CN115063056B - 基于图拓扑分析改进的建造行为安全风险动态分析方法 - Google Patents

基于图拓扑分析改进的建造行为安全风险动态分析方法 Download PDF

Info

Publication number
CN115063056B
CN115063056B CN202210989530.8A CN202210989530A CN115063056B CN 115063056 B CN115063056 B CN 115063056B CN 202210989530 A CN202210989530 A CN 202210989530A CN 115063056 B CN115063056 B CN 115063056B
Authority
CN
China
Prior art keywords
behavior
risk
safety
index
behavior safety
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
CN202210989530.8A
Other languages
English (en)
Other versions
CN115063056A (zh
Inventor
龙丹冰
陈其铧
杨成
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210989530.8A priority Critical patent/CN115063056B/zh
Publication of CN115063056A publication Critical patent/CN115063056A/zh
Application granted granted Critical
Publication of CN115063056B publication Critical patent/CN115063056B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明提供了一种基于图拓扑分析改进的建造行为安全风险动态分析方法包括（1）通过收集并整合相关建造安全事故报告数据，定义建造安全事故本体，并进行三元组转化，建立建造安全事故知识图谱；（2）通过图拓扑分析方法对知识图谱进行分析计算，得出各行为安全指标的风险及后果量化值；（3）通过各行为安全指标的后果量化值和建造现场记录的各行为安全指标的频率，计算各行为安全指标的风险；（4）基于各行为安全指标的风险数据计算当前建造现场的风险等级；（5）确定关键行为安全指标；（6）计算出当前时期的高风险工种，本发明能有效降低专家的主观因素对建造现场风险分析的影响，并支撑关键工种的确定和提高建造安全管理效率。

Description

基于图拓扑分析改进的建造行为安全风险动态分析方法
技术领域
本发明涉及建造现场安全风险分析技术领域，具体涉及一种基于图拓扑分析改进的建造行为安全风险动态分析方法。
背景技术
安全事故的发生往往由于不安全行为引发。对于建造现场不安全行为进行检测和控制，可以有效提高建造现场安全水平。根据以往相关研究的总结，行为安全管理主要包含四个关键步骤：采集不安全行为数据、进行安全风险分析、确定关键行为指标、制定安全措施计划。其中，风险分析主要依赖专家的主观意见和判断，这通常是主观且定性的。建造现场环境复杂多变，专家经验不能满足适时与应变需求。为了解决这些问题，一些研究通过改进分析方法来降低人的主观因素的影响。例如，Yang Qi等将社会网络分析法融合进传统的概率风险评估方法，构建PRA/SNA风险等级评估方法，应用于安全风险管理；SONG Bo等基于数据包络法与反向传播神经网络，综合考虑专家认知主观性和评价过程动态性、指标随机性，提出地铁车站深基坑建造安全评价方法。然而，由于分析算法和模型输入的数据本身仍然为人的主观经验，缺乏客观因素支持，改进算法的作用有限。Lee等则对建造过程中实时发生的客观行为安全数据进行分析，使用基于行为安全的灰色聚类模型确定建造现场的风险等级，并根据灰关联分析模型确定引发高风险的关键行为指标。但是，该方法使用的传统灰聚类模型仍依赖专家定义可能度函数，并且模型算法的输入只考虑行为安全指标出现的频率，而没有将事故引起的后果大小考虑到风险评估当中。因此，其评估结果会存在因人的主观因素引起的分析结果与现场实际情况出现较大偏差的问题，容易导致高风险被低估的情况出现，从而引发严重的事故后果。为有效降低人的主观因素对风险分析结果的影响，有必要对其数学模型进一步引入客观因素。并且，安全管理人员难以通过建造现场实时安全风险状况确定主要管控人员范围。
对以往建造安全事故进行研究，可以获得有关预防事故的宝贵客观经验。当前，针对使用建造安全事故报告进行的研究已经开展了许多。如BİLİR S等从623起建筑事故为研究对象，提出了一种客观定量的事故概率计算方法，将事故概率值与风险评估方法相结合用于建造安全风险评估；Kale等采用逻辑回归分析建立的统计模型分析2000起事故报告，来确定影响建筑损伤严重程度的因素并用于预测其严重程度评分；Na XU等使用文本挖掘技术从221起地铁建设事故报告中识别安全风险因素，从而获取到导致中国地铁建设事故最多的关键原因，并有效运用到决策者和安全专家在确定待建项目的安全因素当中。虽然，这些研究使用建造安全事故数据取得了一定成果，但这些研究往往侧重于单一的利用安全事故报告数据，仍然没有综合性的分析这些安全事故中各要素之间相互之间的复杂联系，探索大量建造安全事故背后潜在规律特征和进行有效定量分析，并进一步应用到建造现场风险分析和管控中去。
发明内容
本发明的目的在于提供一种基于图拓扑分析改进的建造行为安全风险动态分析方法，该方法能有效降低专家的主观因素对建造现场风险分析的影响，并支撑关键工种的确定和提高建造安全管理效率。
为实现上述目的，本发明采用如下技术方案：
一种基于图拓扑分析改进的建造行为安全风险动态分析方法，包括如下步骤：
（1）构建知识图谱
根据收集并整理相关建造安全事故报告数据，定义建造安全事故本体，并对收集数据的关键信息进行三元组转化，建立建造安全事故知识图谱；
知识图谱包括知识实体和关系，知识实体包括事故类型、行为安全指标及其类型和频率、工种、事故后果，关系包括行为安全指标与其类型之间的所属关系、行为安全指标与事故的因果关系、事故与事故后果之间的数量关系、行为安全指标与其出现频率之间的数量关系、以及行为安全指标与工种之间的所属关系；
（2）图拓扑分析
根据构建的建造安全事故知识图谱的关系分别设定各知识实体之间的邻接矩阵，根据邻接矩阵定义行为安全后果指标和行为安全风险指标，再根据行为安全后果指标和行为安全风险指标对各行为安全指标的风险和后果进行量化并计算具体量化值；
所述邻接矩阵包括行为安全指标与事故因果关系的邻接矩阵CAM、行为安全指标与工种之间所属关系的邻接矩阵CWM、行为安全指标与其类型所属关系的邻接矩阵CTM、行为安全指标与频率数量关系的邻接矩阵CFM、事故与事故后果数量关系的邻接矩阵ASM；
行为安全后果指标用于代表某一行为安全指标量化后的后果程度大小，行为安全后果指标
Figure 22568DEST_PATH_IMAGE001
，Cons C 为行为安全后果指标，CAM C,Aj 为行为安全指标C与事故Aj在对应的CAM邻接矩阵中的值，P Aj|C 为行为安全指标C中事故Aj所占的比例，ASMAj,V为事故Aj与事故后果V对应的ASM邻接矩阵中的值；
行为安全风险指标用于代表考虑事故出现频率的行为安全指标量化后的风险程度大小，行为安全风险指标
Figure 571361DEST_PATH_IMAGE002
，RiskC为行为安全风险指标，CFMC,F为行为安全指标C与频率F对应的CFM邻接矩阵中的值，CAMC,Aj为行为安全指标C与事故Aj在对应的CAM邻接矩阵中的值，P Aj|C 为行为安全指标C中事故Aj所占的比例，ASMAj,V为事故Aj与事故后果V对应的ASM邻接矩阵中的值；
（3）建造现场记录数据处理
根据计算的各行为安全指标的后果量化值和建造现场记录的各行为安全指标的频率计算出各行为安全指标的风险；
将行为安全指标的后果指标映射到[1-α,1+α]区间内，
Figure 597086DEST_PATH_IMAGE003
式中，
Figure 864119DEST_PATH_IMAGE004
为第j类行为安全指标映射后的结果，ConsC(j)为第j类行为安全指标，ConsCmax为所有行为安全指标中的最大值，ConsCmin为所有行为安全指标中的最小值，α为所有行为安全指标的平均后果程度，
Figure 157959DEST_PATH_IMAGE005
，n为行为安全指标的个数；
映射后的结果作为对应行为安全指标的后果程度系数，第r周中j类行为安全指标的风险值
Figure 13789DEST_PATH_IMAGE006
，r为所在的周数，xr(j)为第r周中j类行为指标的观测值；
（4）风险分析
通过各行为安全指标风险量化值、修正灰聚类算法中由专家定义的可能度函数计算当前建造现场的风险等级；
所述风险等级通过如下步骤实现：
首先，定义风险等级可能度函数，计算的第r周中j类行为安全指标的风险值
Figure 210415DEST_PATH_IMAGE007
时对应的可能度函数值
Figure 699165DEST_PATH_IMAGE008
，r为数据统计所在周次，k为风险等级；
其次，第j类行为安全指标在风险等级为k时的权
Figure 124593DEST_PATH_IMAGE009
，
Figure 647978DEST_PATH_IMAGE010
为第j类行为安全指标在风险等级为k时的可能度函数的转折点基本值，m为行为安全指标的类型数量；
然后，计算灰色变权聚类系数
Figure 812243DEST_PATH_IMAGE011
；
最后，根据聚类系数
Figure 788289DEST_PATH_IMAGE012
计算并比较第r周的风险等级属于低、中、高的灰聚类系数，即可判断每周的风险等级；
（5）关键行为指标
通过灰关联分析方法计算各行为安全指标与高风险等级的关联度，确定关键行为安全指标；
（6）危险工种推理
通过确定的关键行为安全指标和图拓扑分析结果，计算出当前时期的高风险工种，从而确定关键危险建造人员范围。
进一步地，步骤（1）所述定义建造安全事故本体是指根据建造安全事故报告中的关键要素信息及其相互关系分析得出，事故引发的后果依据人员伤害程度进行伤害等级划分，并根据伤害等级进行权重量化。
进一步地，步骤（4）所述修正灰聚类算法中由专家定义的可能度函数通过如下步骤实现：
首先，计算所属第Tj类型行为安全指标的行为安全风险指标之和RiskC(Tj)，该类型行为指标导致安全事故的发生风险比例
Figure 250363DEST_PATH_IMAGE013
，m为行为安全指标的类型数量；
其次，将行为指标导致安全事故的发生风险比例PT反向映射到[1-β,1+β]区间内，
Figure 893834DEST_PATH_IMAGE014
式中，
Figure 166684DEST_PATH_IMAGE015
为修正系数，PT为各类型行为安全指标导致安全事故的发生风险比例，PTmax为各类型行为安全指标导致安全事故的发生风险比例中的最大值，PTmin为各类型行为安全指标导致安全事故的发生风险比例中的最小值，β为所有类型行为安全指标的平均后果程度，
Figure 895605DEST_PATH_IMAGE016
，m为行为安全指标的类型数量；
最后，引入修正系数后的转折点基本值
Figure 69360DEST_PATH_IMAGE017
，
Figure 754288DEST_PATH_IMAGE018
为由专家定义的第j类行为安全指标在风险等级为k时的可能度函数的转折点基本值。
进一步地，步骤（5）所述关键行为指标是通过以下步骤实现：
首先，数据处理
Figure 260356DEST_PATH_IMAGE019
和
Figure 414257DEST_PATH_IMAGE020
，rH(n)为所关注时间点前n周的高风险灰聚类系数序列，
Figure 781915DEST_PATH_IMAGE021
为时间序列n周内高风险聚类系数的平均值，rj(n)为所关注时间点前n周第j类行为指标的高风险灰聚类系数序列，
Figure 134399DEST_PATH_IMAGE022
为第j类行为安全指标在时间序列n周内的高风险聚类系数的平均值；
其次，计算序列分项绝对差值与最值
Figure 14630DEST_PATH_IMAGE023
，则令
Figure 639516DEST_PATH_IMAGE024
和
Figure 466657DEST_PATH_IMAGE025
分别为所有序列Δj分项中的最大值和最小值；
最后，计算灰关联系数与灰关联度，定义行为指标序列与高风险序列的灰关联系数为γHj(l)，
Figure 939227DEST_PATH_IMAGE026
，其中ξ∈(0,1)为分辨系数，进一步将关联系数的平均值定义为行为安全指标与高风险的灰关联度
Figure 487232DEST_PATH_IMAGE027
；将各行为指标的灰关联度从大到小排序，排序越靠前的行为指标对高风险的影响越大；选择排序靠前的几个行为指标作为关键行为指标。
进一步地，步骤（6）所述行为安全指标与工种之间所属关系的邻接矩阵CWM确定关键行为安全指标与各工种之间对应的频率值，与确定的行为安全指标灰关联度值的乘积
Figure 412462DEST_PATH_IMAGE028
，CK为步骤（5）确定的关键行为安全指标，CWMC,w为关键行为安全指标C与工种w在对应的CWM邻接矩阵中的值，Ww为当前时期工种w的危险程度。
与现有技术相比，本发明具有如下有益效果：
（1）对大量以往的建造安全事故数据进行整理并构建建造安全事故知识图谱，然后对构建的知识图谱进行图拓扑分析，实现了对以往的建造安全事故数据进行综合性分析，探索各要素之间的复杂联系和得出量化的客观数据，为建造安全风险评估与安全管理决策提供有效数据支撑；构建建造安全事故知识图谱使用的所有数据均产生了一定的伤害及影响，对这些数据进行客观和综合性分析，能帮助找到预防这些建造安全事故发生的安全管理措施；建立具有可分析性和拓展性的知识图谱结构，使得结构化的图数据能够完整表示建造安全事故数据中各要素之间的复杂联系，并方便整合新的建造安全事故报告数据。
（2）从图拓扑分析中得出各安全行为指标的风险和后果量化值，以各行为指标的风险量化值修正灰聚类算法中由专家主观定义的风险等级可能度函数，以各行为安全指标的后果量化值计算建造现场记录的行为安全指标的风险值。即，利用改进风险评估模型和建造现场的实时风险量化值来评估当前建造现场的风险，使得分析结果更准确且符合实际。
（3）利用危险工种推理算法，推理与当前时段关键行为安全指标相关的所有危险工种并排序，进而确定重点管控的建造人员的范围，取代以往依靠人的主观经验判断重点管控人员范围的方式，大幅减少人为因素影响，推理结果客观准确。同时，安全管理人员可以依据各工种的大小排序及时调整安全措施规划，达到有效降低建造现场人员安全风险的目的。
附图说明
图1为本发明的方法的框架示意图。
图2为本发明建造安全事故数据处理流程及结果示意图。
图3为本发明提供的知识图谱简易示意图。
图4为图3中知识图谱的结点标签、关系类别及其属性参照表。
图5为本发明各行为安全指标的风险及后果。
图6为本发明实施例提供的第1类行为指标修正前可能度函数。
图7为本发明实施例提供的第1类行为指标修正后可能度函数。
图8为本发明实施例提供的低风险-时间演化图。
图9为本发明实施例提供的中风险-时间演化图。
