CN115879654B - 一种地下巷道稳定性预测和可靠性评价方法 - Google Patents
一种地下巷道稳定性预测和可靠性评价方法 Download PDFInfo
- Publication number
- CN115879654B CN115879654B CN202310198393.0A CN202310198393A CN115879654B CN 115879654 B CN115879654 B CN 115879654B CN 202310198393 A CN202310198393 A CN 202310198393A CN 115879654 B CN115879654 B CN 115879654B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- evaluation
- fahp
- risk
- gra
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 104
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 107
- 230000004927 fusion Effects 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 238000010998 test method Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 9
- 230000006872 improvement Effects 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 78
- 230000008569 process Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 5
- 238000009933 burial Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract 1
- 238000013210 evaluation model Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012502 risk assessment Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种地下巷道稳定性预测和可靠性评价方法，涉及地下工程安全技术领域。其评价方法包括：首先筛选提取影响地下巷道稳定性的风险因子，依据目标层、准则层和要素层构建地下巷道风险评价的递阶层次结构模型；然后通过对层次分析法的改进，构建衍生模糊层次算法模型，同时构建灰色关联分析算法模型；之后利用Kendall检验法对FAHP‑GRA算法融合度进行一致性检验；最终通过一致性检验之后，进行衍生模糊层次算法和灰色关联分析算法的融合，利用融合算子判别风险，从而实现风险管控。本发明实现了地下巷道稳定性“有效评价、快速诊断、精准预防”的目的。
Description
技术领域
本发明涉及地下工程安全技术领域，具体涉及一种地下巷道稳定性评价方法。
背景技术
地下巷道稳定性面临的环境更加复杂，地下巷道失稳看似由一个灾害因素引起，实为多种致灾因素耦合的结果，各种致灾因素的耦合使地下巷道维护成本大大提高，严重者将威胁工作人员的生命安全。现阶段工程管理人员在进行地下巷道风险等级评价时，主要是以工程类比法和主客观评估数据得出结论，缺乏系统性模型作为支撑，势必存在处理定性指标任意性、评估结果指导性不强的弊端。针对地下巷道潜在的风险问题，如何进行科学的快速风险评估，快速识别风险因子，提前预测风险程度，并采取对应的风险管控措施将灾害扼杀于萌芽之中，实现安全保供，是地下巷道稳定性评价急需解决的核心问题之一。
目前工程上一般依靠临近工程经验进行风险评价，或者采用多个单因素指标体系进行简单融合评价，均具有一定的局限性，无法从整体角度反映地下巷道的综合风险情况。由此可见，有必要提出一种快速、有效、精准评价地下巷道稳定性的方法。
发明内容
本发明的目的在于提供一种地下巷道稳定性预测和可靠性评价方法，其利用衍生模糊层次算法模型和灰色关联分析算法模型互补优势构建出FAHP-GRA双算法融合评价模型，为地下巷道稳定性快速诊断与精准维护提供依据。
为了实现上述目的，本发明采用了以下技术方案：一种地下巷道稳定性预测和可靠性评价方法，包括以下步骤：a、筛选提取影响地下巷道稳定性的风险因子，依据目标层、准则层和要素层构建地下巷道风险评价的递阶层次结构模型。
b、通过对层次分析法改进，构建FAHP模型，并同时构建GRA模型。FAHP模型的构建是将层次分析法和模糊综合评价法相结合的方式，首先确定影响地下巷道稳定性的各个风险因子的权重，然后采用所述的模糊综合评价法对各个风险因子的模糊指标进行演算处理。GRA模型的构建是采用多指标统计分析方法，以各个指标的信息数据为依据，通过关联度值来分析评价指标间的关联性。
c、根据Kendall检验法对FAHP-GRA算法融合度进行一致性检验。
d、当通过一致性检验后，进行FAHP算法和GRA算法的融合，获取融合算子，利用所述的融合算子进行风险判别，实现风险的管控；若一致性检验不通过，则返回步骤b再次构建FAHP模型，直至通过一致性检验。
上述技术方案直接带来的有益技术效果为：上述技术方案中，首先筛选提取影响地下巷道稳定性的风险因子，依据目标层、准则层和要素层构建地下巷道风险评价的递阶层次结构模型；然后通过对层次分析法的改进，构建衍生模糊层次算法（FAHP）模型，同时构建灰色关联分析算法（GRA）模型；其次根据Kendall检验法对FAHP-GRA算法融合度进行一致性检验；当通过了一致性检验后，进行FAHP算法和GRA算法的融合，获取融合算子。
上述技术方案作为一个整体来看，其主要是提供了一种地下巷道稳定性预测和可靠性评价方法，其不同于现有技术中的工程类比法和临近工程经验法。上述技术方案整体为地下巷道提供一种更具可信度的风险评价方法，其可快速、有效、精准评价地下巷道稳定性。
上述的一种地下巷道稳定性预测和可靠性评价方法，步骤a中，风险因子筛选需遵循的原则为：相对稳定性与绝对动态性相结合的原则、单一独立性原则、全面普遍性与定量定性原则、可甄别性原则、系统科学性原则；风险因子的筛选必须满足系统性和科学性的要求，科学性是风险评价中最基本的原则，需全方位考虑其是否具有科学性，并且能反映地下巷道的本质特征。
上述的一种地下巷道稳定性预测和可靠性评价方法，步骤b中对层次分析法改进是在构建好递阶层次结构模型的基础上，构造层次分析法判断矩阵，判断矩阵的构造是将层次分析结构中低层次的因素与高一级层次中的因素互相比较而形成的，所比较的元素对于某准则层的重要性即为权重；之后为层次分析法权数算列计算并检验，根据评价影响指标间的关联性，以存在同级关系的评价指标进行比较矩阵构造，将判断矩阵比例标度作为评价影响指标重要性的依据，通过比例标度法将评价影响指标数量化处理。
上述的一种地下巷道稳定性预测和可靠性评价方法，步骤a中，所述的目标层是用于分析问题的预定目标或理想结果，所述的准则层和要素层在目标层的基础上进一步构建，所述的递阶层次结构模型是由目标层、准则层和要素层组成的金字塔结构的模型。
上述的一种地下巷道稳定性预测和可靠性评价方法，步骤b中，GRA模型的关联度值的计算步骤为：首先确定风险因子判定矩阵，然后求解灰色关联系数，之后通过加权平均法计算关联度，最后判定参评风险等级。
上述的一种地下巷道稳定性预测和可靠性评价方法，步骤b中，衍生模糊层次算法（FAHP）最大优点是能够将各具模糊性的风险因子转化为一致性矩阵进行精准处理，算法过程中即完成一致性判定，使各准则层或要素层的评估值更快收敛。影响地下巷道稳定性的风险因素众多，并非整个准则层或者要素层的风险概念存在清晰划分，即存在一定模糊概念；为便于判断各模糊风险因子对地下巷道稳定性影响的数量级，对于无法清晰划分类别的模糊风险因子，采用[0,1]之间的数量值判断各模糊风险因子的隶属度；根据各个准则层对目标层求解计算得出评价层对目标层的最终评判值，依据大小顺序进行排序可以获取地下巷道评价体系中风险程度等级，数值越大，对应的风险等级越高。
上述的一种地下巷道稳定性预测和可靠性评价方法，步骤b中，灰色关联分析算法（GRA）模型是分析各信息因素关联程度的新型量化方法，根据评价目标信息间的异同发展态势进行关联性衡量，能够用来处理地下巷道风险评价中“小样本、贫信息和不确定”问题。
上述的一种地下巷道稳定性预测和可靠性评价方法，步骤c中，所述的Kendall检验法是为确保FAHP-GRA双算法融合后得出的新模型算法准确，通过协同系数
将FAHP-GRA双算法融合后评价结果与单算法结果进行一致性评定，具体包括以下步骤：首先建立数据库假设
：假设FAHP、GRA和FAHP-GRA算法不具有一致性；然后计算Kendall方法的协调程度
，计算公式如式（1）所示：
Kendall协同系数
求解：
式中：
为每个参评对象的秩之和；
为参评对象数；
为参与评价的算法数量。
最后根据协同系数获得Kendall法协调程度临界值
，当
时，推翻假设
，并认为FAHP、GRA和FAHP-GRA算法具有一致性。
上述的一种地下巷道稳定性预测和可靠性评价方法，步骤d中，融合算子是FAHP-GRA融合后的结果，即：将FAHP算法最终得出的权重值引入到GRA算法的关联度求解过程中，将两者的算法结果进行融合，融合算子如式（3）所示：
式（3）中：
为第
个参评对象的第
个指标权数值；
为参评对象的关联度。
融合算子将主观权重与客观关联度相结合得到综合风险度，综合风险度的数值越大表明风险等级越高，需采取更加严格的风险管控措施。
上述的一种地下巷道稳定性预测和可靠性评价方法，步骤a中风险因子主要包括地质构造影响、弱支护、大跨度断面、岩层属性情况、埋深、倾角、巷道围岩情况以及临近工程影响。
上述的一种地下巷道稳定性预测和可靠性评价方法，其特征在于：FAHP模型的构建步骤为：首先假设模糊风险因子的权重集，其次构造FAHP一致矩阵，最后对模糊综合算法进行评判并完成对FAHP模型的构建。
与现有技术相比，本发明带来了以下有益技术效果：（1）本发明提出一种地下巷道稳定性预测和可靠性评价方法，在该方法中，采用了FAHP-GRA算法融合方法对地下巷道的稳定性进行评价，主客观评价值分别由衍生模糊层次算法、灰色关联分析算法确定，将主观权重与客观关联度相结合得到最后的综合权重，由于引入了FAHP算法各个指标的权重值，使GRA算法得用评价结果要较加权平均法更为准确合理，既能充分发挥FAHP算法有效处理定性、定量复杂数据的能力，又能利用GRA算法准确预测功能的优势，非常适合涉及多因素（地质、环境、工程等因素）、多指标、多层次的风险判断决策问题。（2）本发明利用Kendall检验法对FAHP算法和GRA算法进行融合度检验，Kendall检验法可较好适用于评价模型融合前后的对比检验，将参评对象的评价结果进行秩排序并通过求和算法完成多指标的差异性检验。通过Kendall运算公式对评价模型融合前和融合后的结果进行一致性判定，提高了地下巷道稳定性评价的准确性。
附图说明
下面结合附图对本发明做进一步说明：图1为本发明基于融合算法的评价流程图；图2为本发明实施例地下巷道风险评价递阶层次指标体系框图。
具体实施方式
本发明提出了一种地下巷道稳定性预测和可靠性评价方法，为了使本发明的优点、技术方案更加清楚、明确，下面结合具体实施例对本发明做进一步说明。
本发明的主要技术构思在于：针对地下巷道潜在性和模糊性风险难于被量化预判的问题，在分析地下巷道存在的风险类型和风险影响机理的基础上，对风险孕育起到关键作用的风险因子进行初步筛选，根据衍生模糊层次算法清晰层次性与灰色关联分析算法模糊包容性的特点，构建双算法融合模型并进行检验，根据风险评价结果采取对应的风险管控措施。与现有技术相比，本发明地下巷道稳定性的评价方法提供一种更具可信度的风险评价方法，并且将主观性和客观性相互结合，摆脱了评估结果指导性不强的弊端。
结合图1和图2所示，一种地下巷道稳定性预测和可靠性评价方法，包括以下步骤：a、筛选提取影响地下巷道稳定性的风险因子，依据目标层、准则层和要素层构建地下巷道风险评价的递阶层次结构模型。
构建递阶层次结构模型具体包括以下步骤：首先将地下巷道风险因子进行划分并建立一级指标（目标层），一般是分析问题的预定目标或理想结果。其次，在一级指标的基础上，综合考虑一级指标的各个特点，进一步构建必要的二级指标（准则层）和三级指标（要素层），使各指标能够精确反映地下巷道风险评价模型的整体关联性。地下巷道风险因子的筛选需遵循的原则为：相对稳定性与绝对动态性相结合的原则、单一独立性原则、全面普遍性与定量定性原则、可甄别性原则、系统科学性原则；风险因子的筛选必须满足系统性和科学性的要求，科学性是风险评价中最基本的原则，需全方位考虑其是否具有科学性，并且能反映地下巷道的本质特征。如图2所示目标层、准则层和要素层构成一个金字塔模型。
b、通过对层次分析法改进，构建FAHP模型，并同时构建GRA模型。FAHP模型的构建是将层次分析法和模糊综合评价法相结合的方式，首先确定影响地下巷道稳定性的各个风险因子的权重，然后采用所述的模糊综合评价法对各个风险因子的模糊指标进行演算处理。GRA模型的构建是采用多指标统计分析方法，以各个指标的信息数据为依据，通过关联度值来分析评价指标间的关联性。
上述对层次分析法改进，是在构建衍生模糊层次模型（FAHP）前，需对层次分析法（AHP）算法进行设计；建立递阶层次结构是层次分析法的第一步，通过分析地下巷道内在各指标间的联系和结构，并把这种结构划分成若干层，以此构建一个由目标层、准则层和要素层的金字塔模型，即地下巷道风险评价的递阶层次结构模型；第二步为构造AHP判断矩阵，判断矩阵的构造是将层次分析结构中低层次的因素与高一级层次中的因素互相比较而形成的，所比较的元素对于某准则层的重要性即为权重；第三步为AHP权数算列计算并检验，根据评价影响指标间的关联性，以存在同级关系的评价指标进行比较矩阵构造，将判断矩阵比例标度作为评价影响指标重要性的依据，通过比例标度法将评价影响指标数量化处理。
衍生模糊层次算法（FAHP）最大优点是能够将各具模糊性的风险因子转化为一致性矩阵进行精准处理，算法过程中即完成一致性判定，使各准则层或要素层的评估值更快收敛。影响地下巷道稳定性的风险因素众多，并非整个准则层或者要素层的风险概念存在清晰划分，即存在一定模糊概念；为便于判断各模糊风险因子对地下巷道稳定性影响的数量级，对于无法清晰划分类别的模糊风险因子，采用[0,1]之间的数量值判断各模糊风险因子的隶属度；根据各个准则层对目标层求解计算得出评价层对目标层的最终评判值，依据大小顺序进行排序可以获取地下巷道评价体系中风险程度等级，数值越大，对应的风险等级越高。
灰色关联分析算法（GRA）模型是分析各信息因素关联程度的新型量化方法，根据评价目标信息间的异同发展态势进行关联性衡量，能够用来处理地下巷道风险评价中“小样本、贫信息和不确定”问题，灰色关联度的计算具体包括以下步骤：确定风险因子判定矩阵；求解灰色关联系数；通过加权平均法计算关联度；判定参评风险等级。
c、根据Kendall检验法对FAHP-GRA算法融合度进行一致性检验。Kendall检验法是为确保FAHP-GRA双算法融合后得出的新模型算法准确，通过协同系数
将FAHP-GRA双算法融合后评价结果与单算法结果进行一致性评定，具体包括以下步骤：首先建立数据库假设
：假设FAHP、GRA和FAHP-GRA算法不具有一致性；然后计算Kendall方法的协调程度
，计算公式如式（1）所示：
Kendall协同系数
求解：
式中：
为每个参评对象的秩之和；
为参评对象数；
为参与评价的算法数量。
最后根据协同系数获得Kendall法协调程度临界值
，当
时，推翻假设
，并认为FAHP、GRA和FAHP-GRA算法具有一致性。
d、当通过一致性检验后，进行FAHP算法和GRA算法的融合，获取融合算子，利用所述的融合算子进行风险判别，实现风险的管控；若一致性检验不通过，则返回步骤b再次构建FAHP模型，直至通过一致性检验。
融合算子是FAHP-GRA融合后的结果表示，即将FAHP算法最终得出的权重值引入到GRA算法的关联度求解过程中，将两者的算法结果进行融合，融合算子如式（3）所示：
式（3）中：
为第
个参评对象的第
个指标权数值；
为参评对象的关联度。
融合算子将主观权重与客观关联度相结合得到综合风险度，数值越大表明风险等级越高，需采取更加严格的风险管控措施。
下面结合具体实施例进一步说明。
实施例1：步骤一、首先开地下巷道基本情况调查，为“地下巷道风险评估模型”提供信息样本，调查范围分为两部分，其中第一部分为地质情况和煤岩层力学特性情况调查，第二部分为压力显现调查和巷道支护技术及参数调查；其次对地下巷道的风险因子进行筛选，主要的致灾风险因素包括地质构造影响、弱支护、大跨度断面、岩层属性情况、埋深、倾角、巷道围岩情况、临近工程影响8个方面，在此基础上构建地下巷道递阶层次结构，并做出地下巷道风险评价递阶层次指标体系（如图2）。
步骤二、采用主观赋值法来确定地下巷道风险评价指标权重，通过构建AHP判断矩阵和AHP权数算列构建出层次分析算法，将其与模糊综合评价结合，先确定影响地下巷道稳定性各风险因子的权重，再用模糊综合评价法对风险因子的模糊指标进行演算处理，根据构造FAHP一致矩阵和模糊综合算法评判的步骤完成FAHP模型构建，通过模糊判断矩阵解析出要素层对准则层的权重集
。在地下巷道稳定性评价中，模糊无法量化的指标因子允许赋值评分获取。在
个参评目标中，每个参评目标存在
个指标因子，可将该问题转化为参评值矩阵
进行分析。
在对地下巷道风险判断的过程中，难于轻易划出对地下巷道稳定性影响最大的风险因子，对于
层结构的目标问题，要求先对底层的要素层进行风险度评判，并计算出要素层风险因子的一级评判值
，再由
汇总出要素层对准则层各个评价指标的评判值
，评判过程如下：
通过式（5）将所有要素层对准则层计算完毕后，将各个准则层对目标层再次求解，计算最终的地下巷道风险评价结果，再根据计算得出评价层对目标层的最终评判值，依据大小顺序进行排序可以获取地下巷道评价体系中风险程度等级，数值越大，对应的风险等级越高。
步骤三、然后将FAHP算法和GRA算法进行融合度检验，Kendall检验法是为保证FAHP-GRA双算法融合后得出的新模型算法准确，通过协同系数
将FAHP-GRA双算法融合后评价结果与单算法结果进行一致性评定，若一致性检验通过，则进行下一步的算法融合，若一致性检验不通过，则对FAHP的一致矩阵再次进行构建。
步骤四、再通过Kendall运算公式对评价模型融合前和融合后的结果进行一致性判定；最后完成FAHP-GRA算法融合，利用融合算子判别风险，进行风险管控，融合算子是FAHP-GRA融合后的结果表示，即将FAHP算法最终得出的权重值引入到GRA算法的关联度求解过程中，将两者的算法结果进行融合，融合算子将主观权重与客观关联度相结合得到综合风险度，数值越大表明风险等级越高，需采取更加严格的风险管控措施。
将上述的融合算法应用于本发明地下巷道风险评价的方法中，具有以下优点：（1）在传统递阶层次分析法（AHP）的算法框架基础上，针对其一致性检验步骤多和算法慢的特点，对AHP进行改进并构建了衍生模糊层次模型（FHAP），构造FAHP一致矩阵，通过模糊综合算法获取评价层对目标层的最终评判值，依据大小顺序进行排序，并获取地下巷道评价体系中风险程度等级，优化了对模糊矩阵一致性判断的验证过程。
（2）针对地下巷道风险评价中“小样本、贫信息和不确定”问题，引入灰色关联分析算法（GRA），并构建了适用于地下巷道稳定性评价的GRA基本算法架构，通过灰色关联系数和关联度参与目标要素层的风险评估。
（3）利用Kendall检验法对FAHP-GRA融合算法进行检验，Kendall检验法可较好适用于评价模型融合前后的对比检验，将参评对象的评价结果进行秩排序并通过求和算法完成多指标的差异性检验，一致性评定是为了评估算法融合过程合理性和可靠性，使FAHP-GRA算法融合后的模型更具说服力。
（4）通过上述过程完成FAHP-GRA算法融合，主客观评价值分别由衍生模糊层次算法、灰色关联分析算法确定，将主观权重与客观关联度相结合得到最后的综合权重，由于引入了FAHP算法各个指标的权重值，使GRA算法得用评价结果要较加权平均法更为准确合理，两种算法的融合是理论与实际、主观与客观的结合，可以优劣互补，形成定性和定量的分析，使评价指标体系更加全面、科学和可靠。
本发明中未述及的部分借鉴现有技术即可实现。需要说明的是，在本说明书的教导下本领域技术人员所做出的任何等同方式，或明显变型方式均应在本发明的保护范围内。
Claims (5)
1.一种地下巷道稳定性预测和可靠性评价方法，其特征在于，包括以下步骤：
a、筛选提取影响地下巷道稳定性的风险因子，依据目标层、准则层和要素层构建地下巷道风险评价的递阶层次结构模型；
b、通过对层次分析法改进，构建FAHP模型，并同时构建GRA模型；
FAHP模型的构建是将层次分析法和模糊综合评价法相结合的方式，首先确定影响地下巷道稳定性的各个风险因子的权重，然后采用所述的模糊综合评价法对各个风险因子的模糊指标进行演算处理；
GRA模型的构建是采用多指标统计分析方法，以各个指标的信息数据为依据，通过关联度值来分析评价指标间的关联性；
步骤b中对层次分析法改进是在构建好递阶层次结构模型的基础上，构造层次分析法判断矩阵，判断矩阵的构造是将层次分析结构中低层次的因素与高一级层次中的因素互相比较而形成的，所比较的元素对于某准则层的重要性即为权重；之后为层次分析法权数算列计算并检验，根据评价影响指标间的关联性，以存在同级关系的评价指标进行比较矩阵构造，将判断矩阵比例标度作为评价影响指标重要性的依据，通过比例标度法将评价影响指标数量化处理；
步骤b中，GRA模型的关联度值的计算步骤为：首先确定风险因子判定矩阵，然后求解灰色关联系数，之后通过加权平均法计算关联度，最后判定参评风险等级；
c、根据Kendall检验法对FAHP-GRA算法融合度进行一致性检验；
d、当通过一致性检验后，进行FAHP算法和GRA算法的融合，获取融合算子，利用所述的融合算子进行风险判别，实现风险的管控；
若一致性检验不通过，则返回步骤b再次构建FAHP模型，直至通过一致性检验；
步骤d中，融合算子是FAHP-GRA融合后的结果，即：将FAHP算法最终得出的权重值引入到GRA算法的关联度求解过程中，将两者的算法结果进行融合，融合算子如下式所示：
式中：
为第i个参评对象的第η个指标权数值；
融合算子将主观权重与客观关联度相结合得到综合风险度，综合风险度的数值越大表明风险等级越高，需采取更加严格的风险管控措施。
2.根据权利要求1所述的一种地下巷道稳定性预测和可靠性评价方法，其特征在于：步骤a中，所述的目标层是用于分析问题的预定目标或理想结果，所述的准则层和要素层在目标层的基础上进一步构建，所述的递阶层次结构模型是由目标层、准则层和要素层组成的金字塔结构的模型。
3.根据权利要求1所述的一种地下巷道稳定性预测和可靠性评价方法，其特征在于：步骤c中，所述的Kendall检验法是为确保FAHP-GRA双算法融合后得出的新模型算法准确，通过协同系数
将FAHP-GRA双算法融合后评价结果与单算法结果进行一致性评定，具体包括以下步骤：
首先建立数据库假设H0：假设FAHP、GRA和FAHP-GRA算法不具有一致性；
然后计算Kendall方法的协调程度ψ，计算公式如式(1)所示：
Kendall协同系数
求解：
式中：Ri为每个参评对象的秩之和；
n为参评对象数；
k为参与评价的算法数量；
最后根据协同系数获得Kendall法协调程度临界值ψ临界，当ψ＞ψ临界时，推翻假设H0，并认为FAHP、GRA和FAHP-GRA算法具有一致性。
4.根据权利要求1所述的一种地下巷道稳定性预测和可靠性评价方法，其特征在于：步骤a中风险因子主要包括地质构造影响、弱支护、大跨度断面、岩层属性情况、埋深、倾角、巷道围岩情况以及临近工程影响。
5.根据权利要求1所述的一种地下巷道稳定性预测和可靠性评价方法，其特征在于：FAHP模型的构建步骤为：首先假设模糊风险因子的权重集，其次构造FAHP一致矩阵，最后对模糊综合算法进行评判并完成对FAHP模型的构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310198393.0A CN115879654B (zh) | 2023-03-03 | 2023-03-03 | 一种地下巷道稳定性预测和可靠性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310198393.0A CN115879654B (zh) | 2023-03-03 | 2023-03-03 | 一种地下巷道稳定性预测和可靠性评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115879654A CN115879654A (zh) | 2023-03-31 |
| CN115879654B true CN115879654B (zh) | 2023-05-16 |
Family
ID=85761931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310198393.0A Active CN115879654B (zh) | 2023-03-03 | 2023-03-03 | 一种地下巷道稳定性预测和可靠性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879654B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116452154B (zh) * | 2023-06-14 | 2023-09-05 | 北京创客创想科技有限公司 | 一种适用于通信运营商的项目管理系统 |
| CN116579668B (zh) * | 2023-07-12 | 2023-09-26 | 中国矿业大学(北京) | 切顶自成巷留巷效果测评方法及系统 |
| CN117235461B (zh) * | 2023-11-06 | 2024-01-26 | 中国矿业大学(北京) | 巷道支护等级确定方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598484A (zh) * | 2020-05-26 | 2020-08-28 | 国网江苏电力设计咨询有限公司 | 一种风光储系统电能质量综合评估方法 |
| CN115293601A (zh) * | 2022-08-11 | 2022-11-04 | 新疆明基能源有限公司 | 基于模糊层次分析法的井下工作面设备撤除工艺风险评价方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150017985A1 (en) * | 2013-07-10 | 2015-01-15 | Samsung Electronics Co., Ltd. | Systems and methods for handoff in heterogeneous networks |
| US20160050589A1 (en) * | 2014-08-13 | 2016-02-18 | Samsung Electronics Co., Ltd. | Ambient network sensing and handoff for device optimization in heterogeneous networks |
| CN104376420A (zh) * | 2014-11-20 | 2015-02-25 | 中国石油天然气股份有限公司 | 有水气藏气井见水风险评价方法及评价装置 |
-
2023
- 2023-03-03 CN CN202310198393.0A patent/CN115879654B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598484A (zh) * | 2020-05-26 | 2020-08-28 | 国网江苏电力设计咨询有限公司 | 一种风光储系统电能质量综合评估方法 |
| CN115293601A (zh) * | 2022-08-11 | 2022-11-04 | 新疆明基能源有限公司 | 基于模糊层次分析法的井下工作面设备撤除工艺风险评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| Intelligent assessment of design layout based on eyetracking data analysis;Xing Baixi, et al.;《2019 11th IHMSC》;全文 * |
| Multitask transfer learning with kernel representation;Zhang Lulu,et al.;《DBLP》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115879654A (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115879654B (zh) | 一种地下巷道稳定性预测和可靠性评价方法 | |
| Akkar et al. | Ground-motion characterization for the probabilistic seismic hazard assessment in Turkey | |
| CN109800954B (zh) | 基于测井数据的储层评价方法 | |
| Wen et al. | Rapid seismic response prediction of RC frames based on deep learning and limited building information | |
| CN111080356A (zh) | 一种利用机器学习回归模型计算住宅价格影响因素的方法 | |
| CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
| CN116777223A (zh) | 一种城市地下管网安全综合风险评估方法及系统 | |
| CN116011234B (zh) | 一种融合地质力学和贝叶斯的压前套变风险等级判识方法 | |
| Liu et al. | Condition evaluation for existing reinforced concrete bridge superstructure using fuzzy clustering improved by particle swarm optimisation | |
| Kumar et al. | Determination of best criteria for evaluation of liquefaction potential of soil | |
| Wang et al. | Machine learning-based collapse prediction for post-earthquake damaged RC columns under subsequent earthquakes | |
| Ahmed et al. | Large-scale seismic assessment of RC buildings through rapid visual screening | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN118332441A (zh) | 基于车辙横断面形态特征的道路病害预测方法 | |
| CN117114501A (zh) | 基于模糊理论的桥隧健康状态监测方法 | |
| Faroz et al. | Tri-level framework for realistic estimation of concrete strength using Bayesian data fusion of UPV and guided coring | |
| CN111026790A (zh) | 一种基于数据挖掘的结构安全评估及预报方法 | |
| Blackman et al. | Using Pareto Principle plus statistic methodology in establishing a cost estimating model | |
| CN110119522A (zh) | 一种开挖岩质边坡破坏风险分析的稳定性评级方法 | |
| Xiao et al. | Comprehensive performance ranking and impact analysis using the best approximation matter-element model and combined weights | |
| CN115565062A (zh) | 一种地震地质灾害与财产人口损失风险预测方法及系统 | |
| CN113374525A (zh) | 一种基于多参量数据融合的煤与瓦斯突出危险区判识综合预警方法 | |
| CN112132416A (zh) | 基于PageRank算法的工程勘察质量精细化评价方法 | |
| Zhao et al. | Probabilistic service life of reinforced concrete structures with randomly distributed corrosion-induced cracks | |
| Efe et al. | Proposal on implementing machine learning with highway datasets |
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 |