CN111985804B - 基于数据挖掘和数据融合盾构近接既有隧道安全评价方法 - Google Patents

基于数据挖掘和数据融合盾构近接既有隧道安全评价方法 Download PDF

Info

Publication number
CN111985804B
CN111985804B CN202010829783.XA CN202010829783A CN111985804B CN 111985804 B CN111985804 B CN 111985804B CN 202010829783 A CN202010829783 A CN 202010829783A CN 111985804 B CN111985804 B CN 111985804B
Authority
CN
China
Prior art keywords
risk
existing tunnel
evidence
safety
shield
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
CN202010829783.XA
Other languages
English (en)
Other versions
CN111985804A (zh
Inventor
吴贤国
陈虹宇
曾铁梅
姚春桥
郑俊杰
章荣军
张立茂
王帆
刘茜
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202010829783.XA priority Critical patent/CN111985804B/zh
Publication of CN111985804A publication Critical patent/CN111985804A/zh
Application granted granted Critical
Publication of CN111985804B publication Critical patent/CN111985804B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0639—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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (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

本发明属于盾构下穿既有隧道安全风险评价领域，并具体公开了一种基于数据挖掘和数据融合盾构近接既有隧道安全评价方法。包括：建立盾构下穿既有隧道安全评价指标体系和风险等级划分标准；采用故障树分析法进行贝叶斯网络的设计；基于专家判断的群决策获得贝叶斯网络中根节点的专家评价区间模糊集，并采用改进证据理论对专家评价区间模糊集进行融合，获取贝叶斯网络根节点的模糊先验概率分布；基于构建的贝叶斯网络模型，进行盾构下穿既有隧道的风险概率推理和敏感性分析，确定盾构下穿既有隧道的安全风险等级和关键控制因素。本发明实现了更加准确合理的盾构下穿既有隧道的安全风险综合评价，为工程的安全风险预警与控制决策提供了有力依据。

