CN105427062A - 基于云理论的水库塌岸风险分析方法 - Google Patents

Abstract

本发明涉及水库塌岸预测技术领域，公开了一种基于云理论的水库塌岸风险分析方法，该水库塌岸风险分析方法包括：根据风险等级评价论域的数字特征生成云评价标尺；根据反映决策者对每个风险因素的评语的决策矩阵计算实际云重心向量偏离理想状态云重心向量的偏离度；根据所述偏离度和所述云评价标尺确定塌岸的风险等级。本发明的水库塌岸风险分析方法结合了水库现场的客观实际，能够定量评价水库塌岸风险，且识别出的风险等级更为精确。

Description

基于云理论的水库塌岸风险分析方法

技术领域

本发明涉及水库塌岸预测技术领域，具体地，涉及一种基于云理论的水库塌岸风险分析方法。

背景技术

随着我国经济建设步伐的加快，对铁路运输量的需求越来越大，同时也对铁路安全运输的要求也越来越高。针对跨越库区的重载铁路，要全面考虑铁路运输的安全，从而水库塌岸对铁路安全运营的影响也成为必须要考虑的重点。

水库蓄水致使河岸自然地质条件发生重大改变，库区水位上升抬升库岸侵蚀基准面，引起库区河道水文条件发生重大变化，诱发水库库岸再造运动。随着水库建成蓄水，河道内水流流速渐缓并形成人工湖泊静水。由此，水库坡岸会发生一系列地质现象，塌岸即是最为典型、最为常见的库岸工程地质灾害。

塌岸是水库蓄水后普遍发生的灾害，其影响因素有很多，各因素之间也存在着错综复杂的关系，对于塌岸的风险分析主要有定性分析方法与定量分析方法，常见的有层次分析法、改进层次分析法、模糊综合评价法、事故树等。但是，以上分析方法都存在着主观性大的问题，使得评价结果偏离客观实际，据此现有技术中还提出了基于贝叶斯网络的塌岸风险分析方法和基于S-SVM以及可拓学的塌岸风险分析方法。

对于基于贝叶斯网络的塌岸风险分析，贝叶斯网络可以很好地对不确定性问题进行描述和推理，但是节点概率和条件概率的确定需要依靠专家经验和大量的历史数据，当过多的依靠专家经验、历史数据缺失或不完善时，使用贝叶斯网络进行风险分析也存在着一定的局限性。

对于基于LS-SVM以及可拓学的塌岸风险评价方法，虽然充分的考虑了评价问题的模糊性，但是忽略了评价过程中随机性的影响。

因此，以上的塌岸风险分析方法的评价结果都有可能偏离客观实际，不够精确。

发明内容

本发明的目的是提供一种基于云理论的水库塌岸风险分析方法，用于解决现有技术中塌岸风险分析方法不够精确的问题。

为了实现上述目的，本发明提供一种基于云理论的水库塌岸风险分析方法，该水库塌岸风险分析方法包括：根据多个风险等级评价论域的数字特征生成云评价标尺；根据反映决策者对每个风险因素的评语的决策矩阵计算实际云重心向量偏离理想状态云重心向量的偏离度；根据所述偏离度和所述云评价标尺确定塌岸的风险等级。

优选地，所述根据风险等级评价论域的数字特征生成云评价标尺包括：划分示出塌岸风险等级的评价论域，并建立与所述评价论域对应的评语集；根据各风险等级评价论域的数字特征，建立各评价论域的云模型；以及基于所述云模型生成云评价标尺。

优选地，所述评价论域包括[0，0.25)、[0.25,0.4)、[0.4,0.75)、[0.75,1]四个区间，且该评价论域对应的评语集为U＝{低、中、高、很高}。

优选地，所述根据各风险等级评价论域的数字特征，建立各评价论域的云模型包括：根据所述评价论域的边界值，对该评价论域对应的评语集中的评语进行定量化处理，并计算定量化后的评语的数字特征，得到各评价论域的云模型。优选地，所述基于所述云模型生成云评价标尺包括：根据所述云模型的数字特征，建立由若干个云滴组成的评价云；以及在所述评价云中，将不同风险等级对应的正态云置于同一坐标系内，构成云评价标尺。

优选地，所述根据反映决策者对每个风险因素的评语的决策矩阵计算实际云重心向量偏离理想状态云重心向量的偏离度包括：根据预先确定的风险因素权重和所述决策矩阵计算实际云重心向量；以及计算实际云重心向量偏离理想状态云重心向量的偏离度。

