CN111242203B - 水利工程运行期事故案例库匹配方法及系统 - Google Patents

水利工程运行期事故案例库匹配方法及系统 Download PDF

Info

Publication number
CN111242203B
CN111242203B CN202010014823.5A CN202010014823A CN111242203B CN 111242203 B CN111242203 B CN 111242203B CN 202010014823 A CN202010014823 A CN 202010014823A CN 111242203 B CN111242203 B CN 111242203B
Authority
CN
China
Prior art keywords
case
channel
hydraulic engineering
cases
attribute
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.)
Active
Application number
CN202010014823.5A
Other languages
English (en)
Other versions
CN111242203A (zh
Inventor
李慧敏
李锋
汪伦焰
王博
聂相田
李海瑞
孙佳斌
袁晨晖
吉莉
马莹
姚德胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China University of Water Resources and Electric Power
Original Assignee
North China University of Water Resources and Electric Power
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China University of Water Resources and Electric Power filed Critical North China University of Water Resources and Electric Power
Priority to CN202010014823.5A priority Critical patent/CN111242203B/zh
Publication of CN111242203A publication Critical patent/CN111242203A/zh
Application granted granted Critical
Publication of CN111242203B publication Critical patent/CN111242203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/24Classification techniques
    • G06F18/241Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35Clustering; Classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/02Computing arrangements based on specific mathematical models using fuzzy logic
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0635Risk analysis of enterprise or organisation activities
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08Construction
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Automation & Control Theory (AREA)
  • Educational Administration (AREA)
  • Fuzzy Systems (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)

Abstract

本发明公开了一种水利工程运行期事故案例匹配方法及系统。包括:从渠道工程、输水建筑物、穿渠建筑物维度构建水利工程运行期事故核心案例集;确定水利工程运行期事故核心案例集中案例的属性,构建核心案例数据库,并根据属性的类型,确定属性相似度计算方法;对案例库中所有案例的属性进行权重赋予;训练SVM‑KNN分类模型,调整分类阈值与K值,当SVM分类结果的差值小于分类阈值时,使用KNN方法进行分类;将目标案例输入SVM‑KNN分类模型,获得与目标案例匹配的案例以及解决方案;根据解决方案的复用效果,对案例库中案例的解决方案进行调整。利用本发明,可以在水利工程运行期应急管理场景中,获得与事故匹配的解决方案,应急管理效果好。

Description

水利工程运行期事故案例库匹配方法及系统
技术领域
本发明涉及应急管理技术领域,具体涉及一种水利工程运行期事故案例库匹配方法及系统。
背景技术
水利工程运行期间,不可避免地会出现一些事故。快速、正确地做出反应,进行事故应急处理,不仅可以降低工程维护成本,对人民的生命财产健康更是具有重大意义。传统的事故应急处置方式一般是“预测-应对”型,指应急部门通过多年实际操作经验对未来可能发生情况的一种预测。这种应急管理模式应急管理效果较差,不能及时有效地处理突发事件。长期以来,我国针对突发事件的应急管理主要采用“预测-应对”模式,即根据可能发生的突发事件提前制定应急预案,在突发事件发生后启动应急预案进行应对。其缺点是虽然突发事件千差万别,但应急预案都是一样,无法做到“随机应变、因地制宜”,导致应急管理效果较差。因此,传统的“预测-应对”型应急管理模式已不能适应新的形势。
因此,现有事故应急决策技术存在应急预案缺乏针对性、应急管理效果差的问题。
发明内容
本发明提供了一种水利工程运行期事故案例库匹配方法及系统,实现了水利工程运行期事故的精确匹配,应急管理效果更好。
一种水利工程运行期事故案例匹配方法,该方法包括:
步骤一,结合水利工程实地调研情况,根据工程运行期间实际案例,从多个维度构建水利工程运行期事故核心案例集,所述维度包括渠道工程、输水建筑物、穿渠建筑物;
步骤二,确定水利工程运行期事故核心案例集中案例的属性,提取各个案例的有效数据,构建核心案例数据库,并根据属性的类型,确定属性相似度计算方法;
步骤三,结合水利工程实施规范以及专家对各类属性重要程度的参考意见,基于层次分析法和熵权法计算属性的主观权重与客观权重,采用几何平均赋权法分别对案例库中所有案例的属性进行权重赋予;
步骤四,将核心案例数据库中案例分为训练集和测试集,利用训练集训练SVM-KNN分类模型,根据评估函数调整分类阈值与K值,当SVM分类结果的差值小于分类阈值时,使用KNN方法进行分类;
步骤五,将目标案例输入训练好的SVM-KNN分类模型,获得与目标案例匹配的案例以及解决方案;
步骤六,根据解决方案的复用效果,对案例库中案例的解决方案进行调整。
步骤一中的渠道工程维度的案例包括:泥石流引发的渠道破坏、渠坡滑塌、渠基渗漏破坏、坡顶防洪堤损毁、渠堤内坡失稳、渠堤外坡失稳、渠水漫顶破坏。
步骤一中的输水建筑物维度的案例包括:建筑物地基失稳破坏、建筑物抗滑失稳、建筑物抗浮失稳、止水失效导致渠坡渗漏破坏、洪水冲刷导致建筑物进出口岸坡破坏、梁式渡槽槽身段破坏形式、涵洞式渡槽槽身段破坏形式、倒虹吸、暗渠函管破坏形式以及压力管涵、低压箱涵、输水明槽破坏形式。
步骤一中的穿渠建筑物维度的案例包括:管身结构破坏、管涵外侧回填体发生严重变形、建筑物与围土结合部发生接触渗漏破坏、进出口建筑物破坏、箱涵淤塞、以及跨渠渡槽、跨渠桥梁。
步骤二中的属性的类型包括:确定符号型、确定数型、区间型、文本型、模糊型。
对于确定符号型,相似度计算方法为:
案例的第i个属性Di为确定符号型属性,X,Y为案例中的该属性值,若X=Y,SIM(X,Y)=1,若X≠Y,SIM(X,Y)=0。
对于确定数型,相似度计算方法为:
案例的第i个属性Di为确定数型属性,
Figure BDA0002358478020000021
其中a,b为两案例Di的属性值,α,β为所有案例中Di属性的最小值与最大值。
对于区间型,相似度计算方法为:
当Di为区间类型属性,
Figure BDA0002358478020000022
其中a,b,c,d分别为两案例Di属性的上下取值范围,α,β为所有案例中Di属性的区间的最大值与最小值。
对于文本类型,相似度计算方法为:
对于文本类型,当Di为文本类型属性,设两个案例的文本属性值对应的关键词集合分别为x0={k1,k2,…,km},xt={p1,p2,…,pn},则
Figure BDA0002358478020000023
一种水利工程运行期事故案例匹配系统,该系统包括:
数据收集模块,用于结合水利工程实地调研情况,根据工程运行期间实际案例,从多个维度构建水利工程运行期事故核心案例集,所述维度包括渠道工程、输水建筑物、穿渠建筑物;
案例数据库构建模块,用于确定水利工程运行期事故核心案例集中案例的属性,提取各个案例的有效数据,构建核心案例数据库,并根据属性的类型,确定属性相似度计算方法;
属性权重赋予模块,用于结合水利工程实施规范以及专家对各类属性重要程度的参考意见,基于层次分析法和熵权法计算属性的主观权重与客观权重,采用几何平均赋权法分别对案例库中所有案例的属性进行权重赋予;
分类器训练模块,用于将核心案例数据库中案例分为训练集和测试集,利用训练集训练SVM-KNN分类模型,根据评估函数调整分类阈值与K值,当SVM分类结果的差值小于分类阈值时,使用KNN方法进行分类;
案例匹配模块,用于将目标案例输入SVM-KNN分类模型,获得与目标案例匹配的案例以及解决方案;
案例库修正模块,用于根据解决方案的复用效果,对案例库中案例的解决方案进行调整。
本发明的有益效果在于:
本发明根据水利工程运行期间的实际事故案例构建数据库,对各案例属性赋予不同权重,基于SVM-KNN分类模型对目标案例进行匹配,能够获得更精确的匹配的案例以及解决方案,应急管理效果更好。
附图说明
图1为水利工程运行期事故案例库匹配方法流程图;
图2为案例推理过程图。
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,以下结合附图以及实施例,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。
本发明提供一种水利工程运行期事故案例库匹配方法及系统。采用“情景-应对”型应急决策模式,根据突发事件的实时信息快速有效识别和分析处理,充分认识其发生的结构特征、演化规律、作用机理等,从而做出及时、有效的应对策略。图1为本发明方法流程图。下面通过具体实施例来进行说明。
实施例一:
水利工程运行期事故案例库匹配方法包括:
步骤一,结合水利工程实地调研情况,根据工程运行期间实际案例,从多个维度构建水利工程运行期事故核心案例集,所述维度包括渠道工程、输水建筑物、穿渠建筑物。
依靠水利工程前期项目组收集的资料,结合水利工程实地调研情况,根据工程运行期间实际案例构建水利工程事故核心案例。也可以调研多个水利工程工程项目,对核心案例库进行优化和补充。水利工程运行期事故核心案例库可以大致分为渠道工程案例、输水建筑物案例、穿渠建筑物案例。渠道工程案例包括:泥石流引发的渠道破坏、渠坡滑塌、渠基渗漏破坏、坡顶防洪堤损毁、渠堤内坡失稳、渠堤外坡失稳、渠水漫顶破坏。
输水建筑物案例包括:建筑物地基失稳破坏、建筑物抗滑失稳、建筑物抗浮失稳、止水失效导致渠坡渗漏破坏、洪水冲刷导致建筑物进出口岸坡破坏、梁式渡槽槽身段破坏形式、涵洞式渡槽槽身段破坏形式、倒虹吸、暗渠函管破坏形式以及压力管涵、低压箱涵、输水明槽破坏形式。
穿渠建筑物案例包括:管身结构破坏、管涵外侧回填体发生严重变形、建筑物与围土结合部发生接触渗漏破坏、进出口建筑物破坏、箱涵淤塞、以及跨渠渡槽、跨渠桥梁。
下面举例说明渠道工程案例集。
泥石流引发的渠道破坏的案例:
调水工程214+255桩号YX段,由于为新建的粗颗粒材料构成的深挖方渠道,存在密实度较差的边坡。
事件发生于七月13日,9时26分,天气情况为强降水的暴雨,能见度较差0.6-1km,温度14-20℃。强降雨导致坡面严重水土流失,产生泥石流:
(1)造成下游临近渠段或渠道倒虹吸(或输水涌管)发生淤积,渠道输水能力大幅度下降,严重时亦可能导致临近填方渠道发生满溢或溃决;
(2)导致局部渠道边坡失稳;
(3)导致渠道水质污染。
事故发生地附近最近的自然村庄大约600人,距离渠道0.62公里,附近无工矿企业,人口密度较小。
渠道内水位骤变、暴雨洪水、渠坡冻害、输水建筑物不均匀沉降、金属结构锈蚀、跨渠建筑物进出口变形失效、闸门及启闭系统故障、自动化监测设施失效等以及结合水利专业知识预测的可能出现的运行风险案例为扩充主体,构建出了调水工程运行风险案例库。
渠坡塌滑案例:
NY段桩号92+156,处于深挖方段挖方大于15m且为膨胀土段。边坡稳定问题是挖方渠段的主要安全隐患,渠坡的稳定主要取决于坡体内地质构造、渠坡土(岩)层的性状、岩土物理力学特性、地下水位等因素,挖方渠道边坡设计主要依据设计阶段地勘成果和施工图阶段渠道开挖揭示的工程地质条件进行。由于地质条件的复杂性,坡体内亦可能存在尚未发现的工程地质缺陷;运行期间由于外界原因亦有可能导致地下水位超过设计水位;工程运行期间坡面坡顶加载;坡面保护措施损坏等方面原因均有可能导致局部渠道边坡失稳。尤其是膨胀土渠段,面临地质条件复杂、设计理论有待完善和工程实际运行的检验等问题。因此,从风险角度挖方渠段存在渠坡失稳或危害性变形的可能,相对而言深挖方渠段和特殊土地基渠段其风险更大一些。
事件发生于6月20日,因为夏季间歇性降雨较多,事发时天气晴朗,能见度高20-21km,温度21-30℃。该渠段膨胀土因连续降雨含水量较多,天气变晴阳光照射水分蒸发,土体性质变化出现裂缝,经反复发生滑坡。挖方渠道发生滑坡主要危害包括以下几方面:
(1)大规模滑坡堵塞或局部堵塞渠道,导致上游填方渠道发生满溢或溃决;
(2)输水断面局部小规模滑坡或过大变形将减少过水断面,导致渠道输水能力下降,影响渠道正常运行,严重时亦可导致渠道堵塞;
(3)导致渠坡防护、防渗、排水体系破坏,导致事态进一步扩大,引发渠坡失稳;
(4)滑坡土体造成下游临近渠段或渠道倒虹吸(或输水涵管等)发生淤积,导致输水能力大幅度下降,严重时亦可能导致临近填方渠道发生满溢或溃决。
该渠段紧邻宁西铁路线于焦柳铁路线交汇口距离,附近居民最近距离462米,居民数量约220人。
渠基渗漏破坏案例:
SH段桩号SH(30)11+950,为沙河渡槽出口填方段。一般条件下,高填方渠道和砂性土填筑的渠堤发生渗漏破坏风险较大,砂性土地基、位于古河道或河滩地上渠堤的地基、穿渠建筑物渠段发生地基渗透破坏风险较大。
事件发生在12月26日上午,能见度好9-11km,夜间温度低,白天天气晴朗温度回升,气温为-6—16℃。冻融导致渠道衬砌板裂缝,导致渠基渗漏,当填方渠道的渠堤或渠基发生渗漏破坏时,可能导致以下几方面后果:
(1)由于堤身土体流失,导致渠堤发生沉降变形;
(2)渠堤坡脚或临近地基软化,导致渠道外坡失稳;
(3)对于砂性土渠堤的管涌、流沙可能直接导致渠堤溃口。
事故点位于渡槽出口处,198m附近有中学校园和小型厂房,右岸95m有833人村庄。
坡顶防洪堤损毁案例:
ZP段桩号67+560,外水控制挖方渠段,强透水渠基,挖方渠段的渠道坡顶设置防洪堤以防止洪水入渠,一般防洪堤高度为1m,部分防洪堤堤顶高程按照所在河流(或河沟)洪水位加一定安全超高确定。当发生以下几方面的原因时,均有可能导致挖方渠道渠顶防洪堤溃毁,造成工程安全事故:
(1)汛期连续暴雨或遭遇超标洪水;
(2)防洪堤外地形条件或排洪通道发生不利于行洪的变化;
(3)其他原因导致防洪堤挡水标准下降。
对于挖方渠道渠顶地形较为平坦且汇水面积较大、地形相对较低的垭口部位、与大型河流连通的汇水区域,发生防洪提或截流埝损毁的风险相对较大;当挖方渠道提顶防洪堤在洪水期同发生溃决事件时。
事件发生于8月16日,连降多日暴雨,能见度差0.8-1.4km,气温9-14℃。河流水位暴涨冲毁河流护坡及防洪堤流入渠道内造成区内水位急剧上涨,导致该填方渠道溢满。可能导致以下几方面后果:
(1)大量洪水涌入渠道,导致渠道输水流量急增,发生上下游临近填方渠道发生满溢或溃决;
(2)导致局部渠道边坡严重冲刷,产生泥石流,造成下游临近渠段或渠道倒虹吸(或输水涵管)发生淤积,导致输水能力大幅度下降,严重时亦可能导致临近填方渠道发生满溢或溃决;
(3)导致局部渠道边坡失稳;
(4)洪水期间不符合标准的水体大量进入渠道,导致渠道水质污染。
该段内紧邻一座排水倒虹吸和当地河流倒虹吸。渠段外紧邻一座集镇50m,人口密度较大300。失事后果影响较大,对民众生命财产安全造成损失。
渠堤内坡失稳案例:
YZ和长葛段,桩号SH(3)77+630,为采空区填方渠道。渠道工程建成投入运行后,渠堤将成为挡水建筑物,渠堤内坡坡体土将位于渠道运行水位以下,遇渠道水位急剧下降、局部坡体填筑体的抗剪强度偏低等情况时,渠道存在内坡失稳的可能性。渠道运行初期由于局部坡体的抗剪强度偏低而导致失稳的可能性较大;渠道正常运行期间,水位急剧下降导致内坡失稳可能性较大;相对而言,渠堤设有防渗墙的高填方渠段内坡失稳风险较其他渠段大。
渠道内坡失稳后,可能导致以下几方面的后果:
(1)滑坡体所在部位渠堤溃决,渠水外泄,严重威胁当地居民的生命和财产安全;
(2)堵塞或局部淤塞渠道,导致上游填方渠道发生满溢或溃决;
(3)滑坡体顺渠道水流流向渠道下游,淤塞渠道下游输水倒虹吸;
(4)减少过水断面,导致渠道输水能力下降,影响渠道正常运行。
事故发生于11月16日,枯水期水位相较处于较低水平。天气阴,能见度差3-6km,气温0-14℃。因突发地质变化,导致渠道至采空区形成裂隙,渠水急剧下降,导致内坡失稳破坏,渠水外泄。
渠道紧邻自然村庄60m,约260人,另有大面积农作物。对村民人身和财产安全产生威胁。
渠堤外坡失稳案例:
JZ2段工程,桩号IV42+988。填方渠段渠基下为粗砂层。渠道工程建成投入运行后,渠堤将承受渠道水压力,渠堤外坡失稳引发的原因有:①局部坡体填筑体抗剪强度偏低,②渠堤渗漏,③坡脚泡水软化,④地面高程下降,⑤坡面雨水冲刷。
渠堤外坡失稳后,可能导致以下几方面的后果:
(1)滑坡体所在部位渠堤溃决,渠水外泄,严重威胁当地居民的生,命和财产安全;
(2)局部变形过大,导致渠顶下沉,渠道防渗系统破坏,最终发展到渠堤溃决。
在渠道运行初期由于局部坡体抗剪强度偏低、坡面雨水冲刷导致外坡失稳的可能性较大;渠道正常运行期间,渠堤渗流影响、坡脚软化、局部地面下降导致外坡失稳的可能性较大;相对而言,渠堤设有防渗墙的高填方渠段外坡失稳风险较其他渠段小。
事件发生于9月13日,长时间无降水后暴雨天气,能见度低0.6-0.9km,渠堤排水系统因大风导致异物阻挡排泄不畅,坡脚泡水严重,加上坡面雨水冲刷,导致外坡失稳风险增加。风险点附近73m处有工厂和少量居民,约85人。对财产安全威胁大。
渠水漫顶破坏案例:
CX段桩号29+284,为填方段。填方渠道堤顶按一定超高设计,由于以下几方面的原因均有可能导致渠道水位超过渠堤允许的挡水高度:
(1)由于大范围强降水、防洪堤溃决等方面的原因,导致局部渠段实际流量大幅度超过调度流量;
(2)渠道下游由于其他原因堵塞或大幅度减小过流能力;
(3)局部渠段因特殊地质条件导致渠堤突然下沉;
(4)由于节制闸闸门操作系统失灵或误操作,导致上游渠段严重壅水;
(5)冰期输水渠道或建筑物输水通道形成冰塞。
从事件引发特点看:(1)、(2)在所有渠段均有可能发生;(3)在煤矿采空区、未处理好的湿陷性黄土渠段等特殊土地基渠段风险较大;(4)、(5)主要影响节制闸上游渠段。发生渠水漫顶外溢事件时,可能导致的后果主要有:
(1)渠堤溃决,渠水外泄,严重威胁当地居民的生命和财产安全;
(2)渠堤外坡失稳,最终发展到渠堤溃决;
(3)闸室段地面漫水,导致闸门启闭机体系、安全检测系统、机电设备失灵。
事件发生在1月28日,受多日大雪影响,气温极低-15—-13℃,倒虹吸进口处冰塞导致过水能力下降,造成雍水。能见度较低0.5-0.9km,位于铁路倒虹吸出口以及跨河渡槽进口之间,附近316m有约651人的自然村,430m有大型企业厂房。
输水建筑物维度,可以从建筑物地基失稳破坏,建筑物抗滑失稳,建筑物抗浮失稳,止水失效导致渠坡渗漏破坏,洪水冲刷导致建筑物进出口岸坡破坏,梁式渡槽槽身段破坏形式,涵洞式渡槽槽身段破坏形式,倒虹吸、暗渠函管破坏形式,压力管涵、低压箱涵、输水明槽破坏形式等方面建立案例库。
穿渠建筑物维度,可以从管身结构破坏、管涵外侧回填体发生严重变形、建筑物与围土结合部发生接触渗漏破坏、进出口建筑物破坏、箱涵淤塞、跨渠渡槽、跨渠桥梁等方面建立案例库。
步骤二,确定案例集中案例的属性,提取各个案例的有效数据,构建核心案例数据库,并根据属性的类型,确定属性相似度计算方法。
由于案例中的信息多种多样,它涉及到的属性也是多种多样的,当然不同类型的属性相似度计算也应该采取不同的方法,这样才能提高准确性。实际中根据案例中各属性的特点通常将属性分类,具体分为1)确定符号型(crisp symbolic),比如天气因素;2)确定数型(crisp numeric),比如案例发生的具体时间,实时读取的应力计、土压力计等自动化监测数据等;3)区间型(interval),比如案例发生时的温度变化、混凝土结构遭受冻害时的强度变化范围,附近的居民、工业企业距离事故现场的距离等;4)文本型(text),比如突发事件的类别是渠道渗漏还是渠坡滑塌等;5)模糊型属性,比如案例发生时的能见度、事故的严重程度描述、救援路径方便程度等。
确定案例属性。以渠道工程为例,属性包括事件日期、天气、温度、能见度、受保护区距离、风险人口数量、突发事件的类别、渠道受损程度。其中,事件日期、受保护区距离为确定数型;天气为确定符号型;能见度为模糊区间;风险人口数量为模糊数;突发事件的类别为文本类型;渠道受损程度为模糊概念类型。渠道工程案例库样本数据如表1所示。
表1案例库样本数据
Figure BDA0002358478020000071
Figure BDA0002358478020000081
每种属性采用不同的相似度计算方法。
对于确定符号型,当Di为确定符号类型属性(Di为案例的第i个属性,X,Y为案例中的该属性值)若X=Y,SIM(X,Y)=1,若X≠Y,SIM(X,Y)=0
对于确定数型,当Di为确定数类型属性,
Figure BDA0002358478020000082
其中a,b为两案例Di的属性值,α,β为所有案例中Di属性的最小值与最大值。
对于区间型,当Di为区间类型属性
Figure BDA0002358478020000083
其中a,b,c,d分别为两案例Di属性的上下取值范围,α,β为所有案例中Di属性的区间的最大值与最小值。这个公式具有对称性,所以假定a≤c,当a≥c时计算结果不变。对于b则有b≤c,c≤b≤d,b≥d三种可能情况。分组讨论得到计算结果:
Figure BDA0002358478020000084
对b≤c情况,当d→c,b→a时求极限,有
Figure BDA0002358478020000091
因而确定数属性为区间属性的一种特殊情况。
对于文本类型,当Di为文本类型属性,文本类型(text)属性通常是指对案例某一方面的定性描述,这种基于一串字符的案例属性值相似度计算比较复杂,我们拟采用关键词法,将所有文本属性裁剪为多个尽可能小的关键词。这样每个文本属性值就可以用这些关键词的集合代替。设两个案例的文本属性值对应的关键词集合分别为x0={k1,k2,…,km},xt={p1,p2,…,pn},则
Figure BDA0002358478020000092
该属性的相似度计算的准确性取决于关键词划分的合理性,如果两案例中的两段文本描述很相似,但关键词划分差异很大,或者某文本属性划分关键词时,遗漏部分重要关键词都导致相似度计算的真确性降低。
下面对模糊类型属性相似度计算方法进行说明。
模糊属性是指由于个人主观认识的差异性、获取数据的难度性而导致用户获取到的数据信息的不确定性。人类在处理模糊属性时通常用模糊数学中的隶属度函数来进行描述(常用的有三角形隶属度函数和梯形隶属度函数),它给出了某个属性的可能取值以及对应取值的可能概率。模糊属性又可以细分为模糊概念属性(Fuzzy Linguistic)、模糊数属性(Fuzzy Numeric)、模糊区间属性(FuzzyInterval)等。
关于模糊属性的计算可以使用积分方法准确计算:
Figure BDA0002358478020000093
当Di属性的值X,Y在分别在区间(a,b),(c,d)内的隶属度为1在区间以外的隶属度为0时,模糊属性就转变为区间属性。考虑到计算的复杂度,因而对于模糊属性我们更多采用面积法粗略计算。
Figure BDA0002358478020000094
对于模糊概念属性值得计算只能先由专家确定隶属度函数之后才能计算面积。而对于模糊区间或模糊数属性可以采用张本生提出的模糊区间属性相似度计算方法进行计算,这种算法的前提假设是两个模糊区间属性Di,Dj的取值分别为xi(mi,Mi),xj(mj,Mj),m指代下限,M指代上限,则Di,Dj的实际取值范围可能为(mi-p*mi,Mi+p*mi)和(mj-p*mj,Mj+p*Mj),p如果不指定值通常取0.1,而且Di,Dj的区间分布情况有五种(a,b,c,d,e)下图只是一种情况。
模糊区间属性相似度计算算法描述:
Figure BDA0002358478020000101
步骤三,结合水利工程实施规范以及专家对各类属性重要程度的参考意见,基于层次分析法和熵权法计算属性的主观权重与客观权重,采用几何平均赋权法分别对案例库中所有案例的属性进行权重赋予。
案例之间的整体相似度是案例中各属性间相似度的累加和。由于不同属性对案例影响不同,因此,为了获得更加准确的相似度结果,对案例的属性赋予权重,这样才能突显出不同属性在案例中重要程度。
根据水利工程相关规范、专家意见综合考虑,对各类属性以重要程度赋与不同权重,利用层次分析法和熵权法分别对事故情景属性进行主客观赋权,并采用几何平均赋权法的方式进行组合赋权。
层次分析法是一种将指标间的相对重要程度转化为定量表达的多准则决策方法。首先,需要确定两两比较判断矩阵。具体地,可以结合专家对各类属性重要程度的参考意见,确定属性之间的判断矩阵。例如,风险人口数量比天气重要。然后,根据判断矩阵计算各属性的权重,根据判断矩阵的一致性检验结果,确定是否需要对判断矩阵进行修正。如此,可以获得各类属性的主观权重。
接下来对基于熵权法获得客观权重的过程进行详细说明。属性类型包括确定符号型、确定数型、区间型、文本型、模糊型。针对确定数型的属性,可以直接使用熵权法进行计算。对于文本型、确定符号型属性,需要对不同文本、不同符号进行相应赋值,转换为确定数,进而采用熵权法计算权重。例如,对渗漏破坏赋值5,滑坡赋值6,渠道破坏赋值5,防洪堤损毁赋值3,内破失稳赋值8,外坡失稳赋值7,漫顶破坏赋值4,地基失稳赋值2;天气中晴赋值1,阴赋值2,雨赋值3,暴雨赋值4,雪赋值5,冰雹赋值6。文本类型、确定符号型赋值结果如表2所示。对于区间型属性,本发明定义了相应的计算方法。
表2文本类型、确定符号型赋值
突发事件的类别 赋值 天气 赋值
渗漏破坏 5 1
滑坡 6 2
渠道破坏 5 3
防洪堤损毁 3 暴雨 4
内坡失稳 8 5
外坡失稳 7 冰雹 6
漫顶破坏 4
地基失稳 2
将模糊概念型属性转化为区间模糊数。渠道受损程度为模糊概念型属性。转化结果如表3所示。
表3模糊概念型转换区间
渠道受损程度 赋值
极其严重 [7.5,10]
严重 [5,7.5]
一般 [2.5,5]
轻微 [0,2.5]
经过上述转化,数据库中的属性类型被转化为区间型和数值型两大类。下面对熵权重的计算方法进行详细说明。
基于上述操作,可得事件矩阵
Figure BDA0002358478020000111
通过标准化信息处理,得到标准化信息矩阵R=[γij]m×n。通过Heronian平均算子,计算矩阵R=[γij]m×n代表的平均信息,得到平均信息向量
Figure BDA0002358478020000112
通过计算各指标下信息值与平均信息间的距离,进而得到信息距离矩阵D=[dij]m×n。其中:
当某属性在信息矩阵中所对应的值为区间数时:
Figure BDA0002358478020000113
p≥1,q≥1;
其中,l表示区间下限,u表示区间上限。
进而可得其区间数的信息距离为:
Figure BDA0002358478020000121
i=1,2,3…m;j=1,2,3,…n;a≥1
当某属性在信息矩阵中所对应的值为精确数时:
Figure BDA0002358478020000122
p≥1,q≥1;
进而可得其精确数的信息距离为
Figure BDA0002358478020000123
i=1,2,3…m;j=1,2,3,…n;a≥1
将所有指标距离和单指标距离之比作为系统熵出现的概率,计算指标距离熵出现的概率,计算各个指标的距离熵E=(E1,E2,…En)T。通过熵权法得到客观属性信息搭载量,确定指标权重[8]。并将距离熵进行归一化处理并计算熵权重w=(w1,w2,…wn)T
Figure BDA0002358478020000124
Figure BDA0002358478020000125
引入平均值能够更好地刻画元素与系统整体差异化程度,更合理地表征指标变异程度,其中,wj(j=1,2,…n)即为各个指标所得权重。
获得各类属性的主观权重和客观权重后,基于几何平均法,计算最终权重。具体地,求取属性的主观权重和客观权重的平均值,然后对各属性的权重平均值进行归一化处理,如此,得到各个属性的最终权重。
该方法既能考虑专家意见,又能考虑现实样本数据,克服了单一评价方法在权重确定方面的不足,使得权重赋值更加科学合理,为精确高效的案例匹配检索提供基础。
步骤四,将核心案例数据库中案例分为训练集和测试集,利用训练集训练SVM-KNN分类模型,根据评估函数调整分类阈值与K值,当SVM分类结果的差值小于分类阈值时,使用KNN方法进行分类。
在解决非线性,小样本,高维度的模式识别分类中支持向量机具有较高的分类精度,较强的学习能力,但是用于分界面附近的样本点分类时容易错分。KNN算法是在CBR(Case-Based Reasoning,案例推理)系统中常采用的案例检索方法,思路清晰,检索速度较快。其将扰动信号的特征向量看作高维空间的点,并在问题空间中检索与目标案例最相关的点,将超出阈值的源案例提取出来,作为相似源案例。
因此,考虑到SVM和KNN均有各自的特点,本发明针对水利工程在案例库的检索采用了一种SVM-KNN算法。与SVM相比,SVM-KNN不单在分类正确率上有了较大提高,而且分类速度更快,并能适用更大规模的训练样本集。训练集用于训练分类器,测试集用于调整模型参数,选出最优模型。
给定测试样本x,分别计算测试样本x与支持向量点x-和x+的距离差。若得出距离差大于ε,在阈值外,即如下图中的区域II中,用SVM都可以准确分类;如果距离差小于ε,则落入图中的区域Ι中,SVM分界面附近的样本点,较容易错分。此时采用KNN算法进行检索,计算x和每一个支持向量的距离,并对待识别样本做出判断。
接下来对SVM-KNN分类器的训练方法以及分类方法进行详细说明。
训练阶段:
a.对SVM分类器进行训练,调整参数设置,构建SVM检索模型。
b.训练KNN分类器,首先取K=25,不断调整K值。
c.设置SVM-KNN的阈值cutter。
d.对于训练文本,使用SVM算法计算属于第1,第2到第n个类的可能性,P1,P2,…Pn
e.找出P1,P2,…Pn中最大的两个,设为X1,X2
f.当(X1-X2)>cutter时,认为SVM分类正确,使用X1作为最终检索结果。
g.通过评估函数对cutter进行反馈调整。
分类阶段:
a.对于待匹配的水利工程案例,使用SVM算法计算其属于第1,第2,到第n个类的可能性P1,P2,…Pn
b.找出P1,P2,…Pn中最大的两个,设为X1,X2
c.当(X1-X2)>cutter时,认为SVM分类正确,使用X1作为检索结果,为最相似源案例。
d.反之使用KNN进行分类,以KNN最终的分类结果作为相似源案例。
分类时,在案例之间、案例与支持向量之间中,进一步计算案例关联性:
Figure BDA0002358478020000131
式中xi={x1,x2,...,xn}为相似源案例,yi={y1,y2,...,yn}为目标案例,wi是加权系数,
Figure BDA0002358478020000132
Figure BDA0002358478020000141
是第i个属性可取的最大值,
Figure BDA0002358478020000142
是第i个属性可取的最小值。
具体地,在本发明中,可以利用SIM相似度替代公式中的对应属性欧式距离的平方,即用SIM替代(xi-yi)2/Ti 2,另一种是直接根据步骤三中数值化的属性值,利用上述公式计算两案例之间的相似度。优选地,使用第一种方法。
整个案例相似度函数定义为:
F(sT1(x1,y1),sT2(x2,y2),...,sTn(xn,yn))=s(x,y)
案例间的相似度计算:
s(x,y)=1-d(x,y)。
此外,还可以根据建立层级分类器。首先,基于SVM对建立的核心案例数据库进行初步分类,其中核函数选取RBF核函数,在训练过程中采用Gird Search寻找最佳的惩罚系数和参数,例如初步分类标签可以为:渠道、输水建筑物、渡槽、倒虹吸、跨渠桥梁、管线等。每一个分类标签对应一个子案例库。然后,基于SVM的初步分类结果,利用KNN进行细分类。按照实际案例例如渡槽施工缝渗水案例为目标案例进行检索,将案例框架化表示后,提取出时间、地点、温度、渗水位置、渗水严重程度等特征信息,按照分属的不同类型如模糊数、模糊概念等进行计算,求出相似程度。例如对于严重程度这一类属性,首先依据规范或相关的检查要求将渗水的现状根据所符合的等级进行数据化,即进行模糊文本的计算,求出相似程度。用KNN算法进行计算,不断调整k值使分类结果达到最优。最终,将所有属性的相似程度结果依据各自的权重进行加权,求出最终的相似度值进行排序,即得到最终的相似案例。
案例推理过程是案例的重用过程,直接重用源案例的分类结果。在水利工程的案例推理系统中,若检索到与目标案例匹配较高的源案例时,则可以直接重用源案例的解。但当案例库中没有匹配较好的源案例时,则通过对最相似源案例的解决方案进行修改和调整,使其能适应新案例的情况,从而得到目标案例的解。
步骤五,将目标案例输入SVM-KNN分类模型,获得与目标案例匹配的案例以及解决方案。
当水利工程运行管理人员发现险情时,登陆个人账号进入案例匹配界面,将现场基本情况输入相应信息框进行匹配,系统后台计算后将匹配度最高的案例显示出来,点击案例详情,将会得到已有案例的描述,以及当时处置措施和相应建议。
将距离分界面较远的目标案例直接带入SVM分类,对于位于分界面附近的样本使用KNN方法进行分类,将目标案例与核心案例库中的每个案例进行匹配。
对于待匹配目标案例,首先在属性空间起算带匹配目标案例与两类SVM代表点之间的距离差。如果距离差大于阈值,则说明待分类样本距离分类超平面较远,采用SVM分类可以进行正确分类,如果距离小于阈值,则说明待匹配目标案例离分类超平面较近,采用SVM容易出错,采用KNN对带匹配样本进行分类。
步骤六,根据解决方案的复用效果,对案例库中案例的解决方案进行调整。
把检索到的旧案例解决方案复用到新出现的问题,通过比较新案例与旧案例的差别,判断哪些部分可以直接复用,哪些部分需要调整后重用,从复用信息的结果角度看,当复用结果不好时,需要对其进行调整,将最相似源案例中不恰当的部分改写成完全匹配的目标案例的过程。案例推理过程如图2所示。在推理系统中,当系统只能找到一个和目标问题较相似的源案例,没有完全一样的案例时,则对这个源案例的解进行调整,使其解能适应新案例。调整第一步是对复用结果进行评估,如果成功,则不必调整,否则需要对错误和不足进行调整。简单的调整只需进行替换,复杂的则需要整体或部分的调整甚至需要修改源案例的解以适应新的情景。
案例的存储是案例推理过程的终极环节,将出现的新案例保存到案例库中,使得案例库的覆盖度逐步广泛,包含更为全面的信息。但随着案例的增多,案例库不断膨胀,易陷入沼泽问题,降低了检索效率。因此,需要恰当可行的维护方法来保证推理系统的运行效率。案例的学习过程即案例库不断接纳新案例以及完善旧案例的过程,它可以实现动态的增量学习过程,是保证案例库质量的一个重要手段,有效地缓解在一般推理方法中知识获取的瓶颈问题。案例学习还包含案例评价。案例评价是对新案例的应用效果做一个评述,若效果较好,则要对新案例进行存储。
实施例二:
一种水利工程运行期事故案例匹配系统,该系统包括:
数据收集模块,用于结合水利工程实地调研情况,根据工程运行期间实际案例,从多个维度构建水利工程运行期事故核心案例集,所述维度包括渠道工程、输水建筑物、穿渠建筑物;
案例数据库构建模块,用于确定水利工程运行期事故核心案例集中案例的属性,提取各个案例的有效数据,构建核心案例数据库,并根据属性的类型,确定属性相似度计算方法;
属性权重赋予模块,用于结合水利工程实施规范以及专家对各类属性重要程度的参考意见,基于层次分析法和熵权法计算属性的主观权重与客观权重,采用几何平均赋权法分别对案例库中所有案例的属性进行权重赋予;
分类器训练模块,用于将核心案例数据库中案例分为训练集和测试集,利用训练集训练SVM-KNN分类模型,根据评估函数调整分类阈值与K值,当SVM分类结果的差值小于分类阈值时,使用KNN方法进行分类;
案例匹配模块,用于将目标案例输入SVM-KNN分类模型,获得与目标案例匹配的案例以及解决方案;
案例库修正模块,用于根据解决方案的复用效果,对案例库中案例的解决方案进行调整。
本发明根据水利工程运行期间的实际事故案例构建数据库,对各案例属性赋予不同权重,基于SVM-KNN分类模型对目标案例进行匹配,能够获得更精确的匹配的案例以及解决方案,应急管理效果更好。在权重赋予阶段,基于层次分析法获得主观权重,基于熵权法获得客观权重,将两种权重结合得到案例属性的最终权重。最终权重结合了主观意见和客观反映,具有较高的准确性,在后续案例相似度以及案例距离的计算过程中,具有更准确的响应结果。在分类阶段,本发明采用SVM-KNN分类结合,相比于传统的KNN分类具有更高的效率,同时还具有很高的准确率。在案例修正阶段,通过对复用效果的评价,对案例解决方案不断进行修正,有利于做出更好的决策和解决方案。
以上实施例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 (10)

1.一种水利工程运行期事故案例匹配方法,其特征在于,该方法包括:
步骤一,结合水利工程实地调研情况,根据工程运行期间实际案例,从多个维度构建水利工程运行期事故核心案例集,所述维度包括渠道工程、输水建筑物、穿渠建筑物;
步骤二,确定水利工程运行期事故核心案例集中案例的属性,提取各个案例的有效数据,构建核心案例数据库,并根据属性的类型,确定属性相似度计算方法;
步骤三,结合水利工程实施规范以及专家对各类属性重要程度的参考意见,基于层次分析法和熵权法计算属性的主观权重与客观权重,采用几何平均赋权法分别对案例库中所有案例的属性进行权重赋予;
步骤四,将核心案例数据库中案例分为训练集和测试集,利用训练集训练SVM-KNN分类模型,根据评估函数调整分类阈值与K值,当SVM分类结果的差值小于分类阈值时,使用KNN方法进行分类;
步骤五,将目标案例输入训练好的SVM-KNN分类模型,获得与目标案例匹配的案例以及解决方案;
步骤六,根据解决方案的复用效果,对案例库中案例的解决方案进行调整。
2.如权利要求1所述的水利工程运行期事故案例匹配方法,其特征在于,所述步骤一中的渠道工程维度的案例包括:泥石流引发的渠道破坏、渠坡滑塌、渠基渗漏破坏、坡顶防洪堤损毁、渠堤内坡失稳、渠堤外坡失稳、渠水漫顶破坏。
3.如权利要求1所述的水利工程运行期事故案例匹配方法,其特征在于,所述步骤一中的输水建筑物维度的案例包括:建筑物地基失稳破坏、建筑物抗滑失稳、建筑物抗浮失稳、止水失效导致渠坡渗漏破坏、洪水冲刷导致建筑物进出口岸坡破坏、梁式渡槽槽身段破坏形式、涵洞式渡槽槽身段破坏形式、倒虹吸、暗渠函管破坏形式以及压力管涵、低压箱涵、输水明槽破坏形式。
4.如权利要求1所述的水利工程运行期事故案例匹配方法,其特征在于,所述步骤一中的穿渠建筑物维度的案例包括:管身结构破坏、管涵外侧回填体发生严重变形、建筑物与围土结合部发生接触渗漏破坏、进出口建筑物破坏、箱涵淤塞、以及跨渠渡槽、跨渠桥梁。
5.如权利要求1所述的水利工程运行期事故案例匹配方法,其特征在于,所述步骤二中的属性的类型包括:确定符号型、确定数型、区间型、文本型、模糊型。
6.如权利要求5所述的水利工程运行期事故案例匹配方法,其特征在于,对于确定符号型,相似度计算方法为:
案例的第i个属性Di为确定符号型属性,X,Y为案例中的该属性值,若X=Y,SIM(X,Y)=1,若X≠Y,SIM(X,Y)=0。
7.如权利要求5所述的水利工程运行期事故案例匹配方法,其特征在于,对于确定数型,相似度计算方法为:
案例的第i个属性Di为确定数型属性,
Figure FDA0002358478010000011
a,b∈[α,β],其中a,b为两案例Di的属性值,α、β为所有案例中Di属性的最小值与最大值。
8.如权利要求5所述的水利工程运行期事故案例匹配方法,其特征在于,对于区间型,相似度计算方法为:
当Di为区间类型属性,
Figure FDA0002358478010000021
其中a,b,c,d分别为两案例Di属性的上下取值范围,α,β为所有案例中Di属性的区间的最大值与最小值。
9.如权利要求5所述的水利工程运行期事故案例匹配方法,其特征在于,对于文本类型,相似度计算方法为:
对于文本类型,当Di为文本类型属性,设两个案例的文本属性值对应的关键词集合分别为x0={k1,k2,…,km},xt={p1,p2,…,pn},则
Figure FDA0002358478010000022
10.一种水利工程运行期事故案例匹配系统,其特征在于,该系统包括:
数据收集模块,用于结合水利工程实地调研情况,根据工程运行期间实际案例,从多个维度构建水利工程运行期事故核心案例集,所述维度包括渠道工程、输水建筑物、穿渠建筑物;
案例数据库构建模块,用于确定水利工程运行期事故核心案例集中案例的属性,提取各个案例的有效数据,构建核心案例数据库,并根据属性的类型,确定属性相似度计算方法;
属性权重赋予模块,用于结合水利工程实施规范以及专家对各类属性重要程度的参考意见,基于层次分析法和熵权法计算属性的主观权重与客观权重,采用几何平均赋权法分别对案例库中所有案例的属性进行权重赋予;
分类器训练模块,用于将核心案例数据库中案例分为训练集和测试集,利用训练集训练SVM-KNN分类模型,根据评估函数调整分类阈值与K值,当SVM分类结果的差值小于分类阈值时,使用KNN方法进行分类;
案例匹配模块,用于将目标案例输入SVM-KNN分类模型,获得与目标案例匹配的案例以及解决方案;
案例库修正模块,用于根据解决方案的复用效果,对案例库中案例的解决方案进行调整。
CN202010014823.5A 2020-01-07 2020-01-07 水利工程运行期事故案例库匹配方法及系统 Active CN111242203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010014823.5A CN111242203B (zh) 2020-01-07 2020-01-07 水利工程运行期事故案例库匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010014823.5A CN111242203B (zh) 2020-01-07 2020-01-07 水利工程运行期事故案例库匹配方法及系统

Publications (2)

Publication Number Publication Date
CN111242203A CN111242203A (zh) 2020-06-05
CN111242203B true CN111242203B (zh) 2023-02-03

Family

ID=70874290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010014823.5A Active CN111242203B (zh) 2020-01-07 2020-01-07 水利工程运行期事故案例库匹配方法及系统

Country Status (1)

Country Link
CN (1) CN111242203B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967680A (zh) * 2020-08-21 2020-11-20 云南文衡驰光科技有限公司 一种电网安全施工管控与评估系统
CN112308251A (zh) * 2020-12-31 2021-02-02 北京蒙帕信创科技有限公司 一种基于机器学习的工单分派方法和系统
CN113536441B (zh) * 2021-07-29 2024-04-05 北京大学 一种建筑结构破坏分析的快速推演方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6021411A (en) * 1997-12-30 2000-02-01 International Business Machines Corporation Case-based reasoning system and method for scoring cases in a case database
CN103500423A (zh) * 2013-09-26 2014-01-08 国家电网公司 一种电力突发事件案例适配决策方法
WO2016082263A1 (zh) * 2014-11-28 2016-06-02 东莞中国科学院云计算产业技术创新与育成中心 一种基于预案的多目标辅助决策平台及其实施方法
CN109947806A (zh) * 2019-03-27 2019-06-28 江苏扬建集团有限公司 一种基于案例推理的超高层施工安全事故应急辅助决策方法
CN110263119A (zh) * 2019-07-01 2019-09-20 西北师范大学 一种案例推理分类器案例检索方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11449789B2 (en) * 2016-02-16 2022-09-20 Micro Focus Llc System and method for hierarchical classification

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6021411A (en) * 1997-12-30 2000-02-01 International Business Machines Corporation Case-based reasoning system and method for scoring cases in a case database
CN103500423A (zh) * 2013-09-26 2014-01-08 国家电网公司 一种电力突发事件案例适配决策方法
WO2016082263A1 (zh) * 2014-11-28 2016-06-02 东莞中国科学院云计算产业技术创新与育成中心 一种基于预案的多目标辅助决策平台及其实施方法
CN109947806A (zh) * 2019-03-27 2019-06-28 江苏扬建集团有限公司 一种基于案例推理的超高层施工安全事故应急辅助决策方法
CN110263119A (zh) * 2019-07-01 2019-09-20 西北师范大学 一种案例推理分类器案例检索方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于匹配属性相似度的应急决策方案推荐方法;董庆兴等;《控制与决策》;20160427(第07期);全文 *
基于案例推理的突发环境事件应急管理案例库构建技术研究;张茉莉等;《环境工程技术学报》;20150920(第05期);全文 *

Also Published As

Publication number Publication date
CN111242203A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN111242203B (zh) 水利工程运行期事故案例库匹配方法及系统
CN103426137B (zh) 一种排水管道缺陷定量化综合评估方法
CN111784212A (zh) 调水工程防洪风险识别及评价方法
Lin et al. Risk of hydrological failure under the compound effects of instant flow and precipitation peaks under climate change: a case study of Mountain Island Dam, North Carolina
Islam et al. Climate-resilience of dams and levees in Canada: a review
CN115481899A (zh) 一种基于大坝风险指标体系的工程安全评价方法
Bandurin et al. Need for system of protection against floods and high waters in mountain and foothill rivers of the Caucasus
Reynolds Integrated geohazard assessments to increase the resilience of hydropower schemes to future natural disasters in the Himalayan Region
Giegengack et al. Physical constraints on reconstructing New Orleans
Nagy Dike breaches in the Carpathian Basin
Marche et al. Dam failure risk: Its definition and impact on safety assessment of dam structures
Sekine et al. Prediction of urban inundation and flooding of urban rivers caused by heavy rainfall and storm surge in Tokyo 23 wards
CN114781769B (zh) 一种流域超标准洪水动态精细化预警方法
Sasanakul et al. Geotechnical observations of dams failed during the 2015 historic flooding in South Carolina
Pop et al. REDUCING THE EFFECTS CAUSED BY FLOODS, THROUGH HYDROLOGICAL MEASUREMENTS MADE AT THE CLUJ-NAPOCA HYDROMETRIC STATION
Sutopo et al. Maximum Control Water Level (CWL) Jatibarang Dam to Avoid The Possibility of Overtopping Due to Flood 100 Years
Grebnev et al. Development of a flooding model for the northern and Arctic territories considering the influence of hydroelectric power plants
Balzannikov et al. Economic justification for the use of narrow-profile structures for flood protection
Guangming et al. Investigation, Evaluation and Countermeasures of Flood Disaster in Rural Grassroots in Plain Area
Gribanova Management of stormwater and groundwater generated during construction phase of large-scaled industrial facility-case Hanhikivi-1, nuclear power plant
Lewandowski et al. Flood Security Strategy–Case Studies from Gdansk Region
Hurgin Analysis of the sewer network malfunctions and its reliability indicators
MĂNĂILĂ et al. BEHAVIOR OF SĂCELE DAM FROM BRAŞOV COUNTY IN PERIOD 03.2018-05.2020.
Wenbo et al. Classification of Itaipu and Three Gorges dams according to criteria of Brazilian and Chinese government agencies
Sozonova et al. Simulation of the danger of an accident on the earthen dam of the South Ural State District Power Plant

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
GR01 Patent grant
GR01 Patent grant