图10为本发明实施例提供的高风险-时间演化图。
图11为本发明实施例推理的65-70周前五项危险工种示意图。
具体实施方式
本实施例提供的一种基于图拓扑分析改进的建造行为安全风险动态分析方法，该方法通过基于大量以往的建造安全事故数据构建的建造安全事故知识图谱，引入图拓扑分析方法，从知识图谱中分析各事故要素信息之间的强弱联系，并计算出各行为安全指标的风险及后果的量化值，解决现有对建造安全事故报告分析较为单一且不能得出有效客量化结果的问题，通过分析历史建造安全事故得出的客观数据改进依赖专家经验的风险评估模型，并根据确定的建造现场实时确定的关键行为安全指标和知识图谱确定影响高风险的主要工种范围，解决由专家主观因素导致的安全风险分析结果不准确性及难于实时确定重点管控人员范围的问题。
如图1所示，本实施例所述的基于图拓扑分析改进的建造行为安全风险动态分析方法包括如下步骤：
（1）构建知识图谱
根据收集并整理相关建造安全事故报告数据，定义建造安全事故本体，并对收集数据的关键信息进行三元组转化，建立建造安全事故知识图谱。
本实施例收集大量的建造安全事故数据，并对收据的安全事故数据进行数据筛选、整合、分类等整理，最后形成包括建造安全事故类型、行为安全指标类型与伤害等级及工种的结构化表格，表格模板如图2所示。
所述建造安全事故本体根据伤害等级进行权重量化，本实施例将按照表1所示进行加权量化，共分5个量级，量化不安全行为导致的事故严重程度且主要考虑人员的伤害情况。
表1 伤害等级及权重值
Figure 308874DEST_PATH_IMAGE029
归纳建造安全事故的基本内容及其关系，定义知识图谱的知识实体和关系。知识图谱的知识实体包括事故类型、行为安全指标及其类型和频率、工种、事故后果；行为安全指标分为5大类，5大类行为安全指标类别分别是T1（肢体行为）、T2（穿戴防具）、T3（工作因素）、T4（工具和设备）、T5（环境与组织），每个大类行为安全指标包括数量不等的行为安全指标，共计30个，具体如表2所示，表2中根据收集的相关建造安全事故报告数据统计出每个行为安全指标出现的频率。
表2 行为安全指标及其类别
Figure 635950DEST_PATH_IMAGE030
表2能够包含建造现场出现不安全行为的全部类型，计算各类型安全事故的平均伤害权重值，并作为各类事故的后果值，其计算结果如表3所示。
表3事故类型及其后果
Figure 107252DEST_PATH_IMAGE031
知识图谱的关系包括行为安全指标与其类型之间的所属关系（TypeIs）、行为安全指标与事故的因果关系（Cause_Effect）、事故与事故后果之间的数量关系（ValueIs）、行为安全指标与其出现频率之间的数量关系（CountIs）、以及行为安全指标与工种之间的所属关系（WorkIs），如图3和图4所示，<C23,TypeIs,T2>表示C23（坠落防具）属于T2（穿戴防具）类型，<C23,Cause_Effect,A5>表示C23（坠落防具）可导致A5（高空坠落）事故，其关系对应的属性值为99，<C23,WorkIs,W43>表示引发C23（坠落防具）的工种是W43（屋顶作业），其关系对应的属性值为45。
将所有整理好的三元组导入到Neo4j数据库中，完成知识图谱节点实体与实体之间的关系及属性的建立。
（2）图拓扑分析
通过图拓扑分析方法对构建的建造安全事故知识图谱进行分析计算，得出各行为安全指标的风险及后果量化值，用于进一步改进建造行为安全风险分析模型。
根据知识图谱的关系分别定义各个邻接矩阵，根据邻接矩阵定义行为安全后果指标和行为安全风险指标。
所述邻接矩阵包括行为安全指标与事故因果关系的邻接矩阵CAM、行为安全指标与工种之间所属关系的邻接矩阵CWM、行为安全指标与其类型所属关系的邻接矩阵CTM、行为安全指标与频率数量关系的邻接矩阵CFM、事故与事故后果数量关系的邻接矩阵ASM。
行为安全指标与事故因果关系的邻接矩阵CAM：
Figure 519779DEST_PATH_IMAGE032
（Ⅰ）
式（Ⅰ）中，C为行为安全指标，Aj为第j类事故，a为行为安全指标与事故的因果关系（Cause_Effect）的属性值，CAKG为建造安全事故知识图谱。如果CAM值为非0表示行为安全指标与事故之间存在连接，并且行为安全指标与事故对应的关系边的属性值为a。通过CAM值可确定所有行为安全指标与所有事故之间的有向联系并以邻接矩阵的形式表示。
行为安全指标与工种之间所属关系的邻接矩阵CWM：
Figure 16619DEST_PATH_IMAGE033
（Ⅱ）
式（Ⅱ）中，C为行为安全指标，w为工种，b为行为安全指标与工种之间的所属关系（WorkIs）的属性值，CAKG为建造安全事故知识图谱。
值得注意的是，每一种行为安全指标都是与主要的几类工种之间存在大的关联，CWM邻接矩阵可以表示出行为安全指标与工种之间的强弱联系。
行为安全指标与其类型所属关系的邻接矩阵CTM：
Figure 886617DEST_PATH_IMAGE034
（Ⅲ）
式（Ⅲ）中，C为行为安全指标，Tj为行为安全指标所属第j大类，CAKG为整个建造安全事故知识图谱。
每一种行为安全指标有且仅属于一个大类，分别为分别是T1（肢体行为）、T2（穿戴防具）、T3（工作因素）、T4（工具和设备）、T5（环境与组织），CTM邻接矩阵可有效探索不同类型风险之间的差异和特征。
行为安全指标与频率数量关系的邻接矩阵CFM：
Figure 341869DEST_PATH_IMAGE035
（Ⅳ）
式（Ⅳ）中，C为行为安全指标，F为频率，c为行为安全指标与其出现频率之间的数量关系（CountIs）的属性值，CAKG为整个建造安全事故知识图谱。
事故与事故后果数量关系的邻接矩阵ASM：
Figure 913796DEST_PATH_IMAGE036
（Ⅴ）
式（Ⅴ）中，Aj为第j类事故，V为事故后果平均值，d为事故与事故后果之间的数量关系（ValueIs）的属性值，CAKG为整个建造安全事故知识图谱。
为了量化不安全行为的伤害程度大小，以便于利用其进一步修正风险分析算法，根据5种邻接矩阵定义行为安全后果指标和行为安全风险指标。
行为安全后果指标表示了某一行为安全指标量化后的后果程度大小，行为安全后果指标
Figure 135699DEST_PATH_IMAGE037
，ConsC为行为安全后果指标，CAMC,Aj为行为安全指标C与事故Aj在对应的CAM邻接矩阵中的值，PAj|C为行为安全指标C中事故Aj所占的比例，ASMAj,V为事故Aj与事故后果V对应的ASM邻接矩阵中的值。
行为安全风险指标表示考虑事故出现频率的行为安全指标量化后的风险程度大小，行为安全风险指标
Figure 702946DEST_PATH_IMAGE038
，RiskC为行为安全风险指标，CFMC,F为行为安全指标C与频率F对应的CFM邻接矩阵中的值，CAMC,Aj为行为安全指标C与事故Aj在对应的CAM邻接矩阵中的值，P Aj|C 为行为安全指标C中事故Aj所占的比例，ASMAjV为事故Aj与事故后果V对应的ASM邻接矩阵中的值。
计算各个行为安全指标的行为安全后果指标和行为安全风险指标，对行为安全指标的风险和行为安全指标的后果进行量化并计算具体量化值，其结果如图5所示。从图5中可以看出每种风险的风险程度大小存在着明显的大小差别，后果程度高的行为指标不一定风险程度高，说明存在后果高的行为指标出现的频率是比较低的。计算得到的各行为安全指标风险量化结果被进一步用来改进以往用来进行风险分析的灰聚类算法，计算得到的各行为安全指标后果量化结果被进一步用来计算建造现场观测记录的各行为安全指标的风险，并以此作为风险分析算法的输入。
（3）建造现场记录数据处理
根据计算的各个行为安全指标的后果量化值和建造现场记录的各个行为安全指标的频率，计算各行为安全指标的风险。
将行为安全指标的后果指标映射到[1-α,1+α]区间内，
Figure 735624DEST_PATH_IMAGE039
（Ⅵ）
式（Ⅵ）中，
Figure 653902DEST_PATH_IMAGE040
为第j类行为安全指标映射后的结果，ConsC(j)为第j类行为安全指标，ConsCmax为所有行为安全指标中的最大值，ConsCmin为所有行为安全指标中的最小值，α为所有行为安全指标的平均后果程度，
Figure 758124DEST_PATH_IMAGE041
，n为行为安全指标的个数。
映射后的结果作为对应不安全行为指标的后果程度系数，第r周中j类行为安全指标的风险值
Figure 602714DEST_PATH_IMAGE042
，r为所在的周数，xr(j)为第r周中j类行为指标的观测值；当映射结果
Figure 399769DEST_PATH_IMAGE040
为一个大于1的值时，表明该类行为指标的后果程度要大于一般的后果，其风险程度也越高。最后，以建造现场记录的行为指标风险值
Figure 8605DEST_PATH_IMAGE043
作为进行风险分析的灰聚类算法的输入数据。
（4）风险分析
通过各个行为安全指标风险量化值和修正的灰聚类算法中由专家定义的可能度函数，并基于各行为安全指标的风险数据来计算当前建造现场的风险等级。
修正灰聚类算法中由专家定义的可能度函数通过如下步骤实现：
首先，计算所属第Tj类型行为安全指标的行为安全风险指标之和RiskC(Tj)，该类型行为指标导致安全事故的发生风险比例
Figure 41152DEST_PATH_IMAGE044
，m为行为安全指标的类型数量；
其次，将行为指标导致安全事故的发生风险比例PT反向映射到[1-β,1+β]区间内，
Figure 51833DEST_PATH_IMAGE045
（Ⅶ）
式（Ⅶ）中，
Figure 19789DEST_PATH_IMAGE046
为修正系数，PT为各类型行为安全指标导致安全事故的发生风险比例，PTmax为各类型行为安全指标导致安全事故的发生风险比例中的最大值，PTmin为各类型行为安全指标导致安全事故的发生风险比例中的最小值，β为所有类型行为安全指标的平均后果程度，
Figure 53604DEST_PATH_IMAGE047
，m为行为安全指标的类型数量。
依据风险的定义，引入修正系数后的转折点基本值修正
Figure 499629DEST_PATH_IMAGE048
，
Figure 318812DEST_PATH_IMAGE049
为由专家经验定义的第j类行为安全指标在风险等级为k时的可能度函数的转折点基本值。在观测值相同的情况下，较高风险等级行为安全指标的可能度函数值可能更大，表示该类行为安全指标在相同的观测情况下更容易被计算为较高的风险等级。因此，可以通过对以往的建造安全事故分析获取的各类别行为安全指标的风险量化值来修正由专家定义的可能度函数，达到降低专家主观因素影响的目的。
所述风险等级通过如下步骤实现：
首先，定义风险等级可能度函数，计算的第r周中j类行为安全指标的风险值
Figure 988828DEST_PATH_IMAGE050
时对应的可能度函数值
Figure 306676DEST_PATH_IMAGE051
，r为数据统计所在周次，k为风险等级；
其次，第j类行为安全指标在风险等级为k时的权
Figure 962917DEST_PATH_IMAGE052
，
Figure 948190DEST_PATH_IMAGE053
为第j类行为安全指标在风险等级为k时的可能度函数的基本值，m为行为安全指标的类型数量；
然后，计算灰色变权聚类系数
Figure 257949DEST_PATH_IMAGE054
；
最后，根据聚类系数
Figure 312362DEST_PATH_IMAGE055
计算并比较第周的风险等级属于低、中、高的灰聚类系数，即可判断每周的风险等级。
（5）关键行为指标
通过灰关联分析方法计算各行为安全指标与高风险等级的关联度，确定关键行为安全指标。
首先，数据处理
Figure 365768DEST_PATH_IMAGE056
和
Figure 205548DEST_PATH_IMAGE057
，rH(n)为所关注时间点前n周的高风险灰聚类系数序列，
Figure 623891DEST_PATH_IMAGE058
为时间序列n周内高风险聚类系数的平均值，rj(n)为所关注时间点前n周第j类行为指标的高风险灰聚类系数序列，
Figure 916332DEST_PATH_IMAGE059
为第j类行为安全指标在时间序列n周内的高风险聚类系数的平均值；
其次，计算序列分项绝对差值与最值
Figure 773430DEST_PATH_IMAGE060
，则令
Figure 156132DEST_PATH_IMAGE061
和
Figure 807693DEST_PATH_IMAGE062
分别为所有序列
Figure 853010DEST_PATH_IMAGE063
分项中的最大值和最小值；
最后，计算灰关联系数与灰关联度，定义行为安全指标序列与高风险序列的灰关联系数为γHj(l)，
Figure 920323DEST_PATH_IMAGE064
，其中ξ∈(0,1)为分辨系数，进一步将关联系数的平均值定义为行为安全指标与高风险的灰关联度
Figure 469116DEST_PATH_IMAGE065
。
将各个行为指标的灰关联度从大到小排序，排序越靠前的行为指标对高风险的影响越大。选择排序靠前的几个行为指标作为关键行为指标，并利用图拓扑分析得出各拓扑指标结果给出当前建造现场安全管理建议，提供管理人员或专家制定相关安全措施，以达到降低建造现场风险等级的目的。
（6）危险工种推理
通过确定的关键行为安全指标和图拓扑分析结果，计算出当前时期的高风险工种，从而确定关键危险建造人员范围。
计算根据CWM行为安全指标与工种之间所属关系的邻接矩阵确定关键行为安全指标与各工种之间对应的频率值，与确定的行为安全指标灰关联度值的乘积
Figure 557157DEST_PATH_IMAGE066
，CK为步骤（5）确定的关键行为安全指标，CWMC,w为关键行为安全指标C与工种w在对应的CWM邻接矩阵中的值，工种的Ww值代表了当前时期该类工种危险程度，其值越大说明危险性越高。
然后将所有的工种的Ww值进行从大到小排序，排序越高，说明当前时期该类工种的危险性越高，则越需要在安全措施计划中得到关注。
以某建筑工程项目为例进行建造行为安全风险分析，该工程项目记录该项目建造过程中连续96周的不安全行为次数作为行为安全数据。该项目已根据专家经验定义风险等级可能度函数、依据Lee等的方法完成了一次建造行为安全风险分析。本实施例以同样的数据使用基于知识图谱的图拓扑分析算法得出的客观量化结果来改进基于行为安全的建造现场风险分析方法，并对比改进前后的结果。
将各个行为安全指标的行为安全后果指标ConsC映射到区间内，再基于建造现场实时采集的各行为安全指标数据计算建造现场记录的各不安全行为指标引发的风险。以及计算五类行为安全指标导致安全事故的发生概率Pj，计算灰聚类算法中可能度函数转折点基本值调整系数、调整后的转折点基本值、风险等级的聚类系数。
以第1类行为指标为例，修正前后对比图如图6和图7所示，第1类行为指标修正后的转折点基本值按修正系数缩小，在相同观测值的情况下，低风险的可能度函数值趋于减小，中风险的可能度函数值可能增大或减小，而高风险的可能度函数值趋于增大。由于同时考虑了专家经验和以往建造安全事故的客观经验数据，调整后的可能度函数转折点基本值更加合理，更能合理地评估建造现场风险水平。
本实施例分别绘制改进前Lee等的方法和本研究改进后的方法在低、中、高风险等级的聚类系数随时间变化图，结果如图8~10所示。随着建造现场不安全行为指标引起风险的增加，低风险的聚类系数趋于减小，中风险的聚类系数有增有减，而高风险的聚类系数趋于增大，聚类系数的变化趋势与可能度函数值相同。在96周的风险评估结果中，改进前高中低风险周数分别是17、32、48，而改进后高中低风险周数分别为22，28、47，高风险天数增加了5周且主要集中在项目后期。从整体上看，建造现场不安全行为指标引起风险在项目后期也急剧增加，后果较为严重的不安全行为指标类别的聚类系数增大，因此也更可能分析为较高风险等级，即改进了之前算法仅仅计算不安全行为指标类别出现的频率而容易出现对建造现场风险评估过低估计的情况。同时，较多数量的高风险天数有利于提高建造从业人员安全意识和管理意识，因此有利于降低建造现场风险，减小建造安全事故出现的几率。
在所记录的96周中，改进后算法所得出的聚类系数变化图像更能反映出建造现场风险程度随行为观察数量的变化，说明改进后的算法更能反映出建造现场的风险状况。例如，在前24周的高中低图像中，观测到的行为指标的后果图像是在动态变化当中且修正前后的风险结果都属于低风险，但是在改进前的高中低风险的聚类系数变化图像没有发生明显的波动，改进后的中低风险聚类系数变化图像则能够随着建造现场的行为安全指标的后果数量而发生明显的关联性波动。同时，在个高风险聚类系数变化图像中，与改进前的结果相比，改进后的图像更能表现高风险聚类系数变化状况。在第52-53周T1和T3不安全行为指标的风险出现急剧下降，分别减少53%、55%，其它三类不安全行为指标的风险均保持稳定，在改进前的高风险聚类系数变化图像中，这两周均为0，而在改进后的高风险聚类系数变化图像中，这两周出现了突然下降至0的情况，改进后的算法更能体现建造现场风险变化情况。因此，基于图拓扑分析得出的客观经验数据对建造安全风险分析算法的改进是有效的，更能合理表现出建造现场高中低风险实时变化状况。
从该项目案例96周的整体情况来看，随着建造项目进度的推进，建造现场总体观测行为指标的次数比例在不断上升，计算得出的建造现场风险值也在持续上升。出现项目前期主要以低风险为主、项目中期以中风险为主、项目后期以高风险为主的情况。针对这一情况，在项目后期需要确定与高风险关联的关键行为指标并制定相关措施。根据公式（17）-（20）计算得出关键行为指标，本研究采用采集数据中的65-70周的数据进行计算。根据计算结果排序，选出了其中数值最大的前六项作为影响高风险的关键行为指标，从高到低排序依次为C33、C53、C35、C42、C43、C24。根据确定的这六项关键行为指标可采取针对性的安全管理措施以减少建造现场安全风险水平。值得注意的是，根据图8~10中的通过大量以往的建造安全事故数据确定的各行为安全指标的风险及后果的量化结果，可以确定在建造安全管理全局中需要重点关注的行为安全指标，其中最高两项为C15、C23。但是，在65-70周确定的关键行为指标中并没有出现这两项行为安全指标，说明了建造现场不同时间段，需要重点管控的行为安全指标并不一定是一般认为的风险较大的行为安全指标。所以，针对建造现场实时动态确定的关键行为指标来采取相关安全管理措施，使得建造安全管理人员更能精准管控建造现场当前的安全风险状况，从而可以有效预防建造安全事故的发生。
根据上述确定的关键行为指标，计算确定关键危险工种，得到当前65-70周内所有工种的危险程度排序，如图11所示。其中，最危险的三类工种是“W43（屋顶作业）”、“W14（外部木工）”和“W12（外墙砌筑）”，其次是“W5（拆除作业）”和“W30（室内木工）”，管理人员可据此针对性提出改进建造安全措施规划，对这几类人员进行重点安全管控。
以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。

Claims (1)

1.一种基于图拓扑分析改进的建造行为安全风险动态分析方法，其特征在于，包括如下步骤：
(1)构建知识图谱
根据收集并整理相关建造安全事故报告数据，定义建造安全事故本体，并对收集数据的关键信息进行三元组转化，建立建造安全事故知识图谱；
定义建造安全事故本体是指根据建造安全事故报告中的关键要素信息及其相互关系分析得出，事故引发的后果依据人员伤害程度进行伤害等级划分，并根据伤害等级进行权重量化；
知识图谱包括知识实体和关系，知识实体包括事故类型、行为安全指标及其类型和频率、工种、事故后果，关系包括行为安全指标与其类型之间的所属关系、行为安全指标与事故的因果关系、事故与事故后果之间的数量关系、行为安全指标与其出现频率之间的数量关系、以及行为安全指标与工种之间的所属关系；
(2)图拓扑分析
根据构建的建造安全事故知识图谱的关系分别设定各知识实体之间的邻接矩阵，根据邻接矩阵定义行为安全后果指标和行为安全风险指标，再根据行为安全后果指标和行为安全风险指标对各行为安全指标的风险和后果进行量化并计算具体量化值；
所述邻接矩阵包括行为安全指标与事故因果关系的邻接矩阵CAM、行为安全指标与工种之间所属关系的邻接矩阵CWM、行为安全指标与其类型所属关系的邻接矩阵CTM、行为安全指标与频率数量关系的邻接矩阵CFM、事故与事故后果数量关系的邻接矩阵ASM；
行为安全后果指标用于代表某一行为安全指标量化后的后果程度大小，行为安全后果指标ConsC＝∑Aj∈ACAMC，Aj·PAj|C·ASMAj，V，ConsC为行为安全后果指标，CAMC,Aj为行为安全指标C与事故Aj在对应的CAM邻接矩阵中的值，PAj|C为行为安全指标C中事故Aj所占的比例，ASMAj,V为事故Aj与事故后果V对应的ASM邻接矩阵中的值；
行为安全风险指标用于代表考虑事故出现频率的行为安全指标量化后的风险程度大小，行为安全风险指标RiskC＝CFMC，F(∑Aj∈ACAMC，Aj·PAj|C·ASMAj，V)，RiskC为行为安全风险指标，CFMC,F为行为安全指标C与频率F对应的CFM邻接矩阵中的值，CAMC,Aj为行为安全指标C与事故Aj在对应的CAM邻接矩阵中的值，PAj|C为行为安全指标C中事故Aj所占的比例，ASMAj,V为事故Aj与事故后果V对应的ASM邻接矩阵中的值；
(3)建造现场记录数据处理
根据计算的各行为安全指标的后果量化值和建造现场记录的各行为安全指标的频率计算出各行为安全指标的风险；
将行为安全指标的后果指标映射到[1-α,1+α]区间内，
Figure FDA0003893932760000021
式中，Cons′C(j)为第j类行为安全指标映射后的结果，ConsC(j)为第j类行为安全指标，ConsCmax为所有行为安全指标中的最大值，ConsCmin为所有行为安全指标中的最小值，α为所有行为安全指标的平均后果程度，
Figure FDA0003893932760000022
n为行为安全指标的个数；
映射后的结果作为对应行为安全指标的后果程度系数，第r周中j类行为安全指标的风险值x′r(j)＝xr(j)·Cons′C(j)，r为所在的周数，xr(j)为第r周中j类行为指标的观测值；
(4)风险分析
通过各行为安全指标风险量化值、修正灰聚类算法中由专家定义的可能度函数计算当前建造现场的风险等级；
所述风险等级通过如下步骤实现：
首先，定义风险等级可能度函数，计算的第r周中j类行为安全指标的风险值x′r(j)时对应的可能度函数值fj k(x′r(j))r为数据统计所在周次，k为风险等级；
其次，第j类行为安全指标在风险等级为k时的权
Figure FDA0003893932760000023
Figure FDA0003893932760000024
为第j类行为安全指标在风险等级为k时的可能度函数的转折点基本值，m为行为安全指标的类型数量；
然后，计算灰色变权聚类系数
Figure FDA0003893932760000025
最后，根据聚类系数
Figure FDA0003893932760000026
计算并比较第r周的风险等级属于低、中、高的灰聚类系数，然后判断每周的风险等级；
所述修正灰聚类算法中由专家定义的可能度函数通过如下步骤实现：
首先，计算所属第Tj类型行为安全指标的行为安全风险指标之和RiskC(Tj)，该类型行为指标导致安全事故的发生风险比例
Figure FDA0003893932760000027
m为行为安全指标的类型数量；
其次，将行为指标导致安全事故的发生风险比例PT反向映射到[1-β,1+β]区间内，
Figure FDA0003893932760000031
式中，P′T为修正系数，PT为各类型行为安全指标导致安全事故的发生风险比例，PTmax为各类型行为安全指标导致安全事故的发生风险比例中的最大值，PTmin为各类型行为安全指标导致安全事故的发生风险比例中的最小值，β为所有类型行为安全指标的平均后果程度，
Figure FDA0003893932760000032
m为行为安全指标的类型数量；
最后，引入修正系数后的转折点基本值
Figure FDA0003893932760000033
Figure FDA0003893932760000034
为由专家定义的第j类行为安全指标在风险等级为k时的可能度函数的转折点基本值；
(5)关键行为指标
通过灰关联分析方法计算各行为安全指标与高风险等级的关联度，确定关键行为安全指标；
所述关键行为指标是通过以下步骤实现：
首先，数据处理
Figure FDA0003893932760000035
和
Figure FDA0003893932760000036
rH(n)为所关注时间点前n周的高风险灰聚类系数序列，
Figure FDA0003893932760000037
为时间序列n周内高风险聚类系数的平均值，rj(n)为所关注时间点前n周第j类行为指标的高风险灰聚类系数序列，
Figure FDA0003893932760000038
为第j类行为安全指标在时间序列n周内的高风险聚类系数的平均值；
其次，计算序列分项绝对差值与最值Δj(n)＝|r′H(n)-r′j(n)|，则令
Figure FDA0003893932760000039
和
Figure FDA00038939327600000310
分别为所有序列Δj分项中的最大值和最小值；
最后，计算灰关联系数与灰关联度，定义行为指标序列与高风险序列的灰关联系数为γHj(l)，
Figure FDA00038939327600000311
其中ξ∈(0,1)为分辨系数，然后将关联系数的平均值定义为行为安全指标与高风险的灰关联度
Figure FDA00038939327600000312
将各行为指标的灰关联度从大到小排序，排序越靠前的行为指标对高风险的影响越大；选择排序靠前的几个行为指标作为关键行为指标；
(6)危险工种推理
通过确定的关键行为安全指标和图拓扑分析结果，计算出当前时期的高风险工种，从而确定关键危险建造人员范围；
所述行为安全指标与工种之间所属关系的邻接矩阵CWM确定关键行为安全指标与各工种之间对应的频率值，与确定的行为安全指标灰关联度值的乘积WW＝∑C∈CKCWMC，w·gHj，CK为步骤(5)确定的关键行为安全指标，CWMC,w为关键行为安全指标C与工种w在对应的CWM邻接矩阵中的值，Ww为当前时期工种w的危险程度。
CN202210989530.8A 2022-08-18 2022-08-18 基于图拓扑分析改进的建造行为安全风险动态分析方法 Active CN115063056B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210989530.8A CN115063056B (zh) 2022-08-18 2022-08-18 基于图拓扑分析改进的建造行为安全风险动态分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210989530.8A CN115063056B (zh) 2022-08-18 2022-08-18 基于图拓扑分析改进的建造行为安全风险动态分析方法

Publications (2)

Publication Number Publication Date
CN115063056A CN115063056A (zh) 2022-09-16
CN115063056B true CN115063056B (zh) 2022-11-18

Family

ID=83207426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210989530.8A Active CN115063056B (zh) 2022-08-18 2022-08-18 基于图拓扑分析改进的建造行为安全风险动态分析方法

Country Status (1)

Country Link
CN (1) CN115063056B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116484056B (zh) * 2023-02-20 2023-11-07 北京交通大学 一种基于知识图谱的轨道交通事故的预防方法
CN116579618B (zh) * 2023-07-13 2023-09-22 吉贝克信息技术（北京）有限公司 基于风险管理的数据处理方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274079A (zh) * 2017-03-31 2017-10-20 国家电网公司 基于改进灰色聚类的供电区域划分方法
CN111832924A (zh) * 2020-06-30 2020-10-27 北方工业大学 基于图神经网络的社区燃气系统动态风险评估方法及装置
CN113127606A (zh) * 2021-06-18 2021-07-16 西南交通大学 基于知识图谱的施工行为安全风险分析与危险点识别方法
CN113722503A (zh) * 2021-08-17 2021-11-30 中国海洋大学 一种施工现场风险细粒度识别方法和系统
CN113822494A (zh) * 2021-10-19 2021-12-21 平安科技（深圳）有限公司 风险预测方法、装置、设备及存储介质
CN114493375A (zh) * 2022-04-02 2022-05-13 清华大学 施工安全宏观评估系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110807580B (zh) * 2019-10-25 2022-03-04 上海建科工程咨询有限公司 基于复杂网络的超高层施工机械关键安全风险分析方法
EP4244783A1 (en) * 2020-11-13 2023-09-20 Umnai Limited Behavioral prediction and boundary settings, control and safety assurance of ml & ai systems
CN113361962A (zh) * 2021-06-30 2021-09-07 支付宝(杭州)信息技术有限公司 基于区块链网络识别企业风险性的方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274079A (zh) * 2017-03-31 2017-10-20 国家电网公司 基于改进灰色聚类的供电区域划分方法
CN111832924A (zh) * 2020-06-30 2020-10-27 北方工业大学 基于图神经网络的社区燃气系统动态风险评估方法及装置
CN113127606A (zh) * 2021-06-18 2021-07-16 西南交通大学 基于知识图谱的施工行为安全风险分析与危险点识别方法
CN113722503A (zh) * 2021-08-17 2021-11-30 中国海洋大学 一种施工现场风险细粒度识别方法和系统
CN113822494A (zh) * 2021-10-19 2021-12-21 平安科技（深圳）有限公司 风险预测方法、装置、设备及存储介质
CN114493375A (zh) * 2022-04-02 2022-05-13 清华大学 施工安全宏观评估系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于熵算法改进的故障树-云模型风险分析方法;龙丹冰等;《安全与环境学报》;20210526;第633-641页 *
基于行为安全与建筑信息模型的施工安全管理方法;魏君豪;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20220515;第B026-50页 *

Also Published As

Publication number Publication date
CN115063056A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
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
CN107544253B (zh) 基于改进模糊熵权法的大型导弹装备退役安全控制方法
CN108108875A (zh) 一种基于合作博弈法和梯形云模型的配电网运行状态模糊综合评价方法
CN105117602B (zh) 一种计量装置运行状态预警方法
CN111950918B (zh) 一种基于电力交易数据的市场风险评估方法
CN107886235A (zh) 一种耦合确定性与不确定分析的火灾风险评估方法
CN110135716B (zh) 一种电网基建项目动态预警识别方法和系统
CN104820716A (zh) 基于数据挖掘的装备可靠性评估方法
CN110196814B (zh) 一种软件质量评价方法
CN111985804A (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
CN112699553B (zh) 一种岩爆烈度等级智能预测系统方法
CN111797364B (zh) 一种基于复合云模型的滑坡多层次安全评价方法
CN106649479A (zh) 一种基于概率图的变压器状态关联规则挖掘方法
CN113887908A (zh) 考虑主客观交叉融合权重的桥梁风险评估方法
CN111126865B (zh) 一种基于科技大数据的技术成熟度判断方法和系统
CN115018384A (zh) 一种建筑工地安全风险评估方法及系统
CN114862267A (zh) 一种输油气管道报警管理体系的评价方法及系统
CN103942604A (zh) 基于森林区分度模型的预测方法及系统
CN114548494A (zh) 一种可视化造价数据预测智能分析系统
CN109165854B (zh) 空管运行效率等级评估方法及其装置
CN106709522B (zh) 一种基于改进模糊三角数的高压电缆施工缺陷分级方法
CN115374570A (zh) 一种用于穿越工程隧道变形预测的多源加权训练集构建方法
CN114118688A (zh) 基于序关系分析的电网工程造价风险预警方法
CN113205274A (zh) 一种施工质量定量化排名方法
CN113807715A (zh) 一种化工装置风险动态预警方法

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
GR01 Patent grant
GR01 Patent grant