Loading [MathJax]/jax/output/SVG/jax.js
  • ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

基于MEC-BP高海拔隧道供氧浓度与劳动强度规律

陈政 郭春 谌桂舟 张佳鹏 许昱旻

陈政, 郭春, 谌桂舟, 张佳鹏, 许昱旻. 基于MEC-BP高海拔隧道供氧浓度与劳动强度规律[J]. 西南交通大学学报, 2023, 58(3): 622-629. doi: 10.3969/j.issn.0258-2724.20210669
引用本文: 陈政, 郭春, 谌桂舟, 张佳鹏, 许昱旻. 基于MEC-BP高海拔隧道供氧浓度与劳动强度规律[J]. 西南交通大学学报, 2023, 58(3): 622-629. doi: 10.3969/j.issn.0258-2724.20210669
CHEN Zheng, GUO Chun, CHEN Guizhou, ZHANG Jiapeng, XU Yumin. Oxygen Supply Concentration and Labor Intensity of High Altitude Tunnel Based on MEC-BP[J]. Journal of Southwest Jiaotong University, 2023, 58(3): 622-629. doi: 10.3969/j.issn.0258-2724.20210669
Citation: CHEN Zheng, GUO Chun, CHEN Guizhou, ZHANG Jiapeng, XU Yumin. Oxygen Supply Concentration and Labor Intensity of High Altitude Tunnel Based on MEC-BP[J]. Journal of Southwest Jiaotong University, 2023, 58(3): 622-629. doi: 10.3969/j.issn.0258-2724.20210669

基于MEC-BP高海拔隧道供氧浓度与劳动强度规律

doi: 10.3969/j.issn.0258-2724.20210669
基金项目: “十三五”国家重点研发计划(2019YFC0605104);教育部科技产学合作协同育人项目(201801221005);四川省教育科研资助(2020597)
详细信息
    作者简介:

    陈政(1992—),男,博士研究生,研究方向为隧道及地下工程,E-mail:1847485788@qq.com

  • 中图分类号: U25

Oxygen Supply Concentration and Labor Intensity of High Altitude Tunnel Based on MEC-BP

  • 摘要:

    为解决高海拔隧道施工供氧关键技术,开展高海拔隧道供氧浓度及劳动功率对劳动强度的影响研究. 通过在西藏拉萨达孜区的圭嘎拉隧道进行现场实测,以平均能量代谢率作为衡量劳动强度指标,采用肺通气量仪搜集6名测试人员在不同劳动强度(50、75 W和100 W劳动功率)和供氧浓度(20.9%、25.0%和29.0%)下的肺通量数据,并转化为劳动强度指标,运用基于思维进化算法的前馈神经网络(mind evolutionary computation back-propagation, MEC-BP)对劳动强度指标进行拟合. 研究结果表明:MEC-BP神经网络拟合数据的拟合优度略高于GA-BP 和BP 神经网络的拟合优度;50 W低劳动功率下,施工人员平均能量代谢率对氧浓度的变化较小,最大约0.1 kJ/(min•m2);在100 W较高劳动功率下,25%供氧浓度可作为4 200 m高原供氧浓度参考值.

     

  • 随着我国西部大开发的不断开展,高海拔隧道建设越来越多,规划建设的某高原铁路沿线海拔多高于3 km,桥隧比在80%以上,拥有数座长度超过20 km的铁路隧道. 为克服高海拔隧道施工低压低氧的困难,保障施工人员工作效率及生理健康,供氧是最直接的改善措施之一. 众多学者对高海拔供氧进行了相关研究,郭春等[1-2]研究了高海拔供氧标准,得到了不同劳动强度和不同海拔高度下人体最低需氧量;孙志涛[3]对高海拔施工缺氧进行了分级,得到了高海拔隧道施工氧含量的控制标准;王明年等[4-5]对高海拔施工供氧技术进行了总结,得到高海拔供氧技术,包含个人携氧供氧、弥散式供氧、综合供氧、氧吧车供氧和室内鼻息式供氧,在不同隧道施工工序下应组合供氧方法和供氧系统,以适应不同劳动强度下施工人员的供氧需求和心理需求;谢文强[6]对高海拔隧道施工供氧标准进行了研究,得到了不同海拔高度人体所需最小耗氧量和通气量;严涛等[7]对高海拔供氧参数进行研究,建议海拔高度在3 000 m以上施工进行供氧. 目前高海拔隧道施工供氧方面的研究,主要集中在供氧标准及供氧方式两部分,研究手段基本以理论分析与公式推导为主,缺少现场的实际测试.

