CN112966949A - 隧道施工的风险评估方法、装置及存储介质 - Google Patents
隧道施工的风险评估方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112966949A CN112966949A CN202110277102.8A CN202110277102A CN112966949A CN 112966949 A CN112966949 A CN 112966949A CN 202110277102 A CN202110277102 A CN 202110277102A CN 112966949 A CN112966949 A CN 112966949A
- Authority
- CN
- China
- Prior art keywords
- risk
- risk assessment
- evaluation index
- evaluation
- tunnel construction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000010276 construction Methods 0.000 title claims abstract description 72
- 238000012502 risk assessment Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 83
- 238000009826 distribution Methods 0.000 claims abstract description 72
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 39
- 241000039077 Copula Species 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 31
- 238000005315 distribution function Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 239000003673 groundwater Substances 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 abstract description 3
- 238000013058 risk prediction model Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000012163 sequencing technique 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种隧道施工的风险评估方法、装置及存储介质。所述风险评估方法包括:根据预先确定的评价指标构建贝叶斯网络,所述评价指标包括隧道施工的风险事件和引起所述风险事件的影响指标;获取当前隧道的施工现场数据;根据所述施工现场数据、所述评价指标的相互依赖关系的Copula函数和各个评价指标的边际分布参数,确定所述贝叶斯网络的结构参数;根据所述结构参数和所述贝叶斯网络构建所述风险事件预测模型。本申请在保证风险预测模型准确性的同时,可以大幅度降低对于数据的需求量和模型计算量,可用于隧道施工过程中的突水涌泥等多种风险评估。
Description
技术领域
本申请涉及隧道施工技术领域,尤其涉及一种隧道施工的风险评估方法、装置及存储介质。
背景技术
在隧道施工过程中,突水是常见的事故,一旦发生会导致重大人员伤亡和经济损失。因此,准确评估突水涌泥的风险并及时采取措施以确保安全是至关重要的。贝叶斯网络(BN)可以利用现场数据通过相应算法建立BN网络结构和学习参数。构建风险评估模型时,如果数据充足可以保证模型的客观性。但是在实际工程应用中,对于大多数情况,存在实际工程案例数据不足,不能准确的构建BN网络结构并进行参数训练的问题。
因此,本申请提出了一种基于Copula函数的非参数贝叶斯网络风险评估,在保证模型准确性的同时,有效低对于数据的需求量和模型计算量,可用于隧道施工过程中的突水涌泥等多种风险评估。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种隧道施工的风险评估方法、装置及存储介质。
本申请提供了一种隧道施工的风险评估方法,所述风险评估方法包括:
根据预先确定的评价指标构建贝叶斯网络,所述评价指标包括隧道施工的风险事件和引起所述风险事件的影响指标;
获取当前隧道的施工现场数据;
根据所述施工现场数据、所述评价指标的相互依赖关系的Copula函数和各个评价指标的边际分布参数,确定所述贝叶斯网络的结构参数;
根据所述结构参数和所述贝叶斯网络构建所述风险事件预测模型;
根据评价指标的值与风险等级的预设对应关系和所述风险事件预测模型,确定当前隧道施工的风险事件发生概率和/或分析各个评价指标对所述风险事件发生概率的影响大小。
