CN111861238A - 高速公路桥梁工程风险评估方法、装置及计算机设备 - Google Patents
高速公路桥梁工程风险评估方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN111861238A CN111861238A CN202010732100.9A CN202010732100A CN111861238A CN 111861238 A CN111861238 A CN 111861238A CN 202010732100 A CN202010732100 A CN 202010732100A CN 111861238 A CN111861238 A CN 111861238A
- Authority
- CN
- China
- Prior art keywords
- risk
- initial
- value
- neural network
- engineering
- 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 68
- 238000012502 risk assessment Methods 0.000 title claims description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 85
- 238000013210 evaluation model Methods 0.000 claims abstract description 24
- 238000010835 comparative analysis Methods 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 73
- 238000010276 construction Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 230000002265 prevention Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000014759 maintenance of location Effects 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000012854 evaluation process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000004035 construction material Substances 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 230000002441 reversible effect Effects 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/06—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)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种高速公路桥梁工程风险评估方法、装置及计算机设备，方法包括以下步骤：根据已有的桥梁工程资料进行风险识别，得到影响桥梁工程的初始风险指标；通过收集同类工程的风险值数据，基于初始风险指标对风险值数据进行比较分析，确定同一性质的初始风险指标之间的重要性关系，并基于初始风险指标的重要性关系生成AHP判断矩阵；基于AHP判断矩阵得到目标工程不同初始风险指标的初始风险值；将初始风险值输入风险评估模型，通过风险评估模型计算得到综合风险值。本发明能够对目标工程的风险进行全面防范，削弱评估过程中主观因素的干扰，以使评估结果更为科学准确，降低目标工程风险事故发生的概率。
Description
技术领域
本发明涉及风险管理方法，更具体地说是指一种高速公路桥梁工程风险评估方法、装置及计算机设备。
背景技术
随着社会经济的快速发展，对高速公路的需求也越来越迫切，高速公路建设市场的问题也日渐突出，在管理体制、施工方案、风险防控等方面都需要进行改革。
高速公路工程往往包含不同的子工程，如隧道工程、桥梁工程等，其施工复杂，不安全因素多，容易出现工程事故，造成人员伤亡和不必要的经济损失，产生不良社会影响。其中桥梁工程作为大型的高速公路地下工程，具有工期长、作业环境复杂多变、未知因素众多、投资多、技术难度大等特点，这些使得桥梁建设间存在众多的风险因素，导致发生事故的概率较大。与欧美国家相比，我国的现代化桥梁的建造技术相对滞后，现代化桥梁建设经验和风险预估和处置能力不足，也使得我国在桥梁建设过程中事故多发，出现了严重的人员和财产损失。但是，我国目前桥梁工程众多且发展的飞快，这就更加大了重大事故发生的概率。
因此加强对高速公路桥梁工程的风险管理，进行科学的风险评估，制定合理的施工安全风险防控措施，强化施工现场管理，实现桥梁的安全、快速的施工成为了亟待解决的问题。
公开于该背景技术部分的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种高速公路桥梁工程风险评估方法、装置及计算机设备。
为实现上述目的，本发明采用以下技术方案：
第一方面，本发明提出一种高速公路桥梁工程风险评估方法，包括以下步骤：
根据已有的桥梁工程资料进行风险识别，得到影响桥梁工程的初始风险指标；
通过收集同类工程的风险值数据，基于初始风险指标对风险值数据进行比较分析，确定同一性质的初始风险指标之间的重要性关系，并基于初始风险指标之间的重要性关系生成对应的AHP判断矩阵；
基于所述AHP判断矩阵得到目标工程不同初始风险指标对应的初始风险值；
将初始风险值输入风险评估模型，通过风险评估模型计算得到综合风险值；
根据综合风险值确定对应的风险防控方案与对策。
第二方面，本发明提出一种高速公路桥梁工程风险评估装置，包括：
风险识别单元，用于根据已有的桥梁工程资料进行风险识别，得到影响桥梁工程的初始风险指标；
矩阵构建单元，用于通过收集同类工程的风险值数据，基于初始风险指标对风险值数据进行比较分析，确定同一性质的初始风险指标之间的重要性关系，并基于初始风险指标之间的重要性关系生成对应的AHP判断矩阵；
初始计算单元，用于基于所述AHP判断矩阵得到目标工程不同初始风险指标对应的初始风险值；
综合计算单元，用于将初始风险值输入风险评估模型，通过风险评估模型计算得到综合风险值；
风险防控单元，用于根据综合风险值确定对应的风险防控方案与对策。
