CN103077447A - 一种基于贝叶斯网络的地铁施工安全管理决策方法 - Google Patents

Abstract

本发明属于地下工程信息技术领域，具体为一种基于贝叶斯网络的地铁施工安全管理决策方法。主要包括如下步骤：步骤一，建立风险及其致险因子库；步骤二，构建地铁施工安全管理贝叶斯网络各节点的拓扑结构，获取各节点之间的条件概率关系；步骤三，以矢量形式表征安全管理贝叶斯网络预测结果及其实测数据，根据模型准确性和模型可靠性两个指标来验证建成的地铁施工安全贝叶斯网络的科学合理性；步骤四，提出面向地铁施工安全管理全过程实时诊断分析方法。本发明为复杂环境下地铁工程施工全过程中安全事故的处理提供推理及实时分析与决策。

Description

一种基于贝叶斯网络的地铁施工安全管理决策方法

技术领域

本发明属于地下工程信息技术领域，具体为一种基于贝叶斯网络的地铁施工安全管理决策方法。 

背景技术

在过去十多年中，地铁工程建设在国内发展迅速。由于地铁工程施工环境复杂多变、致险因子多且关联性强等原因，致使施工过程中安全事故频发。为了避免施工安全事故造成严重的人员伤亡和财产损失，国内外工程人员逐渐重视地铁工程施工安全事故的风险管理，基于定性或定量评价方法识别潜在风险，包括事故树分析法、决策树法、影响图法等，对发生可能性较大的风险及早应对防范。 

以上风险分析方法在近年来的地铁安全管理与控制方法发挥了积极的作用，但是仍然存在以下三个方面的问题：1、过分依赖专家经验与知识。一旦事故发生，往往急于组织专家开展工程会议集中讨论处理方案，这很可能会延误工程事故处理的最佳时间，同时也说明，稀缺的专家知识尚未集成化管理用于实时安全管理决策支持。2、局限于静态安全管理。事实上，地铁工程施工安全管理是一个复杂的动态变化过程，当前的风险管理技术在处理动态过程时往往难以提供实时决策支持。3、偏重于事前安全管理，未将事前、事中及事后安全管理有机结合起来，进行系统的全过程实时分析与决策。因而研究地铁施工安全管理知识集成推理及全过程实时分析与决策成为一个关键的科学问题。 

近年发展起来的贝叶斯网络，能够使先验知识和样本数据有机结合，被国内外学者认为是不确定环境中实现知识表示、推断、预测等最理想的工具，在生态学、可靠性分析等领域得到广泛运用。利用贝叶斯网络对地铁施工复杂环境下安全事故进行不确定分析，为特定安全事故的处理提供实时决策支持。 

发明内容

本发明的目的在于克服上述不足，提供一种基于贝叶斯网络的地铁施工安全管理决策方法，为复杂环境下地铁工程施工全过程中安全事故的处理提供推理及实时分析与决策。 

为实现上述技术目的，本发明提供的方案是：一种基于贝叶斯网络的地铁施工安全管理决策方法，包括如下步骤。 

步骤一，归纳地铁施工常见风险，并借助风险分析、分解方法，建立风险及其致险因子库。 

而且，步骤一中所述风险包括基坑底流砂、管涌、隆起，基坑塌方、滑坡，支撑体系整体或局部失稳，围护结构渗漏、隆起，建筑物倾斜、开裂，地下管线破裂；步骤一中所述致险因子包括隧道周边的地下管线埋深、地下管线走向以及隧道土体的材料物理力学参数。 

步骤二，基于大量工程实际数据及规律，利用致险因子与风险事故之间映射关系建立决策表，在此基础上挖掘满足支持度与置信度要求的可靠规则，通过关联规则的前件和后件之间蕴含的依赖关系，构建地铁施工安全管理贝叶斯网络各节点的拓扑结构，利用关联规则挖掘中的规则置信度，获取贝叶斯网络各节点之间的条件概率关系。 

步骤三，以矢量形式表征地铁施工安全贝叶斯网络预测结果及其实测数据，提出模型准确性及模型可靠性两个指标，对所建成安全管理贝叶斯网络的进行实践检验，基于统计学假设检验原理设置模型准确性指标与模型可靠性指标的信度区间为[0.025, 0.975]，通过准确性指标和可靠性指标检验合格的安全管理决策网络，被认为是经得起实践检验并值得信任的。 

步骤四，提出面向地铁施工安全管理全过程实时诊断分析方法，事前阶段运用正向推理技术预测事故发生概率，以界定警情等级及早防范；事中阶段运用重要度分析辨识关键致险因子，以明确过程控制要点；事后阶段运用反向推理技术快速诊断查明最可能致险因子组合。 

本发明将知识集成技术、贝叶斯网络建模技术、可靠性分析技术及风险仿真分析技术有机融合，具有如下优势。 

（1）基于大量工程实际数据及规律，结合关联规则挖掘构建的安全管理决策贝叶斯网络是高效合理的，克服了以往单纯依靠专家经验，受主观不确定性影响造成与实际情况具有很大的偏差的不足。 

（2）经过模型准确性及模型可靠性指标验证合格的安全管理决策贝叶斯网络，是经得起实践检验并值得信任的，进一步提高了所构建安全管理决策贝叶斯网络的可理解性与适应性。 

（3）相比于常规风险管理与诊断工具，本发明具备循环推理能力，也就是自学习能力，能够从原始样本数据中推理各影响因素之间的拓扑结构和概率关系，进行知识发现，构建模型，预测未来，有利于满足未来地铁施工安全智能化管理的需要。 

（4）本方法能够实现事前、事中及事后全过程多方位实时的决策分析与支持，提高了地铁施工安全诊断的准确性和效率，且易于实施，具有先进性和实用性。 

附图说明

图1是本发明的步骤示意图。 

具体实施方式

下面结合附图及实施例对本发明作进一步说明。 

本实施例提供一种基于贝叶斯网络的地铁施工安全管理决策方法，如图1所示，具体包括致险机理分析、模型设计、模型验证及模型分析运用等四个步骤，具体实施方式如下。 

第一步：建立风险及其致险因子库。 

利用WBS－RBS风险分解方法，分析地铁施工安全风险规律，得出地铁工程施工常见安全风险有：基坑底流砂、管涌、隆起，基坑塌方、滑坡，支撑体系整体或局部失稳，围护结构渗漏、隆起，建筑物倾斜、开裂，地下管线破裂等。其中，WBS （Work Breakdown Structure）表示地铁施工安全管理中的工作分析结构，通过逐层分解项目任务，形成WBS树形；RBS（Risk Breakdown Structure）则是在WBS的基础上，根据各层工作与施工及工艺结构上的关系进行风险结构分解，二者交叉构建WBS－RBS风险矩阵。 

对于适合建立力学解析模型的风险事件，结合可靠度理论建立极限状态函数，函数自变量可作为致险因子的来源。对于不适合建立解析模型的风险事件，利用数值模拟方法建立仿真模型，其模型中的参数亦可作为致险因子的来源。常见的地铁施工安全致险因子包括周围土体的材料物理力学参数、临近建（构）筑物结构情况及埋深、施工方法及工艺参数等。 

第二步：构建地铁施工安全管理贝叶斯网络各节点的拓扑结构，获取贝叶斯网络各节点之间的条件概率关系。 

贝叶斯网络由网络结构和参数两部分组成，因此，贝叶斯网络设计包含网络结构设计与参数设计两部分。其中，网络结构设计的任务是寻找有向无环图，以确定节点之间的相互依赖关系；参数设计的任务是在已知网络结构的条件下，确定每个节点的条件概率分布表。 

基于大量工程实际数据及规律，结合致险因子与风险事故之间映射关系建立决策表，在此基础上挖掘满足支持度与置信度要求的可靠规则，通过关联规则的前件和后件之间蕴含的依赖关系，构建地铁施工安全管理贝叶斯网络各节点的拓扑结构，利用关联规则挖掘中的规则置信度，获取贝叶斯网络各节点之间的条件概率关系，得到地铁施工安全管理贝叶斯网络初步模型。 

工程领域积累了大量的事件树或故障树是网络结构设计的基础素材，以故障树为例，变量之间的具有直接的依赖关系，结合先验背景知识对初步构建的贝叶斯网络进行修订和完善。 

第三步：以矢量形式表征安全管理贝叶斯网络预测结果及其实测数据，根据模型准确性和模型可靠性两个指标来验证建成的地铁施工安全贝叶斯网络的合理性。 

假设风险T为P种状态ti (i=1,2,...,P)，地铁工程施工安全决策网络预测每个状态ti (i=1,2,...,P)发生的概率为oi (i=1,2,...,P)，其累积概率用矢量O表示，如公式（1）所示， 

        （1）。

监测该风险T的实际状态，了解每个状态ti (i=1,2,...,P)实际发生的概率为si (i=1,2,...,P)，其累积概率用适量S表示，如公式（2）所示， 

        （2）。

实际工程中存在K个监测点共同监控风险T的实际状态，比较每个监测点该风险T的预测状态与实际差误，用MPE表征上述所构建的安全管理决策网络的准确性指标，如公式（3）所示。用MSPE表征上述所构建的安全管理决策网络的可靠性指标，如公式（4）所示， 

               （3）；

             （4）。

利用Monte-Carlo的近似分析方法，选取一种具有K个分布变量的随机样本，随机生成10000组这样的随机样本，分别按公式（3）与（4）计算得到10000组该样本的准确性指标值与可靠性指标值，形成期望得到的准确性指标（MPE*）与可靠性指标（MSPE*）。 

Monte-Carlo（蒙特-卡罗，又译蒙特-卡洛）模拟法，是一种随机模拟方法，以概率和统计理论方法为基础的一种计算方法，是使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。将所求解的问题同一定的概率模型相联系，用电子计算机实现统计模拟或抽样，以获得问题的近似解。 

为了反映MPE和MSPE的可信度，将其与期望得到的准确性指标（MPE*）与可靠性指标（MSPE*）进行比较，基于统计学假设检验原理设置决策网络准确性指标与可靠性指标的信度区间均为 [0.025, 0.975]。 

通过准确性指标和可靠性指标检验合格的安全管理决策网络被认为是经得起实践检验并值得信任的。 

第四步：提出面向地铁施工安全管理全过程实时诊断分析方法，主要包括地铁施工安全管理在事前、事中及事后等全过程的实时诊断分析。 

事前安全分析：利用贝叶斯网络的正向推理技术，通过输入联合概率分布，直接推算n个致险因子Xi（i=1,2,…, n）故障组合下风险事件T的发生概率。风险事件T发生概率用P(T=t)表示，其计算公式如公式（5）所示。值的大小表明了风险事件T发生可能性的大小，便于施工人员在事前阶段界定事故可能发生的，进而及早采取措施， 

             （5）。

式中，表示叶结点所取状态，共有

 p个状态；表示根结点存在的状态，共有个

状态；

表示BN前向传导的条件概率表；

表示各致险因子的联合概率。 

事中安全分析：在风险事故贝叶斯网络中，提出采用风险促进值重要度、风险降低值重要度、变化衡量重要度3个重要度指标，来衡量致险因子Xi对风险事件T的重要程度，进而辨识该风险事故的关键致险因子以明确安全控制要点。上述3项指标一般配合使用并且相互印证，通常选取各项排序结果均较为靠前的致险因子作为关键致险因子进行重点控制防范。 

1）风险促进值重要度：评价X _i 对T发生的促进影响影响程度大小，用I ^RAW (X _i )表示。I ^RAW (X _i )值越大，X _i 对T的促进贡献越大，其计算如式（6）所示， 

   i=1,2,…,n            （6）。

2）风险降低值重要度：评价X _i 对T发生的降低影响程度，用I ^RRW (X _i )表示。I ^RAW (X _i ) 值越大，表明X _i 对T的降低贡献越大，其计算如式（7）所示， 

     i=1,2,…,n         （7）。

3）变化衡量重要度：衡量X _i 状态变化对T发生概率值的变化幅度，用I ^BW (X _i )表示，I ^BW (X _i )越大，表明X _i 对T取值的敏感度越高。其计算如式（8）所示， 

 ，i=1,2,…,n    （8）。

式（6）~（8）中，

表示风险事故

所取状态，一般取风险最严峻的那个状态；

表示致险因子

存在的状态，共有

个状态。 

事后安全分析：当观察到事故已经发生，则可以通过贝叶斯网络计算各个致险因子的后验概率，即为逆向推理。后验概率可以作为重要指标，考察事故已经发生状况下事故致因的可能性组合，为事故致因诊断寻找提供科学可靠依据。第i个致险因子X _i 的后验概率用   表示，i=1,2,…,n，其计算如式（9）所示。   

越高，表明   

成为事故   

致因的可能性越大，进而指导施工人员针对性地进行故障诊断，快速查明最可能致因组合， 

  i=1,2,…,n     （9）。

本发明不局限于上述最佳实施方式，不能认定本发明的具体实施方式仅限于此，任何人应该得知在本发明的启示下作出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。 

Claims (5)

1.一种基于贝叶斯网络的地铁施工安全管理决策方法，其特征在于包括如下步骤：

步骤一，建立风险及其致险因子库；

步骤二，构建地铁施工安全管理贝叶斯网络各节点的拓扑结构，获取贝叶斯网络各节点之间的条件概率关系；

步骤三，以矢量形式表征安全管理贝叶斯网络预测结果及其实测数据，根据模型准确性和模型可靠性两个指标来验证建成的地铁施工安全贝叶斯网络的合理性；

步骤四，提出面向地铁施工安全管理全过程实时诊断分析方法。

2.根据权利要求1所述的一种基于贝叶斯网络的地铁施工安全管理决策方法，其特征在于：步骤一中所述风险包括基坑底流砂、管涌、隆起，基坑塌方、滑坡，支撑体系整体或局部失稳，围护结构渗漏、隆起，建筑物倾斜、开裂，地下管线破裂；步骤一中所述致险因子包括隧道周边的地下管线埋深、地下管线走向以及隧道土体的材料物理力学参数。

3.根据权利要求1所述的一种基于贝叶斯网络的地铁施工安全管理决策方法，其特征在于：步骤二中所述拓扑结构通过关联规则的前件和后件之间蕴含的依赖关系构建；步骤二中所述的条件概率关系通过关联规则中规则置信度获取。

4.根据权利要求1所述的一种基于贝叶斯网络的地铁施工安全管理决策方法，其特征在于：步骤三中所述模型准确性指标和模型可靠性指标的信度区间基于统计学假设检验原理设置为[0.025, 0.975]。

5.根据权利要求1所述的一种基于贝叶斯网络的地铁施工安全管理决策方法，其特征在于：步骤四中所述实时诊断分析方法为，事前阶段运用正向推理技术预测事故发生概率；事中阶段运用重要度分析辨识关键致险因子；事后阶段运用反向推理技术诊断查明最可能致险因子组合。

Images