可选的,所述风险事件为突水涌泥,所述影响指标包括地下水压力、水流量、地下水渗流速度、勘探精度、施工与设计的一致性、超期地质预报、断层断裂带宽度、围岩等级、渗透系数和施工质量。
可选的,所述根据预先确定的评价指标构建贝叶斯网络,包括:
根据解释结构ISM模型确定各评价指标的上下层级关系;
根据各评价指标的上下层级关系,利用K2算法构建所述贝叶斯网络。
可选的,所述根据解释结构ISM模型确定各评价指标的上下层级关系,包括:
建立各个评价指标之间有无关系的结构性自相互作用矩阵SSIM;
确定所述SSIM的可达性矩阵;
对所述可达性矩阵进行层级划分;
根据所述层级划分确定各评价指标的上下层级关系。
可选的,所述根据所述施工现场数据、所述评价指标的相互依赖关系的Copula函数和各个评价指标的边际分布参数,确定所述贝叶斯网络的结构参数之前,包括:
根据两个评价指标的边际分布参数和两个评价指标依赖关系的Copula参数θ,构建所述Copula函数。
可选的,所述风险评估方法还包括:
根据斯皮尔曼相关系数确定所述Copula参数θ。
可选的,所述风险评估方法还包括:
根据非参数方法混合Dirichlet过程构建各个评价指标的边际分布函数;
根据贝叶斯信息准则BIC进行边际分布识别;
验证各个评价指标的边际分布函数,选取各个评价指标的边际分布参数。
可选的,所述根据评价指标值与风险等级的预设对应关系和所述风险事件预测模型,确定当前隧道施工的风险事件发生概率和/或分析各个评价指标对所述风险事件发生概率的影响大小之前,包括:
将各个评价指标的值归一化到区间[0,1],
在区间[0,1]中,将各个评价指标的值划分为多个风险等级。
本申请还提供了一种隧道施工的风险评估装置,其特征在于,所述风险评估装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述处理器执行所述计算机程序以实现如上任意一项所述的隧道施工的风险评估方法的步骤。
本申请又提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有隧道施工的风险评估程序,所述隧道施工的风险评估程序被处理器执行时,以实现如上任意一项所述的隧道施工的风险评估方法的步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:
本申请在保证风险预测模型准确性的同时,可以大幅度降低对于数据的需求量和模型计算量,可用于隧道施工过程中的突水涌泥等多种风险评估。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请各个实施例提供的一种隧道施工的风险评估方法的流程图;
图2为本申请各个实施例提供的另一种隧道施工的风险评估方法的流程图;
图3为本申请各个实施例提供的评价指标的层级示意图;
图4为本申请各个实施例提供的贝叶斯网络结构示意图;
图5为本申请各个实施例提供的贝叶斯网络的结构参数示意图;
图6为本申请各个实施例提供的超期地质预测示意图;
图7为本申请各个实施例提供的K19×900~K19+910段的风险评估示意图;
图8为本申请各个实施例提供的事故原因分析图;
图9为本申请各个实施例提供的先验和后验平均值比较图;
图10为本申请各个实施例提供的先验和后验标准差比较图。
具体实施方式
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。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。因此,“模块”、“部件”或“单元”可以混合地使用。
实施例一
本发明实施例提供一种隧道施工的风险评估方法,如图1所示,所述风险评估方法包括:
S101,根据预先确定的评价指标构建贝叶斯网络,所述评价指标(简称指标)包括隧道施工的风险事件和引起所述风险事件的影响指标;
S102,获取当前隧道的施工现场数据;
S103,根据所述施工现场数据、所述评价指标的相互依赖关系的Copula函数和各个评价指标的边际分布参数,确定所述贝叶斯网络的结构参数;
S104,根据所述结构参数和所述贝叶斯网络构建所述风险事件预测模型;
S105,根据评价指标的值与风险等级的预设对应关系和所述风险事件预测模型,确定当前隧道施工的风险事件发生概率和/或分析各个评价指标对所述风险事件发生概率的影响大小。
本发明实施例根据预先确定的评价指标构建贝叶斯网络,所述评价指标包括隧道施工的风险事件和引起所述风险事件的影响指标;从而可以根据所述施工现场数据、所述评价指标的相互依赖关系的Copula函数和各个评价指标的边际分布参数,确定所述贝叶斯网络的结构参数,然后根据所述结构参数和所述贝叶斯网络构建所述风险事件预测模型,进而可以根据评价指标的值与风险等级的预设对应关系和所述风险事件预测模型,确定当前隧道施工的风险事件发生概率和/或分析各个评价指标对所述风险事件发生概率的影响大小,本发明实施例在保证模型准确性的同时,可以大幅度降低对于数据的需求量和模型计算量,可用于隧道施工过程中的突水涌泥等多种风险评估。
在一些实施方式中,如图2所示,本发明实施例提供的隧道施工的风险评估方法主要包括以下部分:事故影响指标识别、贝叶斯网络结构构建(S101)、贝应用(S105)。