    在数据拟合方面,BP (back propagation)神经网络目前在多维变量拟合应用中较多,由于BP神经网络自身存在收敛慢、波动大的缺陷[8-10],大量学者基于BP神经网络做了较多优化,并进行了应用. Wang 等[11]通过MEC-BP神经网络对箱梁施工扰度进行了拟合预测,得到MEC-BP神经网络拟合预测结果优于BP神经网络结构;李步遥等[12]基于MEC-BP神经网络对基坑水平位移进行了反演分析,得到MEC-BP神经网络收敛速度快于GA-BP神经网络[8],且结果优于GA-BP (genetic algorithms back propagation)神经网络和BP神经网络;王春晓等[13]基于MEC-BP神经网络对群桩轴力进行预测,得到MEC-BP神经网络预测精度及准确度明显高于BP神经网络.

    本文通过高海拔隧道供氧实验,对高海拔隧道施工人员进行现场测试,并运用MEC-BP神经网络对现场测试数据进行拟合,研究高海拔人员劳动功率和氧浓度对劳动强度的影响规律,其中劳动强度通过平均能量代谢率表示.

    BP神经网络算法[11]是一种基于输出误差逆向传播的多层前馈神经网络算法,对于三层前馈神经网络,其基本结构由输入层、隐含层、输出层构成,根据神经网络层建立的输入输出函数Q以及误差函数E 分别为

    Q=ψ(mj=1wjkyiθk)=ψ(mj=1wjkφ(ni=1wikxiθj)θk), (1)
    E=12SSt=1(TtOt)2, (2)

    式中:$\psi ({\text{•}})$$\varphi ({\text{•}})$分别为输出层和隐含层的传递函数;$w_{jk} $$w _{ik}$分别为第k个输出层下的第j个隐含层和第i个输入层的连接权重;$\theta _j$$\theta _k$分别为第j个隐含层和第k个输出层的阈值;S为样本数量;$ O $t为第t个样本预测输出值;$x_i$$y_i$分别为隐含层输入和输出值;$T_t$为实验测试值.

    由于BP神经网络算法存在收敛慢和局部最小值的缺陷,接下来引入思维进化算法(MEC)对BP神经网络进行优化.

    MEC算法[11]是一种基于遗传算法改进的优化算法,运用MEC算法对BP神经网络的权值和阈值进行最优搜索,能提高BP神经网络的收敛速度和精度. 其基本步骤如下:

    步骤1 种群初始化. 先将总体随机分成a个个体(m1m2,…,ma),通过式(3)对各个体进行打分,并根据分数将个体分为w个优等子种群(每个优等种群包含b个个体)和r个临时子种群(每个临时种群包含h个个体)两大类,这两个种群分别用MsupiMtemi表达,如式(4)所示.

    S=11+E, (3)
    {Msupi={m1,m2,,mb},i=1,2,,w,Mtemi={m1,m2,,mh},i=1,2,,r. (4)

    步骤2 种群内竞争. 选出在每个子种群中得分最高的个体,按照正态分布将得分重新排序并再次进行得分计算,当最高得分者保持不变时,该最高得分者所在子种群即视为成熟,最高得分即代表该子种群得分.

    步骤3 种群间竞争. 如果临时子种群(Stemi)得分高于成熟的优等子种群(Ssupi),那么成熟的优等种群将会被该临时种群替代. 相反,如果临时种群得分较低,那么该临时种群将会解散,再重新生成新的临时种群,步骤2将产生新的临时种群.

    MEC-BP神经网络拟合预测模型框架如图1所示. 图中:imaxEmax分别为最大迭代次数和最大误差.

