃事故占比为9.27%、侧翻事故占比为8.12%、碰撞起火事故占比为3.29%。
隧道交通事故的发生具有随机性。《中华人民共和国道路交通安全法实施条例》将交通事故严重程度分4个等级：轻微、一般、重大、特大。据此，本研究也将高速公路隧道运营风险划分为4个等级：较小风险、一般风险、重大风险、特大风险。按照该等级分类，依次确定所收集的126个数据样本的风险等级。各等级风险占比统计结果如图2所示，其中较小风险、一般风险、重大风险、特大风险的占比分别为50.01%, 34.92%, 7.94%, 7.13%，符合金字塔状的严重程度等级模型，可见各等级风险事件比例合理，具有隧道运营安全事故的代表性。这些事故数据，一方面可用作评估指标体系构建实例，另一方面也能为风险评估模型的训练与构建提供相对规则的数据基础。
1.2 隧道运营安全影响因素
科学全面的评估指标体系是确保高速公路隧道运营风险评估模型准确度的关键，指标选取应遵循可操作性、科学性、独立性、代表性和稳定性原则[13]。由于隧道结构物特殊，导致其运营风险影响因素复杂。按照系统工程理论，从隧道运营风险评估和风险管控的角度，隧道交通系统由人、车、路、环境、管理等五大要素构成。其中，驾驶员是隧道交通基础设施的使用者，也是隧道运营管理单位的服务对象，而驾驶员操控车辆的行为外在表现为车辆的运动参数，从高速公路运营管理宏观风险管控角度看，人与车二者可视为一体，即交通流。因此，本研究将高速公路隧道运营安全影响因素归纳为交通流因素、道路因素、环境因素和管理因素。
1）交通流因素
从交通运行参数角度分析，交通流因素可造成隧道运营风险变化，是影响隧道安全运营的重要因素。不同交通流特性对隧道运营安全产生不同的影响。其中，交通量是影响隧道运营安全的关键指标。交通量过大会使车辆运行速度降低，隧道内同一时期交通量增加，车辆刹车启动频次增加，导致交通冲突风险增大。另外，交通组成中若货车和危化品车辆比例过高，会造成交通流中车速离散程度过大，影响行车安全；货车和危化品车辆与其他车辆发生碰撞或事故时，会造成严重的事故后果。综合交通流理论和专家咨询结果，交通流因素主要可分为高峰小时交通量、平均车速、断面速度差、货车比例、危化品车辆比例。
2）道路因素
隧道路段基本结构和设施状况良好是保证隧道运营安全的基本前提。研究表明，不同长度、不同纵坡的隧道提供的驾驶环境以及对驾驶员生理、心理的影响不同，故长度、纵坡等指标是影响隧道运营安全的重要因素。此外，由于驾驶员在隧道出入口会有频繁的加减速动作，导致隧道与一般路段连接处路面摩擦状况存在差异；隧道自身封闭环境本身也会造成隧道与一般路段路面摩擦系数存在差异，这种差异会影响车辆运行的连贯性，特别当路面有积水时，容易影响驾驶员对车辆的掌控能力，造成打滑或侧翻。因此，影响隧道运营安全的道路因素主要可分为：隧道长度、隧道纵坡、土建结构技术状况、机电设施技术状况、洞内路面滑动摩擦系数、出入口洞内外路面动摩擦系数比、路面积水面积比。
3）环境因素
我国幅员辽阔，不同地域的地理环境与气候差异大，不同季节的降雨量、光照、日照时长等均有明显不同，结合隧道交通事故数据分析可知，不同季节的气候差异会影响隧道运营安全性。因此，将季节时段纳为隧道运营安全影响因素。
4）管理因素
依据“人-机-物-环-管”风险管控理论，管理因素是一类重要的系统风险要素。高速公路隧道总体安全管理水平可体现在近3年事故率方面。当事故发生后，应急管理水平又会影响事故后果的严重程度；突发事件信息传递时间越短、救援人员赶赴现场时间越短，越有助于减轻事故后果。因此，将管理因素分为隧道总体管理水平和应急管理水平两类，具体用近3年事故率、突发事件信息传递时间、救援人员赶赴现场时间等指标来表示。
1.3 评估指标体系构建
2 高速公路隧道运营风险评估模型
2.1 评估算法选取与适用性分析
传统的隧道运营风险评估方法多通过构建数学模型，对监测数据进行人工预处理后，依据所建模型计算运营风险大小。该过程繁琐，且模型运算效率较低、泛化迁移能力较差，难以满足隧道运营风险准确快速评估的需求。极限学习机（Extreme Learning Machine, ELM）是一种单隐层前馈神经网络算法[14]，因具有泛化性能好、学习速度快、预测精度高等优点[15]，已成功用于隧道围岩变形预报[16]、短期交通流预测混合优化[17]、隧道口边坡位移风险评估[18]、交叉口事故严重程度评估[19]、城市轨道交通地表沉降评估[20]等方面，并取得了良好的效果。然而，ELM在高速公路隧道运营风险评估中的应用尚未成熟，模型应用效果也有待进一步探究。
ELM具有神经网络算法的基本特征，包含L个隐含层节点的ELM模型网络结构如图4所示，其在隧道运营风险评估中的应用基本原理如下。
假设使用N个样本 来构建 ELM 模型，其中 表示ELM网络的第 个输入样本， 表示ELM网络的第 个输入样本对应的期望输出。如果ELM网络的隐含层节点个数为 ，那么ELM的网络数学模型可描述为：
式（1）中： 为ELM网络实际输出值； 为网络输入节点与第 个隐含层节点间的输入权值向量； 为第 个隐含层节点阈值（隐含层偏置）； 为第i个隐含层节点与输出层节点间的输出权值向量； 为激活函数。
假设ELM网络的实际输出等于期望输出，则：
式（2）中的N个等式可以简写成：
式（2）~式（5）中： 为网络的隐含层输出矩阵； 为输出权值矩阵； 为目标期望输出矩阵。
在ELM算法中，输入权值和隐含层偏置可以随机给定，隐含层输出矩阵H则是一个确定的矩阵。此时，ELM网络训练可以转化为求解输出权值矩阵β的最小二乘解问题。输出权值矩阵β由式（6）计算：
式（6）中： 为隐含层输出矩阵H的Moore-Penrose广义逆。