其中,事故影响指标识别:
(1)利用突水涌泥事故相关案例和专家调查数据,通过客观数据(事故案例)和主观数据(专家调查)相结合的方法,识别事故(风险事件)影响因素,确定突水涌泥事故影响指标。其中,所述风险事件可以为突水涌泥,所述影响指标可以包括地下水压力、水流量、地下水渗流速度、勘探精度、施工与设计的一致性、超期地质预报、断层断裂带宽度、围岩等级、渗透系数和施工质量。
贝叶斯网络结构构建:
可以通过对多个专家的调查,利用ISM法综合不同专家对各个指标有无直接和间接影响关系的意见,从而较为客观的建立各个风险指标之间的关系(即获取相关指标的父指标集,确定指标的上下层级关系)。
利用所建立的父指标集,利用少量的工程数据通过K2算法构造贝叶斯网络,使得在贝叶斯网络构建过程中,只需要在父指标集中进行搜索,不需要对每个指标都进行搜索计算,可将算法中的搜索量从指数量级大幅降低,降低计算复杂程度,实现利用较少的数据即可构建贝叶斯网络。
贝叶斯网络参数计算:
贝叶斯网络风险概率与各个参数之间的多元联合概率分布函数计算较为复杂,所需数据量较大,本专利中使用新的Copula函数和各个指标的边际分布函数代替复杂多元联合概率分布函数,可减少参数计算时对数据量的依赖,提高预测的准确性。
本实施方式中使用新的Copula函数,可以代替常用的正态分布Copula函数,并可以表示指标的连续性和非连续性,利用构建公式(8)计算Copula函数的参数。
利用非参数方法混合Dirichlet过程(DPM),结合四种类型的分布(正态分布,威布尔分布,伽玛分布和指数分布)将变量的特征拟合为边际分布概率函数,并通过BIC进行准确性检验,最终通过K-S检验、A-D检验和RMSE检验边际分布概率函数的准确性,确定最符合指标实际情况的概率分布及其对应的参数。
利用所建指标的边际分布函数和Copula函数,最终根据现场观测数据和风险等级对应关系,构建突水涌泥风险预测模型和实际风险的联合概率分布函数。
贝叶斯网络应用:
将方法用于构造突水风险评估模型,并估计隧道突水的风险。
本实施方式主要提供了贝叶斯网络的构建、贝叶斯网络参数的获取,其中,贝叶斯网络的构建采用主客观相结合的方法,降低了对数据量的需求。利用事故案例和专家经验相结合,获取风险评价指标;利用ISM法获取相关指标的父指标集,确定指标的上下层级关系;在获取了各个指标相互关系的基础上,利用K2算法构建贝叶斯网络。
以下用一具体实例,详细描述本实施方式,本具体实例提供的隧道施工的风险评估方法包括:
步骤1,突水涌泥风险事件的评价指标的识别:
在隧道施工过程中,突水涌泥是常见的事故之一,一旦发生会导致重大人员伤亡和经济损失。因此,准确评估突水涌泥的风险并及时采取措施以确保安全是至关重要的。首先对事故案例进行广泛的收集和分析,并聘请从事相关研究的专家,以确定与隧道突水有关的危险因素,确定影响突水涌泥事故的评价指标。
步骤2,利用解释结构模型(ISM)方法构建各指标的父指标集,也就是说,根据解释结构ISM模型确定各评价指标的上下层级关系;根据各评价指标的上下层级关系,利用K2算法构建所述贝叶斯网络。
尽管数据驱动的BN比专家知识驱动的BN更客观,当现场数据不足时,无法完全靠数据构造BN结构时,通常会使用专家知识。为了充分利用现场数据的客观性和专家知识的客观性,将专家知识和现场数据相结合的混合是一种有效方式,使用ISM法用于识别直接和间接相关变量之间的关系,建立各个指标的父指标集。可以基于以下步骤建立ISM法。
(1)建立结构性自相互作用矩阵:在已确定评价指标的基础上,建立各个指标之间有无关系的结构性自相互作用矩阵SSIM=[aij]n×n,aij表示Xi与Xj自己的直接关系。
(2)确定SSIM的可达性矩阵:M表示从一个变量到另一个变量是否存在连接的路径,k(1to n)表示矩阵SSIM中最长路径的长度。
M=(SSIM+I)k+1=(SSIM+I)k≠(SSIM+I)k-1 (3)
(3)对所述可达性矩阵进行层级划分:可达性集R(Xi)定义为从变量Xi(包括Xi)可以访问的变量的集合,而先行集A(Xi)定义为可以访问变量Xi(包括Xi)的变量集合。根据R(Xi)=R(Xi)∩A(Xi),可以为每个变量确定其级别,顶级变量将与其他变量隔离。重复相同的步骤,直到达到所有变量。
并在所建父指标集的基础上,根据既有事故案例数据利用K2算法构建BN网络结构。
K2算法用贪婪搜索处理模型选择问题:先定义一种评价网络结构优劣的评分函数,再从一个网络开始,根据事先确定的最大父节点数目和节点次序,选择分值最高的节点作为该节点的父节点。
K2算法使用后验概率作为评分函数,其出发点是一个包含所有节点,但却没有边的无向图。在搜索过程中,K2按顺序逐个考察父节点数据集中的变量,所有的父节点数据集设置为空,然后逐个搜索计算各个节点的得分,直到新增节点不能增加得分后,说明父节点集已满。然后添加相应的边,构建贝叶斯网络。
式中,n为节点数量;αijk表示节点Xi和备选父节点集中的节点Xj状态均为k的观测数据量;qi表示父节点的节点状态数量;di表示节点Xi的状态等级数。
步骤3,基于Copula函数的贝叶斯网络参数计算