第三方面，本发明提出一种计算机设备所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述的高速公路桥梁工程风险评估方法。
本发明与现有技术相比的有益效果是：本发明通过根据已有的桥梁工程资料进行风险识别，得到影响桥梁工程的初始风险指标，生成初始风险指标的AHP判断矩阵，基于AHP判断矩阵目标工程不同初始风险指标对应的初始风险值，并将初始风险值输入风险评估模型以得到目标工程的综合风险值，并根据综合风险值确定目标工程对应的风险防控方案与对策，能够对目标工程的风险进行全面防范，削弱整个工程风险评估过程中人为主观因素的干扰，以使评估结果更为科学准确，最大限度的降低目标工程风险事故发生的概率。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的一种高速公路桥梁工程风险评估方法的应用场景示意图；
图2为本发明实施例提供的一种高速公路桥梁工程风险评估方法的流程示意图；
图3为本发明实施例提供的一种高速公路桥梁工程风险评估方法的子流程示意图；
图4为本发明实施例提供的一种高速公路桥梁工程风险评估方法的子流程示意图；
图5为本发明实施例提供的一种高速公路桥梁工程风险评估方法的子流程示意图；
图6为本发明另一实施例提供的一种高速公路桥梁工程风险评估方法的流程示意图；
图7为本发明实施例提供的一种高速公路桥梁工程风险评估装置的示意性框图；
图8为本发明实施例提供的一种高速公路桥梁工程风险评估装置的矩阵构建单元的示意性框图；
图9为本发明实施例提供的一种高速公路桥梁工程风险评估装置的初始计算单元的示意性框图；
图10为本发明另一实施例提供的一种高速公路桥梁工程风险评估装置的示意性框图；以及，
图11为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1和图2，图1为本发明实施例提供的一种高速公路桥梁工程风险评估方法的应用场景示意图。图2为本发明实施例提供的一种高速公路桥梁工程风险评估方法的示意性流程图。该一种高速公路桥梁工程风险评估方法应用于服务器中，该服务器与终端进行数据交互，由终端将已有的桥梁工程资料和工程风险值数据上传到服务器，由服务器确定出影响桥梁工程的初始风险指标，并基于初始风险指标和同类工程的风险值数据生成初始风险指标的AHP判断矩阵，并基于AHP判断矩阵计算得目标工程的初始风险值，通过服务器中的风险评估模型计算并输出目标工程的综合风险值，并根据综合风险值对目标工程的风险进行全面防范，削弱整个工程风险评估过程中人为主观因素的干扰，以使评估结果更为科学准确。
图2是本发明实施例提供的一种高速公路桥梁工程风险评估方法的流程示意图。如图2所示，该方法包括以下步骤S110至S150。
S110、根据已有的桥梁工程资料进行风险识别，得到影响桥梁工程的初始风险指标。
在本实施例中，工程进展中伴随着不同的风险，针对于目标工程的风险识别是一个动态的、连续的过程，需要去识别出工程项目中的关联性较强的风险指标。然后根据风险指标的不同性质，计算出目标工程整体的综合风险值，基于综合风险值对应目标工程进行准确的风险评估。
初始风险指标是从风险事件相对复杂关系中被识别出的、对目标工程影响程度较大的一些因素的集合。由于建设项目施工过程的复杂性、施工周期的长期性等特点，建立一个有效的风险评估指标体系要遵循客观、有效的风险评估指标体系等原则，能够使风险评估结果更加精准，还为风险控制提供强有力的根据。因此，通过分析已有的桥梁/高速公路工程资料，例如，收集工程设计资料、工程所处区域自然环境资料、参建企业施工资料，以及桥梁工程建设间发生的事故资料，识别出对工程产生直接或间接影响的风险因素作为初始风险指标，并构建风险层次结构。
对于风险层次结构，通过构建多级风险指标来实现，其中一级指标可以包括若干个二级指标，二级指标可以包括若干个三级指标。例如，一级指标为材料、机械风险，包括有测量设备精度不符合要求、建筑机械不到位和建筑材料质量不达标等三个不同的二级指标。上述的一级指标和二级指标均为初始风险指标。
S120、通过收集同类工程的风险值数据，基于初始风险指标对风险值数据进行比较分析，确定同一性质的初始风险指标之间的重要性关系，并基于初始风险指标之间的重要性关系生成对应的AHP判断矩阵。
在本实施例中，相似的工程施工过程中出现的风险问题也相似，因此，与目标工程相似的已有同类工程的各种风险值数据对于目标工程来说具有极大的参考意义。通过收集同类工程的风险值数据，进行层次分析，可得出同一性质的初始风险指标间两两对比的重要性关系，由此得到初始风险指标的AHP判断矩阵。
参考图3，在一实施例中，步骤S120包括步骤S121-S124。
S121、获取若干个个同类工程的风险值数据。
S122、将所有风险值数据进行归一化处理，得到不同初始风险指标对应的权重值Wi。
S123、计算所有初始风险指标的权重值Wi两两之间的差值，建立比例标尺。
S124、根据权重值Wi两两之间的差值和比例标尺，归纳准则层中所有初始风险指标间的关系规律，并根据目标工程的实际特点，确定目标工程的AHP判断矩阵。
在一具体实施例中，以二级指标权重的确定流程举例：
先选取n个同类工程风险值数据，且一级指标A包括M个二级指标，用A1，A2，…,Am来表示，aij分别代表一级指标A里第i个工程，第j个初始风险指标的风险值大小，其中，i＝1，2，…，n；j＝1，2，…，m。
表一：n个相似工程某准则层二级指标风险值表
| A<sub>1</sub> | A<sub>2</sub> | … | A<sub>m</sub> | |
| 相似工程1 | a<sub>11</sub> | a<sub>12</sub> | … | a<sub>1m</sub> |
| 相似工程2 | a<sub>21</sub> | a<sub>22</sub> | … | a<sub>2m</sub> |
| … | … | … | … | … |
| 相似工程n | a<sub>n1</sub> | a<sub>n2</sub> | … | a<sub>nm</sub> |
对风险值做归一处理后得到指标权值表。
表二：归一处理后得到指标权值表
| A<sub>1</sub> | A<sub>2</sub> | … | A<sub>m</sub> | |
| 相似工程1 | gg<sub>11</sub> | gg<sub>12</sub> | … | gg<sub>1m</sub> |
| 相似工程2 | gg<sub>21</sub> | gg<sub>22</sub> | … | gg<sub>2m</sub> |
| … | … | … | … | … |
| 相似工程n | gg<sub>n1</sub> | gg<sub>n2</sub> | … | gg<sub>nm</sub> |
建立恰当的比例标尺，其中表三所示，1～w比例标尺指的是目标工程分为w个比例标度，w的大小根据具体工程情况确定；x％，y％，z％为归一化后的两两因素做差的差值范围，其分别对应X、Y、Z量化值。下示的比例标尺必须满足所有的相似工程做差后，根据差值表对应的量化值，进行反推，建立AHP判断矩阵，获得的权重值和所有的相似工程归一化权重值一致或基本接近，以保证各个初始风险指标的权重的正确性。
表三：比例标尺对照表
| 比例标度 | 因素比值差范围 | 量化值 |
| 1 | x％以内 | X |
| 2 | y％以内 | Y |
| … | … | … |
| w | z％以内 | Z |
对方案层两两初始风险指标做差得到表四。
表四：两两初始风险指标的差值表
最后，根据初始风险指标两两做差结果，结合建立的比例标尺，归纳该准则层初始风险指标间的关系规律，并根据需进行风险评价的实际工程特点，确定该工程的AHP判断矩阵。
S130、基于所述AHP判断矩阵得到目标工程不同初始风险指标对应的初始风险值。
在本实施例中，在得到AHP判断矩阵之后，确定并获取AHP判断矩阵中各个初始风险指标对应的权重值Wi，具体的，可以利用规范列平均法和几何平均法两种方法来确定各初始风险指标的权重值Wi。并在AHP判断矩阵一致性校验通过之后，确定准则层标度值，并根据初始风险指标对应的权重值Wi和准则层的标度值，计算得到目标工程在准则层中对应初始风险指标的初始风险值。
参考图4，在一实施例中，步骤S130包括步骤S131-S134。
S131、确定AHP判断矩阵中各个初始风险指标对应的权重值Wi，根据所有Wi计算得到权重向量W。
S132、对AHP判断矩阵进行一致性检验。
S133、在AHP判断矩阵一致性检验通过之后，确定准则层标度值。
S134、根据初始风险指标对应的权重值Wi和准则层的标度值，计算得到目标工程在准则层中对应初始风险指标的初始风险值。
在本实施例中，在对初始风险指标分析判断时存在模糊性，很容易导致AHP判断矩阵出现不一致的情形，所以利用层次分析法就必须要通过一致性检验，在AHP判断矩阵一致性检验通过之后，确定准则层标度值，否则则需要重新调整判断矩阵，使得AHP判断矩阵通过一致性校验。
本发明提出的改进层次分析法不同于传统的层次分析法，无需专家打分环节，本发明的层次分析法确定出的只是初始风险指标层次之间内部的权重。而准则层代表风险值的大小，需要一个既定值，而并非准则层因素间的比例关系。本方案利用区间取值，即根据每个相似工程的特征，将所有相似工程的准则层的风险值大小做对比，然后设置区间比例标尺，再对比实际目标工程情况进行准则层标度的确定。如下所示，表五为准则层取值区间表。
表五：准则层取值区间表。
而各个初始风险指标对应的初始风险值fAi的计算如下：
fAi＝wAi*kAi。
其中，fAi为准则层A中的初始风险指标Ai的风险值大小；wAi为初始风险指标Ai的权重值；kAi为A准则层的标度值大小。
参考图5，步骤S132包括步骤S1321-S1326。
S1321、根据AHP判断矩阵计算出AHP判断矩阵的最大特征根λmax。
S1322、根据最大特征根λmax计算得到一致性检验指标CI。
S1323、查找与一致性检验指标CI对应的同阶平均一致性指标RI，并根据一致性检验指标CI和同阶平均一致性指标RI的值计算一致性比率CR，CR＝CI/RI。
S1324、判断一致性比率CR是否小于0.1。
S1325、若CR小于0.1，则AHP判断矩阵通过一致性检验。
S1326、若CR不小于0.1，则调整AHP判断矩阵，直到判断矩阵通过一致性检验。
在本实施例中，一致性检验指标CI的计算公式为
一致性比率CR＝CI/RI。
S140、将初始风险值输入风险评估模型，通过风险评估模型计算得到综合风险值。
在本实施例中，风险评估模型为HS-BP模型，风险评估模型采用初始风险值作为输入，以综合风险值作为输出，采用Kolmogorov定理确定隐藏层数目，traingdx为训练函数，tansig-logsig为传递函数，并结合神经网络信息向前传播，误差向后传播的学习方式，调节网络参数，最终建立可靠风险评估模型。
BP算法具有较高的预测精度。但是，BP神经网络存在收敛速度慢或无法收敛、容易陷入误差函数的局部极小值、易受训练过度的影响等问题，极大地限制了它在工程上的应用；而和声搜索算法(HS)是一种基于音乐原理的元启发型算法，具有很强的宏观搜索能力以及寻优的全局性。本发明将和声搜索算法和BP神经网络有机结合，先利用和声算法来训练网络，再用BP网络进行精确求解到综合风险值。这样，先得到权值的一个范围，在此基础上训练网络就可以在相当大的程度上避免局部极小，训练次数和最终权值也可以相对稳定，训练速度也能大大加快。
在一实施例中，S140包括步骤A01-A19。
A01、初始化HS-BP神经网络算法参数，并随机产生一个初始种群放入和声记忆库，该初始种群的每一个个体对应BP神经网络的一组权值和阈值；
A02、判断初始种群是否达到迭代总数；
A03、若初始种群未达到迭代总数，则将初始值i赋值为1；
A04、判断初始值i是否小于HS-BP神经网络算法预先设定的迭代次数n；
A05、若i不小于迭代次数n，则判断i是否优于和声记忆库内最差的解；
A06、若i优于HM内最差的解，则替换HM中最差的解，更新和声记忆库若i不优于HM内最差的解，则重新执行步骤A02；
A07、若i小于迭代次数n，则在(0,1)之间生成随机数m；
A08、判断随机数m是否小于和声记忆库保留概率；
A09、若m不小于和声记忆库保留概率，则将新和声的第i个解分量从其取值区间随机选取；
A10、若m小于和声记忆库保留概率，则将新和声的第i个解分量从和声记忆库中的第i列中随机选取，并对对产生的新和声以概率PAR进行微调扰动；
A11、赋予初始值i＝i+1，代入和声记忆库进行迭代，重复执行判断初始值i是否小于HS-BP神经网络算法预先设定的迭代次数n的步骤；
A12、若初始种群达到迭代总数，则输出BP神经网络的权重；
A13、通过迭代计算BP神经网络误差，修改BP神经网络权重；
A14、判断BP神经网络误差是否达到精度要求；
A15、若BP神经网络误差达到精度要求，则输出综合风险值，结束算法；
A16、若BP神经网络误差未达到精度要求，则判断BP神经网络是否完成训练次数；
A17、若BP神经网络未完成训练次数，则重新执行通过迭代计算BP神经网络误差，修改BP神经网络权重的步骤；
A18、若BP神经网络完成训练次数，则输出BP神经网络不收敛，初始风险指标之间不相关，不能用于评估目标工程，算法结束。
S150、根据综合风险值确定对应的风险防控方案与对策。
在本实施例中，在输出对应的综合风险值之后，将综合风险值与综合风险等级表进行比对，得到目标工程的风险等级，并发根据目标工程的风险等级和初始风险指标获取对应的风险防控方案与对策，保证目标工程能够及时准确的确定风险隐患，提前做出对应的应对，降低目标工程的潜在风险，提高施工安全性。
例如，根据本发明的高速公路桥梁工程风险评估方法对A大桥在建设前对风险进行评估，而风险水平处于“比较安全”级，发生风险事故的概率较低。但是根据计算数值可知，这个数值可能已经接近于“正常风险”。再由各初始风险指标的权重可知，A大桥工程的主要风险源是：建造技术风险、参建工人技能水平和冰冻天气。因此在建造过程中，可以采取以下防控方案和对策：1、严格审查作业人员的技能水平，选用工程经验和造作经验丰富的员工；2、在建造过程中应该对冰冻灾害做提早预防，完善相关措施，保证工程质量，并在目标工程执行对应方案之后，可以目标工程的风险等级定为“低”。
本发明通过根据已有的桥梁工程资料进行风险识别，得到影响桥梁工程的初始风险指标，生成初始风险指标的AHP判断矩阵，基于AHP判断矩阵目标工程不同初始风险指标对应的初始风险值，并将初始风险值输入风险评估模型以得到目标工程的综合风险值，并根据综合风险值确定目标工程对应的风险防控方案与对策，能够对目标工程的风险进行全面防范，削弱整个工程风险评估过程中人为主观因素的干扰，以使评估结果更为科学准确，最大限度的降低目标工程风险事故发生的概率。
图6是本发明另一实施例提供的一种高速公路桥梁工程风险评估方法的流程示意图。如图6所示，本实施例的高速公路桥梁工程风险评估方法包括步骤S210-S270。其中步骤S210-S230、S260和S270与上述实施例中的步骤S110-S150类似，在此不再赘述。
S210、根据已有的桥梁工程资料进行风险识别，得到影响桥梁工程的初始风险指标。
S220、通过收集同类工程的风险值数据，基于初始风险指标对风险值数据进行比较分析，确定同一性质的初始风险指标之间的重要性关系，并基于初始风险指标之间的重要性关系生成对应的AHP判断矩阵。
S230、基于所述AHP判断矩阵得到目标工程不同初始风险指标对应的初始风险值。
S240、根据初始风险指标确定BP神经网络的输入单元数和输出单元数，并根据输入单元数确定隐藏层数。
S250、设置BP神经网络输入层和隐藏层，以及输出层和隐藏层之间的传递函数，构建风险评估模型。
S260、将初始风险值输入风险评估模型，通过风险评估模型计算得到综合风险值。
S270、根据综合风险值确定对应的风险防控方案与对策。
下面详细说明本实施例中所增加的步骤S240和S250。
在本实施例中，BP神经网络一般都由一个输入层、一个输出层和不同数目的隐藏层组成。所以网络层数的确定，指的就是隐藏层数目的确定。理论和实践都已证明，在不限制隐藏层节点数的前提下，只设置一个隐藏层就可以实现所有非线性映射。隐藏层数量的增多虽然可以提高人工神经网络的处理能力，但是也会使训练样本数据、训练时间增多以及使训练复杂化。同时，在训练样本相对较少的前提下，尽量减少隐藏层的数目，可以完成训练样本空间的超平面划分。因此，本发明选用一个输入层、一个隐藏层和一个输出层的三层前馈网络模型。
确定输入层节点数：输入层的节点数取决于识别出的初始风险指标，假设目标工程对应关联有17个二级指标，则可以将共17个初始风险指标作为风险评估模型的输入值，对应建立的BP神经网络输入神经元个数为17。
确定输出层节点数：输出层节点数的确定与输入向量元素所对应的结果值的类型以及数据的大小情况相关。在本风险评估模型中，输出层的节点数就取决于综合风险值。若综合风险值的大小是[0,1]区间用来表示目标工程项目整体风险的大小程度和风险状态的一个数，则BP神经模型的输出节点数为1。若综合风险值的大小采用多维向量表示，风险评估模型的输出则为对应维数的向量。本实施例中，风险评估模型中用来表示目标工程整体风险状态的综合风险值的大小为[0,1]区间的一个数，故本次风险评估模型的输出节点数为1。
确定隐藏层：通过对BP神经网络的实践研究，同时结合本发明的工程实际，决定采用Kolmogorov定理确定隐藏层神经元的数目，由公式J＝2n+1，其中，n为输入节点数，J为隐藏层单元数，得J＝17*2+1＝35，故隐藏层的神经元数目为35。
设置训练参数：本发明中风险评估模型的输出值数据在[0，1]范围内，不能任意输出，故选取tansig函数为输入层和隐藏层的传递函数，logsig函数为隐藏层和输出层的传递函数。
图7是本发明实施例提供的一种高速公路桥梁工程风险评估装置的示意性框图。如图7所示，对应于以上高速公路桥梁工程风险评估方法，本发明还提供一种高速公路桥梁工程风险评估装置。该高速公路桥梁工程风险评估装置包括用于执行上述高速公路桥梁工程风险评估方法的单元，该装置可以被配置于台式电脑、平板电脑、手提电脑、等终端中。具体地，请参阅图7，该高速公路桥梁工程风险评估装置包括风险识别单元10，矩阵构建单元20，初始计算单元30，综合计算单元40和风险防控单元50。
风险识别单元10，用于根据已有的桥梁工程资料进行风险识别，得到影响桥梁工程的初始风险指标。
在本实施例中，工程进展中伴随着不同的风险，针对于目标工程的风险识别是一个动态的、连续的过程，需要去识别出工程项目中的关联性较强的风险指标。然后根据风险指标的不同性质，计算出目标工程整体的综合风险值，基于综合风险值对应目标工程进行准确的风险评估。
初始风险指标是从风险事件相对复杂关系中被识别出的、对目标工程影响程度较大的一些因素的集合。由于建设项目施工过程的复杂性、施工周期的长期性等特点，建立一个有效的风险评估指标体系要遵循客观、有效的风险评估指标体系等原则，能够使风险评估结果更加精准，还为风险控制提供强有力的根据。因此，通过分析已有的桥梁/高速公路工程资料，例如，收集工程设计资料、工程所处区域自然环境资料、参建企业施工资料，以及桥梁工程建设间发生的事故资料，识别出对工程产生直接或间接影响的风险因素作为初始风险指标，并构建风险层次结构。
对于风险层次结构，通过构建多级风险指标来实现，其中一级指标可以包括若干个二级指标，二级指标可以包括若干个三级指标。例如，一级指标为材料、机械风险，包括有测量设备精度不符合要求、建筑机械不到位和建筑材料质量不达标等三个不同的二级指标。上述的一级指标和二级指标均为初始风险指标。
矩阵构建单元20，用于通过收集同类工程的风险值数据，基于初始风险指标对风险值数据进行比较分析，确定同一性质的初始风险指标之间的重要性关系，并基于初始风险指标之间的重要性关系生成对应的AHP判断矩阵。
在本实施例中，相似的工程施工过程中出现的风险问题也相似，因此，与目标工程相似的已有同类工程的各种风险值数据对于目标工程来说具有极大的参考意义。通过收集同类工程的风险值数据，进行层次分析，可得出同一性质的初始风险指标间两两对比的重要性关系，由此得到初始风险指标的AHP判断矩阵。
参考图8，在一实施例中，矩阵构建单元20包括数据获取子单元21，归一处理子单元22，比例建立子单元23和矩阵确定子单元24。
数据获取子单元21，用于获取若干个个同类工程的风险值数据。
归一处理子单元22，用于将所有风险值数据进行归一化处理，得到不同初始风险指标对应的权重值Wi。
比例建立子单元23，用于计算所有初始风险指标的权重值Wi两两之间的差值，建立比例标尺。
矩阵确定子单元24，用于根据权重值Wi两两之间的差值和比例标尺，归纳准则层中所有初始风险指标间的关系规律，并根据目标工程的实际特点，确定目标工程的AHP判断矩阵。
初始计算单元30，用于基于所述AHP判断矩阵得到目标工程不同初始风险指标对应的初始风险值。
在本实施例中，在得到AHP判断矩阵之后，确定并获取AHP判断矩阵中各个初始风险指标对应的权重值Wi，具体的，可以利用规范列平均法和几何平均法两种方法来确定各初始风险指标的权重值Wi。并在AHP判断矩阵一致性校验通过之后，确定准则层标度值，并根据初始风险指标对应的权重值Wi和准则层的标度值，计算得到目标工程在准则层中对应初始风险指标的初始风险值。
参考图9，在一实施例中，初始计算单元30包括权重确定子单元31，矩阵检验子单元32，标度确定子单元33和初始计算子单元34。
权重确定子单元31，用于确定AHP判断矩阵中各个初始风险指标对应的权重值Wi，根据所有Wi计算得到权重向量W。
矩阵检验子单元32，用于对AHP判断矩阵进行一致性检验。
标度确定子单元33，用于在AHP判断矩阵一致性检验通过之后，确定准则层标度值。
初始计算子单元34，用于根据初始风险指标对应的权重值Wi和准则层的标度值，计算得到目标工程在准则层中对应初始风险指标的初始风险值。
在本实施例中，在对初始风险指标分析判断时存在模糊性，很容易导致AHP判断矩阵出现不一致的情形，所以利用层次分析法就必须要通过一致性检验，在AHP判断矩阵一致性检验通过之后，确定准则层标度值，否则则需要重新调整判断矩阵，使得AHP判断矩阵通过一致性校验。
本发明提出的改进层次分析法不同于传统的层次分析法，无需专家打分环节，本发明的层次分析法确定出的只是初始风险指标层次之间内部的权重。而准则层代表风险值的大小，需要一个既定值，而并非准则层因素间的比例关系。本方案利用区间取值，即根据每个相似工程的特征，将所有相似工程的准则层的风险值大小做对比，然后设置区间比例标尺，再对比实际目标工程情况进行准则层标度的确定。
如上表五所示，为准则层取值区间表。而各个初始风险指标对应的初始风险值fAi的计算如下：
fAi＝wAi*kAi。
其中，fAi为准则层A中的初始风险指标Ai的风险值大小；wAi为初始风险指标Ai的权重值；kAi为A准则层的标度值大小。
综合计算单元40，用于将初始风险值输入风险评估模型，通过风险评估模型计算得到综合风险值。
在本实施例中，风险评估模型为HS-BP模型，风险评估模型采用初始风险值作为输入，以综合风险值作为输出，采用Kolmogorov定理确定隐藏层数目，traingdx为训练函数，tansig-logsig为传递函数，并结合神经网络信息向前传播，误差向后传播的学习方式，调节网络参数，最终建立可靠风险评估模型。
BP算法具有较高的预测精度。但是，BP神经网络存在收敛速度慢或无法收敛、容易陷入误差函数的局部极小值、易受训练过度的影响等问题，极大地限制了它在工程上的应用；而和声搜索算法(HS)是一种基于音乐原理的元启发型算法，具有很强的宏观搜索能力以及寻优的全局性。本发明将和声搜索算法和BP神经网络有机结合，先利用和声算法来训练网络，再用BP网络进行精确求解到综合风险值。这样，先得到权值的一个范围，在此基础上训练网络就可以在相当大的程度上避免局部极小，训练次数和最终权值也可以相对稳定，训练速度也能大大加快。
具体的，本发明综合计算单元40计算综合风险值的过程包括步骤A01-A18。
A01、初始化HS-BP神经网络算法参数，并随机产生一个初始种群放入和声记忆库，该初始种群的每一个个体对应BP神经网络的一组权值和阈值；
A02、判断初始种群是否达到迭代总数；
A03、若初始种群未达到迭代总数，则将初始值i赋值为1；
A04、判断初始值i是否小于HS-BP神经网络算法预先设定的迭代次数n；
A05、若i不小于迭代次数n，则判断i是否优于和声记忆库内最差的解；
A06、若i优于HM内最差的解，则替换HM中最差的解，更新和声记忆库若i不优于HM内最差的解，则重新执行步骤A02；
A07、若i小于迭代次数n，则在(0,1)之间生成随机数m；
A08、判断随机数m是否小于和声记忆库保留概率；
A09、若m不小于和声记忆库保留概率，则将新和声的第i个解分量从其取值区间随机选取；
A10、若m小于和声记忆库保留概率，则将新和声的第i个解分量从和声记忆库中的第i列中随机选取，并对对产生的新和声以概率PAR进行微调扰动；
A11、赋予初始值i＝i+1，代入和声记忆库进行迭代，重复执行判断初始值i是否小于HS-BP神经网络算法预先设定的迭代次数n的步骤；
A12、若初始种群达到迭代总数，则输出BP神经网络的权重；
A13、通过迭代计算BP神经网络误差，修改BP神经网络权重；
A14、判断BP神经网络误差是否达到精度要求；
A15、若BP神经网络误差达到精度要求，则输出综合风险值，结束算法；
A16、若BP神经网络误差未达到精度要求，则判断BP神经网络是否完成训练次数；
A17、若BP神经网络未完成训练次数，则重新执行通过迭代计算BP神经网络误差，修改BP神经网络权重的步骤；
A18、若BP神经网络完成训练次数，则输出BP神经网络不收敛，初始风险指标之间不相关，不能用于评估目标工程，算法结束。
风险防控单元50，用于根据综合风险值确定对应的风险防控方案与对策。
在本实施例中，在输出对应的综合风险值之后，将综合风险值与综合风险等级表进行比对，得到目标工程的风险等级，并发根据目标工程的风险等级和初始风险指标获取对应的风险防控方案与对策，保证目标工程能够及时准确的确定风险隐患，提前做出对应的应对，降低目标工程的潜在风险，提高施工安全性。
例如，根据本发明的高速公路桥梁工程风险评估方法对A大桥在建设前对风险进行评估，而风险水平处于“比较安全”级，发生风险事故的概率较低。但是根据计算数值可知，这个数值可能已经接近于“正常风险”。再由各初始风险指标的权重可知，A大桥工程的主要风险源是：建造技术风险、参建工人技能水平和冰冻天气。因此在建造过程中，可以采取以下防控方案和对策：1、严格审查作业人员的技能水平，选用工程经验和造作经验丰富的员工；2、在建造过程中应该对冰冻灾害做提早预防，完善相关措施，保证工程质量，并在目标工程执行对应方案之后，可以目标工程的风险等级定为“低”。
本发明通过根据已有的桥梁工程资料进行风险识别，得到影响桥梁工程的初始风险指标，生成初始风险指标的AHP判断矩阵，基于AHP判断矩阵目标工程不同初始风险指标对应的初始风险值，并将初始风险值输入风险评估模型以得到目标工程的综合风险值，并根据综合风险值确定目标工程对应的风险防控方案与对策，能够对目标工程的风险进行全面防范，削弱整个工程风险评估过程中人为主观因素的干扰，以使评估结果更为科学准确，最大限度的降低目标工程风险事故发生的概率。
图10是本发明另一实施例提供的一种高速公路桥梁工程风险评估装置的示意性框图。如图10所示，本实施例的高速公路桥梁工程风险评估装置是上述实施例的基础上增加了模型设置单元60。
模型设置单元60，用于根据初始风险指标确定BP神经网络的输入单元数和输出单元数，并根据输入单元数确定隐藏层数，以及设置BP神经网络输入层和隐藏层，以及输出层和隐藏层之间的传递函数，构建风险评估模型。
在本实施例中，BP神经网络一般都由一个输入层、一个输出层和不同数目的隐藏层组成。所以网络层数的确定，指的就是隐藏层数目的确定。理论和实践都已证明，在不限制隐藏层节点数的前提下，只设置一个隐藏层就可以实现所有非线性映射。隐藏层数量的增多虽然可以提高人工神经网络的处理能力，但是也会使训练样本数据、训练时间增多以及使训练复杂化。同时，在训练样本相对较少的前提下，尽量减少隐藏层的数目，可以完成训练样本空间的超平面划分。
因此，本发明选用一个输入层、一个隐藏层和一个输出层的三层前馈网络模型。其具体的风险评估模型设置过程如下：
确定输入层节点数：输入层的节点数取决于识别出的初始风险指标，假设目标工程对应关联有17个二级指标，则可以将共17个初始风险指标作为风险评估模型的输入值，对应建立的BP神经网络输入神经元个数为17。
确定输出层节点数：输出层节点数的确定与输入向量元素所对应的结果值的类型以及数据的大小情况相关。在本风险评估模型中，输出层的节点数就取决于综合风险值。若综合风险值的大小是[0,1]区间用来表示目标工程项目整体风险的大小程度和风险状态的一个数，则BP神经模型的输出节点数为1。若综合风险值的大小采用多维向量表示，风险评估模型的输出则为对应维数的向量。本实施例中，风险评估模型中用来表示目标工程整体风险状态的综合风险值的大小为[0,1]区间的一个数，故本次风险评估模型的输出节点数为1。
确定隐藏层：通过对BP神经网络的实践研究，同时结合本发明的工程实际，决定采用Kolmogorov定理确定隐藏层神经元的数目，由公式J＝2n+1，其中，n为输入节点数，J为隐藏层单元数，得J＝17*2+1＝35，故隐藏层的神经元数目为35。
设置训练参数：本发明中风险评估模型的输出值数据在[0，1]范围内，不能任意输出，故选取tansig函数为输入层和隐藏层的传递函数，logsig函数为隐藏层和输出层的传递函数。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述高速公路桥梁工程风险评估装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
请参阅图11，图11是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图11，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种高速公路桥梁工程风险评估方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种高速公路桥梁工程风险评估方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种高速公路桥梁工程风险评估方法，其特征在于，包括以下步骤：
根据已有的桥梁工程资料进行风险识别，得到影响桥梁工程的初始风险指标；
通过收集同类工程的风险值数据，基于初始风险指标对风险值数据进行比较分析，确定同一性质的初始风险指标之间的重要性关系，并基于初始风险指标之间的重要性关系生成对应的AHP判断矩阵；
基于所述AHP判断矩阵得到目标工程不同初始风险指标对应的初始风险值；
将初始风险值输入风险评估模型，通过风险评估模型计算得到综合风险值；
根据综合风险值确定对应的风险防控方案与对策。
2.根据权利要求1所述的高速公路桥梁工程风险评估方法，其特征在于，所述基于所述AHP判断矩阵得到目标工程不同初始风险指标对应的初始风险值的步骤，包括；
确定AHP判断矩阵中各个初始风险指标对应的权重值Wi，根据所有Wi计算得到权重向量W；
对AHP判断矩阵进行一致性检验；
在AHP判断矩阵一致性检验通过之后，确定准则层标度值；
根据初始风险指标对应的权重值Wi和准则层的标度值，计算得到目标工程在准则层中对应初始风险指标的初始风险值。
3.根据权利要求2所述的高速公路桥梁工程风险评估方法，其特征在于，所述通过收集同类工程的风险值数据，基于初始风险指标对风险值数据进行比较分析，确定同一性质的初始风险指标之间的重要性关系，并基于初始风险指标之间的重要性关系生成对应的AHP判断矩阵的步骤，包括；
获取若干个个同类工程的风险值数据；
将所有风险值数据进行归一化处理，得到不同初始风险指标对应的权重值Wi；
计算所有初始风险指标的权重值Wi两两之间的差值，建立比例标尺；
根据权重值Wi两两之间的差值和比例标尺，归纳准则层中所有初始风险指标间的关系规律，并根据目标工程的实际特点，确定目标工程的AHP判断矩阵。
4.根据权利要求2所述的高速公路桥梁工程风险评估方法，其特征在于，所述对AHP判断矩阵进行一致性检验的步骤，包括；
根据AHP判断矩阵计算出AHP判断矩阵的最大特征根λmax；
根据最大特征根λmax计算得到一致性检验指标CI；
查找与一致性检验指标CI对应的同阶平均一致性指标RI，并根据一致性检验指标CI和同阶平均一致性指标RI的值计算一致性比率CR，CR＝CI/RI；
判断一致性比率CR是否小于0.1；
若CR小于0.1，则AHP判断矩阵通过一致性检验；
若CR不小于0.1，则调整AHP判断矩阵，直到判断矩阵通过一致性检验。
5.根据权利要求1所述的高速公路桥梁工程风险评估方法，其特征在于，所述将初始风险值输入风险评估模型，通过风险评估模型计算得到综合风险值的步骤之前，包括；
根据初始风险指标确定BP神经网络的输入单元数和输出单元数，并根据输入单元数确定隐藏层数；
设置BP神经网络输入层和隐藏层，以及输出层和隐藏层之间的传递函数，构建风险评估模型。
6.根据权利要求5所述的高速公路桥梁工程风险评估方法，其特征在于，所述将初始风险值输入风险评估模型，通过风险评估模型计算得到综合风险值的步骤，包括；
初始化HS-BP神经网络算法参数，并随机产生一个初始种群放入和声记忆库，该初始种群的每一个个体对应BP神经网络的一组权值和阈值；
判断初始种群是否达到迭代总数；
若初始种群未达到迭代总数，则将初始值i赋值为1；
判断初始值i是否小于HS-BP神经网络算法预先设定的迭代次数n；
若i不小于迭代次数n，则判断i是否优于和声记忆库内最差的解；
若i优于HM内最差的解，则替换HM中最差的解，更新和声记忆库；
若i不优于HM内最差的解，则重新执行判断是否达到迭代总数的步骤；
若i小于迭代次数n，则在(0,1)之间生成随机数m；
判断随机数m是否小于和声记忆库保留概率；
若m不小于和声记忆库保留概率，则将新和声的第i个解分量从其取值区间随机选取；
若m小于和声记忆库保留概率，则将新和声的第i个解分量从和声记忆库中的第i列中随机选取，并对对产生的新和声以概率PAR进行微调扰动；
赋予初始值i＝i+1，代入和声记忆库进行迭代，重复执行判断初始值i是否小于HS-BP神经网络算法预先设定的迭代次数n的步骤；
若初始种群达到迭代总数，则输出BP神经网络的权重；
通过迭代计算BP神经网络误差，修改BP神经网络权重；
判断BP神经网络误差是否达到精度要求；
若BP神经网络误差达到精度要求，则输出综合风险值，结束算法；
若BP神经网络误差未达到精度要求，则判断BP神经网络是否完成训练次数；
若BP神经网络未完成训练次数，则重新执行通过迭代计算BP神经网络误差，修改BP神经网络权重的步骤；
若BP神经网络完成训练次数，则输出BP神经网络不收敛，初始风险指标之间不相关，不能用于评估目标工程，算法结束。
7.一种高速公路桥梁工程风险评估装置，其特征在于，包括：
风险识别单元，用于根据已有的桥梁工程资料进行风险识别，得到影响桥梁工程的初始风险指标；
矩阵构建单元，用于通过收集同类工程的风险值数据，基于初始风险指标对风险值数据进行比较分析，确定同一性质的初始风险指标之间的重要性关系，并基于初始风险指标之间的重要性关系生成对应的AHP判断矩阵；
初始计算单元，用于基于所述AHP判断矩阵得到目标工程不同初始风险指标对应的初始风险值；
综合计算单元，用于将初始风险值输入风险评估模型，通过风险评估模型计算得到综合风险值；
风险防控单元，用于根据综合风险值确定对应的风险防控方案与对策。
8.根据权利要求7所述的高速公路桥梁工程风险评估装置，其特征在于，所述初始计算单元包括权重确定子单元，矩阵检验子单元，标度确定子单元和初始计算子单元；
所述权重确定子单元，用于确定AHP判断矩阵中各个初始风险指标对应的权重值Wi，根据所有Wi计算得到权重向量W；
所述矩阵检验子单元，用于对AHP判断矩阵进行一致性检验；
所述标度确定子单元，用于在AHP判断矩阵一致性检验通过之后，确定准则层标度值；
所述初始计算子单元，用于根据初始风险指标对应的权重值Wi和准则层的标度值，计算得到目标工程在准则层中对应初始风险指标的初始风险值。
9.根据权利要求7所述的高速公路桥梁工程风险评估装置，其特征在于，所述矩阵构建单元包括数据获取子单元，归一处理子单元，比例建立子单元和矩阵确定子单元；
所述数据获取子单元，用于获取若干个个同类工程的风险值数据；
所述归一处理子单元，用于将所有风险值数据进行归一化处理，得到不同初始风险指标对应的权重值Wi；
所述比例建立子单元，用于计算所有初始风险指标的权重值Wi两两之间的差值，建立比例标尺；
所述矩阵确定子单元，用于根据权重值Wi两两之间的差值和比例标尺，归纳准则层中所有初始风险指标间的关系规律，并根据目标工程的实际特点，确定目标工程的AHP判断矩阵。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的高速公路桥梁工程风险评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010732100.9A CN111861238A (zh) | 2020-07-27 | 2020-07-27 | 高速公路桥梁工程风险评估方法、装置及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010732100.9A CN111861238A (zh) | 2020-07-27 | 2020-07-27 | 高速公路桥梁工程风险评估方法、装置及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111861238A true CN111861238A (zh) | 2020-10-30 |
Family
ID=72947464
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010732100.9A Pending CN111861238A (zh) | 2020-07-27 | 2020-07-27 | 高速公路桥梁工程风险评估方法、装置及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111861238A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113468627A (zh) * | 2020-12-04 | 2021-10-01 | 广东省建筑设计研究院有限公司 | 一种新型混凝土结构建筑群安全评估方法 |
| CN113570224A (zh) * | 2021-07-16 | 2021-10-29 | 煤炭科学研究总院 | 一种桥梁周边环境的评价方法、装置及电子设备 |
| CN114037299A (zh) * | 2021-11-15 | 2022-02-11 | 广西科技大学 | 一种建筑桥梁施工用监控方法 |
| CN115034648A (zh) * | 2022-06-24 | 2022-09-09 | 湖北工业大学 | 少样本条件下基于bp神经网络的桥梁工程风险评估方法 |
| CN116523089A (zh) * | 2022-11-18 | 2023-08-01 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种用于公路交通的降雨致灾风险预报方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913196A (zh) * | 2016-04-29 | 2016-08-31 | 武汉大学 | 一种航道整治社会稳定风险自动分析方法及系统 |
| CN109858837A (zh) * | 2019-03-01 | 2019-06-07 | 西南交通大学 | 一种大型桥梁工程风险评估方法 |
-
2020
- 2020-07-27 CN CN202010732100.9A patent/CN111861238A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913196A (zh) * | 2016-04-29 | 2016-08-31 | 武汉大学 | 一种航道整治社会稳定风险自动分析方法及系统 |
| CN109858837A (zh) * | 2019-03-01 | 2019-06-07 | 西南交通大学 | 一种大型桥梁工程风险评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘文荣等: "自锚式悬索-斜拉组合体系桥梁施工期结构安全评价", 《公路交通科技(应用技术版)》 * |
| 李上潮: ""基于BP神经网络的综合型水利工程项目风险评价研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 王英博等: ""和声搜索算法改进BP网络在水质评价中的应用"", 《计算机测量与控制》 * |
| 赵保华: "层次分析法和神经网络的信息系统风险评估", 《微电子学与计算机》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113468627A (zh) * | 2020-12-04 | 2021-10-01 | 广东省建筑设计研究院有限公司 | 一种新型混凝土结构建筑群安全评估方法 |
| CN113570224A (zh) * | 2021-07-16 | 2021-10-29 | 煤炭科学研究总院 | 一种桥梁周边环境的评价方法、装置及电子设备 |
| CN114037299A (zh) * | 2021-11-15 | 2022-02-11 | 广西科技大学 | 一种建筑桥梁施工用监控方法 |
| CN114037299B (zh) * | 2021-11-15 | 2022-05-31 | 广西科技大学 | 一种建筑桥梁施工用监控方法 |
| CN115034648A (zh) * | 2022-06-24 | 2022-09-09 | 湖北工业大学 | 少样本条件下基于bp神经网络的桥梁工程风险评估方法 |
| CN115034648B (zh) * | 2022-06-24 | 2024-05-17 | 湖北工业大学 | 少样本条件下基于bp神经网络的桥梁工程风险评估方法 |
| CN116523089A (zh) * | 2022-11-18 | 2023-08-01 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种用于公路交通的降雨致灾风险预报方法及装置 |
| CN116523089B (zh) * | 2022-11-18 | 2024-04-02 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种用于公路交通的降雨致灾风险预报方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111861238A (zh) | 高速公路桥梁工程风险评估方法、装置及计算机设备 | |
| Huang et al. | An empirical analysis of data preprocessing for machine learning-based software cost estimation | |
| CN107633265B (zh) | 用于优化信用评估模型的数据处理方法及装置 | |
| Kebaier | Statistical Romberg extrapolation: a new variance reduction method and applications to option pricing | |
| CN112396211B (zh) | 一种数据预测方法及装置、设备和计算机存储介质 | |
| CN103246762A (zh) | 一种电力推进系统仿真可信度的综合评估方法 | |
| CN111882198A (zh) | 一种项目绩效评价方法及系统 | |
| CN113780443A (zh) | 一种面向威胁检测的网络安全态势评估方法 | |
| CN112989621A (zh) | 一种模型性能评价方法、装置、设备及存储介质 | |
| Wang et al. | A subjective and objective integration approach of determining weights for trustworthy measurement | |
| CN115168870A (zh) | 一种基于综合评价的区块链安全评估方法 | |
| CN111666684B (zh) | 输送管道的环焊缝风险预估方法、装置及可读存储介质 | |
| CN108062634A (zh) | 一种售电公司的运营风险监控方法 | |
| CN112784277A (zh) | 基于改进的d-s证据理论的软件可信性综合评估方法 | |
| CN115545388A (zh) | 桥梁状态评定方法、装置、计算机设备和存储介质 | |
| CN104731639A (zh) | 仿真模型安全指标的可信度复核方法 | |
| CN114363004B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
| CN111160715A (zh) | 基于bp神经网络新旧动能转换绩效评价方法和装置 | |
| CN115829399A (zh) | 一种基于bim技术质量安全系统评价方法 | |
| CN115204501A (zh) | 企业评估方法、装置、计算机设备和存储介质 | |
| WO2022222230A1 (zh) | 基于机器学习的指标预测方法、装置、设备及存储介质 | |
| CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
| Miao et al. | An innovative Bayesian sequential censored sampling inspection method and application to test design | |
| Qiubo et al. | Research on code plagiarism detection model based on Random Forest and Gradient Boosting Decision Tree | |
| Kitikidou et al. | ‘Developing Neural Networks to Investigate Relationships Between Air Quality and Quality of Life Indicators |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |