CN111401653A - 一种隧道渗漏水风险空间相依性预测方法及预测系统 - Google Patents
一种隧道渗漏水风险空间相依性预测方法及预测系统 Download PDFInfo
- Publication number
- CN111401653A CN111401653A CN202010218305.5A CN202010218305A CN111401653A CN 111401653 A CN111401653 A CN 111401653A CN 202010218305 A CN202010218305 A CN 202010218305A CN 111401653 A CN111401653 A CN 111401653A
- Authority
- CN
- China
- Prior art keywords
- risk
- water leakage
- model
- pcbn
- water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 263
- 238000000034 method Methods 0.000 title claims abstract description 77
- GJNGXPDXRVXSEH-UHFFFAOYSA-N 4-chlorobenzonitrile Chemical compound ClC1=CC=C(C#N)C=C1 GJNGXPDXRVXSEH-UHFFFAOYSA-N 0.000 claims abstract description 109
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 201000010099 disease Diseases 0.000 claims abstract description 27
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 27
- 238000013461 design Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 241000039077 Copula Species 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 49
- 230000006870 function Effects 0.000 claims description 31
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000005259 measurement Methods 0.000 claims description 21
- 241000239290 Araneae Species 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 230000001808 coupling effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 10
- 230000032683 aging Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000006866 deterioration Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005297 material degradation process Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 10
- 238000011161 development Methods 0.000 abstract description 7
- 238000010219 correlation analysis Methods 0.000 abstract description 5
- 238000012502 risk assessment Methods 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 8
- 230000018109 developmental process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明属于盾构隧道渗漏水风险动态感知与控制技术领域,公开了一种隧道渗漏水风险空间相依性预测方法及预测系统,通过分析渗漏水致险机理,构建影响盾构隧道渗漏水的风险指标体系;模型设计:包括PCBN模型贝叶斯网络结构设计、风险指标最优边缘分布识别和拟合;模型验证:模型运用,包括渗漏水风险评价和风险指标的相关性分析。本发明将贝叶斯网络模型的动态推理与诊断和Copula理论对于指标间相依性处理优势相结合,建立盾构隧道渗漏水风险评估Pair‑Copula贝叶斯模型,实现最大程度上拟合实际盾构隧道运营期渗漏水病害的发生发展机理,从而获得更加准确的风险评价结果,作为风险管理实时决策支持工具。
Description
技术领域
本发明属于盾构隧道渗漏水风险动态感知与控制技术领域,尤其涉及一种隧道渗漏水风险空间相依性预测方法及预测系统,具体涉及一种基于 Pair-Copula贝叶斯(PCBN)模型的隧道渗漏水风险空间相依性预测方法及系统。
背景技术
目前,经济的发展带来轨道交通的快速发展,而由于盾构隧道特殊构造特点与复杂的赋存环境,在隧道的运营期内,病害多发。渗漏水病害作为最常见的病害之一,不仅能直接导致地铁电路破坏、列车停运,也是加剧其他类型隧道病害的致险因子,严重威胁隧道的安全运营。因此对运营期内的盾构隧道渗漏水进行风险评价与管理,对保证地铁隧道的安全运营具有重要意义。
现有技术研究的盾构隧道渗漏水风险评价方法主要包括利用AHP法确定风险指标对系统风险的影响权重,通过灰色关联系数法构建模糊综合评价矩阵借助粗糙集理论得到的多级权重分配,利用模糊综合评价法构建了渗漏等级评价指标体系和递阶层次评价结构等,虽然上述的这些方法基本实现了渗漏水风险的定性与定量评价,但其中定性成分较多,主观性较强,计算复杂,且均未为考虑指标间的相依性关系。为了解决复杂系统中风险因素信息不确定性问题,已有研究将贝叶斯网络(BN)应用于隧道渗漏水风险评价,利用BN的正向推理技术定量预测其渗漏水灾害发生概率,运用BN反向推理技术进行动态循环诊断,实时判定渗漏水病害形成原因,但这些分析多从单一、独立、静态因素的角度对隧道渗漏水风险状态进行研究,得到的结果不够精确。
通过上述分析,现有技术存在的问题及缺陷为:(1)盾构隧道运营过程由于受到周围诸多环境因素的共同影响,是一个有着复杂的时空演化效应的动态过程。隧道渗漏水病害的致险因子之间具有一定的相依性,不是单纯的相互独立的关系,而现有的研究多集中于研究单一风险指标对于渗漏水病害的片面影响,未考虑各个风险指标间的相关性,也无法实现在实测数据基础上风险评价结果的实时更新。
(2)大多数有关隧道风险管理的研究,多从隧道施工期的风险管理角度进行研究,包括隧道建设方面的前期决策、设计和施工的风险识别与分析,而对于隧道运营期的病害风险,人们的关注度不高。其实隧道运营期损害对人们的出行安全影响更大,故更应收到人们的重视,积极开展隧道运营期安全风险评价与管理研究。因此非常需要建立成熟的定性与定量相结合的风险评价方法
解决以上问题及缺陷的难度为:盾构隧道运营期渗漏水风险系统具有复杂性、非线性和空间相依性,涉及多方面影响因素,且各种影响因素之间相互交错、相互制约、相互促进,形成多作用耦合效应。加上风险因素状态与整个系统的安全水平之间的非线性关系,促使已有的风险分析结果过于单薄。除此之外渗漏水病害的发生存在一个时空效应演化问题,随时间的变化损伤状态在内外因素的共同作用下在不断的发展,要开展确定的盾构隧道渗漏水风险预测与控制研究,就要解决动态的不确定性风险推理分析问题,需要引入新的方法建立评价模型。
解决以上问题及缺陷的意义为:(1)如何有效地对盾构隧道运营阶段渗漏水风险进行评价与管理,从根源上预防渗漏水病害的发生,是运营地铁工程领域需要迫切解决的一大难题。故盾构隧道运营期渗漏水风险评价不仅对于地铁隧道的安全运营与管理具有重要意义,对经济和社会的发展也具有重要意义。
(2)非常有必要从系统的角度探讨耦合风险,以解决隧道运营过程中各种不确定性和风险因素相互关联的地铁系统的环境复杂性。盾构隧道渗漏水风险动态感知与控制领域亟需建立一种定量研究方法,实现盾构隧道渗漏水风险空间相依性评价,帮助在易发生风险的系统的整个生命周期中获得对系统安全风险实时的决策支持,对于盾构隧道运营期内的渗漏水风险进行有效的管理。
发明内容
为了解决现有技术存在的问题,本发明提供了一种隧道渗漏水风险空间相依性预测方法及预测系统。其目的在于更精确、更合理地在风险因素和结构安全状态之间建立复杂的相互作用,更好地模拟复杂的渗漏水风险系统,使得渗漏水风险评价与管理的过程具有了连续、动态、高精度拟合的优势。
本发明是这样实现的,一种隧道渗漏水风险空间相依性预测方法,包括如下步骤:
步骤一,渗漏水风险指标体系构建:分析盾构隧道运营期渗漏水风险的演化机理,确定影响盾构隧道运营期渗漏水的主要风险因素,构建影响盾构隧道渗漏水的风险三级指标体系,形成安全风险感知框架;
步骤二,PCBN模型设计:(1)PCBN模型贝叶斯网络结构设计:利用贝叶斯网络结构图(DAG)确定系统中所有风险因素之间的相互作用,拟合隧道渗漏水风险系统。
(2)风险指标最优边缘分布识别和拟合:通过各个风险指标的实测数据确定传统Copula函数理念中的最优边缘分布,来表征风险指标的实测值分布规律,将其输入贝叶斯网络的DAG中,构建更符合实际工程的渗漏水风险评价模型。
步骤三,PCBN模型验证:使用各个风险指标的实测数据验证构建的PCBN 模型,确保构建出的PCBN模型能够准确地捕捉风险系统中各个风险指标间的空间相依性关系,及耦合作用下各个风险指标对于渗漏水风险的空间相依性影响。
步骤四,PCBN模型运用:(1)渗漏水风险评价:利用根据风险指标实测值构建的该隧道工程运营期渗漏水风险评价PCBN模型对该隧道的渗漏水风险状态进行评估。
(2)风险指标相关性分析:利用系统风险指标对风险输出结果的相关性程度进行决策优先权确定,相关性较大的风险指标为风险管理中的关键风险指标,具有优先的决策顺序,在进行风险管理时将其作为降低风险的优先考虑因素与实际监测中的重点监测项目。
进一步,步骤一中,所述影响盾构隧道运营期渗漏水的二级风险因素包括接头渗漏水B1、裂缝渗漏水B2、衬砌材料劣化程度B3、其他因素B4四类,共包含11个三级因素;基于对盾构隧道病害的发生机理及各种病害间的相互关系的分析综合选取的用于评估渗漏水风险状态的指标;
接头渗漏水B1包括:接缝宽度V1、管片错台量V2、封垫破损及老化率 V3、螺栓失效率V4;
裂缝渗漏水B2包括:裂缝面积V5-裂缝长度V51、裂缝宽度V52;
衬砌材料劣化程度B3包括:管片剥落面积V6、衬砌强度降低比值V7、钢筋截面损失率V8;
其他因素B4包括:土层含水率V9、管片差异沉降V10、拱顶土压力增大系数V11。
进一步,步骤二中,PCBN模型的贝叶斯网络结构设计确定方法包括:
首先,将风险系统中的三级风险指标作为节点输入贝叶斯网络,将基于经验和专家知识下的相关关系用有向箭线表示在网络中,完成DAG结构图初步构建;
其次,基于实测数据对节点进行Spearman相关系数的独立性假设检验,并剔除相互独立节点的经验相关关系,对贝叶斯网络DAG结构进行修剪和完善;Spearman相关系数的独立性假设检验的过程如下:原假设H0:变量X和Y 相互独立,备选假设H1:变量X和Y相关。Spearman相关系数的计算公式为
式中,为2个变量等级差,即本发明中2个风险指标实测值的排序之差;z为等级差的个数,即风险指标实测值的维度。在给定的显著水平α,可确定临界值 Cα,当β>Cα时,拒绝H0,即变量X和Y间存在相关关系;反之,当β≤Cα时,接受H0,即变量X和Y相互独立。
然后,对完善后的DAG结构图计算两两风险指标之间的Spearman相关系数并输入DAG网络图的节点间的有向箭线上,量化渗漏水风险系统中的相关关系。
进一步,步骤二中,风险指标最优边缘分布识别和拟合方法包括以下步骤:
(1)风险指标实测值处理:将通过实际工程获得的盾构隧道运营期渗漏水安全状态的风险指标的实测数据进行归一化处理,归一化公式为:
式中,OD是实际工程中获取的三级风险指标的监测值,SD是将实测值进行归一化的结果,MX为所获得监测值中的最大的数据,同理,MN为所获得监测值中的最大的数据,d是此过程的置信区间,根据相关经验定为0.05。
(2)风险指标最优分布函数确定:选用Weibull函数、Exponential函数、 Normal函数、及Gamma函数四种函数作为边缘分布备选函数,以Akaike信息准则(AkaikeInformation Criterion,AIC)与贝叶斯信息准则(Bayesian Information Criterion,BIC)作为最优函数的识别准则,以AIC和BIC准则计算结果最小来确定最能表征风险指标实测值分布规律的最优边缘分布函数,AIC和BIC获取公式为:
式中,N为风险指标实测值的维度,k为通过AIC或BIC准则从备选函数中需选取的最优函数的个数,本研究中由于PCBN模型要求每个风险指标输入一个分布函数,故k取1。
进一步,步骤三中,所述的PCBN模型验证方法包括:
1)将三级风险指标归一化后的实测数据输入PCBN模型,输出PCBN模型条件化下顶层节点即渗漏水风险的风险值分布;
2)根据PCBN模型中计算出的渗漏水风险值均值、最值与风险等级区间的对应关系,确定PCBN模型输出的顶层节点-渗漏水风险的风险等级与风险状态;
3)将PCBN模型输出的渗漏水风险状态与实际观测的渗漏水风险状态比较,确定PCBN模型是否能够很好地对于渗漏水风险系统的结构关系进行捕捉,从而进行准确地评价渗漏水风险评价,确定渗漏水风险状态。
进一步,步骤四中,风险指标相关性分析方法包括:
(1)百分位蛛网图:该图的横坐标为渗漏水风险系统中各个风险指标,显示为具有百分位数的垂直线,纵坐标为某个风险指标的各个百分位取值点,每条垂直线的数值区间为[0.00,1.00],即代表各个风险指标的取值百分位数 [0,100%]。每个风险指标的一个百分点由一个样本实现,将风险系统中风险指标的取值组合连接成一条折线即为一根“蛛网丝”,这条蛛网丝即为此次对于渗漏水风险系统的一个样本实现,蛛网丝形成蜘蛛网图。通过条件化蜘蛛网图,即设定渗漏水风险值的取值区间,即可观察条件化下各个风险指标的取值情况,可用于确定风险系统中敏感性较大的风险指标,便为关键风险。
(2)交叉密度:交叉密度为统计一组样本中两条相邻垂直线之间的中线上的线路交叉密度,即相邻风险指标的百分位取值之和得到的统计分布图。对于风险系统中,交叉密度呈非标准三角形时,两个风险指标间存在一定程度的相关关系,若交叉密度趋向于均匀或集中于纵轴某一点的趋势,两风险指标的相关关系较显著,则其为对渗漏水风险影响较大的关键风险指标,在决策时应优先考虑。
(3)散点图:通过比较风险指标与渗漏水风险不同取值组合下的散点分布情况和拟合曲线的斜率,若散点沿着坐标系中y=x线的上下均匀分布,或各个风险指标与渗漏水风险不同取值组合下曲线的斜率越大,则该风险指标与渗漏水风险的相关关系越显著,便可得到在PCBN模型更新下风险系统中对于渗漏水风险影响较大的风险指标。
本发明的另一目的在于提供一种隧道渗漏水风险空间相依性预测系统包括:
渗漏水风险指标体系构建模块,用于分析盾构隧道运营期渗漏水风险的演化机理,确定影响盾构隧道运营期渗漏水的风险因素,构建影响盾构隧道渗漏水的风险三级指标体系,形成安全风险感知框架;
PCBN模型设计模块,用于PCBN模型贝叶斯网络结构设计、风险指标最优边缘分布识别和拟合;
PCBN模型验证模块,使用各个风险指标的实测数据验证构建的PCBN模型,通过构建的PCBN模型获取风险系统中各个风险指标间的空间相依性关系,及耦合作用下各个风险指标对于渗漏水风险的空间相依性影响;
PCBN模型运用模块,用于渗漏水风险评价及风险指标相关性分析。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行所述隧道渗漏水风险空间相依性预测方法包括下列步骤:
步骤1,通过分析盾构隧道运营期渗漏水风险的演化机理,确定影响盾构隧道运营期渗漏水的风险因素,构建影响盾构隧道渗漏水的风险三级指标体系,形成安全风险感知框架;
步骤2,利用贝叶斯网络结构图确定系统中所有风险因素之间的相互作用,拟合隧道渗漏水风险系统;
再通过各个风险指标的实测数据确定Copula函数理念中的最优边缘分布,表征风险指标的实测值分布规律,并输入贝叶斯网络的DAG中,构建符合实际工程的渗漏水风险评价模型;
步骤3,使用各个风险指标的实测数据验证构建的PCBN模型,构建出的 PCBN模型获取风险系统中各个风险指标间的空间相依性关系,及耦合作用下各个风险指标对于渗漏水风险的空间相依性影响;
步骤4,利用根据风险指标实测值构建的该隧道工程运营期渗漏水风险评价 PCBN模型对该隧道的渗漏水风险状态进行评估;
再利用系统风险指标对风险输出结果的相关性程度进行决策优先权确定。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施所述隧道渗漏水风险空间相依性预测方法方法。
本发明的另一目的在于提供一种地铁隧道预测终端包括:
渗漏水风险指标体系构建模块,用于分析盾构隧道运营期渗漏水风险的演化机理,确定影响盾构隧道运营期渗漏水的风险因素,构建影响盾构隧道渗漏水的风险三级指标体系,形成安全风险感知框架;
PCBN模型设计模块,用于PCBN模型贝叶斯网络结构设计、风险指标最优边缘分布识别和拟合;
PCBN模型验证模块,使用各个风险指标的实测数据验证构建的PCBN模型,通过构建的PCBN模型获取风险系统中各个风险指标间的空间相依性关系,及耦合作用下各个风险指标对于渗漏水风险的空间相依性影响;
PCBN模型运用模块,用于渗漏水风险评价及风险指标相关性分析。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明用于度量渗漏水风险系统中风险指标的空间相关关系及相关程度和各个风险指标对渗漏水风险的影响程度。通过分析渗漏水致险机理,构建影响盾构隧道渗漏水的风险指标体系;PCBN模型设计,包括PCBN模型贝叶斯网络结构设计、风险指标最优边缘分布识别和拟合;PCBN模型验证;step4:PCBN 模型运用,包括渗漏水风险评价和风险指标的相关性分析。本发明将贝叶斯网络模型的动态推理与诊断和Copula理论对于指标间相依性处理优势相结合,建立盾构隧道渗漏水风险评估Pair-Copula贝叶斯模型,实现最大程度上拟合实际盾构隧道运营期渗漏水病害的发生发展机理,从而获得更加准确的风险评价结果,作为风险管理实时决策支持工具。
通过本发明所构思的以上技术方案与现有技术相比,本发明的优点及积极效果还包括:
(1)本发明提出的基于Pair-Copula贝叶斯(PCBN)模型的隧道渗漏水风险空间相依性评价方法,将贝叶斯网络模型的动态推理与诊断和Copula理论对于指标间相依性处理优势相结合,建立盾构隧道渗漏水风险评估Pair-Copula贝叶斯模型,实现最大程度上拟合实际盾构隧道运营期渗漏水病害的发生发展机理,从而获得更加准确的风险评价结果,作为风险管理实时决策支持工具。
(2)本发明提出的基于Pair-Copula贝叶斯(PCBN)模型的隧道渗漏水风险空间相依性评价方法,不同于传统的贝叶斯模型,PCBN模型能够将通过实测数据优选出的节点实测值的连续分布替换传统贝叶斯网络的节点离散值输入,使渗漏水风险评价成为一个动态、连续的过程;不同于传统的Copula函数,PCBN 模型能够更好模拟更复杂的渗漏水风险系统,这使利用PCBN模型进行渗漏水风险评价与管理的过程具有了连续、动态、高精度拟合的优势。
(3)本发明提出的基于Pair-Copula贝叶斯(PCBN)模型的隧道渗漏水风险空间相依性评价方法,不仅可以度量渗漏水风险系统中风险指标的空间相关关系及相关程度,也可度量各个风险指标对渗漏水风险的影响程度。
(4)本发明提出的PCBN模型能更精确地对复杂系统中的风险因素的依存结构进行建模,从而了解知识状态,有助于减少实际情况的差异。此外,可以在隧道的整个生命周期中不断更新给定观测值下的风险因素及系统风险的安全状态。
(5)本发明提出的基于Pair-Copula贝叶斯(PCBN)模型的隧道渗漏水风险空间相依性评价方法,风险指标的相关性分析能对风险因子的敏感性进行定性与定量分析,确定相关性较大的风险因子在决策时将其作为降低风险的优先考虑因素与实际监测中的重点监测项目,从而为盾构隧道渗漏水进行有效的风险评估并提供决策支持。
结合实验或试验数据和现有技术对比得到的效果和优点:
(1)本发明将专家领域知识和系统实测数据都纳入了风险管理与决策过程,实现了信息利用的最大化,为盾构隧道运营期渗漏水风险不确定性推理提供了坚实的依据。同时,本发明在PCBN模型设计完成以后,通过采用部分测试数据对模型的准确度进行了应用前的验证,整个模块的设计流程具有严密的逻辑性和高度适用性。
(2)本发明通过条件化蜘蛛网图、交叉密度、散点图等多种可视化形式直观的分析和反映风险系统管理中的关键风险指标,作为优先监控预警因素,使关键风险指标处于可控制与可预防的范围内,为运营期渗漏水的安全管控提供相关的决策信息支持。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的隧道渗漏水风险空间相依性预测方法流程图。
图2是本发明实施例提供的隧道渗漏水风险空间相依性预测方法原理图。
图3是本发明实施例提供的隧道渗漏水风险空间相依性预测系统示意图。
图中:1、渗漏水风险指标体系构建模块;2、PCBN模型设计模块;3、 PCBN模型验证模块;4、PCBN模型运用模块。
图4是本发明实施例提供的隧道渗漏水风险评价指标体系示意图。
图5是本发明实施例提供的隧道渗漏水病害PCBN网络DAG设计图。
图6是本发明实施例提供的调整后的渗漏水病害PCBN网络DAG图。
图7是本发明实施例提供的隧道渗漏水风险评价PCBN模型图。
图8是本发明实施例提供的渗漏水风险系统的蜘蛛网图。
图9是本发明实施例提供的V1-V6风险因子和T(渗漏水风险值)的散点图。
图10是本发明实施例提供的V7-V11风险因子和T(渗漏水风险值)的散点图。
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。
盾构隧道运营过程由于受到周围诸多环境因素的共同影响,是一个有着复杂的时空演化效应的动态过程。隧道渗漏水病害的致险因子之间具有一定的相依性,不是单纯的相互独立的关系,而现有的研究多集中于研究单一风险指标对于渗漏水病害的片面影响,未考虑各个风险指标间的相关性,也无法实现在实测数据基础上风险评价结果的实时更新。因此,非常有必要从系统的角度探讨耦合风险,以解决隧道运营过程中各种不确定性和风险因素相互关联的地铁系统的环境复杂性。盾构隧道渗漏水风险动态感知与控制领域亟需建立一种定量研究方法,实现盾构隧道渗漏水风险空间相依性评价,帮助在易发生风险的系统的整个生命周期中获得对系统安全风险实时的决策支持,对于盾构隧道运营期内的渗漏水风险进行有效的管理。
针对现有技术存在的问题,本发明提供了一种隧道渗漏水风险空间相依性预测方法及预测系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的隧道渗漏水风险空间相依性预测方法包括:
S101,渗漏水风险指标体系构建:分析盾构隧道运营期渗漏水风险的演化机理,确定影响盾构隧道运营期渗漏水的主要风险因素,构建影响盾构隧道渗漏水的风险三级指标体系,形成安全风险感知框架。
S102,PCBN模型设计:(1)PCBN模型贝叶斯网络结构设计:利用贝叶斯网络结构图(DAG)确定系统中所有风险因素之间的相互作用,拟合隧道渗漏水风险系统。(2)风险指标最优边缘分布识别和拟合:通过各个风险指标的实测数据确定传统Copula函数理念中的最优边缘分布,来表征风险指标的实测值分布规律,将其输入贝叶斯网络的DAG中,构建更符合实际工程的渗漏水风险评价模型。
S103,PCBN模型验证:使用各个风险指标的实测数据验证构建的PCBN 模型,确保构建出的PCBN模型能够准确地捕捉风险系统中各个风险指标间的空间相依性关系,及耦合作用下各个风险指标对于渗漏水风险的空间相依性影响。
S104,PCBN模型运用:(1)渗漏水风险评价:利用根据风险指标实测值构建的该隧道工程运营期渗漏水风险评价PCBN模型对该隧道的渗漏水风险状态进行评估。(2)风险指标相关性分析:利用系统风险指标对风险输出结果的相关性程度进行决策优先权确定,相关性较大的风险指标为风险管理中的关键风险指标,具有优先的决策顺序,在进行风险管理时将其作为降低风险的优先考虑因素与实际监测中的重点监测项目。
图2是本发明实施例提供的隧道渗漏水风险空间相依性预测方法原理图。
如图3所示,本发明提供一种隧道渗漏水风险空间相依性预测系统包括:
渗漏水风险指标体系构建模块1,用于分析盾构隧道运营期渗漏水风险的演化机理,确定影响盾构隧道运营期渗漏水的风险因素,构建影响盾构隧道渗漏水的风险三级指标体系,形成安全风险感知框架。
PCBN模型设计模块2,用于PCBN模型贝叶斯网络结构设计、风险指标最优边缘分布识别和拟合。
PCBN模型验证模块3,使用各个风险指标的实测数据验证构建的PCBN模型,通过构建的PCBN模型获取风险系统中各个风险指标间的空间相依性关系,及耦合作用下各个风险指标对于渗漏水风险的空间相依性影响。
PCBN模型运用模块4,用于渗漏水风险评价及风险指标相关性分析。
如图4所示,步骤S101中,本发明实施例提供的确定影响盾构隧道运营期渗漏水的主要风险因素,构建指标体系包括:
所述影响盾构隧道运营期渗漏水的二级风险因素包括接头渗漏水B1、裂缝渗漏水B2、衬砌材料劣化程度B3、其他因素B4四类,共包含11个三级因素;基于对盾构隧道病害的发生机理及各种病害间的相互关系的分析综合选取的用于评估渗漏水风险状态的指标;
接头渗漏水B1包括:接缝宽度V1、管片错台量V2、封垫破损及老化率V3、螺栓失效率V4;
裂缝渗漏水B2包括:裂缝面积V5-裂缝长度V51、裂缝宽度V52;
衬砌材料劣化程度B3包括:管片剥落面积V6、衬砌强度降低比值V7、钢筋截面损失率V8;
其他因素B4包括:土层含水率V9、管片差异沉降V10、拱顶土压力增大系数V11。
步骤S102中,本发明所述PCBN模型设计方法包括:
首先,将风险系统中的三级风险指标作为节点输入贝叶斯网络,将基于经验和专家知识下的相关关系用有向箭线表示在网络中,完成DAG结构图初步构建;
其次,基于实测数据对节点进行Spearman相关系数的独立性假设检验,并剔除相互独立节点的经验相关关系,对贝叶斯网络DAG结构进行修剪和完善; Spearman相关系数的独立性假设检验的过程如下:原假设H0:变量X和Y相互独立,备选假设H1:变量X和Y相关。Spearman相关系数的计算公式为
式中,为2个变量等级差,即本发明中2个风险指标实测值的排序之差; z为等级差的个数,即风险指标实测值的维度。在给定的显著水平α,可确定临界值Cα,当β>Cα时,拒绝H0,即变量X和Y间存在相关关系;反之,当β≤Cα时,接受H0,即变量X和Y相互独立。
然后,对完善后的DAG结构图计算两两风险指标之间的Spearman相关系数并输入DAG网络图的节点间的有向箭线上,量化渗漏水风险系统中的相关关系。
步骤S102中,本发明所述风险指标最优边缘分布识别和拟合方法包括:
(1)风险指标实测值处理:将通过实际工程获得的盾构隧道运营期渗漏水安全状态的风险指标的实测数据进行归一化处理,归一化公式为:
式中,OD是实际工程中获取的三级风险指标的监测值,SD是将实测值进行归一化的结果,MX为所获得监测值中的最大的数据,同理,MN为所获得监测值中的最大的数据,d是此过程的置信区间,根据相关经验定为0.05。
(2)风险指标最优分布函数确定:选用Weibull函数、Exponential函数、 Normal函数、及Gamma函数四种函数作为边缘分布备选函数,以Akaike信息准则(AkaikeInformation Criterion,AIC)与贝叶斯信息准则(Bayesian Information Criterion,BIC)作为最优函数的识别准则,以AIC和BIC准则计算结果最小来确定最能表征风险指标实测值分布规律的最优边缘分布函数,AIC和BIC获取公式为:
式中,N为风险指标实测值的维度,k为通过AIC或BIC准则从备选函数中需选取的最优函数的个数,本发明中由于PCBN模型要求每个风险指标输入一个分布函数,故k取1。
步骤S104中,本发明所述风险指标相关性分析方法包括:
(1)百分位蛛网图:该图的横坐标为渗漏水风险系统中各个风险指标,显示为具有百分位数的垂直线,纵坐标为某个风险指标的各个百分位取值点,每条垂直线的数值区间为[0.00,1.00],即代表各个风险指标的取值百分位数 [0,100%]。每个风险指标的一个百分点由一个样本实现,将风险系统中风险指标的取值组合连接成一条折线即为一根“蛛网丝”,这条蛛网丝即为此次对于渗漏水风险系统的一个样本实现,蛛网丝形成蜘蛛网图。通过条件化蜘蛛网图,即设定渗漏水风险值的取值区间,即可观察条件化下各个风险指标的取值情况,可用于确定风险系统中敏感性较大的风险指标,便为关键风险。
(2)交叉密度:交叉密度为统计一组样本中两条相邻垂直线之间的中线上的线路交叉密度,即相邻风险指标的百分位取值之和得到的统计分布图。对于风险系统中,交叉密度呈非标准三角形时,两个风险指标间存在一定程度的相关关系,若交叉密度趋向于均匀或集中于纵轴某一点的趋势,两风险指标的相关关系较显著,则其为对渗漏水风险影响较大的关键风险指标,在决策时应优先考虑。
(3)散点图:通过比较风险指标与渗漏水风险不同取值组合下的散点分布情况和拟合曲线的斜率,若散点沿着坐标系中y=x线的上下均匀分布,或各个风险指标与渗漏水风险不同取值组合下曲线的斜率越大,则该风险指标与渗漏水风险的相关关系越显著,便可得到在PCBN模型更新下风险系统中对于渗漏水风险影响较大的风险指标。
下面结合具体应用实施例及相关实验数据对本发明作进一步说明。
以武汉地铁三号线王宗区间为例,使用本发明对武汉市轨道交通三号线工程的跨江段隧道运营期间的渗漏水病害情况进行评估,以进行更好的风险管理。
本发明实施步骤如下:
(1)风险因素指标体系实测数据采集
在武汉地铁三号线王宗区间设置了100个监测点,对图4所示的11个三级风险因素采集了100组监测数据,部分数据如表1:
表1王宗区间监测数据
(2)PCBN模型设计
1、渗漏水风险系统DAG结构初步构建
结合渗漏水病害发展机理、专家经验和相关文献资料确定各个风险指标间的经验相关关系并用节点间的有向箭头表示,初步构建出渗漏水风险评价的贝叶斯网络结构图,如图5所示
2、节点之间独立性检验完成DAG结构修剪与完善
对监测所得数据进行基于Spearman相关系数的独立性假设检验。通过计算每一条存在有向连接线的风险指标之间的相关系数及P值,设定显著性水平为 0.1,通过比较P值与显著性水平的大小,确定风险指标之间的独立性情况及相关性的大小。若P值大于显著性水平0.1,则两节点为独立关系,反之,两节点间存在一定程度的相关关系,P值计算结果及相关性判别结果如下表2所示:
表2节点之间独立性检验结果
由表2剔除具有独立性8个经验相关关系,修剪后的DAG图,如图6所示。
3、风险指标边缘分布确定
基于风险指标的表1中的实测数据,利用AIC和BIC准则从4个备选分布中,确定最能表征风险指标实测值分布规律的最优边缘分布函数,最优分布为使AIC和BIC准则计算结果最小的函数,拟合结果如表3所示:
表3 AIC和BIC准则的最优边缘分布函数检验结果
(3)PCBN模型验证
在本实施例利用PCBN模型进行渗漏水风险评价中,实际的渗漏状态、渗漏风险状态与软件输出的风险值的区间对应关系如表4所示。
表4工程风险等级标准
等级 | 1 | 2 | 3 | 4 | 5 |
渗漏水状态 | 润湿 | 渗润 | 滴水 | 漏水 | 射水 |
安全状态 | 安全 | 较安全 | 基本安全 | 较危险 | 危险 |
风险值区间 | [0,0.1] | (0.1,0.25] | (0.25,0.50] | (0.50,0.75] | (0.75,1.0] |
利用表2中的99-100这10个监测点的10组监测数据对于构建的渗漏水风险评价PCBN模型进行可靠性检验。输入11个风险指标的归一化后的实测值, PCBN模型输出的渗漏水风险值的计算结果如表5所示,依据表4的风险值与风险状态的对应关系,可确定每组检测值对应的渗漏水风险状态。结合实际观测的渗漏水状态,可知预测结果与观测的隧道实际渗漏情况相符。说明PCBN模型能够较准确地实现运营隧道渗漏水病害风险值的计算与渗漏状态的确定。
表5 PCBN模型预测结果与渗漏水观测情况
(4)基于PCBN模型的渗漏水风险分析
1、渗漏水风险评价
依据表1中的100个监测点的监测数据确定了11个致险因子的分布后,将分布参数及表2中所计算的各个节点之间的相关系数输入软件,绘制出该盾构隧道运营期间渗漏水病害风险评价的PCBN模型如图7所示。
由图7知,该隧道的渗漏水风险值均值计算结果E(T)=0.289,方差计算结果为0.23,故该隧道的渗漏水风险最小值为0.289-0.23=0.059,最大值为 0.289+0.23=0.519,则该隧道的渗漏水风险值位于[0.059,0.519]内。依据表4,该隧道的渗漏水风险等级为3,则该盾构隧道运营期间渗漏水病害状态为基本安全。但是由于渗漏水风险值的方差较大,且风险值的最大值为0.519,故渗漏水病害最严重的状态为4级:较危险。因此,某些监测点或者该隧道的某些风险指标的风险状态较高。
2、风险指标相关性分析
(1)①百分位蜘蛛网图
图8(a)为渗漏水风险各个风险等级的蜘蛛网图,为了更清晰地反映风险系统中风险指标的风险值对于渗漏水风险等级的影响,依据表4中的渗漏水风险等级与渗漏水风险值区间取值的关系,进行基于变量T的五个风险值区间 [0.00,0.10]、[0.10,0.25]、[0.25,0.5]、[0.5,0.75]、[0.75,1.00]条件化取值下蜘蛛网图的绘制,以区间[0.00,0.10]结果为例,如图8(b)所示。
图8(a)中四种颜色橙、紫、绿、蓝分别代表渗漏水风险值为区间[0.00,0.25]、[0.25,0.5]、[0.5,0.75]、[0.75,1.00]时百分位蛛网线的颜色。根据四种颜色在11个风险指标所在垂直轴上的分配情况可知,在V1、V2、V3、V4的百分位轴上的蓝色样本线条、橙色样本线条(运营隧道渗漏水风险状态T的高风险值、低风险值)分布较集中,可初步判断T的高风险值、低风险值受接缝宽度(V1)、管片错台量(V2)、封垫破损及老化率(V3)、螺栓失效率(V4)这4个风险指标的影响较大。
(1)②交叉密度
根据图8(a)中交叉密度分布形状可知,在目前的排列顺序中,V1-V2,V2-V3, V4-V5,V5-V6,V6-V7,V8-V9,V9-V10,V10-V11之间的交叉密度图均呈现不同模糊程度的三角形,即在当前PCBN模型的参数更新作用下,这些风险指标之间呈现不同程度的相关性。表3中表示了具有明显相关关系的两两节点,而在此排序下,T-V2,V3-V4,V7-V8之间的交叉密度图呈现非“三角形”、非“集中在纵轴中间一点”,说明在PCBN模型中,各个风险指标具有不同程度的相依性。即在本发明构建的盾构隧道运营期渗漏水风险PCBN模型的风险系统的参数更新作用下,这些风险指标保留了较强的初始相关性。
(2)散点图分析
绘制11个风险指标Vi与盾构隧道运营期渗漏水风险T的不同取值下的联合分布散点图及拟合曲线分别如图9(a)、(b)、(c)(d)、(e)、(f)和图10(g)、 (h)(i)、(j)、(k)所示。由图9和图10可知,V3-T的散点较为密集,沿着 y=x轴的两侧较均匀分布,并且在所有的拟合曲线中,最大的斜率也出现在V3 与T的散点图中。故与其他风险指标Vi关于T的拟合曲线相比,在武汉市轨道交通三号线王宗区间隧道工程中,封垫破损及老化率(V3)与运营隧道渗漏水风险T的相关关系最显著;V4-T的散点的分布具有较显著的特征,即为沿着y=x 轴的椭圆,故依据散点图的定义可知,在本工程中,螺栓失效率(V4)与渗漏水风险T间存在较显著的相关关系。
由图9可知,V1-T、V2-T、V5-T的散点图中的散点分布较分散,拟合曲线的斜率较小,故接缝宽度(V1)、管片错台量(V2)、裂缝面积(V5)与盾构隧道运营期渗漏水风险T之间存在一定的相关性,但相较于风险指标封垫破损及老化率(V3)、螺栓失效率(V4),这种相关性较小;而在图10(g)、(h)、(i)、 (j)、(k)中,散点分布十分分散,且拟合曲线的斜率趋近于0,则在本区间隧道工程中,V6-V11风险指标与渗漏水风险T的相关关系较弱。由散点图所得的风险系统中的相关关系情况和表2中基于实测数据检验的节点间相关程度基本一致。
故在武汉轨道交通三号线王宗区间隧道中,若隧道的渗漏水风险较大,应优先选择控制隧道的封垫破损及老化率(V3)、螺栓失效率(V4),来有效降低隧道渗漏水风险T。若当前隧道的封垫破损及老化率(V3)、螺栓失效率(V4) 为较安全的状态,而渗漏水风险状态较高时,应优先考虑控制和降低接缝宽度 (V1)、管片错台量(V2)、裂缝面积(V5)的风险。
本发明以武汉地铁三号线王宗区间隧道为例对运营隧道渗漏水风险进行评估,通过测试样本验证了所提出的PCBN模型的可靠性,实现了系统风险感知和关键风险因素识别,解决了盾构隧道运营期渗漏水风险动态评估和更新的应用瓶颈,大大保证了隧道安全管控决策的正确性。实施例的模拟结果很好的验证了所提方法的合理性和有效性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现,当然也可以全部通过硬件来实施。基于这样的理解,本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如 ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种隧道渗漏水风险空间相依性预测方法,其特征在于,所述隧道渗漏水风险空间相依性预测方法包括:
步骤一,通过分析盾构隧道运营期渗漏水风险的演化机理,确定影响盾构隧道运营期渗漏水的风险因素,构建影响盾构隧道渗漏水的风险三级指标体系,形成安全风险感知框架;
步骤二,利用贝叶斯网络结构图确定系统中所有风险因素之间的相互作用,拟合隧道渗漏水风险系统;再通过各个风险指标的实测数据确定Copula函数理念中的最优边缘分布,表征风险指标的实测值分布规律,并输入贝叶斯网络的DAG中,构建符合实际工程的渗漏水风险评价模型;
步骤三,使用各个风险指标的实测数据验证构建的PCBN模型,构建出的PCBN模型获取风险系统中各个风险指标间的空间相依性关系,及耦合作用下各个风险指标对于渗漏水风险的空间相依性影响信息;
步骤四,利用根据风险指标实测值构建的该隧道工程运营期渗漏水风险评价PCBN模型对该隧道的渗漏水风险状态进行评估;再利用系统风险指标对风险输出结果的相关性程度进行决策优先权确定。
2.如权利要求1所述的隧道渗漏水风险空间相依性预测方法,其特征在于,步骤一中,所述影响盾构隧道运营期渗漏水的二级风险因素包括接头渗漏水B1、裂缝渗漏水B2、衬砌材料劣化程度B3、其他因素B4四类;
接头渗漏水B1包括:接缝宽度V1、管片错台量V2、封垫破损及老化率V3、螺栓失效率V4;
裂缝渗漏水B2包括:裂缝面积V5-裂缝长度V51、裂缝宽度V52;
衬砌材料劣化程度B3包括:管片剥落面积V6、衬砌强度降低比值V7、钢筋截面损失率V8;
其他因素B4包括:土层含水率V9、管片差异沉降V10、拱顶土压力增大系数V11;
影响盾构隧道渗漏水的风险三级指标体系包括基于对盾构隧道病害的发生机理及各种病害间的相互关系的分析综合选取的用于评估渗漏水风险状态的指标。
3.如权利要求1所述的隧道渗漏水风险空间相依性预测方法,其特征在于,所述步骤二中,PCBN模型的贝叶斯网络结构设计确定方法进一步包括:
(1)将风险系统中的三级风险指标作为节点输入贝叶斯网络,将基于经验和专家知识下的相关关系用有向箭线表示在网络中,完成DAG结构图初步构建;
(2)基于实测数据对节点进行Spearman相关系数的独立性假设检验,并剔除相互独立节点的经验相关关系,对贝叶斯网络DAG结构进行修剪和完善;Spearman相关系数的独立性假设检验的过程如下:原假设H0:变量X和Y相互独立,备选假设H1:变量X和Y相关;Spearman相关系数的计算公式为
式中,为2个变量等级差,即2个风险指标实测值的排序之差;z为等级差的个数,即风险指标实测值的维度;在给定的显著水平α,确定临界值Cα,当β>Cα时,拒绝H0,即变量X和Y间存在相关关系;反之,当β≤Cα时,接受H0,即变量X和Y相互独立;
(3)对完善后的DAG结构图计算两两风险指标之间的Spearman相关系数并输入DAG网络图的节点间的有向箭线上,量化渗漏水风险系统中的相关关系。
4.如权利要求1所述的隧道渗漏水风险空间相依性预测方法,其特征在于,所述步骤二中,风险指标最优边缘分布识别和拟合方法进一步包括:
(I)风险指标实测值处理:将通过实际工程获得的盾构隧道运营期渗漏水安全状态的风险指标的实测数据进行归一化处理,归一化公式为:
式中,OD是实际工程中获取的三级风险指标的监测值,SD是将实测值进行归一化的结果,MX为所获得监测值中的最大的数据,MN为所获得监测值中的最大的数据,d是此过程的置信区间,为0.05;
(II)风险指标最优分布函数确定:选用Weibull函数、Exponential函数、Normal函数、及Gamma函数四种函数作为边缘分布备选函数,以Akaike信息准则与贝叶斯信息准则作为最优函数的识别准则,以AIC和BIC准则计算结果最小确定最能表征风险指标实测值分布规律的最优边缘分布函数,AIC和BIC获取公式为:
式中,N为风险指标实测值的维度,k为通过AIC或BIC准则从备选函数中需选取的最优函数的个数,由于PCBN模型要求每个风险指标输入一个分布函数,k取1。
5.如权利要求1所述的隧道渗漏水风险空间相依性预测方法,其特征在于,所述步骤三中,所述的PCBN模型验证方法进一步包括:
1)将三级风险指标归一化后的实测数据输入PCBN模型,输出PCBN模型条件化下顶层节点即渗漏水风险的风险值分布;
2)根据PCBN模型中计算出的渗漏水风险值均值、最值与风险等级区间的对应关系,确定PCBN模型输出的顶层节点-渗漏水风险的风险等级与风险状态;
3)将PCBN模型输出的渗漏水风险状态与实际观测的渗漏水风险状态比较,确定PCBN模型获取渗漏水风险系统的结构关系,确定渗漏水风险状态。
6.如权利要求1所述的隧道渗漏水风险空间相依性预测方法,其特征在于,所述步骤四中,风险指标相关性分析方法进一步包括:
(1)通过条件化蜘蛛网图,设定渗漏水风险值的取值区间,分析条件化下各个风险指标的取值,用于确定风险系统中敏感性较大的风险指标,为关键风险;
(2)风险系统中,交叉密度呈非标准三角形时,两个风险指标间存在相关关系,若交叉密度趋向于均匀或集中于纵轴某一点的趋势,对渗漏水风险影响较大的关键风险指标,优先分析;
(3)通过比较风险指标与渗漏水风险不同取值组合下的散点分布情况和拟合曲线的斜率,若散点沿着坐标系中y=x线的上下均匀分布,或各个风险指标与渗漏水风险不同取值组合下曲线的斜率越大,得到在PCBN模型更新下风险系统中对于渗漏水风险影响较大的风险指标。
7.一种实施权利要求1~6任意一项所述隧道渗漏水风险空间相依性预测方法的隧道渗漏水风险空间相依性预测系统,其特征在于,所述隧道渗漏水风险空间相依性预测系统包括:
渗漏水风险指标体系构建模块,用于分析盾构隧道运营期渗漏水风险的演化机理,确定影响盾构隧道运营期渗漏水的风险因素,构建影响盾构隧道渗漏水的风险三级指标体系,形成安全风险感知框架;
PCBN模型设计模块,用于PCBN模型贝叶斯网络结构设计、风险指标最优边缘分布识别和拟合;
PCBN模型验证模块,使用各个风险指标的实测数据验证构建的PCBN模型,通过构建的PCBN模型获取风险系统中各个风险指标间的空间相依性关系,及耦合作用下各个风险指标对于渗漏水风险的空间相依性影响;
PCBN模型运用模块,用于渗漏水风险评价及风险指标相关性分析。
8.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求1~6任意一项所述隧道渗漏水风险空间相依性预测方法包括下列步骤:
步骤1,通过分析盾构隧道运营期渗漏水风险的演化机理,确定影响盾构隧道运营期渗漏水的风险因素,构建影响盾构隧道渗漏水的风险三级指标体系,形成安全风险感知框架;
步骤2,利用贝叶斯网络结构图确定系统中所有风险因素之间的相互作用,拟合隧道渗漏水风险系统;
再通过各个风险指标的实测数据确定Copula函数理念中的最优边缘分布,表征风险指标的实测值分布规律,并输入贝叶斯网络的DAG中,构建符合实际工程的渗漏水风险评价模型;
步骤3,使用各个风险指标的实测数据验证构建的PCBN模型,构建出的PCBN模型获取风险系统中各个风险指标间的空间相依性关系,及耦合作用下各个风险指标对于渗漏水风险的空间相依性影响;
步骤4,利用根据风险指标实测值构建的该隧道工程运营期渗漏水风险评价PCBN模型对该隧道的渗漏水风险状态进行评估;
再利用系统风险指标对风险输出结果的相关性程度进行决策优先权确定。
9.一种存储在计算机可读介质上的计算机程序产品,包括计算机可读程序,供于电子装置上执行时,提供用户输入接口以实施如权利要求1~6任意一项所述隧道渗漏水风险空间相依性预测方法方法。
10.一种实施权利要求1~6任意一项所述隧道渗漏水风险空间相依性预测方法方法地铁隧道预测终端,其特征在于,所述地铁隧道预测终端包括:
渗漏水风险指标体系构建模块,用于分析盾构隧道运营期渗漏水风险的演化机理,确定影响盾构隧道运营期渗漏水的风险因素,构建影响盾构隧道渗漏水的风险三级指标体系,形成安全风险感知框架;
PCBN模型设计模块,用于PCBN模型贝叶斯网络结构设计、风险指标最优边缘分布识别和拟合;
PCBN模型验证模块,使用各个风险指标的实测数据验证构建的PCBN模型,通过构建的PCBN模型获取风险系统中各个风险指标间的空间相依性关系,及耦合作用下各个风险指标对于渗漏水风险的空间相依性影响;
PCBN模型运用模块,用于渗漏水风险评价及风险指标相关性分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010218305.5A CN111401653A (zh) | 2020-03-25 | 2020-03-25 | 一种隧道渗漏水风险空间相依性预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010218305.5A CN111401653A (zh) | 2020-03-25 | 2020-03-25 | 一种隧道渗漏水风险空间相依性预测方法及预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401653A true CN111401653A (zh) | 2020-07-10 |
Family
ID=71433086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010218305.5A Pending CN111401653A (zh) | 2020-03-25 | 2020-03-25 | 一种隧道渗漏水风险空间相依性预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401653A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111913065A (zh) * | 2020-07-17 | 2020-11-10 | 上海电机学院 | 一种基于Pair-Copula的贝叶斯网络变压器状态评估方法 |
CN112001600A (zh) * | 2020-07-31 | 2020-11-27 | 华中科技大学 | 一种基于svm和ds理论的渗漏水风险监测方法 |
CN112418683A (zh) * | 2020-11-26 | 2021-02-26 | 华中科技大学 | 一种盾构下穿既有构筑物施工风险评价方法 |
CN112434914A (zh) * | 2020-11-06 | 2021-03-02 | 东南大学 | 一种基于风险决策的隧道围岩多源信息融合方法 |
CN112966949A (zh) * | 2021-03-15 | 2021-06-15 | 北京市市政工程研究院 | 隧道施工的风险评估方法、装置及存储介质 |
CN115907565A (zh) * | 2023-02-14 | 2023-04-04 | 清华四川能源互联网研究院 | 引水隧洞结构安全评价方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063612A (zh) * | 2014-07-02 | 2014-09-24 | 武汉理工大学 | 一种隧道工程风险态势模糊评估方法及评估系统 |
KR101889042B1 (ko) * | 2017-04-06 | 2018-09-28 | 주식회사 엔엔에프텍 | 시공중 터널 원격 리스크 감시 관리를 위한 네트워크시스템 |
CN110059963A (zh) * | 2019-04-20 | 2019-07-26 | 北京交通大学 | 一种基于模糊多态贝叶斯网络的隧道风险评价方法 |
-
2020
- 2020-03-25 CN CN202010218305.5A patent/CN111401653A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063612A (zh) * | 2014-07-02 | 2014-09-24 | 武汉理工大学 | 一种隧道工程风险态势模糊评估方法及评估系统 |
KR101889042B1 (ko) * | 2017-04-06 | 2018-09-28 | 주식회사 엔엔에프텍 | 시공중 터널 원격 리스크 감시 관리를 위한 네트워크시스템 |
CN110059963A (zh) * | 2019-04-20 | 2019-07-26 | 北京交通大学 | 一种基于模糊多态贝叶斯网络的隧道风险评价方法 |
Non-Patent Citations (4)
Title |
---|
刘文黎等: "地铁健康监测PCBN模型的参数相关性分析", 《土木与环境工程学报(中英文)》 * |
周建国等: "贝叶斯网络在运营隧道结构风险评估中的应用", 《工业工程》 * |
张文静: "盾构隧道运营期渗漏水风险评价与管理", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
黄磊等: "基于贝叶斯网络的港口干散货货运风险预测研究", 《北京交通大学学报(社会科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111913065A (zh) * | 2020-07-17 | 2020-11-10 | 上海电机学院 | 一种基于Pair-Copula的贝叶斯网络变压器状态评估方法 |
CN112001600A (zh) * | 2020-07-31 | 2020-11-27 | 华中科技大学 | 一种基于svm和ds理论的渗漏水风险监测方法 |
CN112001600B (zh) * | 2020-07-31 | 2022-06-14 | 华中科技大学 | 一种基于svm和ds理论的渗漏水风险监测方法 |
CN112434914A (zh) * | 2020-11-06 | 2021-03-02 | 东南大学 | 一种基于风险决策的隧道围岩多源信息融合方法 |
CN112434914B (zh) * | 2020-11-06 | 2022-04-08 | 东南大学 | 一种基于风险决策的隧道围岩多源信息融合方法 |
CN112418683A (zh) * | 2020-11-26 | 2021-02-26 | 华中科技大学 | 一种盾构下穿既有构筑物施工风险评价方法 |
CN112966949A (zh) * | 2021-03-15 | 2021-06-15 | 北京市市政工程研究院 | 隧道施工的风险评估方法、装置及存储介质 |
CN115907565A (zh) * | 2023-02-14 | 2023-04-04 | 清华四川能源互联网研究院 | 引水隧洞结构安全评价方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401653A (zh) | 一种隧道渗漏水风险空间相依性预测方法及预测系统 | |
Chen et al. | Review fuzzy multi-criteria decision-making in construction management using a network approach | |
CN111598352A (zh) | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 | |
CN105678481A (zh) | 一种基于随机森林模型的管线健康状态评估方法 | |
Faqih et al. | A comparative review of building component rating systems | |
CN116777223B (zh) | 一种城市地下管网安全综合风险评估方法及系统 | |
CN111126853A (zh) | 基于模糊fmea的水利工程风险预警分析方法及系统 | |
CN105718658A (zh) | 大型桥梁在线评估体系 | |
CN112418683A (zh) | 一种盾构下穿既有构筑物施工风险评价方法 | |
CN113191582B (zh) | 一种基于gis与机器学习的道路山洪易损性评价方法 | |
Yu et al. | An active construction dynamic schedule management model: using the fuzzy earned value management and BP neural network | |
CN116933945A (zh) | 一种基于多元线性回归的工程项目工期预测方法 | |
CN116739376A (zh) | 一种基于数据挖掘的公路路面预防性养护决策方法 | |
Zhang et al. | Multi-criteria group decision-making with cloud model and TOPSIS for alternative selection under uncertainty | |
Liu et al. | Efficiency of risk management for tunnel security of megaprojects construction in China based on system dynamics | |
CN117093835A (zh) | 一种隧道衬砌裂缝诊断与预测方法 | |
Dawood et al. | Watermain's failure index modeling via Monte Carlo simulation and fuzzy inference system | |
Goyal | Development of a survival based framework for bridge deterioration modeling with large-scale application to the North Carolina bridge management system | |
CN116681330A (zh) | 一种公路隧道机电系统运行状态分类及综合评价方法 | |
CN116384807A (zh) | 基于模糊综合评价模型的航路网络拥挤态势评估方法 | |
Li et al. | Suitability evaluation method for preventive maintenance of asphalt pavement based on interval-entropy weight-TOPSIS | |
CN116187932A (zh) | 一种信息系统工程监理项目风险自适应评估方法 | |
CN116188198A (zh) | 供水管网运行状态诊断方法及计算机可读存储介质 | |
AU2021101951A4 (en) | Method of real-time safety warning of tunnel approaching construction based on data fusion | |
Pouri et al. | Spatial analysis and failure management in water distribution networks using fuzzy inference system |
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: 20200710 |
|
RJ01 | Rejection of invention patent application after publication |