    图  1  MEC-BP神经网络框架
    Figure  1.  MEC-BP neural network framework

    其基本流程为根据所选数据结构确定BP神经网络结构,通过MEC方法优化获得BP神经网络权值和阈值,进而得到优化的BP神经网络,通过优化的BP神经网络对给予的测试数据进行验证和预测.

    高海拔供氧实验在西藏拉萨达孜区的圭嘎拉隧道进行,实验地点海拔高度约为4 200 m,实验测试对象为现场6名隧道技术施工人员,年龄在20岁~30岁,现场测试及仪器如图2所示.

    图  2  现场测试及实验仪器
    Figure  2.  Field test and experimental instrument diagram

    实验通过调节供氧端制氧含量来设置供氧浓度,根据相关资料研究的氧浓度安全上限和实验的安全性[6, 14],供氧浓度设置为20.9%、25.0%和29.0%,通过调节骑行台设置50、75、100 W的骑行功率. 实验中,每位测试人员需在不同的氧浓度和骑行功率下骑行10 min,最后记录肺通量和相关生理参数. 根据相关肺通量和平均能量代谢率关系式[15-16],将标准化后的肺通量数值按照式(4)计算平均能量代谢率,现场测试及计算数据如表1所示.

    表  1  现场测试及计算数据
    Table  1.  Field test and calculation data
    测试人员
    编号
    氧浓度/%功率/W肺通量/(L·min−1)A/m2测试环境温度/K标准肺通气量/
    (L·min−1)
    平均能量代谢率/
    (kJ·(min·m2)−1)
    1 号20.95010.521.86298.155.780.57
    25.0507.881.86286.154.510.50
    29.0507.291.86284.154.200.48
    20.97520.031.86296.1511.080.96
    25.07517.071.86288.159.710.69
    29.07517.021.86290.159.610.67
    20.910032.751.86298.1518.002.21
    25.010027.881.86292.1515.641.80
    29.010027.941.86292.1515.671.80
    2 号20.9509.751.80299.155.340.56
    25.0507.521.80292.154.220.49
    29.0506.731.80284.153.880.47
    20.97520.451.80298.1511.241.06
    25.07518.121.80298.159.960.81
    29.07516.411.80284.159.460.71
    20.910027.541.80298.1515.131.80
    25.010023.891.80290.1513.491.50
    29.010022.871.80289.1512.961.39
    3 号20.9508.641.72298.154.750.53
    25.0507.391.72291.154.160.50
    29.0506.911.72283.154.000.49
    20.97523.561.72297.1512.991.52
    25.07520.451.72298.1511.241.17
    29.07519.311.72285.1511.101.14
    20.910029.441.72298.1516.182.14
    25.010026.561.72289.1515.051.92
    29.010025.441.72285.1514.621.84
    4 号20.95010.741.85298.155.900.59
    25.0507.861.85291.154.420.49
    29.0506.661.85282.153.870.46
    20.97518.641.85295.1510.350.83
    25.07516.241.85292.159.110.59
    29.07513.521.85284.157.800.53
    20.910025.791.85298.1514.171.55
    25.010022.171.85300.1512.101.17
    29.010021.251.85283.1512.301.20
    5 号20.95010.221.99298.155.620.54
    25.0508.541.99292.154.790.49
    29.0507.471.99282.154.340.47
    20.97519.391.99298.1510.660.74
    25.07518.721.99292.1510.500.71
    29.07518.351.99283.1510.620.73
    20.910028.271.99298.1515.541.60
    25.010025.881.99299.1514.171.37
    29.010024.331.99285.1513.981.33
    6 号20.9509.991.85298.155.490.56
    25.0507.351.85291.154.140.48
    29.0506.191.85282.153.590.45
    20.97519.311.85298.1510.610.88
    25.07519.171.85294.1510.680.89
    29.07518.841.85292.1510.570.87
    20.910027.51.85300.1515.011.70
    25.010026.091.85299.1514.291.57
    29.010025.131.85289.1514.241.56
    下载: 导出CSV 
    | 显示表格
    VE=V1P1TPT1, (5)
    {lgM=0.0945VEA0.53394,VE(3.0,7.3),M=100.0945VEA0.53394+13.26101.16480.01258VEA2,lg(13.26M)=1.16480.01258VEA,VE8.0,VE[7.3,8.0), (6)

    式中:$V_{\rm{E}} $为标准状态肺通气量(L/min);$V_{1} $为相应海拔高度下肺通气量(L/min);P为标准大气压(101.325 kPa);P1为相应海拔高度下大气压(实测取60.8 kPa);T为标准状态温度(273.15 K);T1为相应海拔高度下温度(K);M为平均能量代谢率(kJ/(min•m2));A为体表面积(m2),如式(7).

    A=0.0061H+0.0124W0.0099 (7)

    式中:H为身高(cm);W为体重(kg).

    从测试数据中看出,高海拔施工人员平均能量代谢率较低,且在100 W时最大平均能量代谢率为2.21 kJ/(min•m2);高海拔施工人员平均能量代谢率随着功率增加而增加,在相同骑行功率下,平均能量代谢率随着氧浓度增加有减小趋势,且在100 W骑行功率减小较为明显.

    根据数据特征,输入神经元选2个(功率、氧浓度),隐藏神经元个数取为10个,输出神经元为1个(平均新陈代谢率),种群规模大小取为100,训练数据取前5个人的45个数据,测试数据取最后1个人的9个数据. 神经网络结构如图3所示. 运用MATLAB R2016a对测试数据进行拟合,MEC-BP迭代次数及拟合优度如图4所示. 图5图6分别给出了GA-BP和BP神经网络拟合优度及均方误差. 根据式(2)计算出MEC-BP、GA-BP、BP神经网络测试值与预测值均方误差分别为0.0139、0.0130、0.0255. 从拟合优度可以看出,MEC-BP神经网络优化算法相对较好,且均方误差较小,在计算过程中收敛速度快,在第4迭代步时验证集拟合均方根误差达到最小值0.054,在短时间内通过训练能达到较高拟合度,且训练、验证和测试的拟合优度较为平稳.

    图  3  BP神经网络结构
    Figure  3.  Structure diagram of BP neural network
    图  4  MEC-BP迭代收敛及拟合优度
    Figure  4.  MEC-BP iterative convergence and goodness of fit
    图  5  GA-BP拟合优度
    Figure  5.  GA-BP goodness of fit
    图  6  BP拟合优度
    Figure  6.  BP goodness of fit

    图7可以看出:在骑行功率为50 W时,平均能量代谢率随氧浓度变化不明显;在骑行功率为75 W时,平均能量代谢率随着氧浓度增加而减小,减小梯度小于100 W时变化曲率;在功率100 W时,当氧浓度小于25%时,平均能量代谢率随着氧浓度增加逐渐减小,当氧浓度大于25%时,平均能量代谢率随着氧浓度增加趋于平稳.

    图  7  MEC-BP拟合平均能量代谢率变化
    Figure  7.  MEC-BP fitting average energy metabolic rate change chart

    通过在高海拔进行高原供氧实验,运用MEC-BP神经网络优化算法对高海拔供氧测试数据进行了拟合,得到如下结论:

    1) 通过MEC-BP神经网络拟合的测试数据可以看出,拟合曲线变化规律与现场测试数据变化规律基本一致,验证了MEC-BP神经网络拟合的有效性.

    2) 通过不同算法对比分析了高原供氧数据拟合结果的准确性,MEC-BP神经网络在测试、验证和训练的拟合优度上相对稳定且精度较高,均方误差较小,拟合效果较好,可为多维数据拟合提供参考.

    3) 通过高海拔现场测试和MEC-BP神经网络拟合数据得到,50 W和75 W骑行功率下平均能量代谢率随氧浓度变化较小,100 W骑行功率下平均能量代谢率随氧浓度变化较大;25%供氧浓度可以作为4 200 m高海拔较高劳动强度的供氧浓度参考值.

    致谢:成都哲学社会科学规划项目(2019CS107);成都市科技项目(2019-YFYF-00121-SN).

  • 图 1  MEC-BP神经网络框架

    Figure 1.  MEC-BP neural network framework

    图 2  现场测试及实验仪器

    Figure 2.  Field test and experimental instrument diagram

    图 3  BP神经网络结构

    Figure 3.  Structure diagram of BP neural network

    图 4  MEC-BP迭代收敛及拟合优度

    Figure 4.  MEC-BP iterative convergence and goodness of fit

    图 5  GA-BP拟合优度

    Figure 5.  GA-BP goodness of fit

    图 6  BP拟合优度

    Figure 6.  BP goodness of fit

    图 7  MEC-BP拟合平均能量代谢率变化

    Figure 7.  MEC-BP fitting average energy metabolic rate change chart

    表  1  现场测试及计算数据

    Table  1.   Field test and calculation data

    测试人员
    编号
    氧浓度/%功率/W肺通量/(L·min−1)A/m2测试环境温度/K标准肺通气量/
    (L·min−1)
    平均能量代谢率/
    (kJ·(min·m2)−1)
    1 号20.95010.521.86298.155.780.57
    25.0507.881.86286.154.510.50
    29.0507.291.86284.154.200.48
    20.97520.031.86296.1511.080.96
    25.07517.071.86288.159.710.69
    29.07517.021.86290.159.610.67
    20.910032.751.86298.1518.002.21
    25.010027.881.86292.1515.641.80
    29.010027.941.86292.1515.671.80
    2 号20.9509.751.80299.155.340.56
    25.0507.521.80292.154.220.49
    29.0506.731.80284.153.880.47
    20.97520.451.80298.1511.241.06
    25.07518.121.80298.159.960.81
    29.07516.411.80284.159.460.71
    20.910027.541.80298.1515.131.80
    25.010023.891.80290.1513.491.50
    29.010022.871.80289.1512.961.39
    3 号20.9508.641.72298.154.750.53
    25.0507.391.72291.154.160.50
    29.0506.911.72283.154.000.49
    20.97523.561.72297.1512.991.52
    25.07520.451.72298.1511.241.17
    29.07519.311.72285.1511.101.14
    20.910029.441.72298.1516.182.14
    25.010026.561.72289.1515.051.92
    29.010025.441.72285.1514.621.84
    4 号20.95010.741.85298.155.900.59
    25.0507.861.85291.154.420.49
    29.0506.661.85282.153.870.46
    20.97518.641.85295.1510.350.83
    25.07516.241.85292.159.110.59
    29.07513.521.85284.157.800.53
    20.910025.791.85298.1514.171.55
    25.010022.171.85300.1512.101.17
    29.010021.251.85283.1512.301.20
    5 号20.95010.221.99298.155.620.54
    25.0508.541.99292.154.790.49
    29.0507.471.99282.154.340.47
    20.97519.391.99298.1510.660.74
    25.07518.721.99292.1510.500.71
    29.07518.351.99283.1510.620.73
    20.910028.271.99298.1515.541.60
    25.010025.881.99299.1514.171.37
    29.010024.331.99285.1513.981.33
    6 号20.9509.991.85298.155.490.56
    25.0507.351.85291.154.140.48
    29.0506.191.85282.153.590.45
    20.97519.311.85298.1510.610.88
    25.07519.171.85294.1510.680.89
    29.07518.841.85292.1510.570.87
    20.910027.51.85300.1515.011.70
    25.010026.091.85299.1514.291.57
    29.010025.131.85289.1514.241.56
    下载: 导出CSV
  • [1] GUO C, XU J F, WANG M N, et al. Study on oxygen supply standard for physical health of construction personnel of high-altitude tunnels[J]. International Journal of Environmental Research and Public Health, 2016, 13(1): 64.
    [2] 郭春,陈小峰,郑鑫,等. 西藏S5线拉萨至泽当快速路圭嘎拉隧道施工供氧方案研究[J]. 现代隧道技术,2018,55(增2): 331-336.

    GUO Chun, CHEN Xiaofeng, ZHENG Xin, et al. Oxygen supply scheme for the construction of Guigala tunnel from Tibet S5 line Lhasa to Zedang expressway[J]. Modern Tunnelling Technology, 2018, 55(S2): 331-336.
    [3] 孙志涛. 基于肺泡氧分压的高海拔隧道施工供氧技术研究[D]. 成都: 西南交通大学, 2016.
    [4] 王明年,李琦,于丽,等. 高海拔隧道通风、供氧、防灾与节能技术的发展[J]. 隧道建设,2017,37(10): 1209-1216.

    WANG Mingnian, LI Qi, YU Li, et al. Development of new technologies for ventilation, oxygen supply, disaster prevention and energy saving for high-altitude tunnels[J]. Tunnel Construction, 2017, 37(10): 1209-1216.
    [5] WANG M N, YAN G F, YU L, et al. Effects of different artificial oxygen-supply systems on migrants’ physical and psychological reactions in high-altitude tunnel construction[J]. Building and Environment, 2019, 149: 458-467. doi: 10.1016/j.buildenv.2018.12.032
    [6] 谢文强. 巴朗山高海拔隧道施工期供氧标准及设计方法研究[D]. 成都: 西南交通大学, 2015.
    [7] 严涛, 王明年, 郭春, 等. 高海拔特长公路隧道弥散式供氧关键技术研究[J]. 现代隧道技术, 2015, 52(2): 180-185, 204.

    YAN Tao, WANG Mingnian, GUO Chun, et al. Key techniques for the diffused oxygen supply of an extra-long highway tunnel in a high-altitude area[J]. Modern Tunnelling Technology, 2015, 52(2): 180-185, 204.
    [8] 刘亚丽,李英娜,李川. 基于遗传算法优化BP神经网络的线损计算研究[J]. 计算机应用与软件,2019,36(3): 72-75.

    LIU Yali, LI Yingna, LI Chuan. Line loss calculation of optimized BP neural network based on genetic algorithm[J]. Computer Applications and Software, 2019, 36(3): 72-75.
    [9] 任谢楠. 基于遗传算法的BP神经网络的优化研究及MATLAB仿真[D]. 天津: 天津师范大学, 2014.
    [10] 刘春艳,凌建春,寇林元,等. GA-BP神经网络与BP神经网络性能比较[J]. 中国卫生统计,2013,30(2): 173-176,181.

    LIU Chunyan, LING Jianchun, KOU Linyuan, et al. Performance comparison between GA-BP neural network and BP neural network[J]. Chinese Journal of Health Statistics, 2013, 30(2): 173-176,181.
    [11] WANG X D, MIAO C Q, WANG X M. Prediction analysis of deflection in the construction of composite box-girder bridge with corrugated steel webs based on MEC-BP neural networks[J]. Structures, 2021, 32: 691-700. doi: 10.1016/j.istruc.2021.03.011
    [12] 李步遥,司马军. 基于MEC-BP神经网络的基坑水平位移反演分析[J]. 铁道科学与工程学报,2021,18(7): 1764-1772.

    LI Buyao, SIMA Jun. Horizontal displacement back-analysis for deep excavation using MEC-BP neural network[J]. Journal of Railway Science and Engineering, 2021, 18(7): 1764-1772.
    [13] 王春晓,陈志坚. 基于MEC-BP神经网络的群桩轴力预测[J]. 中国煤炭地质,2017,29(3): 53-57. doi: 10.3969/j.issn.1674-1803.2017.03.11

    WANG Chunxiao, CHEN Zhijian. Pile group axial force prediction based on MEC-BP neural network[J]. Coal Geology of China, 2017, 29(3): 53-57. doi: 10.3969/j.issn.1674-1803.2017.03.11
    [14] 刘应书, 祝显强, 杨雄, 等. 高原低气压环境富氧防火安全研究[C]//青藏铁路运营十周年学术研讨会论文集. 北京: 中国铁道出版社, 2016: 140-146.
    [15] 王万梁. 单项体力劳动强度分级研究[D]. 济南: 山东大学, 2007.
    [16] 中华人民共和国卫生部. 工作场所物理因素测量 第10部分: 体力劳动强度分级: GBZ/T 189.10—2007[S]. 北京: 人民出版社, 2007.
  • 加载中
图(7) / 表(1)
计量
  • 文章访问数:  289
  • HTML全文浏览量:  108
  • PDF下载量:  27
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-08-16
  • 修回日期:  2021-12-16
  • 网络出版日期:  2023-04-13
  • 刊出日期:  2022-12-01

目录

/

返回文章
返回