1前言

　　安全评价以实现系统安全为目的，应用安全系统工程原理和工程技术方法，对系统中固有或潜在的危险进行定性和定量分析，得出系统发生危险的可能性及其后果严重程度的评价，通过与评价标准的比较得出系统的危险程度，提出改进措施，以寻求最低事故率、最少的损失和最优的安全投资。

　　安全评价的方法有很多且各有特色，如安全检查表评价法是根据经验或系统分析的结果，把评价项目自身及周围环境的潜在危险集中起来，列成检查项目的清单，评价时依照清单，逐项检查和评定的方法；概率安全评价法(PSA)是一种定量安全评定方法，先求出系统发生事故的概率，然后结合事故后果严重度的估计进一步计算风险，以风险大小确定系统的安全程度，以此衡量系统的危险程度是否超过可接受的安全标准，以便决定是否需要采取相应的安全措施，使其达到社会公认的安全水平；安全综合评价法是把多个描述被评价对象不同方面且量纲不同的定性和定量指标，转化为无量纲的评价值，并综合这些评价值以得出该评价对象的一个整体评价。此外还有作业危险性评价法等。

　　人工神经网络是由大量的、简单的神经元互联组成的大规模分布式并行信息处理系统，通过模拟人脑的神经组织结构，能对复杂问题进行有效求解。人工神经网络具有极强的非线形逼近、模糊推理、大规模并行处理、自训练学习、自组织和比较良好的容错性等优点。将神经网络应用于系统安全评价之中，能克服传统安全评价的一些缺陷，快速、准确地得到较好的安全评价结果。

　　2建筑安全风险系统的建立

　　建筑生产活动包括各类房屋建筑及其附属设施和与其配套的线路、管道、设备的安装活动。虽然房屋建筑、附属设施和线路、管道、设备等施工特点有所区别，但就其劳动者、活动性质、环境这三方面来看是共同具有的，由此表现出的风险性也具有相似性。通过对建筑生产中固有危险性的分析，以事故异常释放理论为基础可将建筑生产风险来源归结为：高处作业、地质条件、环境因素、设备条件和成品材料条件五大方面，这五大方面反映了建筑生产系统的物质形态和生产的特点。在实际工作中还可以发现：在同样的施工条件和环境下，所面临同样的工作，但各单位、各工地的安全状况是不一样的。这里还有一个非常重要的风险因素系统—人，人是生产力中最活跃的因素，但同时它也对生产系统产生极大的风险。由身体的差异、技能的高低、管理的好坏等人系统引发的混乱度对生产系统产生正熵值，从而使生产系统产生紊乱，造成生产事故。因此，建立建筑安全风险系统时必须考虑人员风险系统，这样从人、机(物)、环境的角度把建筑生产风险系统归类为高处作业、地质情况、环境因素、设备条件、材料因素和人员因素六大方面。

　　上述6个方面是建筑生产安全状况的主要影响因素，即对事故率和财产损失的影响的关键要素。通过建立安全指标和与之相关的不确定因素之间复杂的非线性关系时，完成对建筑安全生产状况的评价。

3遗传神经网络的建筑安全评价模型

　　为了选取最优权值，减小极小化目标输出和实际输出之间的误差，采用反向传播算法和遗传算法相结合，对神经元网络进行求解。综合安全评价步骤如下：

　　步骤1：确定安全评价对象集。

　　步骤2：建立安全评价指标体系。系统的安全状况可用一系列评价指标表示，每个指标都从不同的侧面刻画系统的安全状况，以此确定人工神经网络的输入层、隐层和输出层的节点数，构筑人工神经网络。

　　步骤3：应用AHP方法确定与各项安全评价指标相对应的初始权重系数。相对于某种安全评价目的来说，评价指标之间的相对重要性是不同的，安全评价指标之间的相对重要性的大小是靠权重系数的大小来体现的。

　　步骤4：令种群代数k←k+1。

　　步骤5：初始化染色体，并检验其可行性。

　　步骤6：通过交叉、变异、复制更新权重向量。

　　步骤7：选择安全评价的指标的学习样本，供GA-ANN训练，学习。利用训练好的神经网络权值来计算染色体的误差和适应度。

　　步骤8：根据误差函数计算每个权重向量的适应度。

　　步骤9：如果k〈N，返回步骤2。

　　步骤12：给出人工神经网络的最优解。

　　4 遗传神经网络建筑安全评价系统的工程实现

　　4.1 数据处理
　　
设建筑安全评价的影响因素有6个指标，各项评价指标的等级分为五等，划分的分值范围如下：“很好”（100～85）、“较好”（85～70）、“一般”（70～55）、“较差”（55～40）、“很差”（40～0）。请100位专家对每项工程的各项安全评价指标进行评判。令“很好”赋于隶属度1,“较好”赋于隶属度0.8，“一般”赋于隶属度0.6，“较差”赋于隶属度0.4，“很差”赋于隶属度，则可由下式得到神经网络的输入值。

　　其中k i为专家评价为某一个等级的专家数占专家总数的比例。

4.2神经网络结构的确定

　　为了实现对建筑安全状况的评价，利用神经网络系统进行数据的训练，获取合适的网络结构，寻求安全指标同风险因素的非线性关系。

　　网络输出值为需要评价的两个安全指标年千人负伤率、万元工程损失，输入值为影响建筑安全生产状况的六个风险因素。

　　输出节点数由安全指标数目确定，因此输入节点数为2个；输入节点数由风险因素确定，因此输入节点数为6。设一个隐含层，主要通过调节隐层节点数、动量项、学习率提高网络的训练精度。初始化权值的设置的好坏很大程度上决定着网络的收敛速度，权值的初始化无规律可循，可把权值设在[-1，1]之间，即把每个染色体的基因设置在-1到1之间。

　　4.3网络的训练和评价结果

　　本文在模型的训练时，把所经过处理的数据输入，在训练时，交叉概率Pc=0.8，变异概率Pm=0.05，最大进化代数为6000，种群M=40或M=50 。根据以上参数，取种群数M=40，把网络输出节点全局误差为0.02作为训练终止条件，经过5000次迭代训练后，网络收敛，得到各层间的权值和阈值，即为训练好的神经网络。

　　计算所得的安全评价结果如表2所示。

　　通过上面建立的模型对神经网络进行训练，用训练好的网络权值及阈值进行建筑安全状况的评价。计算所得的安全评价结果如表1所示。

表1 计算结果

指标1
指标2
指标3
指标4
指标5
指标6
结果1
结果2

86.5
58.3
89.2
60.2
82.1
78.2
78
85

　　根据安全评价等级，其综合安全评价结果为较好，千人伤亡率与万元工程损失指标均可达到比较高的安全程度。

　　5 结 论

　　将遗传神经元网络用于系统安全评价过程中，可以比较准确地对系统的综合安全评估作出评价，但安全信息数据库的完善程度直接影响着神经元网络训练学习的准确程度，所以安全信息数据库的建立可提高综合安全评估的准确性。此外，在综合安全评价过程中的某些指标具有模糊性，若与模糊随机规划相结合，则可提高综合安全评价的可靠性，对此问题有待进一步研究。

　　参考文献：
　　1.姚小刚.建筑生产系统危险性分析、评价与安全管理. 同济大学. 2000
　　2.樊治平,张全.一种不确定性多属性决策模型的改进.系统工程理论与实践,1999,12:42-47
　　3.陈小前等.BP神经网络应用中的前后处理过程研究.系统工程理论与实践,2002, 1:66-88
　　4.王要武等．人工神经网络在建筑管理中的应用．哈尔滨建筑大学学报，2001,34(5):103-107