CN115630752A - 基于动态模糊综合贝叶斯网络的pba车站施工风险评估方法 - Google Patents

基于动态模糊综合贝叶斯网络的pba车站施工风险评估方法 Download PDF

Info

Publication number
CN115630752A
CN115630752A CN202211520272.5A CN202211520272A CN115630752A CN 115630752 A CN115630752 A CN 115630752A CN 202211520272 A CN202211520272 A CN 202211520272A CN 115630752 A CN115630752 A CN 115630752A
Authority
CN
China
Prior art keywords
risk
pba
construction
station
station 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
Application number
CN202211520272.5A
Other languages
English (en)
Other versions
CN115630752B (zh
Inventor
江华
张传庆
武福美
孙晓鹏
刘重阳
孟祥磊
张雷
孟令丰
任子晗
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.)
Beijing Urban Construction Rail Transit Construction Engineering Co ltd
China University of Mining and Technology Beijing CUMTB
Original Assignee
Beijing Urban Construction Rail Transit Construction Engineering Co ltd
China University of Mining and Technology Beijing CUMTB
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 Beijing Urban Construction Rail Transit Construction Engineering Co ltd, China University of Mining and Technology Beijing CUMTB filed Critical Beijing Urban Construction Rail Transit Construction Engineering Co ltd
Priority to CN202211520272.5A priority Critical patent/CN115630752B/zh
Publication of CN115630752A publication Critical patent/CN115630752A/zh
Application granted granted Critical
Publication of CN115630752B publication Critical patent/CN115630752B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q50/08—Construction

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于动态模糊综合贝叶斯网络的PBA车站施工风险评估方法，包括：识别PBA车站施工风险因素，建立PBA车站施工风险评估体系；构建PBA车站施工的贝叶斯网络风险概率模型；进行正向静态概率推理，确定PBA车站施工静态风险概率水平；结合现场工程监测数据，利用贝叶斯网络进行反向动态概率推理，得到PBA车站施工动态风险概率值；建立PBA车站施工风险损失综合评价模型，对风险损失进行模糊综合评价，得到PBA车站施工风险损失值；进行PBA车站施工动态风险总评估。本发明提供了一种能够实时更新的动态模糊综合贝叶斯网络的PBA车站施工风险评估方法，该方法保证了评估结果的时效性，能够提前预测施工风险水平，确保安全施工。

Description

基于动态模糊综合贝叶斯网络的PBA车站施工风险评估方法
技术领域
本发明涉及地铁车站风险评估技术领域，具体涉及一种基于动态模糊综合贝叶斯网络的PBA车站施工风险评估方法。
背景技术
随着我国城市的快速发展和对公共设施需求的不断增加，地铁车站的建设日趋增多，各类复杂条件对于地铁车站的建设提出了更高的要求。目前，基于浅埋暗挖法的PBA法在各大城市地铁建设中不断得到推广应用。但暗挖PBA车站属于高风险工程，PBA地铁车站施工过程中，易受多种施工风险影响，且施工风险具有动态易变的特性；若施工不当，极易引起路面塌陷、建筑物开裂及管线破裂等一系列风险事故。多种动态易变风险导致PBA车站施工的风险评估难度较大，由于风险评估发展较晚，现阶段对于PBA车站这种风险因素复杂的地下工程，风险评估研究并不够充足深入。
目前的隧道及地下空间中的风险评估方法可分为定量分析法和定性分析法两大类。其中基于定性分析的研究方法主要有：层次分析法、风险矩阵法、模糊综合评价法等；基于定量分析的研究方法主要有：故障树分析法、事件树分析法、蒙特卡洛模拟法等。大量学者基于这些风险评估方法对地下空间工程安全风险开展了一系列评估研究，并依据不同的研究需要，采用了相应的耦合方法或改进方法。但这些传统方法都仅仅考虑风险事故的静态概率问题，而忽视风险的后果因素，这种评估是不全面的。地铁车站施工具有明显的动态特性，当前缺乏对PBA车站施工风险的动态评估研究，且评估结果无法动态量化，使得施工方无法及时获得施工项目风险状态，无法为后续施工制定合适计划。
因此有必要提出一种新的全面科学可靠的能够实现对PBA车站施工风险动态评估的方法。
发明内容
鉴于现有技术的不足，本发明的主要目的是提供一种基于动态模糊综合贝叶斯网络的PBA车站施工风险评估方法，以解决现有技术中的一个或多个问题。
本发明的技术方案如下：
一种基于动态模糊综合贝叶斯网络的PBA车站施工风险评估方法，包括如下步骤：
步骤一：识别PBA车站施工风险因素，建立PBA车站施工风险评估体系；
步骤二：基于PBA车站施工风险评估体系构建PBA车站施工的贝叶斯网络风险概率模型；
步骤三：利用所述贝叶斯网络风险概率模型进行正向静态概率推理，确定PBA车站施工静态风险概率水平；
步骤四：结合现场工程监测数据，利用贝叶斯网络进行反向动态概率推理，得到PBA车站施工动态风险概率值；
步骤五：根据PBA车站施工风险评估体系建立PBA车站施工风险损失综合评价模型，对风险损失进行模糊综合评价，得到PBA车站施工风险损失值；
步骤六：结合PBA车站施工动态风险概率值和PBA车站施工风险损失值，进行PBA车站施工动态风险总评估。
在一些实施例中，步骤一中，选取水文地质风险、周边环境风险和施工技术风险三类风险因素作为PBA车站施工风险评估指标，依据层次分析法将影响PBA车站施工风险状态的评估指标分为目标层、准则层和指标层三层，其中：
目标层由评估目标构成；
准则层由风险类别组成；
指标层由影响准则层因素的各项指标构成。
在一些实施例中，所述目标层为PBA车站施工风险状态R；
所述准则层由影响风险状态R的风险类别组成，包括：水文地质风险A1、周边环境风险A2、施工技术风险A3；
所述指标层中，水文地质风险A1对应指标包括：地层情况B1、地下水影响B2，上覆土深度B3；周边环境风险A2对应指标包括：临近建筑物B4、临近管线B5、临近道路B6、临近既有站B7、下穿既有线B8；施工技术风险A3对应指标包括：降水施工B9、竖井和横通道施工B10、导洞开挖B11、桩梁柱体系施工B12、初支二衬扣拱施工B13、主体开挖结构施工B14。
在一些实施例中，PBA车站施工等级划分采用五级划分法，严重程度由轻到重分为一级、二级、三级、四级和五级，结合PBA车站施工风险评估指标建立PBA车站施工风险状态水平集合：
Figure 337750DEST_PATH_IMAGE001
式中，v1表示可忽略不计，v2表示需要考虑，v3表示严重，v4表示非常严重，v5表示灾难性，I，II，III，IV，V为安全等级。
在一些实施例中，步骤二中，PBA车站施工的贝叶斯网络风险概率模型中，将影响准则层因素的各项指标的指标层作为父节点，将影响风险状态R的风险类别的准则层作为中间节点，将PBA车站施工风险状态R的目标层作为子节点。
在一些实施例中，步骤三中，采用专家调查法确定贝叶斯网络中各个父节点的先验概率、中间节点的条件概率以及子节点的后验概率，求出上层节点的边缘概率，单值化处理得到PBA车站施工的正向静态风险概率值，同风险量化结果即建立的PBA车站施工风险水平同风险概率值之间的量化表达进行对比，确定PBA车站施工静态风险概率水平。
在一些实施例中，步骤四中，现场工程监测数据为：
地表沉降：位移值S1、变形速率V1；
管线沉降：位移值S2、变形速率V2；
车站主体结构沉降：位移值S3、变形速率V3；
净空收敛：位移值S4、变形速率V4；
将位移值和变形速率监测数据作为观测值输入贝叶斯网络模型改变子节点的概率值，通过子节点的数据向下传递到中间节点和父节点更新贝叶斯网络模型，得到PBA车站施工动态风险概率评估结果，对风险概率评估结果进行单值化处理，得到PBA车站施工的动态风险概率值。
在一些实施例中，单值化处理公式为：
P=1•P(RP=1)+2•P(RP=2)+3•P(RP=3)+4•P(RP=4)+5•P(RP=5)；
式中，P为PBA车站施工的静态或动态风险概率值；P(RP=i)(i=1，2，3，4，5)为i级风险水平的概率。
在一些实施例中，步骤五中，采用多级模糊综合评价法，建立PBA车站施工风险损失综合评价模型，对风险损失进行综合评估，具体为：
(1)确定权重：
整合分析项目施工管理人员及专家提供的信息，基于层次分析法，确定各评价层的评估指标权重：
一级权重：WR={WA1 ，，WA2 ，，WA3 ，}；
其中，WR为准则层指标的权重向量，WAi ，为准则层指标对应权重；
二级权重：WA1={WB1，WB2，WB3}；WA2={WB4，WB5，WB6，WB7，WB8}；WA3={WB9，WB10，WB11，WB12，WB13，WB14}；
其中，WAi为指标层指标的权重向量，WBi为指标层指标对应权重；
(2)确定隶属度：
隶属度表示评价标准和因素之间的模糊关系，依据专家调查法确定隶属度取值，构建隶属度矩阵；
水文地质风险A1隶属度矩阵为：
Figure 51628DEST_PATH_IMAGE002
；
其中，r11、r12、r13、...r35为隶属度取值；
(3)建立模糊综合评价矩阵模型：
PBA车站施工风险综合评价为二级评价模型，一级模型为指标层模糊综合评价，二级模型为准则层模糊综合评价，具体为：
一级指标层模糊综合评价：CA1=WA1•RA1，CA2=WA2•RA2，CA3=WA3•RA3；
其中，CAi为一级指标层综合评价向量，WAi为指标层指标的权重向量，RAi为指标层指标的隶属向量；
二级准则层模糊综合评价：CR=WR•(CA1，CA2，CA3)T；
其中，CR为二级准则层综合评价向量，WR为准则层指标的权重向量；
(4)确定PBA车站施工风险损失值：
对二级准则层综合评价向量CR进行单值化处理，得到PBA车站施工目标层风险损失值：
L=(1•c 1+2•c 2+3•c 3+4•c 5+5•c 5)/(c 1+c 2+c 3+c 4+c 5)；
式中，L为PBA车站施工的风险损失值；ci(i=1，2，3，4，5)为二级准则层评价结果CR中的取值。
在一些实施例中，步骤六中，定义PBA车站施工动态总风险：
R=P•L；
式中，R为PBA车站施工的总风险值，P为PBA车站施工的风险概率值，L为PBA车站施工的风险损失值。
在一些实施例中，将PBA车站施工得到的总风险值R同总风险量化结果即建立的PBA车站施工总风险水平同总风险值R之间的量化表达进行对比，确定PBA车站施工风险程度和风险水平，实现动态评估。
本发明相对于现有技术的有益效果是：本发明提出一种基于动态模糊综合贝叶斯网络的PBA车站施工风险评估方法，该方法基于贝叶斯网络将因果性知识和概率性知识相结合，计算风险概率，依据监测结果实现动态更新；基于模糊综合评价对风险损失程度进行评价；综合两方面评估结果，实现对PBA车站施工风险的科学可靠的动态评估，保证了评估结果的时效性，提前预测施工风险水平，确保安全施工。为PBA车站施工的动态风险评估、确定风险水平、指导实际施工提供了一种新的参考方法。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容涵盖的范围内。
图1为本发明一个实施例的PBA车站施工风险评估体系；
图2为本发明一个实施例的贝叶斯网络风险概率模型；
图3为本发明一个具体实施例的PBA车站施工风险评估体系；
图4为本发明一个具体实施例的贝叶斯网络风险概率评估模型；
图5为本发明一个具体实施例的贝叶斯网络更新模型；
图6为本发明一个具体实施例的动态风险概率变化曲线图；
图7为本发明一个具体实施例的动态总风险水平变化曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明实施例作进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
应当理解，术语“包括/包含”、“由……组成”或者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产品、设备、过程或方法不仅包括那些要素，而且需要时还可以包括没有明确列出的其他要素，或者是还包括为这种产品、设备、过程或方法所固有的要素。在没有更多限制的情况下，由语句“包括/包含……”、“由……组成”限定的要素，并不排除在包括所述要素的产品、设备、过程或方法中还存在另外的相同要素。
还需要理解，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置、部件或结构必须具有特定的方位、以特定的方位构造或操作，不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
随着计算机的发展，贝叶斯网络、神经网络等方法被逐渐引入到风险评估中。由于PBA法修建地铁车站的复杂性，易受多种因素影响，其风险状态动态模糊不定，而贝叶斯网络在推理演绎动态不确定因素方面具有独特的优势，加上模糊综合评价中模糊数学的方法更适用于具有不确定性的风险状态的评估，二者将风险概率同风险损失后果相结合，对PBA地铁车站的动态施工风险评估具有很好的适用性。
一方面，对于复杂系统中风险事件之间的耦合及概率关系评估，贝叶斯网络(BN)具有显著优势，贝叶斯网络利用条件概率来表示因果关系，适合表示各种不确定场景且能灵活地用新提供的数据更新概率。另一方面，对于工程领域中最常见的稳定性、安全性等易受多种不确定因素影响的问题，模糊综合评价(FCEM)具有很好的适用性。
因此，本发明基于贝叶斯网络将因果性知识和概率性知识相结合，计算风险概率，依据监测结果实现动态更新；基于模糊综合评价对风险损失程度进行评价；本发明综合两方面评估结果，实现对PBA车站施工风险的科学可靠的动态评估。该方法保证了评估结果的时效性，提前预测施工风险水平，确保安全施工。
以下结合较佳的实施方式对本发明的实现进行详细的描述。
本发明提出一种基于动态模糊综合贝叶斯网络的PBA车站施工风险评估方法，具体包括如下步骤：
步骤一：识别PBA车站施工风险因素，建立PBA车站施工风险评估体系；
步骤二：基于PBA车站施工风险评估体系构建PBA车站施工的贝叶斯网络风险概率模型；
步骤三：利用所述贝叶斯网络风险概率模型进行正向静态概率推理，确定PBA车站施工静态风险概率水平；
步骤四：结合现场工程监测数据，利用贝叶斯网络进行反向动态概率推理，得到PBA车站施工动态风险概率值；
步骤五：根据PBA车站施工风险评估体系建立PBA车站施工风险损失综合评价模型，对风险损失进行模糊综合评价，得到PBA车站施工风险损失值；
步骤六：结合PBA车站施工动态风险概率值和PBA车站施工风险损失值，进行PBA车站施工动态风险总评估。
显然可见，本发明的评估方法将动态贝叶斯网络和模糊综合评价法相结合，实现动态总评估。该方法既利用了贝叶斯网络模型推理演绎不确定因素的优势，也结合了模糊评价处理不确定风险的特点，通过将风险事件发生概率与损失后果两方面融合，对风险成因进行解释，使风险评价更为准确，为实际风防范提供依据。
步骤一中，参考风险分类辨识的方法，并基于PBA工法施工特点，结合近年来北京PBA地铁车站的工程项目数据，从水文地质风险、周边环境风险、施工技术风险三方面进行PBA车站施工风险因素识别，选取这三类风险作为PBA车站施工风险评估指标。确定施工风险评估指标后，需进一步建立PBA车站施工风险评估指标体系。
参见图1，依据层次分析法把影响PBA车站施工风险状态的评价指标分为三层：目标层、准则层和指标层，目标层由评估目标构成；准则层由风险类别组成；指标层由影响准则层因素的各项指标构成。
进一步的，继续参见图1，目标层为PBA车站施工风险状态，用R表示。
准则层由影响风险状态R的风险类别组成，包括：水文地质风险A1、周边环境风险A2、施工技术风险A3。
指标层由影响准则层因素的各项指标组成，其中，水文地质风险A1对应指标包括：地层情况B1、地下水影响B2，上覆土深度B3；周边环境风险A2对应指标包括：临近建筑物B4、临近管线B5、临近道路B6、临近既有站B7、下穿既有线B8；施工技术风险A3对应指标包括：降水施工B9、竖井和横通道施工B10、导洞开挖B11、桩梁柱体系施工B12、初支二衬扣拱施工B13、主体开挖结构施工B14。
应当理解，指标层中包含的各项指标是考虑现有工程数据后总结的影响准则层因素的所有指标，对于具体工程而言，应该根据实际施工条件选取实际指标建立对应的PBA车站施工风险评估体系。
在一些实施例中，需要依据PBA车站施工风险评估体系，构建风险评价因素集，以进一步构建评估体系。构建风险评价因素集如下：
一级评价因素集A为：
A={A1，A2，A3}
其中，A1表示水文地质风险，A2表示周边环境风险，A3表示施工技术风险；
二级评价因素集为：
A1={B1，B2，B3}
其中，B1表示地层情况、B2表示地下水影响，B3表示上覆土深度；
A2={B4，B5，B6，B7，B8}
其中，B4表示临近建筑物、B5表示临近管线、B6表示临近道路、B7表示临近既有站、B8表示下穿既有线；
A3={B9，B10，B11，B12，B13，B14}
其中，B9表示降水施工、B10表示竖井和横通道施工、B11表示导洞开挖、B12表示桩梁柱体系施工、B13表示初支二衬扣拱施工、B14表示主体开挖结构施工。
在一些实施例中，结合PBA车站施工风险评估指标，依据轨道交通地下工程建设风险管理规范(GB50652-2011)中对于风险的五级划分法，建立PBA车站施工风险状态水平集合：
Figure 831365DEST_PATH_IMAGE003
风险水平的严重程度由轻到重分为一级、二级、三级、四级和五级，其中，v1表示可忽略不计，v2表示需要考虑，v3表示严重，v4表示非常严重，v5表示灾难性，I，II，III，IV，V为安全等级。
步骤二中，依据建立的PBA车站施工风险评估体系，构建如图2所示的PBA车站施工的贝叶斯网络风险概率模型，PBA车站施工的贝叶斯网络风险概率模型中，将影响准则层因素的各项指标的指标层作为父节点，将影响风险状态R的风险类别的准则层作为中间节点，将PBA车站施工风险状态R的目标层作为子节点。
较佳的，中间节点包括A1、A2和A3，其中，A1表示水文地质风险，A2表示周边环境风险，A3表示施工技术风险；
A1对应的父节点包括B1、B2、B3，其中，B1表示地层情况、B2表示地下水影响，B3表示上覆土深度；
A2对应的父节点包括B4、B5、B6，B7，B8，其中，B4表示临近建筑物、B5表示临近管线、B6表示临近道路、B7表示临近既有站、B8表示下穿既有线；
A3对应的父节点包括B9、B10、B11，B12，B13，B14，其中，B9表示降水施工、B10表示竖井和横通道施工、B11表示导洞开挖、B12表示桩梁柱体系施工、B13表示初支二衬扣拱施工、B14表示主体开挖结构施工。
步骤三中，正向静态概率推理具体包括：
（1）确定父节点的先验概率和中间节点的条件概率分布
对风险水平赋值为集合{1，2，3，4，5}，基于专家调查法，对收集到的数据进行整理和分析，确定贝叶斯网络中各个父节点风险因素的先验概率，然后构建中间节点的条件概率分布。
（2）正向静态风险概率推理
利用贝叶斯公式，依据节点间的因果关系，可由父节点的先验概率和中间节点的条件概率分布求解出子节点的后验概率，从而求出上层节点的边缘概率，即P(RP=1)、P(RP=2)、P(RP=3)、P(RP=4)和P(RP=5)的概率值，其中，P(RP=i)(i=1，2，3，4，5)为i级风险水平的概率。
（3）确定正向静态风险概率水平
将求解的风险概率同工程风险水平建立对应关系，对建立的PBA车站施工风险状态水平集合进行赋值，对v1、v2、v3、v4、v5分别赋值1、2、3、4、5，然后对风险概率评估结果进行单值化处理，得到PBA车站施工的正向静态风险概率值。
单值化处理公式为：
P=1•P(RP=1)+2•P(RP=2)+3•P(RP=3)+4•P(RP=4)+5•P(RP=5)
将求得的P值同表1所示的风险量化结果即建立的PBA车站施工风险水平同风险概率值之间的量化表达进行对比，确定PBA车站施工静态风险概率水平。
表1 风险量化结果
风险水平 风险程度 风险值
Ⅰ 可忽略不计 1.0~1.8
Ⅱ 需要考虑 1.8~2.6
Ⅲ 严重 2.6~3.4
Ⅳ 非常严重 3.4~4.2
Ⅴ 灾难性 4.2~5.0
本发明依据指标层父节点先验概率、准则层中间节点和目标层子节点条件概率，基于贝叶斯公式进行正向静态概率的推理计算，进而确定当前静态风险概率水平。
应当理解，静态风险概率值是我们通过专家调查法得到的理论上的风险概率值，且正向静态的贝叶斯网络也是为动态风险评估提供基础和基本模型，依据监测数据更新的动态风险是需要在正向静态的贝叶斯网络基础上实现更新的。这样便于施工单位提前了解风险概率，制定风险预案，降低风险发生概率。
步骤四中，结合现场监控量测的需求，掌握围岩、支护结构、地表及临近管线的动态，及时预测和反馈，调整方案，指导施工。
较佳的，地表沉降：位移值S1、变形速率V1；管线沉降：位移值S2、变形速率V2；车站主体结构沉降：位移值S3、变形速率V3；净空收敛：位移值S4、变形速率V4，将8个监测指标加入贝叶斯网络中，作为观测节点。
本发明将位移值和变形速率监测数据作为观测值输入贝叶斯网络模型改变子节点的概率值，通过子节点的数据向下传递到中间节点和父节点更新贝叶斯网络模型，得到PBA车站施工动态风险概率评估结果，对风险概率评估结果进行单值化处理，得到PBA车站施工的动态风险概率值。
应当理解，这里的单值化处理公式和得到的静态风险概率值所用的公式相同，只是一个对应的是正向静态过程求得的概率值，另一个是依据观测数据动态的改变反向求得的概率值。
贝叶斯网络的优点就是能够随时依据最新的调查信息对网络结构和参数进行动态修改，本发明利用贝叶斯网络能进行自主学习的特点，将新产生的监测信息与先验概率融合，进行网络结构和参数的实时更新，实现风险的反向动态预测和评估，从而提高概率推理的时效性和准确性。依据每天的工程监测数据，输入相应的调查结果，实现反向的动态概率推理，动态更新施工风险评估结果。
步骤五中，基于构建的PBA车站施工风险评估体系，采用多级模糊综合评价法，建立PBA车站施工风险损失综合评价模型，对风险损失进行综合评估，具体为：
(1)确定权重：
通过整合分析项目施工管理人员及专家提供的信息，基于层次分析法(AHP)确定各评价层的评估指标权重：
一级权重：WR={WA1 ，，WA2 ，，WA3 ，}；
其中，WR为准则层指标的权重向量，WAi ，为准则层指标对应权重；
二级权重：WA1={WB1，WB2，WB3}；WA2={WB4，WB5，WB6，WB7，WB8}；WA3={WB9，WB10，WB11，WB12，WB13，WB14}；
其中，WAi为指标层指标的权重向量，WBi为指标层指标对应权重；
(2)确定隶属度：
隶属度表示评价标准和因素之间的模糊关系，依据专家调查法确定隶属度取值，构建隶属度矩阵；
以水文地质风险A1为例，隶属度矩阵表如下：
Figure 960995DEST_PATH_IMAGE004
其中，r11、r12、r13、...r35为隶属度取值；
(3)建立模糊综合评价矩阵模型：
PBA车站施工风险综合评价为二级评价模型，一级模型为指标层模糊综合评价，二级模型为准则层模糊综合评价，具体为：
一级指标层模糊综合评价：CA1=WA1•RA1，CA2=WA2•RA2，CA3=WA3•RA3；
其中，CAi为一级指标层综合评价向量，WAi为指标层指标的权重向量，RAi为指标层指标的隶属向量；
二级准则层模糊综合评价：CR=WR•(CA1，CA2，CA3)T；
其中，CR为二级准则层综合评价向量，WR为准则层指标的权重向量；
(4)确定PBA车站施工风险损失值：
为了进一步确保PBA车站施工风险评估结果的准确性和科学性，需要将求解的风险损失同工程风险水平建立对应的关系，参照风险概率求解过程对风险损失评估结果进行单值化处理，即对二级准则层综合评价向量CR进行单值化处理，得到PBA车站施工目标层风险损失值：
L=(1•c 1+2•c 2+3•c 3+4•c 5+5•c 5)/(c 1+c 2+c 3+c 4+c 5)
式中，L为PBA车站施工的风险损失值；ci(i=1，2，3，4，5)为二级准则层评价结果CR中的取值。
进一步的，风险损失值只是一种风险的量化表达，需要将具体的风险水平用等级的形式表现出来，因此将计算得到的风险损失值同上述表1进行对比，能够更加直观地确定风险损失对应的风险水平。
应当理解，上述表1是PBA车站施工风险水平同风险概率值及风险损失值之间的量化表达，是基于风险评价法(PH法)和风险值划分方法建立的，风险值最大值为5，最小值为1。
步骤六中，基于构建的动态模糊综合贝叶斯网络模型，一方面考虑风险事故的概率问题，另一方面考虑安全评价中风险的后果损失问题，进行总风险评估。
定义PBA车站施工动态总风险：
R=P•L
式中，R为PBA车站施工的总风险值，P为PBA车站施工的风险概率值，L为PBA车站施工的风险损失值。
应当理解，本发明中的P是PBA车站施工的风险概率值的统称，可以代表不同的静态或动态风险概率值。
结合不同工程施工案例进行求解可以得出风险值R最大值为25，最小值为1，建立PBA车站施工总风险水平同总风险值R之间的量化表达，量化结果如表2所示。
表2 总风险量化结果
风险水平 风险程度 风险值
Ⅰ 可忽略不计 1.00~3.24
Ⅱ 需要考虑 3.24~6.76
Ⅲ 严重 6.76~11.56
Ⅳ 非常严重 11.56~17.64
Ⅴ 灾难性 17.64~25.00
进一步的，将PBA车站施工得到的总风险值R同表2进行对比，可以确定PBA车站施工风险程度和风险水平，为施工方的施工提供安全预警，确保施工的安全进行，实现动态评估。
本发明通过对PBA车站施工风险因素的识别和重点分析，建立了PBA车站施工的风险评估体系，进而构建了PBA车站施工的贝叶斯网络风险概率模型，利用贝叶斯网络(BN)评估正向静态风险概率水平，并结合位移值及变形速率监测数据，进行反向动态概率的更新推理；利用模糊综合评价法评估风险损失水平，打破了传统中仅仅考虑地下空间风险的概率，而忽视了风险的后果的问题。这两种方法的结合充分考虑了多方面风险因素作用，量化评估结果，建立了科学时效的动态风险评估模型。
工程案例
以北京某地铁车站为例，依据工程实际施工风险因素分析结果，调整图1中的PBA车站施工风险评估体系，建立如图3所示的北京某地铁车站施工风险评估体系。
进一步的，确定贝叶斯网络父节点先验概率和中间节点的条件概率分布，对风险水平赋值为集合{1，2，3，4，5}，基于专家调查法，对收集到的数据进行整理和分析，得到每个父节点风险因素的先验概率。
应当理解，根据专家调查法只能得到父节点风险因素的先验概率，中间节点风险因素的条件概率和子节点风险因素的后验概率需要通过对父节点风险因素的先验概率结果进行推算得到。
选取父节点B1、B2和B3风险因素先验概率，中间节点A1和子节点RP的部分条件概率分布，如下表3、表4、表5所示。
表3 父节点B 1~ B 3风险因素先验概率
Figure 696739DEST_PATH_IMAGE005
表4 中间节点A 1条件概率
Figure 50360DEST_PATH_IMAGE006
表5 子节点P条件概率
Figure 51814DEST_PATH_IMAGE007
依据指标层父节点先验概率、准则层中间节点和目标层子节点条件概率，基于贝叶斯公式进行正向静态概率的推理计算。可通过NETICA软件构建多态模糊贝叶斯进度网络，如图4所示，以风险概率为Ⅰ级时为例：
Figure 250714DEST_PATH_IMAGE008
进一步可得出该车站施工风险概率水平为Ⅱ级、Ⅲ级、Ⅳ级及Ⅴ级时的概率分别为：
P(RP=2)=0.307，P(RP=3)=0.238，P(RP=4)=0.106，P(RP=5)=0.058。
进一步对子节点目标层风险概率评估结果进行单值化处理，得到PBA车站施工的正向静态风险概率值：
P=[1•P(RP=1)+2•P(RP=2)+3•P(RP=3)+4•P(RP=4)+5•P(RP=5)]=(1×0.291+2×0.307+3×0.238+4×0.106+5×0.058)=2.333。
将得到的正向静态风险概率值同上述表1进行对比，评价结果表明：该车站施工静态风险概率水平为Ⅱ级，需要考虑风险发生的概率。
进一步的，结合车站现场监控量测的需求，将地表沉降：位移值S1、变形速率V1；管线沉降：位移值S2、变形速率V2；车站主体结构沉降：位移值S3、变形速率V3；净空收敛：位移值S4、变形速率V4，共8个监测指标加入贝叶斯网络中，作为观测节点。
按现场监测成果的黄、橙、红三级警戒状态控制指标值，并参考城市轨道交通工程监测技术规范(GB50911-2013)，将现场测点位移值及变形速率划分为五个风险水平，如表6所示。
表6 位移值和变形速率风险水平
Figure 591696DEST_PATH_IMAGE009
应当理解，表6是对8个监测数据进行的风险水平划分，通过表6就可以依据监测数据来确定这8个观测节点的风险等级，进而确定观测节点所属的风险水平。
选取4月22日-5月5日这个施工时间段，划分为14个时间片，分析该施工时间段下车站的动态风险概率。将沉降位移值和变形速率监测数据作为观测值输入贝叶斯网络模型，对风险概率评估结果实现动态更新。更新后的贝叶斯网络模型如图5所示，通过改变观测节点的状态值，可对风险概率实现动态更新。该时间段内的动态风险概率变化和风险概率值如图6所示。
应当理解，观测节点的状态值就是指8个监测数据各自处于哪一种风险水平，贝叶斯网络的8个节点是需要确定自身所处的风险水平，才能对子节点、中间节点及父节点实现反向更新的。
参见图6，4月23日前，车站处于Ⅱ级风险水平的概率还较高，可认为高级别风险发生概率较低，但仍需要考虑；但从4月23日起，车站Ⅳ、Ⅴ级风险概率突然上升，低级别风险概率下降，风险概率值增大，表明高级别风险发生的可能性升高。同时施工方发现位移值和变形速率增大，随即安排巡检，通过巡查发现，车站初支扣拱下穿通道西侧墙，此处累计沉降量已处于超标状态。施工单位立刻封闭掌子面，暂停施工，并细化初支扣拱下穿通道的注浆措施，实施现场安全补救，并进一步加强监测，密切关注动态风险变化趋势。4月26日后，低级别风险概率上升，高级别风险概率几乎消失，风险概率值逐渐减小至趋于稳定，风险概率值逐渐稳定在低级别风险水平，表明风险事故得到解决。这表明，建立的PBA车站动态贝叶斯网络模型可以对风险概率实现反向更新，并实时反映施工风险事故与风险概率之间的动态变化关系。
进一步的，对该车站的风险损失进行评估：
（1）确定权重
构造准则层对目标层的比较矩阵：
Figure 116219DEST_PATH_IMAGE010
对矩阵AR做归一化处理，得到准则层指标权重为WR=(0.162，0.529，0.309)；最大特征根λmax=3.012；CI=0.0058；n=3，取RI=0.58，计算得到一致性比例CR=0.010<0.1，通过一致性检验，说明该指标权重分配合理。
构造指标层对准则层的比较矩阵：
Figure 870548DEST_PATH_IMAGE011
Figure 341981DEST_PATH_IMAGE012
Figure 786737DEST_PATH_IMAGE013
经计算及检验，二级权重为WA1=(0.403，0.448，0.149)，WA2=(0.121，0.535，0.344)，WA3=(0.143，0.054，0.312，0.221，0.214，0.056)。
将影响车站的施工风险损失状态的各风险因素权重整理如表7所示。
表7 施工风险因素权重值
（2）
Figure 216582DEST_PATH_IMAGE014
（3）确定隶属度
依据不同的风险损失水平，确定隶属度的取值，建立相应的评价矩阵模型如下：
Figure 192628DEST_PATH_IMAGE015
Figure 998910DEST_PATH_IMAGE016
Figure 642381DEST_PATH_IMAGE017
（3）构建模糊综合评价矩阵模型
指标层对准则层的一级模糊综合评价模型：
C A1=W A1•R A1=(0.119，0.294，0.387，0.148，0.052)，
C A2=W A2•R A2=(0.046，0.191，0.421，0.249，0.093)，
C A3=W A3•R A3=(0.164，0.307，0.322，0.162，0.045)
准则层对目标层的二级模糊综合评价模型：
C R =W R •(C A1，C A2，C A3) T =(0.094，0.243，0.385，0.206，0.072)
（4）综合评价分析
对综合评价向量CR进行单值化处理，得到PBA车站施工目标层风险损失值：
L=(1c 1+2c 2+3c 3+4c 5+5c 5)/(c 1+c 2+c 3+c 4+c 5)=(1×0.094+2×0.243+3×0.385+4×0.206+5×0.072)/(0.094+0.243+0.385+0.206+0.072)=2.919
进一步的，将得到的风险损失值同上述表1进行对比，评价结果表明：PBA车站施工风险损失水平为Ⅲ级，若发生风险事故，则造成的风险损失处于严重级别。
进一步的，以4月22日-5月5日为例，分析该施工时间段下车站的动态总风险。依据总风险的计算式，计算该时间段下的PBA车站施工总风险值，并同上述表2进行对比，得到施工时间段下的动态总风险水平，如表8所示，动态总风险水平变化如图7所示。
表8 动态总风险水平
Figure 649651DEST_PATH_IMAGE018
参见图7，总风险值在4月23日前较低，风险水平整体可控；4月23日起总风险值迅速增大，处于Ⅳ级高风险水平，需要施工方进行紧急处理；4月30日后总风险水平逐渐平稳，并稳定于Ⅱ级低风险水平。该施工时间段内的风险动态变化与车站施工现场的风险预警情况基本吻合，也证明了风险评估的动态有效性。当车站风险水平发生不同程度的变化后，可依据最新的监测结果，更新贝叶斯网络模型，得到动态风险概率值，进而更新总风险状态，实现动态评估。
本发明通过对施工风险因素的识别和重点分析，建立PBA车站施工的风险评估体系，进而构建车站施工风险评估模型，利用贝叶斯网络(BN)评估正向静态风险概率水平，并结合位移值及变形速率监测数据，进行反向动态概率的更新推理；利用模糊综合评价法(FCEM)评估风险损失水平，打破传统中仅仅考虑地下空间风险的概率，而忽视了风险的后果的问题。两种方法的结合充分考虑多方面风险因素作用，量化评估结果，将有助于建立更科学时效的动态风险评估模型。
通过对PBA地铁车站施工风险评估的实例研究，表明风险动态变化评估结果与车站施工现场的风险预警情况基本吻合，验证了该方法的可行性。依据综合风险评价结果，可提前预测PBA车站施工动态风险水平，为施工方的施工提供安全预警，确保施工的安全进行，也为PBA车站施工的安全风险动态评估提供一种新的参考方法。
以上所述仅为本发明的较佳实施方式而已，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 (10)

1.基于动态模糊综合贝叶斯网络的PBA车站施工风险评估方法，其特征在于，包括如下步骤：
步骤一：识别PBA车站施工风险因素，建立PBA车站施工风险评估体系；
步骤二：基于PBA车站施工风险评估体系构建PBA车站施工的贝叶斯网络风险概率模型；
步骤三：利用所述贝叶斯网络风险概率模型进行正向静态概率推理，确定PBA车站施工静态风险概率水平；
步骤四：结合现场工程监测数据，利用贝叶斯网络进行反向动态概率推理，得到PBA车站施工动态风险概率值；
步骤五：根据PBA车站施工风险评估体系建立PBA车站施工风险损失综合评价模型，对风险损失进行模糊综合评价，得到PBA车站施工风险损失值；
步骤六：结合PBA车站施工动态风险概率值和PBA车站施工风险损失值，进行PBA车站施工动态风险总评估。
2.根据权利要求1所述的PBA车站施工风险评估方法，其特征在于：
步骤一中，选取水文地质风险、周边环境风险和施工技术风险三类风险因素作为PBA车站施工风险评估指标，依据层次分析法将影响PBA车站施工风险状态的评估指标分为目标层、准则层和指标层三层，其中：
目标层由评估目标构成；
准则层由风险类别组成；
指标层由影响准则层因素的各项指标构成。
3.根据权利要求2所述的PBA车站施工风险评估方法，其特征在于：
所述目标层为PBA车站施工风险状态R；
所述准则层由影响风险状态R的风险类别组成，包括：水文地质风险A1、周边环境风险A2、施工技术风险A3；
所述指标层中，水文地质风险A1对应指标包括：地层情况B1、地下水影响B2，上覆土深度B3；周边环境风险A2对应指标包括：临近建筑物B4、临近管线B5、临近道路B6、临近既有站B7、下穿既有线B8；施工技术风险A3对应指标包括：降水施工B9、竖井和横通道施工B10、导洞开挖B11、桩梁柱体系施工B12、初支二衬扣拱施工B13、主体开挖结构施工B14。
4.根据权利要求3所述的PBA车站施工风险评估方法，其特征在于：
步骤二中，PBA车站施工的贝叶斯网络风险概率模型中，将影响准则层因素的各项指标的指标层作为父节点，将影响风险状态R的风险类别的准则层作为中间节点，将PBA车站施工风险状态R的目标层作为子节点。
5.根据权利要求4所述的PBA车站施工风险评估方法，其特征在于：
步骤三中，采用专家调查法确定贝叶斯网络中各个父节点的先验概率、中间节点的条件概率以及子节点的后验概率，求出上层节点的边缘概率，单值化处理得到PBA车站施工的正向静态风险概率值，同风险量化结果即建立的PBA车站施工风险水平同风险概率值之间的量化表达进行对比，确定PBA车站施工静态风险概率水平。
6.根据权利要求5所述的PBA车站施工风险评估方法，其特征在于：
步骤四中，现场工程监测数据为：
地表沉降：位移值S1、变形速率V1；
管线沉降：位移值S2、变形速率V2；
车站主体结构沉降：位移值S3、变形速率V3；
净空收敛：位移值S4、变形速率V4；
将位移值和变形速率监测数据作为观测值输入贝叶斯网络模型改变子节点的概率值，通过子节点的数据向下传递到中间节点和父节点更新贝叶斯网络模型，得到PBA车站施工动态风险概率评估结果，对风险概率评估结果进行单值化处理，得到PBA车站施工的动态风险概率值。
7.根据权利要求6所述的PBA车站施工风险评估方法，其特征在于：
单值化处理公式为：
P=1•P(RP=1)+2•P(RP=2)+3•P(RP=3)+4•P(RP=4)+5•P(RP=5)
式中，P为PBA车站施工的静态或动态风险概率值；P(RP=i)(i=1，2，3，4，5)为i级风险水平的概率。
8.根据权利要求2所述的PBA车站施工风险评估方法，其特征在于：
步骤五中，采用多级模糊综合评价法，建立PBA车站施工风险损失综合评价模型，对风险损失进行综合评估，具体为：
确定权重：
整合分析项目施工管理人员及专家提供的信息，基于层次分析法，确定各评价层的评估指标权重：
一级权重：WR={WA1 ，，WA2 ，，WA3 ，}；
其中，WR为准则层指标的权重向量，WAi ，为准则层指标对应权重；
二级权重：WA1={WB1，WB2，WB3}；WA2={WB4，WB5，WB6，WB7，WB8}；WA3={WB9，WB10，WB11，WB12，WB13，WB14}；
其中，WAi为指标层指标的权重向量，WBi为指标层指标对应权重；
确定隶属度：
隶属度表示评价标准和因素之间的模糊关系，依据专家调查法确定隶属度取值，构建隶属度矩阵；
水文地质风险A1隶属度矩阵为：
Figure DEST_PATH_IMAGE001
其中，r11、r12、r13、...r35为隶属度取值；
建立模糊综合评价矩阵模型：
PBA车站施工风险综合评价为二级评价模型，一级模型为指标层模糊综合评价，二级模型为准则层模糊综合评价，具体为：
一级指标层模糊综合评价：CA1=WA1•RA1，CA2=WA2•RA2，CA3=WA3•RA3；
其中，CAi为一级指标层综合评价向量，WAi为指标层指标的权重向量，RAi为指标层指标的隶属向量；
二级准则层模糊综合评价：CR=WR•(CA1，CA2，CA3)T；
其中，CR为二级准则层综合评价向量，WR为准则层指标的权重向量；
确定PBA车站施工风险损失值：
对二级准则层综合评价向量CR进行单值化处理，得到PBA车站施工目标层风险损失值：
L=(1•c 1+2•c 2+3•c 3+4•c 5+5•c 5)/(c 1+c 2+c 3+c 4+c 5)
式中，L为PBA车站施工的风险损失值；ci(i=1，2，3，4，5)为二级准则层评价结果CR中的取值。
9.根据权利要求1所述的PBA车站施工风险评估方法，其特征在于：
步骤六中，定义PBA车站施工动态总风险：
R=P•L
式中，R为PBA车站施工的总风险值，P为PBA车站施工的静态或动态风险概率值，L为PBA车站施工的风险损失值。
10.根据权利要求9所述的PBA车站施工风险评估方法，其特征在于：
将PBA车站施工得到的总风险值R同总风险量化结果即建立的PBA车站施工总风险水平同总风险值R之间的量化表达进行对比，确定PBA车站施工风险程度和风险水平，实现动态评估。
CN202211520272.5A 2022-11-30 2022-11-30 基于动态模糊综合贝叶斯网络的pba车站施工风险评估方法 Active CN115630752B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211520272.5A CN115630752B (zh) 2022-11-30 2022-11-30 基于动态模糊综合贝叶斯网络的pba车站施工风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211520272.5A CN115630752B (zh) 2022-11-30 2022-11-30 基于动态模糊综合贝叶斯网络的pba车站施工风险评估方法

Publications (2)

Publication Number Publication Date
CN115630752A true CN115630752A (zh) 2023-01-20
CN115630752B CN115630752B (zh) 2023-03-31

Family

ID=84909885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211520272.5A Active CN115630752B (zh) 2022-11-30 2022-11-30 基于动态模糊综合贝叶斯网络的pba车站施工风险评估方法

Country Status (1)

Country Link
CN (1) CN115630752B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629614A (zh) * 2023-06-05 2023-08-22 北京城建设计发展集团股份有限公司 基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法
CN116629614B (zh) * 2023-06-05 2024-05-10 北京城建设计发展集团股份有限公司 基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521710A (zh) * 2011-12-22 2012-06-27 上海建科工程咨询有限公司 一种建筑施工质量安全在线风险评估系统
CN102521709A (zh) * 2011-12-22 2012-06-27 上海建科工程咨询有限公司 一种建筑施工质量安全在线风险管理系统
CN103077447A (zh) * 2013-01-24 2013-05-01 华中科技大学 一种基于贝叶斯网络的地铁施工安全管理决策方法
AU2021100448A4 (en) * 2021-01-24 2021-04-15 Center of Civil Engineering Testing , Huazhong University of Science and Technology Fuzzy Bayesian Network-based Method for Dynamic Evaluation and Control of Concrete Durability

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521710A (zh) * 2011-12-22 2012-06-27 上海建科工程咨询有限公司 一种建筑施工质量安全在线风险评估系统
CN102521709A (zh) * 2011-12-22 2012-06-27 上海建科工程咨询有限公司 一种建筑施工质量安全在线风险管理系统
CN103077447A (zh) * 2013-01-24 2013-05-01 华中科技大学 一种基于贝叶斯网络的地铁施工安全管理决策方法
AU2021100448A4 (en) * 2021-01-24 2021-04-15 Center of Civil Engineering Testing , Huazhong University of Science and Technology Fuzzy Bayesian Network-based Method for Dynamic Evaluation and Control of Concrete Durability

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵珍妮: "《 基于模糊综合贝叶斯网络的地铁盾构施工风险评价研究》" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116629614A (zh) * 2023-06-05 2023-08-22 北京城建设计发展集团股份有限公司 基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法
CN116629614B (zh) * 2023-06-05 2024-05-10 北京城建设计发展集团股份有限公司 基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法

Also Published As

Publication number Publication date
CN115630752B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
Cheng et al. Developing a risk assessment method for complex pipe jacking construction projects
Yan et al. Risk assessment for construction of urban rail transit projects
CN111042143B (zh) 一种基于大量监测数据分析的基坑工程预警方法和系统
Salman et al. Risk assessment of wastewater collection lines using failure models and criticality ratings
Wang et al. Application of artificial neural network in tunnel engineering: A systematic review
CN112100727B (zh) 一种断层破碎带影响下的富水隧道突水的预警防控方法
Malinowska A fuzzy inference-based approach for building damage risk assessment on mining terrains
CN108256172A (zh) 一种顶管下穿既有箱涵过程中险情预警预报方法
Zhang et al. Collapse risk analysis of deep foundation pits in metro stations using a fuzzy Bayesian network and a fuzzy AHP
CN106156343A (zh) 一种深基坑施工方案安全评审知识库以及自动安全评审方法
CN104766169B (zh) 一种地铁建设期间排水设施安全保护分级智能判定方法
Li et al. Real-time warning and risk assessment of tailings dam disaster status based on dynamic hierarchy-grey relation analysis
Ouma et al. Optimization of urban highway bypass horizontal alignment: a methodological overview of intelligent spatial MCDA approach using fuzzy AHP and GIS
Li et al. Emergency decision-making system for the large-scale infrastructure: a case study of the south-to-north water diversion project
Dawood et al. Ensemble intelligent systems for predicting water network condition index
Ba et al. Risk assessment method of drainage network operation based on fuzzy comprehensive evaluation combined with analytic network process
CN115630752B (zh) 基于动态模糊综合贝叶斯网络的pba车站施工风险评估方法
He et al. Integration of interpretive structural modeling with fuzzy Bayesian network for risk assessment of tunnel collapse
Nie et al. Diagnosis of critical risk sources in the operation safety of the central route project of South-to-North water diversion based on the improved FMEA method
Shirkhanloo Evaluation of Decision-Making Prediction Models for Sewer Pipes Asset Management
Mohammadi Development of condition prediction models for sanitary sewer pipes
CN116090696A (zh) 适用于山区铁路沿线的滑坡地质灾害风险分类预测方法
Liu et al. Risk control technology for water inrush during the construction of deep, long tunnels
Clair Development of a Novel Performance Index and a Performance Prediction Model for Metallic Drinking Water Pipelines
Xu et al. Fuzzy Logic Applications for Water Pipeline Performance Analysis

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