CN106779296A - 一种基于多传感器的隧道施工周围建筑物安全预警方法 - Google Patents
一种基于多传感器的隧道施工周围建筑物安全预警方法 Download PDFInfo
- Publication number
- CN106779296A CN106779296A CN201611032890.XA CN201611032890A CN106779296A CN 106779296 A CN106779296 A CN 106779296A CN 201611032890 A CN201611032890 A CN 201611032890A CN 106779296 A CN106779296 A CN 106779296A
- Authority
- CN
- China
- Prior art keywords
- index
- risk
- fusion
- level
- constructing tunnel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004927 fusion Effects 0.000 claims abstract description 51
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000012502 risk assessment Methods 0.000 claims abstract description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000004062 sedimentation Methods 0.000 claims description 8
- 230000006378 damage Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000009412 basement excavation Methods 0.000 claims description 5
- 230000003902 lesion Effects 0.000 claims description 5
- 241000132179 Eurotium medium Species 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 3
- 238000010206 sensitivity analysis Methods 0.000 abstract description 3
- 230000019771 cognition Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 208000013668 Facial cleft Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000005641 tunneling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于隧道施工诱发临近建筑物变形的安全风险感知技术领域,具体涉及一种基于多传感器的隧道施工周围建筑物安全预警方法,包括如下步骤:(1)构建多层次信息融合模型;(2)通过云模型理论中的隶属度计算构建输入变量不同风险等级的基本可信度分配;(3)结合Dempster规则和加权平均规则处理含有冲突的多源证据融合与推理;(4)利用蒙特卡洛技术通过正态概率分布表征输入因素在测量过程中存在的模糊随机不确定性;(5)提出风险分析可信度因子和全局敏感性分析指标,得到最终的安全风险等级。本发明的方法能有效处理复杂决策问题存在的不确定性、冲突、误差等问题,得到更精确的安全预警结果,具有很强的准确性和容错能力。
Description
技术领域
本发明属于隧道施工诱发临近建筑物变形的安全风险感知技术领域,具体涉及一种基于多传感器的隧道施工周围建筑物安全预警方法,其能够实时准确的方式监测、分析、评估隧道施工环境下既有建筑物的安全状态。
背景技术
为应对人口增长、空间限制和环境恶化等城市综合病问题,世界各大城市中的地铁、公路、管道和公用事业隧道的机械化施工规模在飞速增长。软土中的隧道开挖不可避免会导致地表沉降,这将造成临近建筑物,尤其是基础较浅的建筑物变形、旋转、扭曲甚至不可逆转的破坏。
目前,国内外评估隧道诱发地面沉降和临近建筑物损坏程度的方法可以大致分为三类:经验法,解析法和数值仿真法。这些方法在预测隧道诱发临近建筑物损伤方面具有各自的优势,但是在应用方面也有各自的局限。例如,Loganathan认为经验法在不同的地面条件和施工技术中的应用是有限的,因而不能得出高精度的结论(参考An innovativemethod for assessing tunneling induced risks to adjacent structures,PB2009William Barclay Parsons Fellowship Monograph 25,Parsons BrinckerhoffInc.,New York,USA,2011,pp.1-129);Chou和Bobet认为解析法未考虑时间和地层蠕变损失,解析法往往会低估土层最大变形或高估最小沉降(参考Predictions of grounddeformations in shallow tunnels in clay,Tunnelling and Underground SpaceTechnology 17(1)(2002)3-19.);和Sumelka认为数值仿真模型的构建和验证需要耗费大量时间,尤其是分析临近建筑群需要耗费大量时间,且数值仿真方法的准确性和有效性对边界条件极为敏感(参考Limitations in application of finite elementmethod in acoustic numerical simulation,Journal of theoretical and appliedmechanics 44(4)(2006)849-865.)。除此之外,由于隧道工程的动态变化性和复杂性,其建造过程中存在大量的随机性和不确定性,上述方法很难综合考虑这种随机性和不确定性以及各种误差,容易造成安全管理决策的显著偏差。