Description

基于数据挖掘和数据融合盾构近接既有隧道安全评价方法
技术领域
本发明属于盾构下穿既有隧道安全风险评价领域，具体地，涉及一种基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，更具体的，涉及一种基于模糊贝叶斯和证据理论的基于数据挖掘和数据融合盾构近接既有隧道安全评价方法。
背景技术
近年来，我国地下轨道网线越来越密集，新建隧道盾构下穿既有隧道的情况越来越普遍。当盾构下穿既有隧道进行施工时，会不可避免地引起土层的扰动和变形，从而诱发既有隧道产生沉降变形，严重时会影响既有隧道的正常运营。因此，对盾构下穿既有隧道安全风险进行有效评估，及时进行施工安全控制具有重要的工程意义。
目前，国内外学者已经对盾构下穿隧道施工的影响和安全控制进行了一些研究。其中大多数研究主要集中于通过数值模拟和模型试验对既有隧道的变形进行分析，它们往往是在假设简化的条件下来进行建模分析的，而且也没有考虑到多源风险因素的模糊性和不确定性，与实际工程情况存在一定程度的误差和脱离。而目前从风险评估角度对隧道近接施工安全问题进行系统的安全评价与预警的研究非常少，且分析方法仍停留在传统的层次分析和模糊综合评价等方法上。其中，层次分析法主要利用两两比较的方法来确定每个元素的相对重要性，并求解判断矩阵的特征向量来确定每个元素的权重，并没有考虑系统的模糊性和不确定性信息；模糊综合评价法虽然能够对模糊的评价对象进行定量评价，但其计算复杂，而且指标权重的确定更为主观。这些研究虽然在一定程度上考虑到了多源风险因素的综合作用，但是对于集模糊性、随机性及不确定性信息于一体的盾构下穿既有隧道系统，数据信息的挖掘仍不够充分客观，使得工程施工过程中的安全隐患未能被识别，也难以实现较好的安全风险决策与控制。
盾构下穿既有隧道施工时，隧道-土体-既有隧道的相互作用过程本身存在非线性、多维度和不确定性等复杂特性，如何有效表达风险信息的模糊性和不确定性，综合考虑风险因素之间的相互关系，并进行不确定推理评价成为了盾构下穿既有隧道的安全控制与决策的一个关键问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种基于模糊贝叶斯和证据理论的基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，其目的在于利用模糊贝叶斯进行风险的不确定表达和推理，引入改进的证据理论对不确定性信息进行有效融合，通过风险概率推理和敏感性分析，确定工程的安全风险状态和关键控制因素，实现盾构下穿既有隧道安全风险综合评价。本发明实现了更加准确合理的盾构下穿既有隧道的安全风险综合评价，为工程的安全风险预警与控制决策提供了有力依据。
为实现上述目的，本发明提出了一种基于模糊贝叶斯和证据理论的基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，包括以下步骤：
(1)建立盾构下穿既有隧道安全评价指标体系和风险等级划分标准；
(2)基于所述安全评价指标体系和风险等级划分标准，采用故障树分析法进行贝叶斯网络的设计；
(3)基于专家判断的群决策获得贝叶斯网络中根节点的专家评价区间模糊集，并采用改进证据理论对专家评价区间模糊集进行融合，获取贝叶斯网络根节点的模糊先验概率分布，并以此构建贝叶斯网络模型；
(4)基于构建的贝叶斯网络模型，进行盾构下穿既有隧道的风险概率推理和敏感性分析，确定盾构下穿既有隧道的安全风险等级和关键控制因素。
作为进一步优选的，步骤(1)中，所述盾构下穿既有隧道安全评价指标体系包括新建隧道相关参数、土体条件、既有隧道条件、施工与管理因素；
根据盾构隧道下穿既有隧道安全评价风险指标等级状态进行安全评价指标体系的等级划分，该风险等级划分为安全、较安全、一般、较危险和危险。
作为进一步优选的，所述新建隧道相关参数包括新建隧道直径、两隧道的净距以及两隧道的平面夹角；所述土体条件包括压缩模量、粘聚力、内摩擦角以及泊松比；所述既有隧道条件包括既有隧道埋深、既有隧道的隧道直径、覆跨比以及既有隧道健康状态；所述施工与管理条件包括施工技术的复杂性、施工环境的复杂性以及施工协调的复杂性。
作为进一步优选的，步骤(2)具体包括以下步骤：
(211)利用故障树将指标体系中的各变量之间的依赖关系转化为贝叶斯网络结构；
(212)在专家知识和工程实践经验的基础上，对盾构下穿既有隧道安全评价的贝叶斯网络进行条件概率设计，从而完成贝叶斯网络的设计。
作为进一步优选的，步骤(3)中，通过基于专家判断的群决策获得贝叶斯网络中根节点的专家评价区间模糊集的具体步骤如下：
(311)将风险等级进行量化，专家们根据评价规则和经验知识对贝叶斯网络各个根节点所处的风险等级给出语言值评价以及对此等级的不确定度；
(312)采用模糊隶属函数将专家给出的语言值评价转换成模糊区间值，以此方式，获得贝叶斯网络中根节点的专家评价区间模糊数，所述模糊隶属函数的计算公式为：
Figure GDA0002726086530000031
其中，μ表示模糊隶属函数的中心，σ为标准偏差，x为专家给出的语言值评价；
(313)根据模糊隶属函数隶属度的上限值和下限值对专家评价区间模糊数进行量化，以获取专家评价区间模糊集，所述模糊隶属函数隶属度的上限值和下限值的计算公式为：
Figure GDA0002726086530000041
其中，
Figure GDA0002726086530000042
为模糊隶属函数隶属度的上限值，
Figure GDA0002726086530000043
为模糊隶属函数隶属度的下限值，α为常数，且α∈[1,+∞)。
作为进一步优选的，步骤三中，采用改进证据理论对专家评价区间模糊集进行融合，获取贝叶斯网络根节点的模糊先验概率分布的具体步骤如下：
根据D-S证据理论，将每个专家评价区间模糊集作为一个证据体，计算n个证据体之间的冲突程度以冲突系数，当冲突系数大于等于设定阈值时，采用改进合成规则对专家评价区间模糊集进行融合，否则，采用D-S合成规则对专家评价区间模糊集进行融合。
作为进一步优选的，在采用D-S合成规则对专家评价区间模糊集进行融合的过程中，融合后的区间下限和上限由下式确定：
Figure GDA0002726086530000044
其中，
Figure GDA0002726086530000051