按照上述步骤，可确定ELM网络的输入权值、隐含层偏置和输出权值，隧道风险评估ELM模型被唯一确定。
2.2 激活函数确定
根据所建模型的基本原理，选取合适的激活函数是风险评估模型构建的重要一环。在极限学习机模型中，常用的激活函数有Sigmoid, Hardlim, Radbas, Tribas。其中，Sigmoid函数及其反函数由于单调增等性质，也叫Logistic函数，常被用作神经网络的激活函数（见式（7）），其优点在于输出范围有限，数据在传递过程中不易发散且易于求导。Hardlim函数（见式（8）），其作用是当输入达到某给定阈值时，神经元的输出为1，否则为0。Radbas高斯径向基函数（见式（9））本质上是利用样本数据之间欧几里得距离信息触发神经元响应。Tribas函数（见式（10））与高斯径向基函数类似，但计算比较简单。
式（7）~式（10）中：x为指标数据；c为阈值；γ, 分别为自由度参数和数据均值。
为确定最有利于本模型的激活函数，分别采用上述4种不同的激活函数进行极限学习机模型测试，隐含层节点设定为100个，结果如表1所示。
表1 不同激活函数算法性能比较结果 |
| ELM激活函数 | 训练时间/s | 测试准确率（%） | 测试时间/s |
|---|---|---|---|
| Sigmoid | 25.65 | 90.6 | 1.03 |
| Hardim | 69.21 | 90.4 | 1.16 |
| Radbas | 299.62 | 13.3 | 1.24 |
| Tribas | 34.31 | 11.9 | 1.15 |
由表1可知，对比测试准确率，发现采用Hardlim和Sigmoid作为激活函数的准确率相差无几；对比训练测试时间，发现采用Sigmod作为激活函数的学习模型训练时间比Hardim函数缩短了近2/3。因此，综合考虑准确率和效率指标，确定选用Sigmoid作为隧道运营风险评估模型的激活函数。
2.3 模型构建与训练
借助MATLAB软件对ELM神经网络进行训练。根据ELM原理，利用MATLAB编写基于ELM神经网络的高速公路隧道运营风险评估模型测试训练代码，主要步骤如下。
第一步：产生训练测试集。
将需要训练测试的126个隧道事故风险样本数据以矩阵的形式导入程序，在程序中随机生成包含80%的样本作为训练集，随机生成包含20%的样本作为测试集。
第二步：ELM模型构建。
为在MATLAB中实现ELM神经网络训练，构建函数elmtrain( )。由于所训练的模型属于分类问题，依据2.1节分析结果，将参数TYPE设置为1，隐含神经元个数设置为465，将激活函数Sigmoid写入模型中。
第三步：ELM训练测试。
为在MATLAB中实现ELM神经网络预测仿真，新建训练函数elmpredict( )。ELM训练完成后，利用elmpredict( )函数对预测集进行仿真测试。其中，参数TF及TYPE与elmtrain( )函数中设置相同。
第四步：ELM预测结果对比。
ELM仿真测试结束后，通过结果对比来计算模型预测准确度，从而对基于ELM的评估模型性能进行评价。
3 实例分析
为验证所建模型的有效性和实用性，以该风险评估模型为核心算法，开发了高速公路隧道运营安全风险评估系统，并以广东省某高速公路为对象开展工程应用。该高速公路长163.933 km，全线共有隧道14座，隧道长度及类型如表2所示。
表2 风险评估对象基本情况 |
| 隧道编号 | 隧道长度/m | 隧道类型 |
|---|---|---|
| 1 | 685 | 中隧道 |
| 2 | 1 739 | 长隧道 |
| 3 | 290 | 短隧道 |
| 4 | 1 750 | 长隧道 |
| 5 | 2 643 | 长隧道 |
| 6 | 3 800 | 特长隧道 |
| 7 | 2 825 | 长隧道 |
| 8 | 588 | 中隧道 |
| 9 | 2 990 | 长隧道 |
| 10 | 217 | 短隧道 |
| 11 | 1 938 | 长隧道 |
| 12 | 5 900 | 特长隧道 |
| 13 | 659 | 中隧道 |
| 14 | 1 687 | 长隧道 |
系统计算流程为通过读取影响因素相应信息进行风险等级计算，并用4种颜色将结果显示在隧道交通基础设施风险地图上，同时将隧道运营安全风险等级具体情况以清单的形式展示，供用户筛选查阅。对该高速公路工程路段14处运营隧道开展风险评估，结果如表3所示。其中，隧道运营安全风险评估结果为较小风险等级的有3座，一般风险等级的有11座，这与该高速公路隧道路段的实际运营状况相符。同时，相比于过程较繁琐、耗时较长的专家打分法、模糊综合数学、层次分析等评估方法，本文方法能基于神经网络算法自动计算隧道运营风险值，快速得出风险等级结果，评估结果也更加客观。
表3 风险评估结果 |
| 隧 道 编 号 | 方向 | 风险影响因素及其量化值 | 总体 风险 等级 | |||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 隧 道 长 度 | 隧道纵坡 | 土建 结构 技术 状况 | 机电 设施 技术 状况 | 洞内路 面滑动 摩擦 系数 | 出入口洞 内外路面 洞摩擦系 数比 | 路面 积水 面积 | 高峰 小时 交通 量 | 平 均 车 速 | 断面 速度 差 | 货车 比例 | 危化 品 车辆 比例 | 季 节时段 | 近3 年事 故率 | 突发事件信息传递 时间 | 救援人 员赶赴 现场 时间 | |||
| 1 | 湖南方向 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 4 | 一般风险 |
| 深圳方向 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 4 | 一般风险 | |
| 2 | 湖南方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 3 | 一般风险 |
| 深圳方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 3 | 一般风险 | |
| 3 | 湖南方向 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 2 | 较小风险 |
| 深圳方向 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 2 | 较小风险 | |
| 4 | 湖南方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 1 | 一般风险 |
| 深圳方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 1 | 一般风险 | |
| 5 | 湖南方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 2 | 一般风险 |
| 深圳方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 2 | 一般风险 | |
| 6 | 湖南方向 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 4 | 一般风险 |
| 深圳方向 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 4 | 一般风险 | |
| 7 | 湖南方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 3 | 一般风险 |
| 深圳方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 3 | 一般风险 | |
| 8 | 湖南方向 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 2 | 较小风险 |
| 深圳方向 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 2 | 较小风险 | |
| 9 | 湖南方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 3 | 一般风险 |
| 深圳方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 3 | 一般风险 | |
| 10 | 湖南方向 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 2 | 较小风险 |
| 深圳方向 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 2 | 较小风险 | |
| 11 | 湖南方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 2 | 一般风险 |
| 深圳方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 2 | 一般风险 | |
| 12 | 湖南方向 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 3 | 一般风险 |
| 深圳方向 | 4 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 3 | 一般风险 | |
| 13 | 湖南方向 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 4 | 一般风险 |
| 深圳方向 | 2 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 4 | 一般风险 | |
| 14 | 湖南方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 4 | 一般风险 |
| 深圳方向 | 3 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 1 | 4 | 1 | 1 | 4 | 一般风险 | |
这表明，所建模型和系统可实现隧道运营风险的有效评估，提高了隧道运营风险评估的准确性和及时性，为提升高速公路隧道运营安全管理水平提供了技术支撑，应用效果良好。
4 结束语
为克服传统隧道运营风险评估方法存在的计算过程繁琐、运算效率低及泛化能力差等问题，本研究将ELM神经网络算法应用于高速公路隧道运营风险评估。首先，纳入管理和应急救援因素，构建了包括道路、交通流、环境和管理等4个二级指标和16个三级指标的高速公路隧道运营风险评估指标体系。然后，采用ELM神经网络方法构建了高速公路隧道运营风险评估模型。最后，基于该模型的核心算法开发了隧道运营风险评估系统，其工程应用结果表明，所构建的风险评估模型简化了人工计算过程，可提升高速公路隧道运营风险评估的及时性和准确性。不过，由于事故数据收集方面存在一定困难，本研究样本量总体偏少，下一步将在大量应用实践和更多样本量的基础上进一步优化模型，从而更好地用于高速公路运营安全风险评估，提升高速公路隧道运营安全性。