对于所建贝叶斯网络的参数,采用Copula函数的方式来代替各个指标之间的联合概率分布函数,可以将复杂的联合概率分布函数划分为Copula参数和各个指标的边际分布概率函数,可以降低计算复杂度和所需数据量,如公式(6)所示。
F(x1,x2,…xn)=C[F1(x1),F2(x2),…Fn(xn)]=C[u1,u2,…un] (6)
式中:F(x1,x2,…xn)-n维联合概率分布函数;Fi(xi)和ui-指标xi的边际分布概率函数。如(7)所示,以两个指标为例,x1和x2是具有联合累积分布的两个随机变量,C(u1,u2;θ)是用于表示相互依赖关系的Copula函数。
F(x1,x2)=C(F1(x1),F2(x2);θ)=C(u1,u2;θ) (7)
式中,θ-表示依赖关系的Copula参数,C(u1,1)=u1,C(1,u2)=u2,C(u1,0)=C(0,u2)=0。
其中,Copula参数计算包括:
常用Copula函数包括正态Copula函数和t分布Copula函数,本实例中使用了新的Copula函数,如公式(8)所示,该Copula函数具有描述随机变量的线性和非线性关系的优点。为减少各指标数量级不同而影响到指标的作用,对每个指标进行归一化处理,使得各个指标数值在[0,1]之间。当值跨越几个数量级时,使用对数表达式。
式中,u1和u2分别是两个随机变量(即评价指标)的边际分布概率函数,也就是说,根据两个评价指标的边际分布参数和两个评价指标依赖关系的Copula参数θ,构建所述Copula函数。
Copula参数θ可以通过斯皮尔曼相关系数ρ进行计算,如公式(9)所示。
式中:Cov(xi,xj)-xi和xj的协方差;σi和σj-为xi和xj标准偏差;n-测量值的数量;rank-对于指标进行排序。
其中,边际分布函数确定包括:根据非参数方法混合Dirichlet过程构建各个评价指标的边际分布函数;根据贝叶斯信息准则BIC进行边际分布识别;验证各个评价指标的边际分布函数,选取各个评价指标的边际分布参数。
具体的,选择使用非参数方法(采用非特定的分布函数),解决无法假定数据分布函数的问题,使用推断方法根据数据或样本本身以及相关的结构关系中获取所需的信息,然后建立数学描述和统计模型,使用Dirichlet过程(DP)建立贝叶斯非参数模型。
考虑到DP模型的离散性,本专利使用混合DP模型(DPM)作为模型参数的先验参数,如公式(11)所示。可以通过马尔可夫链法对DPM进行采样。
式中,zi-观察数据,独立服从C(θi)分布函数;C(θi)-zi的分布函数;θi-独立的服从分布函数F;F符合DP条件。
为了从后验分布采样,选择基于马尔可夫链的吉布斯采样。通过概率统计获得数据的平均值和标准偏差,以确定边际分布参数。
其中,边际分布识别包括:
边际分布代表变量(即评价指标)的概率特征,边际分布的类型将影响模型的准确性和可靠性。引入贝叶斯信息准则(BIC),根据现场数据为每个变量识别其边际分布的适合度,可以有效地限制模型的复杂性如(12)所示,BIC值越小,边际分布与观察到的数据越一致。
BIC=kln(n)-2ln(F(x,p,q)) (12)
式中,k-变量的维度;n-数据量;F(x,p,q)-似然函数(正态分布、威布尔分布、指数分布和伽玛分布);p和q-分别是似然函数的参数平均值和方差。
其中,边际分布验证包括:
为了选择每个变量的有效边际分布,使用拟合优度度量标准来验证有效性。使用Kolmogorov-Smirnov统计量(K-S检验),Anderson-Darling统计量(A-D检验)和均方根误差(RMSE检验)。K-S检验用于测量值之间的距离,可以根据累积分布函数验证一个经验分布是否与另一个假设分布不同,如公式(13)所示。根据K-S检验对A-D检验进行了修改,以赋予尾部偏差更多的权重,如公式(14)。RMSE表示残差的标准偏差,如公式(15)所示。
步骤4,贝叶斯网络应用包括:
所构建贝叶斯网络即可以用于进行隧道突水涌泥等风险估计如(16)所示,也可用于事故发生后对各个事故影响因素所出现的概率和过程中的影响进行分析比较如公式(17)所示。
为了在估计事故发生时计算风险变量的作用大小,必须更改每个变量的概率分布。基于这些变化,风险事件的概率变化代表了相关变量的重要性。
敏感性分析,对于各个指标的影响大小进行排序。
以下基于当前隧道(某隧道)的施工现场数据,进行风险评估。
某隧道是双线六车道的公路隧道全长9462m(左线ZK13+250~ZK22+712,右线K13+270~K22+680),隧道穿过多个断层破碎带。由于隧道复杂的地质条件,围岩破碎且富水,隧道施工期间多次发生突水事故。
其中某隧道的评价指标识别包括:
收集了2005年至2018年隧道施工期间发生的185起突水事故案例。5位专家分析了这些事故,并确定了突水涌泥的影响因素。并将各个可分为5个级别:极低,极低,中,高和极高(I~Ⅴ)。通常,涌水的原因是管理不善和不利的地质条件,表1列出了所有评价指标和说明。
表1评价指标
为了定量描述施工期间的定性指标值,根据变量特征和施工管理经验,使用表2的方法对定性变量进行量化。为了构建Copula模型并避免由不同的数据量值引起的误差,考虑每个指标的等级划分数据,将各个指标归一化到区间[0,1],即,将各个评价指标的值归一化到区间[0,1],在区间[0,1]中,将各个评价指标的值划分为多个风险等级。如表3和表4所示。