因此,为满足现有建筑实际使用安全性方面的要求,以实时准确的方式监测、分析、评估隧道施工环境下既有建筑物的安全状态,可以有效感知和预测隧道施工诱发临近建筑物损伤的安全风险,进而及时有效地采取相应控制措施。
针对上述技术问题,目前还没有看到一套完整、有效、方便的安全预警方法,如何解决上述技术难点,设计一种隧道施工周围建筑物安全预警方法,实现与实际的地面沉降和临近建筑物损坏情况的无限接近,是本发明要解决的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于多传感器的隧道施工周围建筑物安全预警方法,该方法基于云模型、D-S证据理论和蒙特卡洛模拟技术的不确定条件下隧道施工诱发临近建筑物变形的多源信息融合方法以感知安全风险状态,由该方法得出的结果与真实的状况无限接近,能够满足隧道施工前的周围建筑物安全风险预估的准确性要求。
为实现上述目的,按照本发明的一个方面,提供了一种基于多传感器的隧道施工周围建筑物安全预警方法,其特征在于,包括如下步骤:
S1、评价指标体系构建:确定综合评价隧道施工诱发周围建筑物安全风险水平的定性指标和定量指标,根据所述定性指标和定量指标构建隧道施工周围建筑物安全预警的多层次信息融合模型;
S2、风险区间识别:根据标准规范,将隧道施工诱发周围建筑损伤大小划分为若干个风险等级;确定所述定性指标和定量指标的合理区间划分,每一所述定性指标和定量指标均划分为若干个区间,分别对应若干个风险等级;
S3、数据获取:通过硬传感器和软传感器获取分别获取所述定量指标数据和定性指标数据;
S4、基于云模型理论构建基本概率分配:基于云模型计算所述定性指标和定量指标对应于各风险等级的隶属度,作为基本概率分配分布;
S5、基于改进D-S证据理论实现多级融合:基于改进D-S证据理论来对监测点融合、指标融合和整体安全风险状态融合进行三级融合;
S6、基于蒙特卡洛仿真模拟技术判定指标敏感度大小:采用蒙特卡洛模拟技术进行安全风险评估,计算最终安全等级,用所述最终安全等级相关系数度量每个输入指标对输出指标的全局敏感性大小。
进一步优选地,步骤S1中,所述定量指标包括累计沉降(C1)、日沉降(C2)和建筑倾斜率(C3);所述定性指标包括地基渗漏情况(C4)、地面裂缝状况(C5)和墙壁裂缝状况(C6)。
优选地,步骤S2中,将隧道诱发建筑损伤大小划分为四个风险等级:Ⅰ,即安全级;Ⅱ,即低风险级;Ⅲ,即中等风险级;和Ⅳ,即高风险级;每一所述定性指标和定量指标均划分为四个区间,分别对应四个风险等级。
优选地,步骤S3中,所述硬传感器为至少一个电子传感器,用于监测和获取建筑物因隧道开挖引起的变形特征数据;所述软传感器用于获取经人为判断的定性指标。
优选地,步骤S4中还包括:
S4a、构建正态云模型:针对每个指标的不同等级构建云模型,即计算云模型的三个特征值:Ex,En,He。将每个因素划分为不同的风险等级Cij(i=1,2,...,M;j=1,2,...,N),每个区间有各自的双重制约区间[cij(L),cij(R)](i=1,2,...,M;j=1,2,...,N)。公式(1)将等级区间[cij(L),cij(R)]转换为正态云模型(Exij,Enij,Heij),所有指标对应于不同风险等级的正态云模型Rij=(Exij,Enij,Heij)(i=1,2,...,M;j=1,2,...,N)均以这种方式获取,所述公式(1)如下:
其中,"Exij"为第i个指标的第j个等级区间正态云的期望;"Enij"为第i个指标的第j个等级区间正态云的熵;"Heij"为第i个指标的第j个等级区间正态云的超熵;"s"为从0到"Enij"的常量,表征指标等级划分中存在的不确定性;"xij(L)"和"xij(R)"分别为第i个指标的第j个等级区间左侧与右侧边界值;
S4b、获取各指标对应于各等级的隶属度:根据所述定性指标数据和定量指标数据,结合云模型特征值的计算,得到指标的观测值对特定等级的隶属程度;云模型中隶属度表示指标Ci的观测值xi关于某一风险等级Aj(i=1,2,...,M;j=1,2,...,N)的相关程度,因此隶属度的计算可用作评价指标Aj(i=1,2,...,M;j=1,2,...,N)的基本概率分配,具体指标不同风险等级的基本概率分配可由公式(2)获取,其中,mi(Aj)表示Ci的观测值xi关于某一风险等级Aj(i=1,2,...,M;j=1,2,...,N)的相关程度,mi(Θ)表示最终输出结果中不能确定安全风险等级的那部分概率分布,可信度因子表示1-mi(Θ),所述公式(2)如下:
优选地,步骤S5中还包括:
S5a、构建多级融合模型:通过一级融合对所述定性指标数据和定量指标数据进行融合,得到各指标的安全风险状况;通过二级融合对多个指标进行融合,得到总体安全风险状况;通过三级融合对所述定性指标数据和定量指标数据之间进行融合,得到整个隧道施工诱发周围建筑物损伤的安全风险状态;