为n条证据体对焦元A的融合结果的最小值，
Figure GDA0002726086530000052
为n条证据体对焦元A的融合结果的最大值，K为冲突系数，A为焦元，
Figure GDA0002726086530000053
为第n条证据体的第j个焦元，
Figure GDA0002726086530000054
为第n条证据体对第j个焦元的区间信度赋值，mn为第n条证据体的信度赋值分布函数。
作为进一步优选的，采用改进合成规则对专家评价区间模糊集进行融合的步骤如下：
(321)计算证据体mi和证据体mj之间的距离dij：
Figure GDA0002726086530000055
其中，M为焦元数，k为焦元，mi(Ak)为证据体mi对第k个焦元的信度赋值，mj(Ak)为证据体mj对第k个焦元的信度赋值；
(322)根据该距离dij计算证据体mi的支持度Sup(mi)：
Figure GDA0002726086530000056
其中，i、j＝1,2,…,n，n为证据体个数；
(323)根据证据体mi的支持度Sup(mi)计算证据体mi的可信度crdei：
Figure GDA0002726086530000057
(324)将所述证据体mi的可信度crdei按照预设比例分配给所述证据体mi，对于区间基本概率赋值函数m1,m2,...,mn合成后的区间值下限和上限由下式确定：
Figure GDA0002726086530000061
其中，
Figure GDA0002726086530000062
为n条证据体对焦元A的融合结果的最小值，
Figure GDA0002726086530000063
为n条证据体对焦元A的融合结果的最大值，K为冲突系数，A为焦元，
Figure GDA0002726086530000064
为第n条证据体的第j个焦元，
Figure GDA0002726086530000065
为第n条证据体对第j个焦元的区间信度赋值，mn为第n条证据体的信度赋值分布函数，
Figure GDA0002726086530000066
为第i条证据体对第j个焦元的区间信度赋值，mi为第i条证据体的信度赋值分布函数。
作为进一步优选的，步骤(4)中，所述风险概率推理具体如下：
基于贝叶斯网络模型推理，由根节点的先验概率得到叶节点各个风险等级的概率，对盾构隧道下穿既有隧道的安全风险状态进行预估；
对于根节点xi(i＝1,2,...,n)，其风险等级状态为
Figure GDA0002726086530000067
ai＝1,2,...ki，ki为节点xi的风险等级总数，ai为节点xi的风险等级，中间节点yi(i＝1,2,...,m)的风险等级状态为
Figure GDA0002726086530000068
bj＝1,2,...,kj，kj为节点yi的风险等级总数，bi为节点yi的风险等级，叶节点T的风险等级状态为Tq，以平均概率代表各个风险等级的概率区间，根据安全风险状态概率预估模型，得到叶节点T风险等级状态为Tq的概率；
所述安全风险状态概率预估模型的计算公式如下：
Figure GDA0002726086530000071
其中，π(T)为叶节点T的父节点集合，π(y1)为中间节点ym的父节点集合，
Figure GDA0002726086530000072
为叶节点T风险等级状态为Tq的概率。
作为进一步优选的，步骤(4)中，所述敏感性分析的计算模型如下：
Figure GDA0002726086530000073
其中，
Figure GDA0002726086530000074
为当根节点xi的风险等级为
Figure GDA0002726086530000075
时，叶节点T的风险等级为Tq的条件概率，P(T＝Tq)为叶节点T的风险等级为Tq的概率，ki为节点xi的风险等级总数，ai为节点xi的风险等级，SPM(xi)为根节点xi的敏感度。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：
1.本发明方法基于盾构下穿既有隧道安全评价指标体系和风险等级划分标准，采用故障树分析法进行贝叶斯网络的结构设计，并采用改进证据理论对专家评价区间模糊集进行融合，基于构建的贝叶斯网络模型，进行盾构下穿既有隧道的风险概率推理和敏感性分析，确定盾构下穿既有隧道的安全风险等级和关键控制因素，实现了更加准确合理的盾构下穿既有隧道的安全风险综合评价，为工程的安全风险预警与控制决策提供了有力依据。本发明建立了一套较为完善的盾构下穿既有隧道安全风险评估体系及评价标准，为其他同类工程的安全风险评价研究提供了适用的依据。
2.将模糊贝叶斯网络与证据理论结合，综合考虑多源风险因素的作用，对风险信息的模糊性和不确定性进行了有效表达和融合，实现了更加准确合理的盾构下穿既有隧道的安全风险综合评价，为工程的安全风险预警与控制决策提供了有力依据。
3.本发明方法考虑了隧道系统中风险因素之间存在的非线性、多维度和不确定性等复杂特性，采用模糊贝叶斯网络进行风险的不确定性表达和推理，引入证据理论对不确定信息进行有效融合，使得系统中的多源不确定信息能够被充分利用，获得更加贴合实际的评价结果。
4.本发明方法提出的改进证据理论基于证据的可信度重新定义冲突信息的分配，能对高冲突证据情况进行有效处理，规避高冲突证据下易得到与事实相悖的缺陷，实现多源冲突证据的有效融合，得到更加准确的先验概率分布结果。
5.本发明方法基于模糊贝叶斯网络进行根节点的敏感性分析，能够揭示隧道系统风险水平对于影响因素微小变化的敏感程度，从而确定对风险事件贡献度较大的关键风险因素，辅助进行安全控制决策。
附图说明
图1是本发明优选实施例涉及的一种基于模糊贝叶斯和证据理论的基于数据挖掘和数据融合盾构近接既有隧道安全评价方法的流程图；
图2是本发明优选实施例涉及的一种基于模糊贝叶斯和证据理论的基于数据挖掘和数据融合盾构近接既有隧道安全评价方法中提供的盾构下穿既有隧道安全评价贝叶斯网络模型图；
图3是本发明实施例1中提供的14个风险因素的敏感性分析图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明实施例提供的一种基于模糊贝叶斯和证据理论的基于数据挖掘和数据融合盾构近接既有隧道安全评价方法是，包括以下步骤：