表2定性指标的量化
表3突水涌泥评价指标
表4评价指标的归一化
其中,使用ISM和K2算法构建网络包括:
根据ISM方法,对5位专家进行了访谈,以确定表1中变量之间的关系以构建模型。ISM建模步骤如下。(1)5位专家确定变量对是否相关,并且判断结果需要3位专家达成共识,如表5所示。(2)矩阵SSIM是基于表5进行计算。(3)然后确定了SSIM的可达性矩阵(M)。(4)将矩阵M划分为不同的层次,如图2所示。
表5指标之间的关系
K2算法用于基于收集的突水事故数据构造BN。如图3所示,选择X6(pa6)的父节点集的示例,包括X4和X2。基于确定的每个变量(评价指标)的父节点集,通过K2算法构造BN的结构,这极大地减少了计算的复杂度。构建的BN的结构在图4中列出。
其中边际分布函数包括:
一个指标可能符合多种概率分布,并且不同的指标具有不同的概率分布。根据相关研究,有4个适用于指标的常见候选边际分布函数包括正态分布、威布尔分布、指数分布和伽马分布。根据现场实际情况,将左右线路分为950个单元,每个单元的长度为10m。然后将数据集分为两组:训练集和测试集。选择左线从ZK13+250到ZK18+250以及右线从K13+270到K18+270的隧道截面数据作为训练集。选择其余的隧道数据作为测试集。
其中,边际分布识别包括:
在大多数工程问题中,很难将变量的分布确定为特定分布。使用DPM作为非参数方法,并且不采用特定的分布形式;该方法可以从数据或样本本身获取所需信息,通过推论确定结构关系,并逐步建立数学描述和统计模型。
(1)用DPM处理训练集以获得数据分布特征。
(2)基于学习到的特征,使用吉布斯方法对后验数据进行采样,并基于概率统计信息确定边际分布参数,以获取数据的均值和标准差。
(3)使用BIC识别每个变量的边际分布,结果列于表6。
表6边际分布
其中,边际分布验证包括:
采用三种方法对边际分布合理性进行验证,包括K-S检验、A-D检验和RMSE检验。表6列出了所选边际分布的测试结果。
其中,Copula参数估计包括:
Copula参数用等式估算如表7所示。基于变量之间的关系,利用所建方法估算所有变量的相关性,如表8所示。基于每个参数之间的相关性来计算每个参数和风险事件T。三个主要影响因素是X3、X7和X10。
表7 Copula参数
表8贝叶斯网络关系矩阵
如图5所示为构造的BN的结构,边际分布和Copula参数。
本实例中基于从ZK13+250到ZK18+250的左行和K13+270到K18+270的右行的隧道部分中选择的数据作为训练集,指标和BN的参数的概率分布用提出的方法进行估计。然后,将测试数据用于估计模型的准确性。
本实例的BN评估了从K19+900到K19+910的区域。根据地质资料和超前预报,BN的状况可列举如下:
(1)六月是雨季,降雨量最大30mm;
(2)围岩的BQ指数在[525,560]范围内;
(3)隧道施工中的漏水量在[15,25]的范围内;
(4)通过地质勘探确定的岩石破碎区和积水区很多,如图6所示。
利用构建的模型及其参数,如图6所示,确定进水范围为[23,840,25,480]m3/d,进水风险等级为IV(高等级)。
当施工达到K19+903附近时,在突水事故所测得的水流量超过70000m3/d,预测的风险水平与实际情况相似。
本实例所构造BN还可用向后推理分析,可用于诊断导致事故的因素,以确定主要的影响因素。确定主要影响因素后,可以采取有效措施避免或减少因事故造成的损失。将K19+903附近发生的突水事故作为案例研究来测试BN模型,实际突水量超过70000m3/d,并将值归一化为区间[0,1]。将突水作为输入条件。然后,更新变量的分布,如图8所示。从图5获得了变量的平均值和标准偏差,并将这些值与更新后的数据进行了比较,如图9和图10所示。相比之下,变量的值随突水概率的变化而变化,并且趋势与相关系数直接相关。
实施例二
本发明实施例提供一种隧道施工的风险评估装置,所述风险评估装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述处理器执行所述计算机程序以实现如实施例一中任意一项所述的隧道施工的风险评估方法的步骤。
实施例三
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有隧道施工的风险评估程序,所述隧道施工的风险评估程序被处理器执行时,以实现如实施例一中任意一项所述的隧道施工的风险评估方法的步骤。
实施例二、实施例三在具体实现过程中可以参阅实施例一,具有相应的技术效果。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种隧道施工的风险评估方法,其特征在于,所述风险评估方法包括:
根据预先确定的评价指标构建贝叶斯网络,所述评价指标包括隧道施工的风险事件和引起所述风险事件的影响指标;
获取当前隧道的施工现场数据;
根据所述施工现场数据、所述评价指标的相互依赖关系的Copula函数和各个评价指标的边际分布参数,确定所述贝叶斯网络的结构参数;
根据所述结构参数和所述贝叶斯网络构建所述风险事件预测模型;
根据评价指标的值与风险等级的预设对应关系和所述风险事件预测模型,确定当前隧道施工的风险事件发生概率和/或分析各个评价指标对所述风险事件发生概率的影响大小。
2.根据权利要求1所述的风险评估方法,其特征在于,所述风险事件为突水涌泥,所述影响指标包括地下水压力、水流量、地下水渗流速度、勘探精度、施工与设计的一致性、超期地质预报、断层断裂带宽度、围岩等级、渗透系数和施工质量。
3.根据权利要求1所述的风险评估方法,其特征在于,所述根据预先确定的评价指标构建贝叶斯网络,包括:
根据解释结构ISM模型确定各评价指标的上下层级关系;
根据各评价指标的上下层级关系,利用K2算法构建所述贝叶斯网络。
4.根据权利要求3所述的风险评估方法,其特征在于,所述根据解释结构ISM模型确定各评价指标的上下层级关系,包括:
建立各个评价指标之间有无关系的结构性自相互作用矩阵SSIM;
确定所述SSIM的可达性矩阵;
对所述可达性矩阵进行层级划分;
根据所述层级划分确定各评价指标的上下层级关系。
5.根据权利要求1所述的风险评估方法,其特征在于,所述根据所述施工现场数据、所述评价指标的相互依赖关系的Copula函数和各个评价指标的边际分布参数,确定所述贝叶斯网络的结构参数之前,包括:
根据两个评价指标的边际分布参数和两个评价指标依赖关系的Copula参数θ,构建所述Copula函数。
6.根据权利要求5所述的风险评估方法,其特征在于,所述风险评估方法还包括:
根据斯皮尔曼相关系数确定所述Copula参数θ。
7.根据权利要求5所述的风险评估方法,其特征在于,所述风险评估方法还包括:
根据非参数方法混合Dirichlet过程构建各个评价指标的边际分布函数;
根据贝叶斯信息准则BIC进行边际分布识别;
验证各个评价指标的边际分布函数,选取各个评价指标的边际分布参数。
8.根据权利要求1-7中任意一项所述的风险评估方法,其特征在于,所述根据评价指标值与风险等级的预设对应关系和所述风险事件预测模型,确定当前隧道施工的风险事件发生概率和/或分析各个评价指标对所述风险事件发生概率的影响大小之前,包括:
将各个评价指标的值归一化到区间[0,1],
在区间[0,1]中,将各个评价指标的值划分为多个风险等级。
9.一种隧道施工的风险评估装置,其特征在于,所述风险评估装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;
所述处理器执行所述计算机程序以实现如权利要求1-8中任意一项所述的隧道施工的风险评估方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有隧道施工的风险评估程序,所述隧道施工的风险评估程序被处理器执行时,以实现如权利要求1-8中任意一项所述的隧道施工的风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277102.8A CN112966949B (zh) | 2021-03-15 | 2021-03-15 | 隧道施工的风险评估方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277102.8A CN112966949B (zh) | 2021-03-15 | 2021-03-15 | 隧道施工的风险评估方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966949A true CN112966949A (zh) | 2021-06-15 |
CN112966949B CN112966949B (zh) | 2022-06-10 |
Family
ID=76279110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110277102.8A Active CN112966949B (zh) | 2021-03-15 | 2021-03-15 | 隧道施工的风险评估方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966949B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796388A (zh) * | 2023-01-29 | 2023-03-14 | 北京迈道科技有限公司 | 针对施工安全的风险预测方法、装置、设备和介质 |
CN116597693A (zh) * | 2023-05-25 | 2023-08-15 | 广州航海学院 | 一种内河航运监控系统及方法 |
CN116629712A (zh) * | 2023-07-21 | 2023-08-22 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
CN117745081A (zh) * | 2024-02-20 | 2024-03-22 | 中国石油大学(华东) | 一种台风风暴潮灾害风险评估方法和装置 |
GB2622903A (en) * | 2022-09-30 | 2024-04-03 | China Railway 20Th Bureau Group Corporation Ltd | Risk assessment method of water inrush in tunnels constructed in water-rich grounds |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636612A (zh) * | 2015-02-03 | 2015-05-20 | 山东大学 | 岩溶隧道突水突泥全过程渐进式风险动态评估方法 |
WO2018121035A1 (zh) * | 2016-12-29 | 2018-07-05 | 山东科技大学 | 一种个性化确定采煤工作面底板突水危险等级的方法 |
CN111401653A (zh) * | 2020-03-25 | 2020-07-10 | 华中科技大学 | 一种隧道渗漏水风险空间相依性预测方法及预测系统 |
CN112396320A (zh) * | 2020-11-18 | 2021-02-23 | 西南石油大学 | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 |
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 |
-
2021
- 2021-03-15 CN CN202110277102.8A patent/CN112966949B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636612A (zh) * | 2015-02-03 | 2015-05-20 | 山东大学 | 岩溶隧道突水突泥全过程渐进式风险动态评估方法 |
WO2018121035A1 (zh) * | 2016-12-29 | 2018-07-05 | 山东科技大学 | 一种个性化确定采煤工作面底板突水危险等级的方法 |
CN111401653A (zh) * | 2020-03-25 | 2020-07-10 | 华中科技大学 | 一种隧道渗漏水风险空间相依性预测方法及预测系统 |
CN112396320A (zh) * | 2020-11-18 | 2021-02-23 | 西南石油大学 | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 |
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 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2622903A (en) * | 2022-09-30 | 2024-04-03 | China Railway 20Th Bureau Group Corporation Ltd | Risk assessment method of water inrush in tunnels constructed in water-rich grounds |
CN115796388A (zh) * | 2023-01-29 | 2023-03-14 | 北京迈道科技有限公司 | 针对施工安全的风险预测方法、装置、设备和介质 |
CN116597693A (zh) * | 2023-05-25 | 2023-08-15 | 广州航海学院 | 一种内河航运监控系统及方法 |
CN116629712A (zh) * | 2023-07-21 | 2023-08-22 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
CN116629712B (zh) * | 2023-07-21 | 2024-02-13 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
CN117745081A (zh) * | 2024-02-20 | 2024-03-22 | 中国石油大学(华东) | 一种台风风暴潮灾害风险评估方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112966949B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966949B (zh) | 隧道施工的风险评估方法、装置及存储介质 | |
Mishra | Uncertainty and sensitivity analysis techniques for hydrologic modeling | |
Goldstein et al. | Assessing model adequacy | |
CN106934237A (zh) | 雷达抗干扰效能评估可信性度量实现方法 | |
De Luca | A comparison between prediction power of artificial neural networks and multivariate analysis in road safety management | |
Kazemi et al. | Assessing temporal data partitioning scenarios for estimating reference evapotranspiration with machine learning techniques in arid regions | |
Zhang et al. | Multi-state deterioration prediction for infrastructure asset: Learning from uncertain data, knowledge and similar groups | |
CN115948964A (zh) | 一种基于ga-bp神经网络的路面平整度预测方法 | |
Kapangaziwiri | Regional application of the Pitman monthly rainfall-runoff model in southern Africa incorporating uncertainty | |
CN102156641A (zh) | 一种软件成本置信区间预测方法及系统 | |
Potdar et al. | Toward predicting flood event peak discharge in ungauged basins by learning universal hydrological behaviors with machine learning | |
Jenkins | Statistical aspects of monitoring and verification | |
CN112241808A (zh) | 路面技术状况预测方法、装置、电子设备及存储介质 | |
CN115600102B (zh) | 基于船舶数据的异常点检测方法及装置、电子设备、介质 | |
Goyal | Development of a survival based framework for bridge deterioration modeling with large-scale application to the North Carolina bridge management system | |
CN116822366A (zh) | 一种径流污染负荷计算模型构建和径流污染负荷计算方法 | |
CN116432856A (zh) | 基于cnn-glstm模型的管道动态预警方法及装置 | |
Newcomer | A new approach to quantification of margins and uncertainties for physical simulation data. | |
Liu et al. | Uncertainty quantification of machine learning models to improve streamflow prediction under changing climate and environmental conditions | |
Raza et al. | Application of extreme learning machine algorithm for drought forecasting | |
CN113807587A (zh) | 一种基于多梯核深度神经网络模型积分预警方法以及系统 | |
Beven | A framework for uncertainty analysis | |
Gray | Comparison of trend detection methods | |
CN111126694A (zh) | 一种时间序列数据预测方法、系统、介质及设备 | |
CN112651168B (zh) | 基于改进神经网络算法的建设用地面积预测方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220519 Address after: 100037, Beijing, Xicheng District, 3 Mega Street Applicant after: BEIJING MUNICIPAL ENGINEERING Research Institute Applicant after: Beijing Construction Engineering Quality third Testing Institute Co., Ltd Address before: 100037, Beijing, Xicheng District, 3 Mega Street Applicant before: BEIJING MUNICIPAL ENGINEERING Research Institute |
|
GR01 | Patent grant | ||
GR01 | Patent grant |