CN114693123A - 一种既有路基挡土墙安全评估方法 - Google Patents
一种既有路基挡土墙安全评估方法 Download PDFInfo
- Publication number
- CN114693123A CN114693123A CN202210332015.2A CN202210332015A CN114693123A CN 114693123 A CN114693123 A CN 114693123A CN 202210332015 A CN202210332015 A CN 202210332015A CN 114693123 A CN114693123 A CN 114693123A
- Authority
- CN
- China
- Prior art keywords
- index
- representing
- optimal
- value
- retaining wall
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的挡土墙安全评估方法采用组合赋权法将最优主观权重与客观权重进行综合赋权,并和TOPSIS模型相结合,对既有路基挡土墙进行综合安全评估,能较为真实的反映既有路基挡土墙的安全状态,构建的既有路基挡土墙安全性的评估指标选用了尽可能少的对既有路基挡土墙安全状态影响较大的重要指标,降低了既有路基挡土墙安全评估的难度;本发明的方法还具有普适性,可运用到铁路、公路、市政道路等既有路基挡土墙的安全评估实践中。
Description
技术领域
本发明涉及道路技术领域,具体涉及一种既有路基挡土墙安全评估方法。
背景技术
随着经济的快速发展,我国铁路、公路和市政道路运营总里程稳居世界前列,绵长的铁路、公路、市政道路沿线必然带来大量的边坡问题,路基挡土墙作为解决路基边坡问题中最为常见的支护结构,一直在铁路、公路、市政道路、城市内河河道等沿线发挥着重要作用,随着运营年限的增长,既有路基挡土墙所处的环境千变万化,地质条件错综复杂,部分既有路基挡土墙更因其年代久远,缺乏相应的基础资料,在长期受交通反复荷载作用、地质、结构、河道冲刷或人为因素的影响下,既有路基挡土墙存在着诸多病害,主要有:墙体局部开裂、墙面外鼓、墙体坍塌、墙体空洞、伸缩缝错动、砌筑砂浆失效、墙顶平台开裂等,安全状况难以确定,安全状况不佳的既有路基挡土墙不仅会影响行车安全等交通问题,甚至会影响到周边居民的生命财产安全。
目前,国内对于既有路基挡土墙的安全评估还处在研究探索阶段,尚未形成一个明确且易操作的标准来指导工程实践,各种定性与定量综合评估方法广泛使用,但这些方法仍存在许多不足之处,定性评估方法其主观性较大、评估精度较低,定量评估方法对数据完整性要求较高。
综上所述,急需一种既有路基挡土墙安全评估方法以解决现有技术中定性评估精度较低且定量评估对数据完整性要求较高的问题。
发明内容
本发明目的在于提供一种既有路基挡土墙安全评估方法,以解决现有技术中定性评估精度较低且定量评估对数据完整性要求较高的问题,具体技术方案如下:
一种既有路基挡土墙安全评估方法,包括如下步骤:
步骤S1:构建既有路基挡土墙的安全评估指标体系;
步骤S2:确定指标体系中各个指标的最优主观权重;
步骤S3:确定指标体系中各个指标的客观权重;
步骤S4:根据最优主观权重和客观权重确定各个指标的综合权重;
步骤S5:建立TOPSIS模型,基于各个指标的综合权重构造加权标准决策矩阵;
步骤S6:基于加权标准决策矩阵得出各个评估对象的安全等级。
以上技术方案优选的,所述步骤S1包括步骤S1.1以及步骤S1.2;
步骤S1.1:选取若干个既有路基挡土墙性能指标作为评估指标;
步骤S1.2:将若干评估指标分为若干个层次,通过层次结构模型得到安全评估指标体系;安全评估指标体系包括目标层、准则层和方案层。
以上技术方案优选的,所述步骤S2包括步骤S2.1、步骤S2.2以及步骤S2.3;
步骤S2.1:基于标度法,得到指标体系中各个指标对应的标度值区间,并基于标度值区间构建不确定型区间判断矩阵;
步骤S2.2:基于不确定型区间判断矩阵建立目标优化模型;
步骤S2.3:采用改进的径向移动算法对目标优化模型进行迭代搜索,得到最优主观权重。
以上技术方案优选的,所述步骤S2.1中,所述不确定型区间判断矩阵如式1)所示,式1)如下:
其中,A表示不确定型区间判断矩阵;[aij,bij]表示标度值区间,aij表示标度值左区间,bij表示标度值右区间;Aii表示指标Ci相对于指标Ci的重要程度;Aij表示指标Ci相对于指标Cj的重要程度;Aji表示指标Cj相对于指标Ci的重要程度;h表示准则层中的指标在方案层中对应的指标总个数。
以上技术方案优选的,所述步骤S2.2中,通过式2)建立目标优化模型,式2)如下:
以上技术方案优选的,所述步骤S2.3包括步骤S2.31、步骤S2.32、步骤S2.33、步骤S2.34以及步骤S2.35;
步骤S2.31:将目标优化模型的参数变量取值范围作为改进径向移动算法中初始粒子的位置点信息,建立初始种群;
步骤S2.32:采用改进径向移动算法的适应度函数计算初始种群中各个个体的适应度值,通过对个体的适应度值进行逐个比较来确定当代最优解的最优位置,并将其定义为初始中心位置;所述适应度函数为目标优化模型的性能函数;
步骤S2.34:由步骤S2.33更新的位置信息,确定全局最优位置,并计算全局最优位置的适应度值;若迭代次数达到上限或相邻两代全局最优位置的适应度值的差值小于常数P,则更新结束;反之,则重复步骤S2.33-S2.34直至更新结束;
步骤S2.35:将全局最优位置的最优解输出,最优解为指标的最优主观权重值,算法结束。
以上技术方案优选的,所述步骤S2.31中,初始的位置点信息由式3)给出,式3)如下:
其中,Xt,j表示第t个初始位置点的第j个参数变量;rand(0,1)表示0~1之间的随机数;
步骤S2.32中,所述适应度函数如式4)所示,式4)如下:
步骤S2.33包括步骤S2.331、步骤S2.332和步骤S2.333;
步骤S2.331:确定生成新的预位置点的更新条件如式5)所示,式5)如下:
步骤S2.332:采用更新条件生成的预位置点通过适应度函数计算各预位置点对应的适应度值;
步骤S2.333:更新位置信息,具体是:将第k代预位置点的适应度值与第k-1代位置点的适应度值进行比较,
步骤S2.334:中心位置随着上一代最优位置和上一代全局最优位置的移动而移动,具体的,Centerk=Centerk-1+0.4(Gbestbk-1-Centerk-1)+0.5(Rbestbk-1-Centerk-1);
Centerk表示第k代的中心位置;Centrek-1为第k-1代的中心位置;Gbestbk-1表示第k-1代的全局最优位置;Rbestbk-1表示第k-1代的最优位置;
步骤S2.34包括步骤S2.341和步骤S2.342;
步骤S2.341:确定当代最优位置和全局最优位置,具体是:将更新后的第k代中的最小值的位置点作为当代最优位置;当k=1时,当代最优位置为初始的全局最优位置;
步骤S2.342:当k>1时,更新全局最优位置,具体的,比较当代最优位置的适应度值与全局最优位置的适应度值;若ft(Rbestbk)<ft(Gbestbk-1),则需要更新全局最优位置,令ft(Gbestbk)=ft(Rbestbk),Gbestbk=Rbestbk;否则,令ft(Gbestbk)=ft(Gbestbk-1),Gbestbk=Gbestbk-1。
以上技术方案优选的,所述步骤S3包括步骤S3.1、步骤S3.2、步骤S3.3以及步骤S3.4;
步骤S3.1:对方案层中的所有指标进行m次采样,得到采样矩阵,并对采样矩阵进行数据标准化处理后得到初始决策矩阵,初始决策矩阵由式6)获得,式6)如下:
其中,R表示初始决策矩阵;rij表示初始决策矩阵中第i个评估对象的第j个指标;Qij表示采样矩阵中第i个评估对象的第j个指标;Qi maxj表示采样矩阵中第i个评估对象的第j个指标的最大值;Qi minj表示采样矩阵中第i个评估对象的第j个指标的最小值;n表示方案层中所有指标的总个数。
步骤S3.2:对初始决策矩阵进行归一化处理,得到标准决策矩阵,标准决策矩阵由式7)获得,式7)如下:
其中,Y表示标准决策矩阵;yij表示标准决策矩阵中第i个评估对象的第j个指标;
步骤S3.3:基于标准决策矩阵中的指标,得到第j个指标的信息熵值,通过式8)获得,式8)如下:
其中,ej表示第j个指标的信息熵值;
步骤S3.4:基于信息熵值得到客观权重,客观权重通过式9)获得,式9)如下:
其中,wsj表示第j个指标的客观权重。
以上技术方案优选的,所述步骤S4中,通过式10)确定综合权重,
其中,wj表示第j个指标的综合权重;wUj表示第j个指标的最优主观权重;wSj表示第j个指标的客观权重。
以上技术方案优选的,所述步骤S5包括步骤S5.1、步骤S5.2以及步骤S5.3;
步骤S5.1:通过综合权重和标准决策矩阵构建加权标准决策矩阵,加权标准决策矩阵通过式11)获得,式11)如下:
其中,L表示加权标准决策矩阵;lij表示加权标准决策矩阵中第i个评估对象的第j个指标;wn表示第n个指标的综合权重;
步骤S5.2:基于加权标准化决策矩阵求出正理想解和负理想解,正理想解和负理想解由式12)获得,式12)如下:
其中,l*表示正理想解;l0表示负理想解;i表示评估对象;
步骤S5.3:通过式13)求解评估对象的各个指标到正理想解和负理想解的距离,并通过式14)得出安全等级,
应用本发明的技术方案,具有以下有益效果:
(1)本发明采用组合赋权法将最优主观权重与客观权重进行综合赋权,并和TOPSIS模型相结合,对既有路基挡土墙进行综合安全评估,能较为真实的反映既有路基挡土墙的安全状态,构建的既有路基挡土墙安全性的评估指标选用了尽可能少的对既有路基挡土墙安全状态影响较大的重要指标,降低了既有路基挡土墙安全评估的难度;本发明的方法还具有普适性,可运用到铁路、公路、市政道路等既有路基挡土墙的安全评估实践中。
(2)本发明基于不确定型层次分析法与改进径向移动算法能较好的确定最优主观权重,有效减小主观因素的影响。
(3)本发明采用的改进径向移动算法相对于其他粒子群算法具有搜索速度快、储存空间小、不易早熟的特性,同时可以继承粒子的优良性质,搜索结果更稳定。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
在附图中:
图1是本实施例综合权重的流程示意图;
图2是本实施例的综合权重和TOPSIS模型的流程图;
图3是本实施例的指标体系的层次示意图;
图4是本实施例的径向移动算法流程示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。
实施例:
一种既有路基挡土墙安全评估方法,包括如下步骤:
步骤S1:构建既有路基挡土墙的安全评估指标体系,如图3所示,步骤S1具体如下:
步骤S1.1:选取若干个既有路基挡土墙性能指标作为评估指标;
步骤S1.2:通过层次结构模型,将若干个评估指标分为若干个层次,得到安全评估指标体系,在本实施例中,评估指标体系分为三层,分别为目标层、准则层以及方案层(即指标层),从图3中可以得出,本实施例的准则层有四个指标(即B1~B4),准则层下对应的方案层共有十四个指标(即C1~C14);
本实施例建立的评估指标体系的第二层(即准则层)是自然因素与外界环境B1、墙体构造B2、表观病害状况B3和墙体稳定性B4,第三层(即方案层)为气候气温C1、地质灾害(滑坡、地震等)C2、暴雨C3、地下水C4、材质情况C5、砂浆情况C6、伸缩缝或沉降缝C7、排水设施C8、墙体裂缝C9、墙身外鼓C10、墙体外倾C11、墙体风化C12、抗滑动稳定性C13和抗倾覆稳定性C14,其中,需要对一些字符进行说明,例如,Cj表示方案层中的第j个指标;Ci表示方案层中的第i个指标;h表示准则层中的指标在方案层中对应的指标总个数,例如,准则层中的指标B1在方案层中对应的指标总个数为4个(即C1~C4);n表示方案层(即指标层)中所有指标的个数(即C1~C14)。
步骤S2:基于不确定型层次分析法和改进径向移动算法确定指标体系中各个指标的最优主观权重,如图1所示,步骤S2具体如下:
步骤S2.1:基于九级标度法,得到指标体系中各个指标对应的标度值区间,并基于标度值区间构建不确定型区间判断矩阵;
九级标度法的标度原则如表1所示:
表1标度原则
其中,A、B分别指既有路基挡土墙安全评估指标体系中的两个既有路基挡土墙性能指标相对于上一层指标的重要程度,如图3,以自然因素与外界环境为例,地质灾害(滑坡、地震等)对于自然因素与外界环境的重要程度即为A,气候气温对于自然因素与外界环境的重要程度即为B;
基于上述标度值区间,通过式1)构建不确定型区间判断矩阵,式1)如下:
其中,A表示不确定型区间判断矩阵;[aij,bij]表示标度值区间,aij表示标度值左区间,bij表示标度值右区间;Aii表示指标Ci相对于指标Ci的重要程度(即矩阵对角线的元素);Aij表示指标Ci相对于指标Cj的重要程度;Aji表示指标Cj相对于指标Ci的重要程度。
步骤S2.2:基于不确定型区间判断矩阵建立目标优化模型,目标优化模型通过式2)获得,式2)如下:
需要说明的是,目标优化模型需满足下列各式子,即式2.1)-式2.4);
步骤S2.3:基于上述目标优化模型,采用改进的径向移动算法对目标优化模型进行迭代搜索,得到指标Cj的最优主观权重wUj,具体如下:
步骤S2.3包括步骤S2.31、步骤S2.32、步骤S2.33、步骤S2.34以及步骤S2.35,如图4所示,
步骤S2.31:将目标优化模型的参数变量取值范围作为改进径向移动算法中初始粒子的位置点信息,建立初始种群,初始位置点(初始粒子的数量为N个,即初始位置点的数量也为N个)的信息由式3)给出,式3)如下:
步骤S2.32:采用改进径向移动算法的适应度函数计算初始种群中各个个体的适应度值,通过对个体的适应度值进行逐个比较来确定当代最优解的最优位置,并将其定义为初始中心位置;所述适应度函数为目标优化模型的性能函数,当适应度函数达到最优值时,所对应的全局最优解就是最优主观权重,适应度函数如式4)所示:
具体是:所述步骤S2.33包括步骤S2.331、步骤S2.332以及步骤S2.333;
步骤S2.331:确定生成新的预位置点的更新条件如式5)所示,式5)如下:
步骤S2.332:采用更新条件生成的预位置点通过适应度函数计算各预位置点对应的适应度值;
步骤S2.333:更新位置信息,具体是:将第k代预位置点的适应度值与第k-1代位置点的适应度值进行大小比较,
步骤S2.334:中心位置随着上一代最优位置和上一代全局最优位置的移动而移动,具体如下:
Centerk=Centerk-1+0.4(Gbestbk-1-Centerk-1)+0.5(Rbestbk-1-Centerk-1);
其中,Centerk表示第k代的中心位置;Centerk-1为第k-1代的中心位置;Gbestbk-1表示第k-1代的全局最优位置;Rbestbk-1表示第k-1代的最优位置;
步骤S2.34:由步骤S2.33更新的位置信息,确定全局最优位置,并计算全局最优位置的适应度值;若迭代次数达到上限(迭代次数的上限具体根据实际情况选择)或相邻两代的全局最优位置的适应度值的差值小于常数P(本实施例的常数P的取值范围在0.00001-0.001之间,本实施例进一步优选常数P为0.00001),则更新结束;反之,则重复步骤S2.33-S2.34直至更新结束,具体如下:
步骤S2.34包括步骤S2.341和步骤S2.342;
步骤S2.341:确定当代最优位置和全局最优位置,具体是:将更新后的第k代中的最小值的位置点作为当代最优位置;当k=1时,当代最优位置为初始的全局最优位置,初始中心位置为当代最优解对应的点的位置;
步骤S2.342:当k>1时,更新全局最优位置,具体的,比较当代最优位置的适应度值与全局最优位置的适应度值;若ft(Rbestbk)<ft(Gbestbk-1),则需要更新全局最优位置,令ft(Gbestbk)=ft(Rbestbk),Gbestbk=Rbestbk;否则,令ft(Gbestbk)=ft(Gbestbk-1),Gbestbk=Gbestbk-1;
步骤S2.35:将全局最优位置的最优解输出,最优解为最优主观权重值wUj,算法结束。
步骤S3:确定指标体系中各个指标的客观权重,如图1所示,具体如下:
步骤S3.1:取方案层中的n个(本实施例是14个)既有路基挡土墙评估指标,记为C={C1,C1,...Cn};对n个指标进行m次采样(即评估对象的个数也为m个),得到采样矩阵,并对采样矩阵进行数据标准化处理后得到初始决策矩阵,初始决策矩阵由式6)获得,式6)如下:
其中,R表示初始决策矩阵;rij表示初始决策矩阵中第i个评估对象的第j个指标;Qij表示采样矩阵中第i个评估对象的第j个指标;Qimaxj表示采样矩阵中第i个评估对象的第j个指标的最大值;Qiminj表示采样矩阵中第i个评估对象的第j个指标的最小值;
需要说明的是,效益型指标是指该指标值越大挡土墙安全性能越好的指标,成本型指标是指该指标值越小挡土墙安全性能越好的指标。
步骤S3.2:对初始决策矩阵进行归一化处理,得到标准决策矩阵,标准决策矩阵由式7)获得,式7)如下:
其中,Y表示标准决策矩阵;yij表示标准决策矩阵中第i个评估对象的第j个指标;
步骤S3.3:基于标准决策矩阵中的指标,得到第j个指标的信息熵值,通过式8)获得,式8)如下:
其中,ej表示第j个指标的信息熵值;当yij=0时,yijInyij=0;
步骤S3.4:基于信息熵值得到客观权重,客观权重通过式9)获得,式9)如下:
其中,wsj表示第j个指标的客观权重;j=1,2,…n;通过式9)能依次获取全部指标的客观权重;
步骤S4:根据最优主观权重和客观权重确定各个指标的综合权重,具体如下:通过式10)确定综合权重,式10)如下:
其中,wj表示第j个指标的综合权重;wUj表示第j个指标的最优主观权重;wSj表示第j个指标的客观权重,即本实施例中基于最优主观权重和客观权重进行组合赋权确定综合权重,通过该式10)能依次得到全部指标的综合权重,记为w={w1,w2…wn};
步骤S5:建立TOPSIS模型(优劣解距离模型),基于各个指标的综合权重构造加权标准决策矩阵,如图2所示,具体如下:
步骤S5.1:通过全部指标的综合权重和标准决策矩阵构建加权标准决策矩阵,加权标准决策矩阵通过式11)获得,式11)如下:
其中,L表示加权标准决策矩阵;lij表示加权标准决策矩阵中第i个评估对象的第j个指标;wn表示第n个指标的综合权重;
步骤S5.2:基于加权标准决策矩阵求出正理想解和负理想解,正理想解和负理想解由式12)获得,式12)如下:
其中,l*表示正理想解;l0表示负理想解;i表示评估对象;上式12)可理解为:加权标准决策矩阵中,在每一列(即每列指标)中取最值,至于是取最大值还是取最小值,取决于是求解l*还是求解l0;
本实施例中,求解l*时,在每类效益型指标中取最大值,在每类成本型指标中取最小值;在求解l0时,与求解l*的取值方向相反。
步骤S5.3:通过式13)求解评估对象(即挡土墙)的各个指标到正理想解和负理想解的距离,并通过式14)得出评估对象的安全等级,式13)和式14)如下:
优选的,本实施例还包括步骤S7,计算综合评价指数Fi:Fi表示第i个评估对象的综合评价指数,i=1,2,…m;本实施例的步骤S7用于确定各既有路基挡土墙安全的优劣次序,具体是用于确定同一安全等级下的挡土墙安全的优劣次序(例如多个评估对象安全等级均为等级C,通过步骤S7得出等级C内的多个评估对象的优劣次序),综合评价指数越高,次序越优。
本实施例的既有路基挡土墙安全评估方法一种计算过程如下:
步骤S1中,按照表1的标度原则,确定各个指标的标度值区间;
步骤S2中,构建的不确定型区间判断矩阵如下,本实施例基于图2所示的既有路基挡土墙安全评估体系分别对B1、B2、B3以及B4构造不确定型区间判断矩阵,并确定各指标权重区间,B4直接给出权重值,B4确定的权重值为(0.5,0.5)T,本实施例中的指标B4对挡土墙稳定性的影响程度一致,且都非常重要,其主观因素权重均为0.5,能有效提高评估精度;
其中,A1表示指标B1在方案层对应的指标的不确定型区间判断矩阵。
步骤S2.3中,得到的全部指标的最优主观权重如下,
wU=(0.0220,0.1358,0.0461,0.0461,0.1458,0.0618,0.0212,0.0212,0.0281,0.1025,0.1034,0.0161,0.1250,0.1250)T
wU表示全部指标(即方案层中的14个指标)的最优主观权重;
所述步骤S3中(确定客观权重),获得的参数具体如下:
步骤S3.1中,获得的初始决策矩阵如下:
步骤S3.2中,获得的标准决策矩阵如下:
步骤S3.3中,获得的全部指标的信息熵值如下:
e=(0.5147,0.7141,0.3510,0.9563,0.9123,0.9781,0.7977,0.5917,0.9957,0.9708,0.9577,0.8684,0.8539,0.3806)
步骤S3.4中,获得的全部指标(方案层中的14个指标)的客观权重如下:
wS=(0.1537,0.0905,0.2056,0.0138,0.0278,0.0069,0.0641,0.1293,0.0014,0.0092,0.0134,0.0417,0.0463,0.1962)T
步骤S4中,获得的全部指标的综合权重如下:
w=(0.0499,0.1817,0.1400,0.0094,0.0598,0.0063,0.0201,0.0405,0.0006,0.0140,0.0205,0.0099,0.0855,0.3623)T
所述步骤S5中,获得的参数如下:
所述步骤S5.1中,获得的加权标准决策矩阵如下:
所述步骤S5.2中,获得的正理想解和负理想解如下:
l*=(0,0.0011,0,0.0009,0.0169,0.0014,0.0078,0.0181,0.0001,0.0011,0.0016,0.0002,0.0306,0.2083)
l0=(0.0240,0.0770,0.0948,0.0028,0.0030,0.0006,0.0004,0,0.0001,0.0032,0.0047,0.0033,0.0015,0)
所述步骤S5.3中,获得的全部评估对象距离正理想解和负理想解的距离如下:
本实施例中的评估对象和安全等级的对应关系如下,以第一个评估对象为例,第一个评估对象距离正理想解的距离为0.2292,距离负理想解的距离为0.0794,根据下述对应关系得出安全等级:
其中,U1表示第一个评估对象的评估集;表示第一个评估对象距离正理想解的距离;表示第一个评估对象距离负理想解的距离;从评估集中可得出,第一个评估对象的安全等级为较不安全(即等级C),同理可得到其他评估对象的安全等级,如下表2所示;由下表2可知,本实施例有四个评估对象处于同一安全等级内(即较不安全),因此,通过步骤S7计算各个评估对象的综合评价指数Fi(指数越大次序越优)可以得到优劣次序,下表2中并未按优劣次序进行排序。
表2评估对象安全等级
在实施例中选用6段不同里程的挡土墙进行验证,既有路基挡土墙可以通过对既有路基挡土墙进行外观检测、无损检测以及稳定性检算来判断其安全状态,并通过综合上述3项(即以及Fi)进行安全评估,采用不同既有路基挡土墙的数据,通过实施例中所述的安全评估方法,得到的既有路基挡土墙安全状态结论与实际情况一致,因此可将本实施例所述的安全评估方法运用到没有足够信息的既有路基挡土墙进行安全评估。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种既有路基挡土墙安全评估方法,其特征在于,包括如下步骤:
步骤S1:构建既有路基挡土墙的安全评估指标体系;
步骤S2:确定指标体系中各个指标的最优主观权重;
步骤S3:确定指标体系中各个指标的客观权重;
步骤S4:根据最优主观权重和客观权重确定各个指标的综合权重;
步骤S5:建立TOPSIS模型,基于各个指标的综合权重构造加权标准决策矩阵;
步骤S6:基于加权标准决策矩阵得出各个评估对象的安全等级。
2.根据权利要求1所述的既有路基挡土墙安全评估方法,其特征在于,所述步骤S1包括步骤S1.1以及步骤S1.2;
步骤S1.1:选取若干个既有路基挡土墙性能指标作为评估指标;
步骤S1.2:将若干评估指标分为若干个层次,通过层次结构模型得到安全评估指标体系;安全评估指标体系包括目标层、准则层和方案层。
3.根据权利要求2所述的既有路基挡土墙安全评估方法,其特征在于,所述步骤S2包括步骤S2.1、步骤S2.2以及步骤S2.3;
步骤S2.1:基于标度法,得到指标体系中各个指标对应的标度值区间,并基于标度值区间构建不确定型区间判断矩阵;
步骤S2.2:基于不确定型区间判断矩阵建立目标优化模型;
步骤S2.3:采用改进的径向移动算法对目标优化模型进行迭代搜索,得到最优主观权重。
6.根据权利要求5所述的既有路基挡土墙安全评估方法,其特征在于,所述步骤S2.3包括步骤S2.31、步骤S2.32、步骤S2.33、步骤S2.34以及步骤S2.35;
步骤S2.31:将目标优化模型的参数变量取值范围作为改进径向移动算法中初始粒子的位置点信息,建立初始种群;
步骤S2.32:采用改进径向移动算法的适应度函数计算初始种群中各个个体的适应度值,通过对个体的适应度值进行逐个比较来确定当代最优解的最优位置,并将其定义为初始中心位置;所述适应度函数为目标优化模型的性能函数;
步骤S2.34:由步骤S2.33更新的位置信息,确定全局最优位置,并计算全局最优位置的适应度值;若迭代次数达到上限或相邻两代全局最优位置的适应度值的差值小于常数P,则更新结束;反之,则重复步骤S2.33-S2.34直至更新结束;
步骤S2.35:将全局最优位置的最优解输出,最优解为指标的最优主观权重值,算法结束。
7.根据权利要求6所述的既有路基挡土墙安全评估方法,其特征在于,所述步骤S2.31中,初始的位置点信息由式3)给出,式3)如下:
其中,Xt,j表示第t个初始位置点的第j个参数变量;rand(0,1)表示0~1之间的随机数;
步骤S2.32中,所述适应度函数如式4)所示,式4)如下:
步骤S2.33包括步骤S2.331、步骤S2.332和步骤S2.333;
步骤S2.331:确定生成新的预位置点的更新条件如式5)所示,式5)如下:
步骤S2.332:采用更新条件生成的预位置点通过适应度函数计算各预位置点对应的适应度值;
步骤S2.333:更新位置信息,具体是:将第k代预位置点的适应度值与第k-1代位置点的适应度值进行比较,
步骤S2.334:中心位置随着上一代最优位置和上一代全局最优位置的移动而移动,具体的,Centerk=Centerk-1+0.4(Gbestbk-1-Centerk-1)+0.5(Rbestbk-1-Centerk-1);Centerk表示第k代的中心位置;Centrek-1为第k-1代的中心位置;Gbestbk-1表示第k-1代的全局最优位置;Rbestbk-1表示第k-1代的最优位置;
步骤S2.34包括步骤S2.341和步骤S2.342;
步骤S2.341:确定当代最优位置和全局最优位置,具体是:将更新后的第k代中的最小值的位置点作为当代最优位置;当k=1时,当代最优位置为初始的全局最优位置;
步骤S2.342:当k>1时,更新全局最优位置,具体的,比较当代最优位置的适应度值与全局最优位置的适应度值;若ft(Rbestbk)<ft(Gbestbk-1),则需要更新全局最优位置,令ft(Gbestbk)=ft(Rbestbk),Gbestbk=Rbestbk;否则,令ft(Gbestbk)=ft(Gbestbk-1),Gbestbk=Gbestbk-1。
8.根据权利要求2所述的既有路基挡土墙安全评估方法,其特征在于,所述步骤S3包括步骤S3.1、步骤S3.2、步骤S3.3以及步骤S3.4;
步骤S3.1:对方案层中的所有指标进行m次采样,得到采样矩阵,并对采样矩阵进行数据标准化处理后得到初始决策矩阵,初始决策矩阵由式6)获得,式6)如下:
其中,R表示初始决策矩阵;rij表示初始决策矩阵中第i个评估对象的第j个指标;Qij表示采样矩阵中第i个评估对象的第j个指标;Qimaxj表示采样矩阵中第i个评估对象的第j个指标的最大值;Qiminj表示采样矩阵中第i个评估对象的第j个指标的最小值;n表示方案层中所有指标的总个数。
步骤S3.2:对初始决策矩阵进行归一化处理,得到标准决策矩阵,标准决策矩阵由式7)获得,式7)如下:
其中,Y表示标准决策矩阵;yij表示标准决策矩阵中第i个评估对象的第j个指标;
步骤S3.3:基于标准决策矩阵中的指标,得到第j个指标的信息熵值,通过式8)获得,式8)如下:
其中,ej表示第j个指标的信息熵值;
步骤S3.4:基于信息熵值得到客观权重,客观权重通过式9)获得,式9)如下:
其中,wsj表示第j个指标的客观权重。
10.根据权利要求9所述的既有路基挡土墙安全评估方法,其特征在于,所述步骤S5包括步骤S5.1、步骤S5.2以及步骤S5.3;
步骤S5.1:通过综合权重和标准决策矩阵构建加权标准决策矩阵,加权标准决策矩阵通过式11)获得,式11)如下:
其中,L表示加权标准决策矩阵;lij表示加权标准决策矩阵中第i个评估对象的第j个指标;wn表示第n个指标的综合权重;
步骤S5.2:基于加权标准化决策矩阵求出正理想解和负理想解,正理想解和负理想解由式12)获得,式12)如下:
其中,l*表示正理想解;l0表示负理想解;i表示评估对象;
步骤S5.3:通过式13)求解评估对象的各个指标到正理想解和负理想解的距离,并通过式14)得出安全等级;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210332015.2A CN114693123A (zh) | 2022-03-30 | 2022-03-30 | 一种既有路基挡土墙安全评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210332015.2A CN114693123A (zh) | 2022-03-30 | 2022-03-30 | 一种既有路基挡土墙安全评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114693123A true CN114693123A (zh) | 2022-07-01 |
Family
ID=82140180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210332015.2A Pending CN114693123A (zh) | 2022-03-30 | 2022-03-30 | 一种既有路基挡土墙安全评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693123A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486572A (zh) * | 2023-04-17 | 2023-07-25 | 广东诚誉工程咨询监理有限公司 | 一种基于电网工程项目的安全风险预警监测系统及方法 |
-
2022
- 2022-03-30 CN CN202210332015.2A patent/CN114693123A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486572A (zh) * | 2023-04-17 | 2023-07-25 | 广东诚誉工程咨询监理有限公司 | 一种基于电网工程项目的安全风险预警监测系统及方法 |
CN116486572B (zh) * | 2023-04-17 | 2024-01-12 | 广东诚誉工程咨询监理有限公司 | 一种基于电网工程项目的安全风险预警监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107943880B (zh) | 一种基于层次分析法的地质灾害易发性改进评估方法 | |
CN110544286B (zh) | 一种大尺度范围的场地快速分类方法及构建场地分类图的装置 | |
CN110378551A (zh) | 一种基于大数据的公路隧道设施服役性能评价方法 | |
CN111210519A (zh) | 一种高心墙堆石坝变形参数反演方法 | |
Xia et al. | Slope stability analysis based on group decision theory and fuzzy comprehensive evaluation | |
CN114693123A (zh) | 一种既有路基挡土墙安全评估方法 | |
CN116434475A (zh) | 一种基于降雨强度与地表位移变化率的滑坡预警方法 | |
CN116776422A (zh) | 一种盾构隧道三维正向设计方法 | |
CN115828374A (zh) | 适用于复合地层隧道施工期非均匀变形预测方法及系统 | |
CN113283767A (zh) | 一种基于信息融合的基坑施工风险评估方法 | |
CN115545387A (zh) | 不可移动文物脆弱性评估方法 | |
CN111365051A (zh) | 基于反馈算法传递函数的炭质岩隧道锚杆应力估算方法 | |
Zhang et al. | Evaluation of the Water Yield of Coal Roof Aquifers Based on the FDAHP‐Entropy Method: A Case Study in the Donghuantuo Coal Mine, China | |
CN112016857B (zh) | 基于云理论的聚乙烯管道地震易损性评估方法 | |
CN110362902A (zh) | 一种基于区间逐维分析的单源动载荷识别方法 | |
Yi | Selection of initial weights and thresholds based on the genetic algorithm with the optimized back-propagation neural network | |
Yin et al. | The prediction of pile foundation buried depth based on BP neural network optimized by quantum particle swarm optimization | |
CN116681205A (zh) | 一种夯土遗址冲沟病害发育程度评价及预测方法 | |
CN108446413B (zh) | 一种注浆成型扩底桩桩径的优化测定方法 | |
CN105808845A (zh) | 基于萤火虫群智能算法的结构损伤识别方法 | |
CN115169243A (zh) | 基于ga-pso-glssvm算法的土岩复合地层深基坑变形时序预测方法 | |
CN111929424B (zh) | 一种基于尺寸效应的巨跨地下洞室硬质围岩亚分级方法 | |
CN113240357A (zh) | 一种红层地区公路边坡稳定性快速评价方法 | |
CN106125149A (zh) | 点质量模型中浅层高分辨率点质量最佳埋藏深度确定方法 | |
Haghparast et al. | Comprehensive Environmental Monitoring based on Stations of Environmental Pollutants (Air, Water and Soil) in Tehran |
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 |