优选地，所述根据预先确定的风险因素权重和所述决策矩阵计算实际云重心向量包括：对预先确定的风险因素权重和所述决策矩阵进行加权运算，得到实际云重心向量。

优选地，所述计算实际云重心向量偏离理想状态云重心向量的偏离度包括：将实际云重心向量和风险因素权重进行加权运算，得到实际云重心向量偏离理想状态云重心向量的偏离度。

优选地，所述将实际云重心向量和风险因素权重进行加权运算，得到实际云重心向量偏离理想状态云重心向量的偏离度包括：对实际云重心向量进行归一化处理；以及将归一化处理后得到的向量与风险因素权重进行加权运算，得到实际云重心向量偏离理想状态云重心向量的偏离度。

优选地，所述根据所述偏离度和所述云评价标尺确定塌岸的风险等级包括：将所述偏离度的值输入到所述云评价标尺，以确定塌岸的风险等级。

通过上述技术方案，本发明的有益效果是：本发明的水库塌岸风险分析方法结合了水库现场的客观实际，能够定量评价水库塌岸风险，且识别出的风险等级更为精确。

本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：

图1是本发明的实施例中的水库塌岸风险分析方法的流程示意图；

图2是本发明的实施例中水库塌岸风险因素体系的结构示意图；

图3是本发明的实施例中建立各评价论域的云模型的流程示意图；

图4是本发明的实施例中建立云评价标尺的流程示意图；

图5是本发明的实施例中形成的云评价标尺的示例图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

针对现有技术中塌岸风险分析方法不够精确的问题，本发明提出了基于云理论来进行水库塌岸风险分析的思路。云理论是一种将模糊性和随机性相结合的理论，它通过期望、熵及超熵构建云发生器描述概念的不确定性，并且能够简单直观地完成定性概念和定量值的转变。云理论在考虑概念模糊性的同时还充分的体现了评价的随机性，且在处理模糊信息不完整及不确定问题上具有一定优势，因此云理论为塌岸风险评估的定量评价提供了新的思维。

其中，云的期望E_x是指云滴在论域空间的分布期望，就是最能代表定性概念的点，也是这个概念量化的最典型样本。云的熵E_n是指定性概念的不确定性度量，由概念的随机性和模糊性共同决定，一方面E_n是定性概念随机性的度量，反映了能够代表这个定性概念的云滴的离散程度，另一方面又是定性概念亦此亦彼性的度量，反映了论域空间中可被概念接受的云滴的取值范围。云的超熵H_e是熵的不确定性的度量，即是熵的熵，由熵的随机性和模糊性共同决定，反映各云滴的离散度，H_e越小，云滴越凝聚。本实施例所指的数字特征主要即是指期望、熵和超熵。

本发明的实施例提供了一种基于云理论的水库塌岸风险分析方法，该方法主要包括：根据风险等级评价论域的数字特征生成云评价标尺；根据反映决策者对每个风险因素的评语的决策矩阵计算实际云重心向量偏离理想状态云重心向量的偏离度；根据所述偏离度和所述云评价标尺确定塌岸的风险等级。在此基础步骤的基础上，具体步骤则如图1所示，包括：

步骤S1，划分示出塌岸风险等级的评价论域。

其中，划分示出塌岸风险等级的评价论域是基于塌岸的多个风险因素进行的。如图2所示，本实施例中塌岸的多个风险因素主要包括：大气水文(大气降水、库水位、温度等)、岸坡的地形地貌特征(水上岸坡坡高、自然坡脚、坡形特征、岸坡组合等)、动力学因素(重载铁路荷载、地震、风浪强度等)以及岸坡的岩性特征(岸坡岩体风化程度、岸坡岩体节理裂隙发育程度等)等因素，

因为无法对风险因素的风险大小直接进行定量取值，只能进行定性取值(如风险低、中、高、很高等定性分析值)，所述本实施例通过评价论域将定性分析值转化为定量值。

进一步地，本实施例在划分示出塌岸的风险等级的评价论域后，还要建立与所述评价论域对应的评语集。

优选地，本实施例划分的评价论域包括[0，0.25)、[0.25,0.4)、[0.4,0.75)、[0.75,1]四个区间，且建立该评价论域对应的评语集为U＝{低、中、高、很高}。

步骤S2，建立各评价论域的云模型，并基于所述云模型生成云评价标尺。

如图3所示，其中所述建立各评价论域的云模型包括以下步骤：

步骤S201，根据所述评价论域的边界值，计算该评价论域对应的评语集中的评语的数字特征。

具体地，采用以下公式计算评语的数字特征：

$E_{xi}=\frac{C_{max}+C_{\min }}{2},E_{ni}=\frac{C_{max}-C_{\min }}{6}---\left(1\right)$

式中，E_xi与E_ni分别为某个评语的期望和熵，C_max与C_min分别为评价论域的边界值。举例说明，评语“低”对应的评价论域为[0，0.25)，该评价论域的两个边界值分别为C_max＝0.25、C_min＝0，则可通过公式(1)计算出评语的期望和熵。

步骤S202，根据评语的数字特征，得到各评价论域的云模型。

当对风险因素按照定性标准给出定性评价时，n个专家(或称决策者)给出n个评语，针对某一个风险因素的n组评语，汇总后可由以下公式(2)确定该风险因素的期望(E_x)和熵(E_n)。

$E_x=\frac{E_{x1}{E}_{n1}+E_{x2}{E}_{n2}+......\mathrm{..}+E_{nn}{E}_{xn}}{E_{n1}+E_{n2}......+E_{nn}},$ E_n＝E_n1+E_n2......+E_nn(2)

在已知各风险等级评价论域的期望(E_x)和熵(E_n)的基础上，就可以建立该风险等级的云模型。

进一步地，如图4所示，所述基于所述云模型生成云评价标尺包括以下步骤：

步骤S211，根据所述云模型的数字特征，建立由若干个云滴组成的评价云。

本实施例中，形成评价云的具体过程如下：

1)根据计算出的云模型的数字特征，输入定性概念低(在相关公式中用下标L示意)、中(在相关公式中用下标N示意)、高(在相关公式中用下标H示意)及很高(在相关公式中用下标E示意)对应的期望(E_x)、熵(E_n)、超熵(H_e)

2)分别生成以E_nl、E_nn、E_nh、E_ne为期望值，H_el、H_en、H_eh、H_ee为标准差的正态随机数E'_nl、E'_nn、E'_nh、E'_ne。

3)分别生成以E_xl、E_xn、E_xh、E_xe为期望值，E'_nl、E'_nn、E'_nh、E'_ne为标准差的正态随机数x_l、x_n、x_h、x_e。

4)令x_l、x_n、x_h、x_e为评价语言的一次具体量化，将其作为不同评价语言的云滴。

5)根据正态分布即x条件生成y。

6)重复以上步骤，最终可生成不同论域的N个云滴，即组成云的基本单元。

步骤S212，在所述评价云中，将不同风险等级对应的正态云置于同一坐标系内，构成云评价标尺。

在实际操作中，可输入上述计算的相关的期望、熵和超熵，通过Matlab软件生成云评价标尺。

举例说明，如图5所示，即给出了针对上述的[0，0.25)、[0.25,0.4)、[0.4,0.75)、[0.75,1]的评价论域的云评价标尺，其中，横坐标为风险程度，纵坐标为相对于期望的隶属度。-该图5中一共有四条正态曲线，从左至右依次为风险等级低、中、高、很高，图中的每条曲线即是由N个云滴构成的。

步骤S3，建立反映决策者对每个风险因素的评语的决策矩阵。

决策矩阵反映决策者对每个风险因素的评语，因此可根据决策者对风险因素的定性评价，建立定性的决策矩阵R，

$R=\left[\begin{array}{ccccc}{r}_{11}& r_{12}& r_{13}& \mathrm{...}& r_{1j}\\ .& .& .& & .\\ .& .& .& \mathrm{...}& .\\ .& .& .& & .\\ r_{i1}& r_{i2}& r_{i3}& \mathrm{...}& r_{ij}\end{array}\right]$

其中，r_ij代表第i个专家对第j个影响因素的评语。

进一步地，获得定量化的决策矩阵包括以下步骤：根据所述评语集，确定决策者对每个风险因素的评语对应的评价论域；根据确定的评价论域的边界值，对决策者对每个风险因素的评语进行定量化处理，并计算定量化后的评语的数字特征；以及基于计算出的评语的数字特征生成决策矩阵。

因此，上述定量化的决策矩阵是基于评语的数字特征确定的，从而可通过上述的公式(1)计算出定量化的决策矩阵R。

步骤S4，根据预先确定的风险因素权重和所述决策矩阵计算实际云重心向量。

如果将期望值作为云的中心位置，权重作为云的高度，则可以将云重心理解为云重心位置与云重心高度的乘积。因此对于期望值相同的云，可以运用云重心高度来区分重要性，而整个系统的变化情况可以由云重心改变来反映。云重心向量为有大小和方向，但无量纲的值。