步骤一，在相关文献分析及工程经验的基础上，建立盾构下穿既有隧道安全评价指标体系和风险等级划分标准。
盾构下穿既有隧道安全评价指标体系包括隧道相关参数、土体条件、既有隧道条件、施工与管理因素。其中，隧道相关参数包括新建隧道的直径(X1)、两隧道的净距(X2)以及两隧道的平面夹角(X3)。土体条件包括压缩模量(X4)、粘聚力(X5)、摩擦角(X6)和泊松比(X7)。既有隧道条件包括既有隧道的埋深(X8)、既有隧道的直径(X9)、覆跨比(X10)和既有隧道的健康状态(X11)。施工与管理因素包括施工技术的复杂性(X12)、施工环境的复杂性(X13)和施工协调的复杂性(X14)。
安全评价指标体系的风险等级划分标准为：根据盾构隧道下穿既有隧道安全评价风险指标等级状态进行安全评价指标体系的等级划分，该风险等级划分为安全(Ⅰ级)，较安全(Ⅱ级)，一般(Ⅲ级)，较危险(Ⅳ级)，危险(Ⅴ级)五个等级。盾构下穿既有隧道安全评价指标体系中的每个影响因素在每个风险等级都有其对应的取值范围。
在本发明中，评价指标体系中各参数的风险等级的取值范围如下表1所示：
表1评价指标体系中各参数的风险等级的取值范围
Figure GDA0002726086530000091
Figure GDA0002726086530000101
步骤二，基于所述安全评价指标体系和风险等级划分标准，采用故障树分析法进行贝叶斯网络的设计。基于专家知识进行贝叶斯网络设计的步骤具体如下：
(1)结构设计
利用故障树将指标体系中的各变量之间的依赖关系转化为贝叶斯网络结构。即采用故障树向贝叶斯网络转化来进行结构设计，利用故障树在风险因素逻辑关系定义方面的优势，很方便地将变量之间的依赖关系转化为贝叶斯网络结构。转化应当遵循顶事件、底事件、中间事件分别与叶节点、根节点和中间节点对应，事件的输入与输出关系与DAG中的有向边对应的原则。
(2)条件概率设计
在专家知识和工程实践经验的基础上，对盾构下穿既有隧道安全评价的贝叶斯网络进行条件概率设计，从而完成贝叶斯网络的设计。即在专家知识和大量工程实践经验的基础上，对盾构下穿既有隧道安全评价的贝叶斯网络进行条件概率设计。
步骤三，基于专家判断的群决策获得贝叶斯网络中根节点的专家评价区间模糊集，并采用改进证据理论对专家评价区间模糊集进行融合，获取贝叶斯网络根节点的模糊先验概率分布，并以此构建贝叶斯网络模型。即通过专家群决策法获得根节点的专家评价区间模糊集，提出改进证据理论对专家评价进行融合，获取根节点的模糊先验概率分布。
其中，通过专家群决策法获得根节点的专家评价区间模糊集的流程包括：
(1)首先将风险等级进行量化，将专家语言评价值分为五个风险等级，分别为安全、较安全、一般、较危险、危险，各风险等级对应的量化值设定为0.1、0.3、0.5、0.7和0.9；
(2)专家们根据评价规则和经验知识对贝叶斯网络各个根节点所处的风险等级给出语言值评价以及对此等级的不确定度。即邀请几位领域专家根据自己的工程经验和知识对各个根节点所处的风险等级给出语言值评价，以及对此风险等级的不确定度；
(3)采用模糊隶属函数将专家给出的语言值评价转换成模糊区间值，以此方式，获得贝叶斯网络中根节点的专家评价区间模糊数。即利用模糊隶属函数将专家的语言值评价转换成模糊区间值，从而对专家评价进行模糊化。本发明模糊隶属函数选择高斯隶属函数，它能够反应非线性正态分布特性，其表达式如下所示：
Figure GDA0002726086530000111
其中，μ表示模糊隶属函数的中心，σ为标准偏差，表示模糊隶属函数的均方根(RMS)宽度。本发明中，五个风险等级的模糊隶属函数的中心分别为0、0.25、0.5、0.75和1，则每个等级可得到对应的模糊隶属函数。
为了更好的表达不确定性，根据隶属度的上下限引入区间模糊集来对不确定性进行量化，高斯隶属函数uA的上下隶属度
Figure GDA0002726086530000112
和
Figure GDA0002726086530000113
具体表达式如下：
Figure GDA0002726086530000114
其中，
Figure GDA0002726086530000115
为模糊隶属函数隶属度的上限值，
Figure GDA0002726086530000116
为模糊隶属函数隶属度的下限值，α为常数，且α∈[1,+∞)。
即本步骤为根据模糊隶属函数隶属度的上限值和下限值对专家评价区间模糊数进行量化，以获取专家评价区间模糊集
进一步，步骤三中，采用改进证据理论对专家评价区间模糊集进行融合，获取贝叶斯网络根节点的模糊先验概率分布的具体步骤如下：
根据D-S证据理论，将每个专家评价区间模糊集作为一个证据体，计算n个证据体之间的冲突程度以冲突系数，当冲突系数大于等于设定阈值时，采用改进合成规则对专家评价区间模糊集进行融合，否则，采用D-S合成规则对专家评价区间模糊集进行融合。
具体而言，在采用D-S合成规则对专家评价区间模糊集进行融合的过程中，融合后的区间下限和上限由下式确定：
Figure GDA0002726086530000121
其中，
Figure GDA0002726086530000122
为n条证据体对焦元A的融合结果的最小值，
Figure GDA0002726086530000123
为n条证据体对焦元A的融合结果的最大值，K为冲突系数，A为焦元，
Figure GDA0002726086530000124
为第n条证据体的第j个焦元，
Figure GDA0002726086530000125
为第n条证据体对第j个焦元的区间信度赋值，mn为第n条证据体的信度赋值分布函数。
采用改进合成规则对专家评价区间模糊集进行融合的步骤如下：
(321)计算证据体mi和证据体mj之间的距离dij：
Figure GDA0002726086530000131
其中，M为焦元数，k为焦元，mi(Ak)为证据体mi对第k个焦元的信度赋值，mj(Ak)为证据体mj对第k个焦元的信度赋值；
(322)根据该距离dij计算证据体mi的支持度Sup(mi)：
Figure GDA0002726086530000132
其中，i、j＝1,2,…,n，n为证据体个数；
(323)根据证据体mi的支持度Sup(mi)计算证据体mi的可信度crdei：
Figure GDA0002726086530000133
(324)将所述证据体mi的可信度crdei按照预设比例分配给所述证据体mi，对于区间基本概率赋值函数m1,m2,...,mn合成后的区间值下限和上限由下式确定：
Figure GDA0002726086530000134
其中，
Figure GDA0002726086530000135
为n条证据体对焦元A的融合结果的最小值，
Figure GDA0002726086530000136
为n条证据体对焦元A的融合结果的最大值，K为冲突系数，A为焦元，
Figure GDA0002726086530000137
为第n条证据体的第j个焦元，
Figure GDA0002726086530000138
为第n条证据体对第j个焦元的区间信度赋值，mn为第n条证据体的信度赋值分布函数，
Figure GDA0002726086530000141
为第i条证据体对第j个焦元的区间信度赋值，mi为第i条证据体的信度赋值分布函数。
换而言之，在本发明中，步骤三所提出改进证据理论如下：
(1)证据冲突检测
根据经典D-S证据理论，n个证据体之间的冲突程度的大小以冲突系数K表示，如下式：
Figure GDA0002726086530000142
为了区分证据体间的冲突程度，以便采用不同的融合规则，设置一个阈值ε对冲突系数K进行冲突检测，当K≥ε时，为高冲突情况，采用改进合成规则进行融合，否则，采用经典的D-S合成规则进行融合。本发明根据统计习惯将阈值ε设置为1-0.05＝0.95。
(2)低冲突证据融合
当冲突系数K<0.95时，为低冲突情况，证据间的冲突可接受，采用经典D-S证据合成规则进行融合，对于区间基本概率赋值函数m1,m2,...,mn合成后的区间值下限
Figure GDA0002726086530000143
和上限
Figure GDA0002726086530000144
由下式确定：
Figure GDA0002726086530000145
(3)基于高冲突证据的改进合成规则
当冲突系数k≥0.95时，为高冲突证据情况，为了规避经典D-S合成规则在高冲突证据下易得到与事实相悖的缺陷，基于证据的可信度重新定义冲突信息的分配，得到新的证据合成规则，具体算法如下：
通过计算证据的支持度获取证据的可信度。首先计算证据体mi和mj之间的距离dij，然后计算证据体mi的支持度Sup(mi)，证据体mi的可信度crdei通过Sup(mi)归一化得到，具体如下式所示：
Figure GDA0002726086530000151
Figure GDA0002726086530000152
由上式看出一个证据体与其他证据体的相似度越高，则说明该证据体被其他证据体所支持的程度越高，那么该证据体也就越可信，反之亦然。
根据可信度将冲突信息按比例分配给证据体，对于区间基本概率赋值函数m1,m2,...,mn合成后的区间值下限和上限由下式确定：
Figure GDA0002726086530000153
步骤四，基于构建的贝叶斯网络模型，进行盾构下穿既有隧道的风险概率推理和敏感性分析，确定盾构下穿既有隧道的安全风险等级和关键控制因素。
进一步，步骤四中，所述进行风险概率推理和敏感性分析方法如下：
(1)风险概率推理
基于贝叶斯网络模型推理，由根节点的先验概率得到叶节点各个风险等级的概率，对盾构隧道下穿既有隧道的安全风险状态进行预估；
对于根节点xi(i＝1,2,...,n)，其风险等级状态为
Figure GDA0002726086530000161
ai＝1,2,...ki，ki为节点xi的风险等级总数，ai为节点xi的风险等级，中间节点yi(i＝1,2,...,m)的风险等级状态为
Figure GDA0002726086530000162
bj＝1,2,...,kj，kj为节点yi的风险等级总数，bi为节点yi的风险等级，叶节点T的风险等级状态为Tq，以平均概率代表各个风险等级的概率区间，根据安全风险状态概率预估模型，得到叶节点T风险等级状态为Tq的概率；
所述安全风险状态概率预估模型的计算公式如下：
Figure GDA0002726086530000163
其中，π(T)为叶节点T的父节点集合，π(y1)为中间节点ym的父节点集合。
(2)敏感性分析
敏感性分析能够反映叶节点对于根节点微小变化的敏感程度，从而确定对风险事件贡献度较大的关键风险因素，为风险管控提供理论依据。节点xi对于叶节点风险等级为Tq的敏感度如SPM(xi)如下式所示。
Figure GDA0002726086530000164
其中，
Figure GDA0002726086530000165
表示当根节点xi的风险等级为
Figure GDA0002726086530000166
时，叶节点T的风险等级为Tq的条件概率，P(T＝Tq)为叶节点T的风险等级为Tq的概率，ki为节点xi的风险等级总数，ai为节点xi的风险等级。
实施例1
如图1所示，本发明提出的基于模糊贝叶斯和证据理论的基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，主要包括以下步骤：
1、贝叶斯网络构建
(1)节点状态划分
结合对盾构下穿既有隧道安全风险的等级划分，将贝叶斯网络中各节点划分为1、2、3、4、5这5种状态，使其能够与安全风险等级状态的安全(Ⅰ)，较安全(Ⅱ)，一般(Ⅲ)，较危险(Ⅳ)，危险(Ⅴ)进行一一对应，方便安全风险评价与分析。
(2)贝叶斯网络设计
根据构建的评价指标体系，结合贝叶斯网络设计的思路和具体做法，整合事故树及专家经验等先验知识，得到盾构隧道下穿既有隧道安全预评价评价的贝叶斯网络拓扑结构，并对网络的中间节点和叶节点的条件概率表进行设计，具体模型结构如图2所示。
2、根节点先验概率获取
由于工程中无大量精确的统计资料，因此本文选择通过专家群决策来获取根节点的先验概率。根据前文所述专家评价法，邀请三位领域专家结合自己的工程经验和知识对贝叶斯网络中各个根节点指标所处的风险等级给出语言值评价，以及对此等级的不确定度，然后利用模糊隶属函数将专家的语言值评价转换成模糊区间值。三位专家给出的具体评价分别如表2至表4所示。
表2专家1评价
Figure GDA0002726086530000171
表3专家2评价
Figure GDA0002726086530000181
表4专家3评价
Figure GDA0002726086530000182
通过模糊隶属函数对专家评价进行模糊化处理得到模糊区间值后，为了能够基于证据理论进行区间融合，必须先对区间值进行有效性和规范性检验和修改，然后根据本文所提出的改进的混合区间证据合成规则对三位专家的评价区间值进行融合。首先计算证据体之间的冲突系数K，然后根据阈值ε＝0.95判断证据体融合应该选用的融合规则，若K＜0.95则采用经典D-S合成规则进行区间融合；否则采用基于证据可信度的改进合成规则，先计算出证据体的可信度，然后基于可信度将冲突信息按比例分配给证据体，从而实现区间证据融合。基于改进证据理论对三位专家评价区间值进行融合得到的结果如表5所示。
表5区间证据融合结果
Figure GDA0002726086530000183
3、风险评价
(1)风险概率推理
在已知根节点先验概率以及中间节点和叶节点的条件概率的情况下，通过贝叶斯网络推理可以将根节点的不确定性在网络中进行传递，从而得到叶节点在各个风险等级状态下的概率区间。在表4的基础上通过贝叶斯网络推算得到叶节点T和中间节点B1、B2、B3、B4在各个风险等级状态下的平均风险概率，具体计算结果如表6所示。
表6节点Bi、T的风险概率
Figure GDA0002726086530000191
由表5可知，叶节点T风险状态为Ⅲ级的平均风险概率最大，为0.477，对于风险状态Ⅳ级的平均风险概率也较大，为0.356，因此可以判断该工程盾构下穿既有隧道安全风险等级为一般(Ⅲ级)，但有向较危险(Ⅳ级)等级状态发展的趋势，仍需要加强关注并采取一定的措施进行管控。
同理分析可得B1的安全风险等级为Ⅲ级(一般)，且有向Ⅳ级发展的趋势；B2的安全风险等级为Ⅳ级(较危险)；B3和B4的安全风险等级均为Ⅲ级(一般)。因此，对于B3和B4方面的风险因素应当加强监控，对于B1和B2方面的风险因素则应采取适当的安全措施以降低其安全风险。
(2)敏感性分析
敏感性分析可以帮助管理人员辨识关键致险因素，辅助进行安全控制决策。本文按照概率区间的均值进行计算分析，计算14个风险因素对于叶节点T为较高风险等级(T＝3，4，5)下的敏感度，计算结果如图3所示。为了方便分析，本文将每个风险因素的敏感度进行数字平均化，如图3中折线图所示。
由图3可知，当安全风险等级为危险(V级)时，X3(两隧道的平面夹角)和X6(内摩擦角)的敏感性明显高于其他因素；当安全风险等级为较危险(IV级)和一般(III级)时，X1(新建隧道直径)、X3(两隧道的平面夹角)、X13(施工环境的复杂性)和X14(施工协调的复杂性)的敏感度最大；同时，由折线图可知，X1(新建隧道直径)、X3(两隧道的平面夹角)、X6(内摩擦角)、X13(施工环境的复杂性)和X14(施工协调的复杂性)这五个因素对于三个风险等级的敏感性均值排在最前面。因此，当盾构隧道下穿既有隧道安全风险为较高风险等级(T＝3，4，5)时，上述五个风险因素应当作为该工程重点关注的因素，采取相应的决策对其进行管控，直至潜在安全风险得以控制。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，其特征在于，包括以下步骤：
(1)建立盾构下穿既有隧道安全评价指标体系和风险等级划分标准；
(2)基于所述安全评价指标体系和风险等级划分标准，采用故障树分析法进行贝叶斯网络的设计；
(3)基于专家判断的群决策获得贝叶斯网络中根节点的专家评价区间模糊集，并采用改进证据理论对专家评价区间模糊集进行融合，获取贝叶斯网络根节点的模糊先验概率分布，并以此构建贝叶斯网络模型；
(4)基于构建的贝叶斯网络模型，进行盾构下穿既有隧道的风险概率推理和敏感性分析，确定盾构下穿既有隧道的安全风险等级和关键控制因素；
步骤(3)中，采用改进证据理论对专家评价区间模糊集进行融合，获取贝叶斯网络根节点的模糊先验概率分布的具体步骤如下：
根据D-S证据理论，将每个专家评价区间模糊集作为一个证据体，计算n个证据体之间的冲突程度以冲突系数，当冲突系数大于等于设定阈值时，采用改进合成规则对专家评价区间模糊集进行融合，否则，采用D-S合成规则对专家评价区间模糊集进行融合，其中，设定阈值为0.95；
步骤(4)中，敏感性分析能够反映叶节点对于根节点微小变化的敏感程度，从而确定对风险事件贡献度较大的关键风险因素；
其中，风险因素包括：新隧道直径、两隧道净距、两隧道平面夹角、压缩模量、粘聚力、内摩擦角、泊松比、既有隧道埋深、既有隧道直径、覆跨比、既有隧道健康状态、施工技术复杂性、施工环境复杂性、施工协调复杂性、新隧道参数、土体条件、既有隧道条件、施工与管理因素。
2.根据权利要求1所述的一种基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，其特征在于，步骤(1)中，所述盾构下穿既有隧道安全评价指标体系包括新建隧道相关参数、土体条件、既有隧道条件、施工与管理因素；
根据盾构隧道下穿既有隧道安全评价风险指标等级状态进行安全评价指标体系的等级划分，该风险等级划分为安全、较安全、一般、较危险和危险。
3.根据权利要求2所述的一种基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，其特征在于，所述新建隧道相关参数包括新建隧道直径、两隧道的净距以及两隧道的平面夹角；所述土体条件包括压缩模量、粘聚力、内摩擦角以及泊松比；所述既有隧道条件包括既有隧道埋深、既有隧道的隧道直径、覆跨比以及既有隧道健康状态；所述施工与管理条件包括施工技术的复杂性、施工环境的复杂性以及施工协调的复杂性。
4.根据权利要求1所述的一种基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，其特征在于，步骤(2)具体包括以下步骤：
(211)利用故障树将指标体系中的各变量之间的依赖关系转化为贝叶斯网络结构；
(212)在专家知识和工程实践经验的基础上，对盾构下穿既有隧道安全评价的贝叶斯网络进行条件概率设计，从而完成贝叶斯网络的设计。
5.根据权利要求1所述的一种基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，其特征在于，步骤(3)中，通过基于专家判断的群决策获得贝叶斯网络中根节点的专家评价区间模糊集的具体步骤如下：
(311)将风险等级进行量化，专家们根据评价规则和经验知识对贝叶斯网络各个根节点所处的风险等级给出语言值评价以及对此等级的不确定度；
(312)采用模糊隶属函数将专家给出的语言值评价转换成模糊区间值，以此方式，获得贝叶斯网络中根节点的专家评价区间模糊数，所述模糊隶属函数的计算公式为：
Figure FDA0003121538340000031
其中，μ表示模糊隶属函数的中心，σ为标准偏差，x为专家给出的语言值评价；
(313)根据模糊隶属函数隶属度的上限值和下限值对专家评价区间模糊数进行量化，以获取专家评价区间模糊集，所述模糊隶属函数隶属度的上限值和下限值的计算公式为：
Figure FDA0003121538340000032
其中，
Figure FDA0003121538340000033
为模糊隶属函数隶属度的上限值，
Figure FDA0003121538340000034
为模糊隶属函数隶属度的下限值，α为常数，且α∈[l，+∞)。
6.根据权利要求1所述的一种基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，其特征在于，在采用D-S合成规则对专家评价区间模糊集进行融合的过程中，融合后的区间下限和上限由下式确定：
Figure FDA0003121538340000035
其中，
Figure FDA0003121538340000036
为n条证据体对焦元A的融合结果的最小值，
Figure FDA0003121538340000037
为n条证据体对焦元A的融合结果的最大值，K为冲突系数，A为焦元，
Figure FDA0003121538340000038
为第n条证据体的第j个焦元，
Figure FDA0003121538340000039
为第n条证据体对第j个焦元的区间信度赋值，mn为第n条证据体的信度赋值分布函数。
7.根据权利要求1所述的一种基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，其特征在于，采用改进合成规则对专家评价区间模糊集进行融合的步骤如下：
(321)计算证据体mi和证据体mj之间的距离dij：
Figure FDA0003121538340000041
其中，M为焦元数，k为焦元，mi(Ak)为证据体mi对第k个焦元的信度赋值，mj(Ak)为证据体mj对第k个焦元的信度赋值；
(322)根据该距离dij计算证据体mi的支持度Sup(mi)：
Figure FDA0003121538340000042
其中，i、j＝1，2，...，n，n为证据体个数；
(323)根据证据体mi的支持度Sup(mi)计算证据体mi的可信度crdei：
Figure FDA0003121538340000043
(324)将所述证据体mi的可信度crdei按照预设比例分配给所述证据体mi，对于区间基本概率赋值函数m1，m2，...，mn合成后的区间值下限和上限由下式确定：
Figure FDA0003121538340000044
其中，
Figure FDA0003121538340000045
为n条证据体对焦元A的融合结果的最小值，
Figure FDA0003121538340000046
为n条证据体对焦元A的融合结果的最大值，K为冲突系数，A为焦元，
Figure FDA0003121538340000051
为第n条证据体的第j个焦元，
Figure FDA0003121538340000052
为第n条证据体对第j个焦元的区间信度赋值，mn为第n条证据体的信度赋值分布函数，
Figure FDA0003121538340000053
为第i条证据体对第j个焦元的区间信度赋值，mi为第i条证据体的信度赋值分布函数。
8.根据权利要求1所述的一种基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，其特征在于，步骤(4)中，所述风险概率推理具体如下：
基于贝叶斯网络模型推理，由根节点的先验概率得到叶节点各个风险等级的概率，对盾构隧道下穿既有隧道的安全风险状态进行预估；
对于根节点xi(i＝1，2，...，n)，其风险等级状态为
Figure FDA0003121538340000054
ai＝1，2，...ki，ki为节点xi的风险等级总数，ai为节点xi的风险等级，中间节点yi(i＝1，2，...，m)的风险等级状态为
Figure FDA0003121538340000055
bj＝1，2，...，kj，kj为节点yi的风险等级总数，bi为节点yi的风险等级，叶节点T的风险等级状态为Tq，以平均概率代表各个风险等级的概率区间，根据安全风险状态概率预估模型，得到叶节点T风险等级状态为Tq的概率；
所述安全风险状态概率预估模型的计算公式如下：
Figure FDA0003121538340000056
其中，π(T)为叶节点T的父节点集合，πy1)为中间节点ym的父节点集合。
9.根据权利要求1所述的一种基于数据挖掘和数据融合盾构近接既有隧道安全评价方法，其特征在于，步骤(4)中，所述敏感性分析的计算模型如下：
Figure FDA0003121538340000061
其中，
Figure FDA0003121538340000062
为当根节点xi的风险等级为
Figure FDA0003121538340000063
时，叶节点T的风险等级为Tq的条件概率，P(T＝Tq)为叶节点T的风险等级为Tq的概率，ki为节点xi的风险等级总数，ai为节点xi的风险等级。
CN202010829783.XA 2020-08-18 2020-08-18 基于数据挖掘和数据融合盾构近接既有隧道安全评价方法 Active CN111985804B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010829783.XA CN111985804B (zh) 2020-08-18 2020-08-18 基于数据挖掘和数据融合盾构近接既有隧道安全评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010829783.XA CN111985804B (zh) 2020-08-18 2020-08-18 基于数据挖掘和数据融合盾构近接既有隧道安全评价方法

Publications (2)

Publication Number Publication Date
CN111985804A CN111985804A (zh) 2020-11-24
CN111985804B true CN111985804B (zh) 2021-09-10

Family

ID=73434621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010829783.XA Active CN111985804B (zh) 2020-08-18 2020-08-18 基于数据挖掘和数据融合盾构近接既有隧道安全评价方法

Country Status (1)

Country Link
CN (1) CN111985804B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112561357A (zh) * 2020-12-22 2021-03-26 济南中科成水质净化有限公司 一种基于有向无环图的污水处理工艺系统模糊评估方法
CN113284340B (zh) * 2021-05-14 2022-11-01 交通运输部科学研究院 道路交通安全分级系统
CN114264784B (zh) * 2021-12-03 2023-08-22 淮阴工学院 基于传感器风险区间模型的养殖水情判断方法及系统
CN114418469B (zh) * 2022-03-30 2022-07-19 华中科技大学 基于lgbm-nsga-ⅲ的盾构近接施工参数多目标优化方法及设备
CN115100826B (zh) * 2022-05-20 2023-11-07 交通运输部水运科学研究所 一种基于实时监测的船舶危险货物落水报警方法和系统
CN115099693B (zh) * 2022-07-21 2023-10-13 宁波迈泰克磁材科技有限公司 一种烧结钕铁硼磁钢材料的生产控制方法及系统
CN114996830B (zh) * 2022-08-03 2022-11-18 华中科技大学 盾构隧道下穿既有隧道的可视化安全评估方法及设备
CN115358494B (zh) * 2022-10-20 2023-01-06 中电建铁路建设投资集团有限公司 一种地铁盾构下穿施工的危险预警方法
CN115392797B (zh) * 2022-10-27 2023-04-07 北京城建设计发展集团股份有限公司 基于贝叶斯网络的运营隧道结构病害快速智能诊断方法
CN115907565B (zh) * 2023-02-14 2023-06-23 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
CN116739345B (zh) * 2023-06-08 2024-03-22 南京工业大学 一种危化品道路运输事故发生可能性实时评估方法
CN117035172B (zh) * 2023-08-03 2024-04-30 北京城建设计发展集团股份有限公司 一种海底地铁隧道结构运营安全风险动态预测方法及系统
CN117709729A (zh) * 2023-12-28 2024-03-15 中国铁道科学研究院集团有限公司 重大工程技术创新成果应用风险评估方法及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110889588A (zh) * 2019-10-21 2020-03-17 铜陵学院 利用因子判断矩阵进行盾构隧道施工临近建筑物风险等级的评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921432A (zh) * 2018-07-03 2018-11-30 黄震 一种盾构隧道施工风险综合评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110889588A (zh) * 2019-10-21 2020-03-17 铜陵学院 利用因子判断矩阵进行盾构隧道施工临近建筑物风险等级的评估方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"地铁盾构施工全过程安全风险变化规律及事故演化机理研究";刘文;《万方期刊数据库》;20190606;第1-6章 *
"基于云模型与 D－S 证据理论的盾构施工隧道管片上浮风险评价";汤扬屹等;《隧道建设(中英文)》;20191231;第39卷(第12期);第2011-2019页 *
"基于模糊集与改进证据理论的综合管廊施工安全风险评价";蔡孟龙等;《公路与汽运》;20200331(第2期);第161-166页 *
"基于粗糙集和贝叶斯网络的地铁盾构施工诱发邻近桥梁安全风险评价";吴贤国等;《土木工程与管理学报》;20160531;第33卷(第3期);第9-15页 *
"苏州地铁四号线近接既有隧道的风险评价研究";马将等;《青海交通科技》;20200228;第119-126页 *
"贝叶斯网络在运营隧道结构风险评估中的应用";周建国等;《工业工程》;20191231;第22卷(第6期);第103-109页 *

Also Published As

Publication number Publication date
CN111985804A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN111985804B (zh) 基于数据挖掘和数据融合盾构近接既有隧道安全评价方法
CN108399340A (zh) 基于改进fahp和云模型的机载网络安全风险评估方法
CN112396320A (zh) 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法
CN107122594A (zh) 一种新能源车辆电池的健康预测方法和系统
CN103077447B (zh) 一种基于贝叶斯网络的地铁施工安全管理决策方法
CN105825271B (zh) 基于证据推理的卫星故障诊断与预测方法
CN111598352A (zh) 一种基于贝叶斯网络的混凝土梁式桥综合评估方法
CN112699553B (zh) 一种岩爆烈度等级智能预测系统方法
Liao et al. The mechanism of how design failures cause unsafe behavior: the cognitive reliability and error analysis method (CREAM)
CN117172556B (zh) 一种桥梁工程的施工风险预警方法与系统
CN112418683A (zh) 一种盾构下穿既有构筑物施工风险评价方法
CN115063056B (zh) 基于图拓扑分析改进的建造行为安全风险动态分析方法
CN111144637A (zh) 基于机器学习的区域电网地质灾害预报模型构建方法
CN106815682A (zh) 一种应急预案有效性评价方法
KR102379472B1 (ko) 시공간 피해특성을 고려한 다종 데이터 융합 분석방법
Romero et al. Applying grey systems and shannon entropy to social impact assessment and environmental conflict analysis
Lai et al. A method for the hazard assessment of regional geological disasters: a case study of the Panxi area, China
Wu et al. A novel comprehensive quantitative method for various geological disaster evaluations in underground engineering: multidimensional finite interval cloud model (MFICM)
Xu Assessment of nuclear waste repository options using the ER approach
Ganguly et al. Analysing the barriers in Indian stone crushing industries: an ISM and fuzzy AHP approach
Hao et al. Development of a method for weight determination of disaster-causing factors and quantitative risk assessment for tailings dams based on causal coupling relationships
Xiao et al. New Risk Control Technology for Port Channel Construction Operations Based on BIM
Liang et al. Research on risk evaluation of logistics park construction project by FMEA based on hesitation environment
CN110334925A (zh) 一种口部抢修作业风险辨识方法
CN116739391B (zh) 一种多制式轨道交通应急协同决策方法及装置

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