S5b、选取融合规则:以ξ为1-0.05=0.95为规则选取阀值,当K大于ξ时,认为证据高冲突,采用加权平均规则,即公式(3)进行证据融合;反之,采用Dempster规则,即公式(4)进行融合;所述公式(3)和(4)如下:
其中,K定义为冲突系数,表示证据间的冲突程度;1/(1-K)为归一化系数,避免在空集中分配非零元素;O是融合过程中的证据体编号,i,j,k分别表示第i,j,k个假设;
其中,wi为第i个证据体的权重;di为第i个证据体与其他证据欧氏距离的和。
S5c、多级融合:通过监测点融合、指标融合和整体安全风险状态融合三级融合,得到隧道施工诱发周围建筑物破坏的最终安全风险等级。
优选地,步骤S6中,设定所述定性指标和定量指标数据指标服从正态分布,抽样分布的期望为指标的观测值,方差为观测值的5%,设定迭代次数Q为1000次,各多级信息融合过程重复1000次,计算多次融合结果的期望值,得到最终安全等级,即整体安全风险状态,并用等级相关系数度量每个输入指标对输出指标T的全局敏感性大小。
优选地,采用蒙特卡洛模拟技术基于概率分布获取输出变量的统计特性,基于输入变量的概率分布,通过仿真得到第i个输入指标的一系列输入数据集(i=1,2,…,M)。相应的,反复迭代之后可以获得一些列输出数据集{T1,T2,...,TQ},其中,Q表示迭代次数;在考虑多输入因子之间的交互作用的基础上,通过等级相关系数(如公式(5))衡量每个输入指标对最终安全风险等级的敏感性贡献度,第i个指标Ci的全局敏感性(GlobalSensitivity Analysis,GSA)表示为GSA(Ci),计算如公式(5);
其中,Q为基于蒙特卡洛仿真技术重复的次数;q代表第q次迭代;为第i个指标Ci的在仿真输入数据集中的顺序;是的平均值;R(Tq)为经过Q次迭代的安全风险结果Tq的排序;是R(Tq)的平均值。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下优点和有益效果:
本发明提出的基于云模型、D-S证据理论和蒙特卡洛模拟技术的不确定条件下隧道施工诱发临近建筑物变形的多源信息融合方法,结合电子(硬)传感器和专家经验(软传感器)获取多源数据,克服了现阶段评价数据来源单一的现状;为构建不确定条件下指标对等级的基本可信度分配,基于正态云模型计算隶属函数以加强D-S证据理论融合结果的准确性;为处理具有高冲突性的证据,结合Dempster融合规则和加权平均规则,通过设定阈值选取融合规则;为加强监管控制的有效性,考虑指标之间的非线性交叉关系,确定不确定条件下输入指标的全局敏感性,基于等级相关系数使用蒙特卡洛模拟技术进行全局敏感性分析,并确定指标观测值的容许偏差度。
该方法在安全风险评价指标体系构建和等级划分的基础上,基于正态云模型实现定性概念和定量指标之间的不确定转换,构建评价指标的基本可信度分配(BPA);结合Dempster融合规则和平均加权规则提出一种新型融合规则,对传统D-S证据理论进行改进,以处理高冲突证据;基于BPA采用改进D-S证据理论实现隧道施工诱发临近建筑物变形监测点融合、指标融合和整体安全风险状态融合;基于蒙特卡洛仿真模拟技术判定不确定条件下输入指标的敏感度大小和测量误差允许值。为隧道施工提供了一种集风险识别、风险分析、风险评价、风险控制、风险决策于一体的安全风险感知方法和信息融合手段,该方法的提出有利于加强隧道施工诱发临近建筑物损伤程度的评价的可靠性和准确性,对提高隧道施工安全风险管理与控制水平具有重要意义。该方法还具备数据处理量小、易于操作、结果可靠性和准确性高等优点。
附图说明
图1为本发明实施例的方法流程图。
图2为本发明实施例的方法中安全风险感知的多层信息融合框架图。
图3是本发明实施例中输入指标全局敏感性分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
图1示出了本发明提出的基于多传感器的隧道施工周围建筑物安全预警方法的流程图,以某隧道区域临建的1#-4#四栋建筑物为例,其主要包括以下步骤:
S1、评价指标体系构建:
确定综合评价隧道施工诱发临近建筑物安全风险水平的定性指标和定量指标,构建评价指标体系;优选的,所述定性指标和定量指标根据标准规范(如“建筑地基基础设计规范(GB 50007-2011)”和“地铁工程施工安全评价标准(GB 50715-2011)”)、监测系统和文献资料以及专家经验确定;由于定量指标主要集中在隧道开挖引起的变形特征上,因此,优选的,所述定量指标包括累计沉降(C1)、日沉降(C2)和建筑倾斜率(C3),同时,专家和/或工程师会定期前往施工现场收集反映临近建筑健康状况的图片和视频资料,从所述图片和视频资料中获取所述定性指标,优选的,所述定性指标包括地基渗漏情况(C4)、地面裂缝状况(C5)和墙壁裂缝状况(C6)。
S2、风险区间识别:
根据标准规范,将隧道诱发建筑损伤大小划分为四个等级:Ⅰ,即安全级;Ⅱ,即低风险级;Ⅲ,即中等风险级;和Ⅳ,即高风险级;根据监控记录、标准规范、技术手册和研究报告等工程实践和理论分析,在充分考虑工程实际和专家经验的基础上,确定所述定性指标和定量指标的合理区间划分,每一所述定性指标和定量指标均划分为四个区间,对应四个风险等级,如表1。
S3、数据获取:
通过硬传感器和软传感器获取分别获取所述定量指标和定性指标;所述硬传感器为至少一个电子传感器,用于监测和获取建筑物因隧道开挖引起的变形特征数据,本实施例中,每栋建筑物上均设置有4个电子传感器,获得4组定量指标数据;所述软传感器用于获取经人为判断的定性指标,如专家和/或工程师会定期前往施工现场收集反映临近建筑健康状况的图片和视频资料,从所述图片和视频资料中获取所述定性指标,本实施例中,每栋建筑物均通过共4位专家和工程师来获取所述定性指标,共获得4组定性指标数据。本实施例中,一个电子传感器和一个专家/一个工程师定义为一个传感器,因此,每栋建筑物均通过4个传感器S1-S4来获取4组监测数据,即S1-S4,所采集到的所述定性指标和定量指标的具体数据见表3。
表3四栋既有建筑物传感器的监测数据
S4、基于云模型理论构建基本概率分配:
基于云模型计算各指标对应于各等级的隶属度,作为基本概率分配分布,为后续D-S证据理论融合提供基础;具体的,以1#建筑物C1指标为例,其基本概率分配构建主要包括以下几步:
S4a、构建正态云模型:针对每个指标的不同等级构建云模型,即计算云模型的三个特征值:Ex,En,He。将每个因素划分为不同的风险等级Cij(i=1,2,...,M;j=1,2,...,N),每个区间有各自的双重制约区间[cij(L),cij(R)](i=1,2,...,M;j=1,2,...,N)。公式(1)将等级区间[cij(L),cij(R)]转换为正态云模型(Exij,Enij,Heij),所有指标对应于不同风险等级的正态云模型Rij=(Exij,Enij,Heij)(i=1,2,...,M;j=1,2,...,N)均以这种方式获取,所述公式(1)如下:
其中,"Exij"为第i个指标的第j个等级区间正态云的期望;"Enij"为第i个指标的第j个等级区间正态云的熵;"Heij"为第i个指标的第j个等级区间正态云的超熵;"s"为从0到"Enij"的常量,表征指标等级划分中存在的不确定性;"xij(L)"和"xij(R)"分别为第i个指标的第j个等级区间左侧与右侧边界值;
S4b、获取各指标对应于各等级的隶属度:根据所述定性指标数据和定量指标数据,结合云模型特征值的计算,得到指标的观测值对特定等级的隶属程度;云模型中隶属度表示指标Ci的观测值xi关于某一风险等级Aj(i=1,2,...,M;j=1,2,...,N)的相关程度,因此隶属度的计算可用作评价指标Aj(i=1,2,...,M;j=1,2,...,N)的基本概率分配,具体指标不同风险等级的基本概率分配可由公式(2)获取,其中,mi(Aj)表示Ci的观测值xi关于某一风险等级Aj(i=1,2,...,M;j=1,2,...,N)的相关程度,mi(Θ)表示最终输出结果中不能确定安全风险等级的那部分概率分布,可信度因子表示1-mi(Θ)。所述公式(2)如下:
获得的四个传感器S1-S4的基本概率分配分布如表4。
表4 1#建筑物C1指标四个传感器的基本概率分配分布
S5、基于改进D-S证据理论实现多级融合:
基于改进D-S证据理论来对监测点融合、指标融合和整体安全风险状态融合进行三级融合,获得隧道施工诱发周围建筑物破坏的最终安全风险等级,主要包括以下几个步骤;
S5a、构建多级融合模型:通过一级融合对所述定性指标数据和定量指标数据进行融合,得到各指标的安全风险状况;通过二级融合对多个指标进行融合,得到总体安全风险状况;通过三级融合对所述定性指标数据和定量指标数据之间进行融合,得到整个隧道施工诱发周围建筑物损伤的安全风险状态;
S5b、选取融合规则:以ξ为1-0.05=0.95为规则选取阀值,当K大于ξ时,认为证据高冲突,采用加权平均规则,即公式(3)进行证据融合;反之,采用Dempster规则,即公式(4)进行融合;所述公式(3)和(4)如下:
其中,K定义为冲突系数,表示证据间的冲突程度;1/(1-K)为归一化系数,避免在空集中分配非零元素;O是融合过程中的证据体编号,i,j,k分别表示第i,j,k个假设;
其中,wi为第i个证据体的权重;di为第i个证据体与其他证据欧氏距离的和。
S5c、多级融合:通过监测点融合、指标融合和整体安全风险状态融合三级融合,得到隧道施工诱发周围建筑物破坏的最终安全风险等级。
具体融合结果见表5~8。
表5 1#建筑物三级指标传感器融合结果
表6已有四栋建筑物硬传感(B1)指标数据(Hard Data)的融合结果
表7已有四栋建筑物软传感(B2)指标数据(Soft Data)的融合结果
表8建筑物一级(T)指标(整体)的融合结果
S6、基于蒙特卡洛仿真模拟技术判定指标敏感度大小:
实际工程中,由于测量误差和人为因素,从不同信息源观测到的数据往往具有不可避免的偏差,为减少输入变量表征与度量过程中的潜在不确定性。因而,使用蒙特卡洛模拟技术进行安全风险评估,设定C1~C6指标服从正态分布,抽样分布的期望为指标的观测值,方差为观测值的5%,由于p≤0.05是普遍接受的统计偏差水平,因此设定偏差水平为5%,设定迭代次数Q为1000次,各多级信息融合过程重复1000次,计算最终安全等级,获得最终的整体安全风险状态。用等级相关系数度量每个输入指标Ci(i=1,2,…,6)对输出指标T的全局敏感性大小。
具体的,采用蒙特卡洛模拟技术基于概率分布获取输出变量的统计特性,基于输入变量的概率分布,通过仿真得到第i个输入指标的一系列输入数据集(i=1,2,…,M)。相应的,反复迭代之后可以获得一些列输出数据集{T1,T2,...,TQ},其中,Q表示迭代次数。在考虑多输入因子之间的交互作用的基础上,通过等级相关系数(如公式(5))衡量每个输入指标对最终安全风险等级的敏感性贡献度,第i个指标Ci的全局敏感性(GlobalSensitivity Analysis,GSA)表示为GSA(Ci),计算如公式(5)。
其中,Q为基于蒙特卡洛仿真技术重复的次数;q代表第q次迭代;为第i个指标Ci的在仿真输入数据集中的顺序;是的平均值;R(Tq)为经过Q次迭代的安全风险结果Tq的排序;是R(Tq)的平均值。
图3反映了6个输入指标全局敏感性分布结果,可以看到C1~C3指标为正敏感因素,而C4~C6指标为负敏感因素,其中C1(累计沉降)在正敏感因素中的敏感性最大,C5(地面裂缝状况)和C6(墙壁裂缝状况)在负敏感性因素中的敏感性较大。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于多传感器的隧道施工周围建筑物安全预警方法,其特征在于,包括如下步骤:
S1、评价指标体系构建:确定综合评价隧道施工诱发周围建筑物安全风险水平的定性指标和定量指标,根据所述定性指标和定量指标构建隧道施工周围建筑物安全预警的多层次信息融合模型;
S2、风险区间识别:根据标准规范,将隧道施工诱发周围建筑损伤大小划分为若干个风险等级;确定所述定性指标和定量指标的合理区间划分,每一所述定性指标和定量指标均划分为若干个区间,分别对应若干个风险等级;
S3、数据获取:通过硬传感器和软传感器获取分别获取所述定量指标数据和定性指标数据;
S4、基于云模型理论构建基本概率分配:基于云模型计算所述定性指标和定量指标对应于各风险等级的隶属度,作为基本概率分配分布;
S5、基于改进D-S证据理论实现多级融合:基于改进D-S证据理论来对监测点融合、指标融合和整体安全风险状态融合进行三级融合;
S6、基于蒙特卡洛仿真模拟技术判定指标敏感度大小:采用蒙特卡洛模拟技术进行安全风险评估,计算最终安全等级,用所述最终安全等级相关系数度量每个输入指标对输出指标的全局敏感性大小。
2.如权利要求1所述的隧道施工周围建筑物安全预警方法,其特征在于,步骤S1中,所述定量指标包括累计沉降(C1)、日沉降(C2)和建筑倾斜率(C3);所述定性指标包括地基渗漏情况(C4)、地面裂缝状况(C5)和墙壁裂缝状况(C6)。
3.如权利要求1所述的隧道施工周围建筑物安全预警方法,其特征在于,步骤S2中,将隧道诱发建筑损伤大小划分为四个风险等级:Ⅰ,即安全级;Ⅱ,即低风险级;Ⅲ,即中等风险级;和Ⅳ,即高风险级;每一所述定性指标和定量指标均划分为四个区间,分别对应四个风险等级。
4.如权利要求1所述的隧道施工周围建筑物安全预警方法,其特征在于,步骤S3中,所述硬传感器为至少一个电子传感器,用于监测和获取建筑物因隧道开挖引起的变形特征数据;所述软传感器用于获取经人为判断的定性指标。
5.如权利要求1所述的隧道施工周围建筑物安全预警方法,其特征在于,步骤S4中还包括:
S4a、构建正态云模型:针对每个指标的不同等级构建云模型,即计算云模型的三个特征值:Ex,En,He。将每个因素划分为不同的风险等级Cij(i=1,2,...,M;j=1,2,...,N),每个区间有各自的双重制约区间[cij(L),cij(R)](i=1,2,...,M;j=1,2,...,N)。公式(1)将等级区间[cij(L),cij(R)]转换为正态云模型(Exij,Enij,Heij),所有指标对应于不同风险等级的正态云模型Rij=(Exij,Enij,Heij)(i=1,2,...,M;j=1,2,...,N)均以这种方式获取,所述公式(1)如下:
其中,"Exij"为第i个指标的第j个等级区间正态云的期望;"Enij"为第i个指标的第j个等级区间正态云的熵;"Heij"为第i个指标的第j个等级区间正态云的超熵;"s"为从0到"Enij"的常量,表征指标等级划分中存在的不确定性;"xij(L)"和"xij(R)"分别为第i个指标的第j个等级区间左侧与右侧边界值;
S4b、获取各指标对应于各等级的隶属度:根据所述定性指标数据和定量指标数据,结合云模型特征值的计算,得到指标的观测值对特定等级的隶属程度;云模型中隶属度表示指标Ci的观测值xi关于某一风险等级Aj(i=1,2,...,M;j=1,2,...,N)的相关程度,因此隶属度的计算可用作评价指标Aj(i=1,2,...,M;j=1,2,...,N)的基本概率分配,具体指标不同风险等级的基本概率分配可由公式(2)获取,其中,mi(Aj)表示Ci的观测值xi关于某一风险等级Aj(i=1,2,...,M;j=1,2,...,N)的相关程度;所述公式(2)如下:
6.如权利要求1所述的隧道施工周围建筑物安全预警方法,其特征在于,步骤S5中还包括:
S5a、构建多级融合模型:通过一级融合对所述定性指标数据和定量指标数据进行融合,得到各指标的安全风险状况;通过二级融合对多个指标进行融合,得到总体安全风险状况;通过三级融合对所述定性指标数据和定量指标数据之间进行融合,得到整个隧道施工诱发周围建筑物损伤的安全风险状态;
S5b、选取融合规则:以ξ为1-0.05=0.95为规则选取阀值,当K大于ξ时,认为证据高冲突,采用加权平均规则,即公式(3)进行证据融合;反之,采用Dempster规则,即公式(4)进行融合;所述公式(3)和(4)如下:
其中,K定义为冲突系数,表示证据间的冲突程度;1/(1-K)为归一化系数,避免在空集中分配非零元素;O是融合过程中的证据体编号,i,j,k分别表示第i,j,k个假设;
其中,wi为第i个证据体的权重;di为第i个证据体与其他证据欧氏距离的和。
S5c、多级融合:通过监测点融合、指标融合和整体安全风险状态融合三级融合,得到隧道施工诱发周围建筑物破坏的最终安全风险等级。
7.如权利要求1所述的隧道施工周围建筑物安全预警方法,其特征在于,步骤S6中,设定所述定性指标和定量指标数据指标服从正态分布,抽样分布的期望为指标的观测值,方差为观测值的5%,设定迭代次数Q为1000次,各多级信息融合过程重复1000次,计算多次融合结果的期望值,得到最终安全等级,即整体安全风险状态,并用等级相关系数度量每个输入指标对输出指标T的全局敏感性大小。