另外，可将预先确定的所有风险因素权重整合为风险因素权重集。权重分为主观权重和客观权重，主观权重的值可采用改进的层次分析法FAHP来确定，客观权重可采用熵权法来确定，再将主观权重与客观权重相结合，得到本实施例需要的风险因素权重。

本实施例中，根据预先确定的风险因素权重和所述决策矩阵计算实际云重心向量包括：对预先确定的风险因素权重集和所述决策矩阵进行加权运算，得到实际云重心向量。具体地，可采用以下公式计算实际云重心向量G和理想云重心向量G^P：

G＝(W₁,W₂,W₃,…,W_i)×(E₁,E₂,E₃,…,E_i)(3)

G^P＝(W₁,W₂,W₃,…,W_i)×(E_1m,E_2m,E_3m,…,E_im)(4)

式中，W_i为风险因素权重，E_i是采用公式(2)对决策矩阵R进行处理得到的各风险因素的期望值，E_im是指理想状态下的期望值。其中，理想状态下的期望值可通过以下方法确定：对于多个专家对风险因素的评语，取其中最理想值，最后汇总各专家评审意见后，取最理想的状态，即风险影响小的状态，其余各风险因素类推。

步骤S5，计算实际云重心向量偏离理想状态云重心向量的偏离度。

本实施例中，可通过将实际云重心向量和风险因素权重进行加权运算，得到实际云重心向量偏离理想状态云重心向量的偏离度。

为使计算更为方便，本实施例还优选为先对对实际云重心向量G进行归一化处理，得到G^T(G₁ ^T,G₂ ^T,G₃ ^T,……,G_i ^T)，再以将归一化处理后得到的向量G^T与W_i进行加权运算，得到实际云重心向量G偏离理想状态云重心向量G^P的偏离度θ，具体的计算公式如下：

$G^T=\frac{\left|G-G^P\right|}{G}---\left(5\right)$

$\mathrm{\θ}=G_1^T\·W_1+G_2^T\·W_2+G_3^T\·W_3+\mathrm{...}+G_i^T\·W_i---\left(6\right)$

式中，W_i为风险因素权重，表示G_i对应的归一化向量。

步骤S6，将所述偏离度输入到所述云评价标尺，以确定塌岸的风险等级。

参考图5所示的云评价标尺，输入计算出的偏离度，即可得到对应的风险状态，确定风险等级。

下面给出一个具体的应用例来进一步介绍上述水库塌岸风险识别方法的实现。

该应用例中，将风险事件评价论域划分为低[0，0.25)、中[0.25,0.4)、高[0.4,0.75)、很高[0.75,1]四个区间，且建立该评价论域对应的评语集为U＝{低、中、高、很高}，采用公式(1)得到各评价论域的期望与熵，结果如表1所示。

表1评价论域期望、熵

通过上述步骤S2中涉及的技术方案，形成如图5所示的云评价标尺。

本应用例选取6个风险因素，并抽取4位专家对其进行定性分析，定性分析的决策矩阵的对应的参数可通过下面的表2示出。

表2定性评价的决策矩阵

序号	风险因素	专家1	专家2	专家3	专家4
						1	一次累计大气降水量	低	中	中	中
2	库水位	高	高	高	很高
						3	温度	中	中	高	中
4	自然坡脚	中	低	中	中
						5	坡型特征	中	高	中	高
6	水上岸坡坡高	中	中	低	中

根据公式(1)及表1中所示的数据，可将表2所示决策矩阵的定性分析值转变化定量分析值，转变后可通过期望或熵的值来示出定量分析的决策矩阵，分别如表3和表4所示。

表3定量评价的决策矩阵(期望值)

序号	风险因素	专家1	专家2	专家3	专家4
						1	一次累计大气降水量	0.125	0.325	0.325	0.325
2	库水位	0.575	0.575	0.575	0.875
						3	温度	0.325	0.325	0.575	0.325
4	自然坡脚	0.325	0.125	0.325	0.325
						5	坡型特征	0.325	0.575	0.325	0.575
6	水上岸坡坡高	0.325	0.325	0.125	0.325

表4定量评价的决策矩阵(熵值)

序号	风险事件	专家1	专家2	专家3	专家4
						1	一次累计大气降水量	0.0417	0.025	0.025	0.025
2	库水位	0.0583	0.0583	0.0583	0.0417
						3	温度	0.025	0.025	0.0583	0.025
4	自然坡脚	0.025	0.0417	0.025	0.025
						5	坡型特征	0.025	0.0583	0.025	0.0583
6	水上岸坡坡高	0.025	0.025	0.0417	0.025

再结合表3和表4的数据，采用公式(2)可计算出各风险因素的期望(E_x)和熵(E_n)，首先表5示出了E_x*E_n的结果。

表5E_x*E_n的结果

其次，进一步采用公式(2)，可计算出各风险因此对应的综合期望值和熵值。

表6各风险因素的综合期望值和评价值

结合表6的计算结果及根据经验值预设的风险因素权重，计算实际云重心向量G、对应的G^T及其理想状态云重心向量G^P，再计算出偏离度θ，结果如表7所示。

将计算出的偏离度值0.35输入到图5所示的云评价标尺，得到塌岸风险云滴(0.35，0.55)激活风险等级为中的云簇，可知风险等级为中。

综上所述，本发明的水库塌岸风险识别方法结合了水库现场的客观实际，能够定量评价水库塌岸风险，且识别出的风险等级更为精确。

这里，应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种基于云理论的水库塌岸风险分析方法，其特征在于，该水库塌岸风险分析方法包括：

根据风险等级评价论域的数字特征生成云评价标尺；

根据反映决策者对每个风险因素的评语的决策矩阵计算实际云重心向量偏离理想状态云重心向量的偏离度；

根据所述偏离度和所述云评价标尺确定塌岸的风险等级。

2.根据权利要求1所述的水库塌岸风险分析方法，其特征在于，所述根据风险等级评价论域的数字特征生成云评价标尺包括：

划分示出塌岸风险等级的评价论域，并建立与所述评价论域对应的评语集；

根据各风险等级评价论域的数字特征，建立各评价论域的云模型；以及

基于所述云模型生成云评价标尺。

3.根据权利要求2所述的水库塌岸风险分析方法，其特征在于，所述评价论域包括[0，0.25)、[0.25,0.4)、[0.4,0.75)、[0.75,1]四个区间，且该评价论域对应的评语集为U＝{低、中、高、很高}。

4.根据权利要求2所述的水库塌岸风险分析方法，其特征在于，所述根据各风险等级评价论域的数字特征，建立各评价论域的云模型包括：

根据所述评价论域的边界值，对该评价论域对应的评语集中的评语进行定量化处理，并计算定量化后的评语的数字特征，得到各评价论域的云模型。

5.根据权利要求2所述的水库塌岸风险分析方法，其特征在于，所述基于所述云模型生成云评价标尺包括：

根据所述云模型的数字特征，建立由若干个云滴组成的评价云；以及

在所述评价云中，将不同风险等级对应的正态云置于同一坐标系内，构成云评价标尺。

6.根据权利要求1所述的水库塌岸风险分析方法，其特征在于，所述根据反映决策者对每个风险因素的评语的决策矩阵计算实际云重心向量偏离理想状态云重心向量的偏离度包括：

根据预先确定的风险因素权重和所述决策矩阵计算实际云重心向量；以及

计算实际云重心向量偏离理想状态云重心向量的偏离度。

7.根据权利要求6所述的水库塌岸风险分析方法，其特征在于，所述根据预先确定的风险因素权重和所述决策矩阵计算实际云重心向量包括：

对预先确定的风险因素权重和所述决策矩阵进行加权运算，得到实际云重心向量。

8.根据权利要求6所述的水库塌岸风险分析方法，其特征在于，所述计算实际云重心向量偏离理想状态云重心向量的偏离度包括：

将实际云重心向量和风险因素权重进行加权运算，得到实际云重心向量偏离理想状态云重心向量的偏离度。

9.根据权利要求8所述的水库塌岸风险分析方法，其特征在于，所述将实际云重心向量和风险因素权重进行加权运算，得到实际云重心向量偏离理想状态云重心向量的偏离度包括：

对实际云重心向量进行归一化处理；以及

将归一化处理后得到的向量与风险因素权重进行加权运算，得到实际云重心向量偏离理想状态云重心向量的偏离度。

10.根据权利要求1所述的水库塌岸风险分析方法，其特征在于，所述根据所述偏离度和所述云评价标尺确定塌岸的风险等级包括：将所述偏离度的值输入到所述云评价标尺，以确定塌岸的风险等级。