8.如权利要求7所述的隧道施工周围建筑物安全预警方法,其特征在于,采用蒙特卡洛模拟技术基于概率分布获取输出变量的统计特性,基于输入变量的概率分布,通过仿真得到第i个输入指标的一系列输入数据集相应的,反复迭代之后可以获得一些列输出数据集{T1,T2,...,TQ},其中,Q表示迭代次数;在考虑多输入因子之间的交互作用的基础上,通过等级相关系数(如公式(5))衡量每个输入指标对最终安全风险等级的敏感性贡献度,第i个指标Ci的全局敏感性(GlobalSensitivity Analysis,GSA)表示为GSA(Ci),计算如公式(5);
其中,Q为基于蒙特卡洛仿真技术重复的次数;q代表第q次迭代;为第i个指标Ci的在仿真输入数据集中的顺序;是的平均值;R(Tq)为经过Q次迭代的安全风险结果Tq的排序;是R(Tq)的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611032890.XA CN106779296A (zh) | 2016-11-22 | 2016-11-22 | 一种基于多传感器的隧道施工周围建筑物安全预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611032890.XA CN106779296A (zh) | 2016-11-22 | 2016-11-22 | 一种基于多传感器的隧道施工周围建筑物安全预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106779296A true CN106779296A (zh) | 2017-05-31 |
Family
ID=58970770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611032890.XA Pending CN106779296A (zh) | 2016-11-22 | 2016-11-22 | 一种基于多传感器的隧道施工周围建筑物安全预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779296A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818665A (zh) * | 2017-07-06 | 2018-03-20 | 浙江海洋大学 | 一种安全预警系统的构建方法 |
CN107844850A (zh) * | 2017-08-28 | 2018-03-27 | 中北大学 | 基于数据可能性‑信度分布的二型预测集安全评估方法 |
CN108287964A (zh) * | 2018-01-23 | 2018-07-17 | 重庆大学 | 一种基于加速度内积向量的灰云推理结构损伤识别方法 |
CN108898314A (zh) * | 2018-06-29 | 2018-11-27 | 厦门大学 | 一种基于bim和质量多源信息融合施工风险评估方法 |
CN108921432A (zh) * | 2018-07-03 | 2018-11-30 | 黄震 | 一种盾构隧道施工风险综合评价方法 |
CN108960618A (zh) * | 2018-06-29 | 2018-12-07 | 厦门大学 | 一种基于bim和云证据理论的施工风险预警方法 |
CN109740935A (zh) * | 2019-01-02 | 2019-05-10 | 吉林建筑大学 | 建筑遗产监视系统及监视方法 |
CN109823965A (zh) * | 2019-03-21 | 2019-05-31 | 中建五局土木工程有限公司 | 地下连续墙钢筋笼吊装变形监测系统及方法 |
CN110046651A (zh) * | 2019-03-15 | 2019-07-23 | 西安交通大学 | 一种基于监测数据多属性特征融合的管道状态识别方法 |
CN110489816A (zh) * | 2019-07-29 | 2019-11-22 | 河海大学 | 一种量化起重机吊臂疲劳损伤等级的分析方法 |
CN110727986A (zh) * | 2019-10-15 | 2020-01-24 | 成都亮紫智能科技有限公司 | 基于bim和加权灰云聚类模型的古建筑维护模型获取方法 |
CN113887962A (zh) * | 2021-10-08 | 2022-01-04 | 哈尔滨工业大学 | 一种改扩建高速公路道路施工作业风险识别与防控方法 |
CN114066183A (zh) * | 2021-11-02 | 2022-02-18 | 山东康威大数据科技有限公司 | 一种基于大数据分析的隧道监控系统 |
CN114374561A (zh) * | 2022-01-13 | 2022-04-19 | 潍坊学院 | 一种网络安全状态评估方法、装置及可存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120317058A1 (en) * | 2011-06-13 | 2012-12-13 | Abhulimen Kingsley E | Design of computer based risk and safety management system of complex production and multifunctional process facilities-application to fpso's |
CN103077447A (zh) * | 2013-01-24 | 2013-05-01 | 华中科技大学 | 一种基于贝叶斯网络的地铁施工安全管理决策方法 |
CN103093400A (zh) * | 2013-01-24 | 2013-05-08 | 华中科技大学 | 一种隧道施工中邻近建筑物安全性定量评价方法 |
CN103914064A (zh) * | 2014-04-01 | 2014-07-09 | 浙江大学 | 基于多分类器和d-s证据融合的工业过程故障诊断方法 |
CN104766129A (zh) * | 2014-12-31 | 2015-07-08 | 华中科技大学 | 一种基于时空信息融合的地铁盾构施工地表变形的预警方法 |
-
2016
- 2016-11-22 CN CN201611032890.XA patent/CN106779296A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120317058A1 (en) * | 2011-06-13 | 2012-12-13 | Abhulimen Kingsley E | Design of computer based risk and safety management system of complex production and multifunctional process facilities-application to fpso's |
CN103077447A (zh) * | 2013-01-24 | 2013-05-01 | 华中科技大学 | 一种基于贝叶斯网络的地铁施工安全管理决策方法 |
CN103093400A (zh) * | 2013-01-24 | 2013-05-08 | 华中科技大学 | 一种隧道施工中邻近建筑物安全性定量评价方法 |
CN103914064A (zh) * | 2014-04-01 | 2014-07-09 | 浙江大学 | 基于多分类器和d-s证据融合的工业过程故障诊断方法 |
CN104766129A (zh) * | 2014-12-31 | 2015-07-08 | 华中科技大学 | 一种基于时空信息融合的地铁盾构施工地表变形的预警方法 |
Non-Patent Citations (5)
Title |
---|
何亮 等: "基于全局敏感性分析和贝叶斯方法的WOFOST作物模型参数优化", 《农业工程学报》 * |
吴贤国 等: "基于云模型的运营隧道结构健康安全评价", 《中国安全生产科学技术》 * |
吴贤国 等: "基于云证据理论的地铁盾构施工临近_省略_筑物变形安全控制预警决策方法研究", 《安全与环境工程》 * |
姜洲 等: "基于云模型和D_S证据理论的尾矿库失稳溃坝警情评价模型及应用", 《水电能源科学》 * |
董现 等: "基于改进混沌粒子群的混合神经网络_省略_特卡洛法的结构随机灵敏度分析方法", 《工程力学》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818665A (zh) * | 2017-07-06 | 2018-03-20 | 浙江海洋大学 | 一种安全预警系统的构建方法 |
CN107844850A (zh) * | 2017-08-28 | 2018-03-27 | 中北大学 | 基于数据可能性‑信度分布的二型预测集安全评估方法 |
CN107844850B (zh) * | 2017-08-28 | 2021-06-18 | 中北大学 | 基于数据可能性-信度分布的二型预测集安全评估方法 |
CN108287964A (zh) * | 2018-01-23 | 2018-07-17 | 重庆大学 | 一种基于加速度内积向量的灰云推理结构损伤识别方法 |
CN108287964B (zh) * | 2018-01-23 | 2020-04-07 | 重庆大学 | 一种基于加速度内积向量的灰云推理结构损伤识别方法 |
CN108960618B (zh) * | 2018-06-29 | 2020-01-17 | 厦门大学 | 一种基于bim和云证据理论的施工风险预警方法 |
CN108960618A (zh) * | 2018-06-29 | 2018-12-07 | 厦门大学 | 一种基于bim和云证据理论的施工风险预警方法 |
CN108898314A (zh) * | 2018-06-29 | 2018-11-27 | 厦门大学 | 一种基于bim和质量多源信息融合施工风险评估方法 |
CN108921432A (zh) * | 2018-07-03 | 2018-11-30 | 黄震 | 一种盾构隧道施工风险综合评价方法 |
CN109740935A (zh) * | 2019-01-02 | 2019-05-10 | 吉林建筑大学 | 建筑遗产监视系统及监视方法 |
CN110046651A (zh) * | 2019-03-15 | 2019-07-23 | 西安交通大学 | 一种基于监测数据多属性特征融合的管道状态识别方法 |
CN109823965A (zh) * | 2019-03-21 | 2019-05-31 | 中建五局土木工程有限公司 | 地下连续墙钢筋笼吊装变形监测系统及方法 |
CN110489816A (zh) * | 2019-07-29 | 2019-11-22 | 河海大学 | 一种量化起重机吊臂疲劳损伤等级的分析方法 |
CN110489816B (zh) * | 2019-07-29 | 2022-08-19 | 河海大学 | 一种量化起重机吊臂疲劳损伤等级的分析方法 |
CN110727986A (zh) * | 2019-10-15 | 2020-01-24 | 成都亮紫智能科技有限公司 | 基于bim和加权灰云聚类模型的古建筑维护模型获取方法 |
CN113887962A (zh) * | 2021-10-08 | 2022-01-04 | 哈尔滨工业大学 | 一种改扩建高速公路道路施工作业风险识别与防控方法 |
CN113887962B (zh) * | 2021-10-08 | 2024-05-03 | 哈尔滨工业大学 | 一种改扩建高速公路道路施工作业风险识别与防控方法 |
CN114066183A (zh) * | 2021-11-02 | 2022-02-18 | 山东康威大数据科技有限公司 | 一种基于大数据分析的隧道监控系统 |
CN114374561A (zh) * | 2022-01-13 | 2022-04-19 | 潍坊学院 | 一种网络安全状态评估方法、装置及可存储介质 |
CN114374561B (zh) * | 2022-01-13 | 2023-10-24 | 潍坊学院 | 一种网络安全状态评估方法、装置及可存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779296A (zh) | 一种基于多传感器的隧道施工周围建筑物安全预警方法 | |
Pan et al. | Multi-classifier information fusion in risk analysis | |
CN101699477B (zh) | 精确预测大坝变形的神经网络方法 | |
CN106407493B (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
Zhang et al. | Prediction of soil moisture scarcity using sequential Gaussian simulation in an arid region of China | |
CN104281920A (zh) | 尾矿库分层指标安全评估和预警方法与系统 | |
CN104766129A (zh) | 一种基于时空信息融合的地铁盾构施工地表变形的预警方法 | |
CN110210776B (zh) | 一种基于监控量测的隧道施工动态风险评估方法 | |
CN104021267A (zh) | 一种地质灾害易发性判定方法和装置 | |
CN109931109A (zh) | 一种基于多元数据的隧道施工动态塌方安全综合预警方法 | |
CN104537211A (zh) | 一种基于层次分析法及灰色理论的企业安全风险预警方法 | |
Wu et al. | Dynamic risk analysis for adjacent buildings in tunneling environments: a Bayesian network based approach | |
CN112926110B (zh) | 一种地铁车站施工过程风险实时可视化预警方法 | |
Malinowska | A fuzzy inference-based approach for building damage risk assessment on mining terrains | |
Zhou et al. | Topological mapping and assessment of multiple settlement time series in deep excavation: a complex network perspective | |
CN103205972A (zh) | 一种分析基坑变形与坑外地面沉降关系的方法 | |
Esfandiarpour-Boroujeni et al. | Assessment of different digital soil mapping methods for prediction of soil classes in the Shahrekord plain, Central Iran | |
Liu et al. | Hybrid intelligent algorithm and its application in geological hazard risk assessment | |
CN104899349A (zh) | 一种大跨桥梁监测数据空间插值与可视化方法 | |
CN114997671A (zh) | 基于人工神经网络和熵值法的基坑变形安全风险评估的方法 | |
Shikhteymour et al. | A novel approach for assessing flood risk with machine learning and multi-criteria decision-making methods | |
JP7141309B2 (ja) | 地盤変位に起因する災害発生危険度定量評価システムとその方法とそのプログラム | |
CN107704706A (zh) | 基于灰色理论的泥石流灾害易发性预测方法 | |
CN105184050A (zh) | 一种gis与人工智能技术支持下的滑坡危险度评价方法 | |
AU2021101951A4 (en) | Method of real-time safety warning of tunnel approaching construction based on data fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |