CN116127378A - 基于改进可拓云模型的公路隧道衬砌服役状态评价方法 - Google Patents
基于改进可拓云模型的公路隧道衬砌服役状态评价方法 Download PDFInfo
- Publication number
- CN116127378A CN116127378A CN202310181574.2A CN202310181574A CN116127378A CN 116127378 A CN116127378 A CN 116127378A CN 202310181574 A CN202310181574 A CN 202310181574A CN 116127378 A CN116127378 A CN 116127378A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- service state
- tunnel lining
- highway tunnel
- lining structure
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 238000013210 evaluation model Methods 0.000 claims abstract description 8
- 238000013139 quantization Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000012854 evaluation process Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 14
- 201000010099 disease Diseases 0.000 description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 238000004299 exfoliation Methods 0.000 description 6
- 230000003862 health status Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- HBAQYPYDRFILMT-UHFFFAOYSA-N 8-[3-(1-cyclopropylpyrazol-4-yl)-1H-pyrazolo[4,3-d]pyrimidin-5-yl]-3-methyl-3,8-diazabicyclo[3.2.1]octan-2-one Chemical class C1(CC1)N1N=CC(=C1)C1=NNC2=C1N=C(N=C2)N1C2C(N(CC1CC2)C)=O HBAQYPYDRFILMT-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005297 material degradation process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D11/00—Lining tunnels, galleries or other underground cavities, e.g. large underground chambers; Linings therefor; Making such linings in situ, e.g. by assembling
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geology (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Structural Engineering (AREA)
- Algebra (AREA)
- Civil Engineering (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Architecture (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为基于改进可拓云模型的公路隧道衬砌服役状态评价方法，首先确定公路隧道衬砌结构服役状态的评价指标，并对各项评价指标进行量化分级，划分公路隧道衬砌结构服役状态等级，确定不同等级各个评价指标对应的标准；公路隧道衬砌结构服役状态等级包括健康、亚健康、病危和危险；然后，基于层次分析法与熵权法确定各评价指标的主、客观权重，通过理想点组合赋权法计算各评价指标的综合权重；最后，结合物元可拓理论与云模型，以云熵优化算法对可拓云模型进行改进，得到公路隧道衬砌结构服役状态评价模型，将实际工程指标数据输入到公路隧道衬砌结构服役状态评价模型，获得评价结果。该方法解决了评价过程中存在的不确定性问题，可为隧道运营管理部门进行衬砌结构评估与制定养护措施提供借鉴。
Description
技术领域
本发明属于公路隧道工程技术领域，具体涉及一种基于改进可拓云模型的公路隧道衬砌服役状态评价方法。
背景技术
近年来，我国高速公路隧道快速发展，许多运营公路隧道在服役过程中出现了不同程度的病害，不仅影响了自身结构的健康，还威胁着交通安全与交通质量。隧道健康状态评价是隧道维修养护决策的前提，采用科学有效的隧道健康状况评价方法意义重大。公路隧道衬砌结构服役状态评价过程影响因素复杂，指标健康等级分级边界存在模糊性，数据定量过程中由于检测仪器的误差也会产生的大量的随机性等，若不能进行有效处理，将极大程度的降低评价结果的准确性，容易造成安全隐患的疏漏，出现安全事故。因此，对公路隧道衬砌结构服役状态进行科学准确的评估有利于公路隧道的管理与维修，延长公路隧道寿命，避免交通事故的发生。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于改进可拓云模型的公路隧道衬砌服役状态评价方法。
本发明解决所述技术问题采用的技术方案是：
一种基于改进可拓云模型的公路隧道衬砌服役状态评价方法，其特征在于，该方法包括以下步骤：
步骤1：确定公路隧道衬砌结构服役状态的评价指标，包括裂缝长度、裂缝宽度、衬砌厚度、空洞深度、变形量、衬砌强度、剥落深度、剥落直径和渗漏水状态在内的9项评价指标；
步骤2：对各项评价指标进行量化分级，划分公路隧道衬砌结构服役状态等级，确定不同等级各个评价指标对应的标准；公路隧道衬砌结构服役状态等级包括健康、亚健康、病危和危险四个；
步骤3：基于层次分析法与熵权法确定各评价指标的主、客观权重，通过理想点组合赋权法计算各评价指标的综合权重；
步骤4：结合物元可拓理论与云模型，以云熵优化算法对可拓云模型进行改进，得到公路隧道衬砌结构服役状态评价模型；
步骤5：将实际工程指标数据输入到公路隧道衬砌结构服役状态评价模型，获得公路隧道衬砌结构服役状态评价结果。
进一步的，在步骤4中，根据公路隧道衬砌结构服役状态等级，计算正态云模型的期望、熵、超熵，获得公路隧道衬砌结构服役状态各评价指标的等级界限云；通过正向云发生器，计算各评价指标与等级界限云模型的关联度，得到关联度判断矩阵；结合各评价指标综合权重计算最终评判向量，根据最大隶属度原则确定评估结果。
与现有技术相比，本发明具有以下技术效果：
本发明通过文献研究、实地考察确定了公路隧道衬砌结构服役状态的影响因素与评价指标，通过实地测量获取样本数据，构建了公路隧道衬砌结构服役状态指标体系；通过对评价指标定性与定量的划分，确定公路隧道衬砌结构服役状态评价等级；通过专家打分基于层次分析法确定各指标主观权重，通过数据统计基于熵权法确定各指标的客观权重，通过理想点组合赋权法确定了各指标的综合权重；将物元可拓理论与云模型结合建立可拓云模型，以云熵优化算法进行改进，建立基于改进可拓云模型的公路隧道衬砌结构服役状态的评价方法，通过工程测量数据，对样本进行服役状态评价。充分解决了评价过程中存在的不确定性问题，可为隧道运营管理部门进行衬砌结构评估与制定养护措施提供借鉴。
附图说明
图1是本发明的整体流程图；
图2是本发明的评价体系图；
图3是不同云熵对比云滴图；其中，图3(a)为基于“3En”规则的云滴图；图3(b)为基于“50％关联度”规则的云滴图；图3(c)为基于云熵优化的云滴图；
图4是本发明的评价过程流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案作进一步说明，并不用于限定本申请的保护范围。
本发明提供了一种基于改进可拓云模型的公路隧道衬砌服役状态评价方法，包括以下步骤：
步骤1：确定公路隧道衬砌结构服役状态的评价指标，构建公路隧道衬砌结构服役状态评价指标体系；
通过查阅文献和实地考察可知，公路隧道衬砌结构服役状态的影响因素包括衬砌裂缝病害、渗漏水病害、衬砌厚度及背后空洞病害、衬砌变形和衬砌材质劣化；衬砌裂缝病害的评价指标包括裂缝长度、裂缝宽度；渗漏水病害的评价指标包括渗漏水状态；衬砌厚度及背后空洞病害的评价指标包括衬砌厚度、空洞深度；衬砌变形的评价指标包括变形量；衬砌材质劣化的评价指标包括衬砌强度、剥落深度、剥落直径；因此，一共选取9项评价指标。
步骤2：对各项评价指标进行量化分级，划分公路隧道衬砌结构服役状态等级，确定不同等级各评价指标的标准；
将评价指标分为定量和定性两类，定量评价指标包括裂缝长度、裂缝宽度、衬砌厚度、空洞深度、变形量、衬砌强度、剥落深度和剥落直径；定性评价指标包括渗漏水状态；公路隧道衬砌结构服役状态划分为健康、亚健康、病危、危险四个等级，各个等级对应的衬砌结构特征描述参见表1；
表1公路隧道衬砌结构服役状态等级
不同等级各个评价指标的标准为：
1)裂缝长度：
| 健康 | 亚健康 | 病危 | 危险 |
| <0.5m | 0.5m～5m | 5m～10m | >10m |
2)裂缝宽度：
| 健康 | 亚健康 | 病危 | 危险 |
| <0.2mm | 0.2mm～3mm | 3mm～5mm | >5mm |
3)衬砌厚度：衬砌厚度分为实测值和设计值，用两者的比值表示；
| 健康 | 亚健康 | 病危 | 危险 |
| >0.67 | 0.5～0.67 | 0.33～0.5 | <0.33 |
4)空洞深度：
| 健康 | 亚健康 | 病危 | 危险 |
| <0.1mm | 0.1mm～100mm | 100mm～500mm | >500mm |
5)衬砌变形量：衬砌变形量不能直接反应衬砌结构的稳定性，采用衬砌变形量与内限距的比值也就是内限比来判断衬砌变形程度；
| 健康 | 亚健康 | 病危 | 危险 |
| <0.25 | 0.25～0.5 | 0.5～0.75 | >0.75 |
6)衬砌强度：衬砌强度分为实测值和设计值，用两者的比值即强度比表示；
| 健康 | 亚健康 | 病危 | 危险 |
| >0.67 | 0.5～0.67 | 0.33～0.5 | <0.33 |
7)剥落深度：
| 健康 | 亚健康 | 病危 | 危险 |
| <6mm | 6mm～12mm | 12mm～25mm | >25mm |
8)剥落直径：
| 健康 | 亚健康 | 病危 | 危险 |
| <50mm | 50mm～75mm | 75mm～150mm | >150mm |
9)渗漏水状态：参考我国规范，根据形态和涌水量将渗漏水分成四种情况，包括：浸渗、滴漏、涌流和喷射；
| 健康 | 亚健康 | 病危 | 危险 |
| <0.25 | 0.25～0.5 | 0.5～0.75 | >0.75 |
步骤3：基于层次分析法与熵权法确定各评价指标的主、客观权重，通过理想点组合赋权法计算各评价指标的综合权重；
根据公路隧道衬砌结构服役状态评价指标设计调查问卷，通过专家打分获得各个评价指标的相对重要性，通过层次分析法确定各个的主观权重；
(1)确定相对重要性
假设有n个评价指标，将评价指标两两进行比较，专家按照“重要”、“同等重要”、“不重要”进行判定，分别用“1”、“0”、“-1”进行标度，生成判断矩阵A；
与评价指标j相比，若评价指标i重要，则取aij＝1；若评价指标i与j同等重要，取aij＝0；若评价指标i不重要，取aij＝-1；
(2)计算最优传递矩阵
最优传递矩阵R中的元素
将最优传递矩阵R转化为一致矩阵D，一致矩阵D中的元素dij＝exprij；
(3)计算各个评价指标的主观权重
计算D中每一行元素的乘积
然后计算
然后将向量
归一化处理,得到特征向量即主观权重ω＝[ω1,ω2,…,ωn]；
(4)计算各个评价指标的客观权重
根据实地测量数据，基于熵权法确定各评价指标的客观权重；假设隧道衬砌结构评价体系中包含的n个评价指标，每个评价指标的样本为m个，由此构建出原始矩阵T＝[Tij]n×m；其中，Tij表示第i个待评价的第j项评价指标值，i＝1,2,...,n，j＝1,2,...,m，n为待评价样本的个数，m为评价指标的个数；
第j项评价指标在第i个待评价船闸中出现的频率表示为：
其中，Pij为第j项评价指标在第i个待评价样本中出现的频率；
第j项评价指标的信息熵表示为：
其中ej为第j项评价指标的信息熵，0≤e≤1,
基于熵权法得到第j项评价指标的客观权重αj表示为：
(5)基于理想点法将所得的主观权重与客观权重进行组合赋权，表示为：
其中，βj为组合权重，ωj为主观权重，αj为客观权重
通过加权平均计算得到最终权重pj表示为：
各个评价指标的综合权重如表2所示：
表2各评价指标权重
| 评价指标 | 主观权重 | 客观权重 | 综合权重 |
| 裂缝长度 | 0.1907 | 0.1108 | 0.1407 |
| 裂缝宽度 | 0.1907 | 0.1099 | 0.1404 |
| 渗漏水状态 | 0.077 | 0.1115 | 0.0941 |
| 衬砌厚度 | 0.0857 | 0.1124 | 0.0975 |
| 空洞深度 | 0.0857 | 0.1112 | 0.0968 |
| 衬砌变形量 | 0.2558 | 0.1115 | 0.1751 |
| 衬砌强度 | 0.06 | 0.1119 | 0.0898 |
| 剥落深度 | 0.0347 | 0.1102 | 0.0836 |
| 剥落直径 | 0.0201 | 0.1107 | 0.0821 |
步骤4：结合物元可拓理论与云模型，以云熵优化算法进行改进，建立基于改进可拓云模型的公路隧道衬砌结构服役状态评价方法；
根据表内各项指标服役状态等级界限计算期望、熵和超熵，其中，Ex为期望值，反映指标的健康等级；En为熵，反映健康等级的范围；He为超熵，反映关联度的随机性。具体方法如下：
期望Ex：根据期望的定义，最能代表该等级概念的为其约束区间的中心值。因此Ex计算式为Ex＝(cmin+cmax)/2，其中cmin与cmax为等级界限。
超熵He：He计算式一般为He＝En/10，也可根据经验与实际情况进行调整。其中，En为熵。
熵En：反映指标状态等级模糊性的云熵En是最关键的云特征参数，其取值不仅影响了健康等级范围的大小，同时也影响了结果的准确性。目前主要有2种云熵计算方法：
基于“3En”规则的云熵计算方法
基于“50％关联度”规则的云熵计算方法
上述两种方法从不同的角度计算标准等级云模型的云熵，其中“3En”规则体现了等级划分的分明性，而“50％关联度”规则更侧重等级划分的模糊性，根据不同云熵计算得到的等级关联度可能会导致健康状态评价结论冲突。为使隧道结构健康等级划分兼具分明性和模糊性，采用云熵优化算法进行改进。
假设某待评指标实测数据为xi，其状态等级数为m，则其对应m组等级云模型。(Ex(l))1×m和(He(l))1×m分别为云期望集合和超熵集合；(En′(l))1×m和(En″(l))1×m表示2种方法计算所得云熵集合，(En(l))1×m表示云熵算法优化后的云熵集合，l(l＝1,2,…,m)为等级序号，针对等级l，关联度的最大偏差
如下所示：
其中，
为基于“50％关联度”规则得到等级l的最大关联度；
为基于“3En”规则得到的等级l的最小关联度；γ(x)(l)表示云熵优化算法得到的等级l的关联度。
云熵优化的基本思想是使关联度最大偏差之和尽可能小，因此，计算非线性决策模型如下所示：
由此可得到某指标针对各等级优化后的云熵集合(En(l))1×m。
通过对期望、熵和超熵的计算可以获得(Exn,Enn,Hen)即指标相应等级的云描述，因此求得公路隧道衬砌结构服役状态评价指标的等级界限云如表3所示；
表3各评价指标等级界限云
| 评价指标 | 健康 | 亚健康 | 病危 | 危险 |
| 裂缝长度 | (0.25,0.148,0.015) | (2.75,1.330,0.133) | (7.5,1.478,0.148) | (10,1.478,0.148) |
| 裂缝宽度 | (0.1,0.059,0.006) | (1.6,0.828,0.082) | (4,0.591,0.059) | (5,0.591,0.059) |
| 渗漏水状态 | (0.875,0.074,0.007) | (0.625,0.074,0.007) | (0.375,0.074,0.007) | (0.125,0.074,0.007) |
| 衬砌厚度 | (0.833,0.098,0.010) | (0.583,0.050,0.005) | (0.417,0.050,0.005) | (0.167,0.050,0.010) |
| 空洞深度 | (0.05,0.030,0.800) | (50.05,29.535,0.800) | (300,118.261,0.800) | (500,118.261,0.800) |
| 变形量 | (0.125,0.074,0.007) | (0.375,0.074,0.007) | (0.625,0.074,0.007) | (0.875,0.074,0.007) |
| 衬砌强度 | (0.833,0.098,0.010) | (0.583,0.050,0.005) | (0.417,0.050,0.005) | (0.167,0.098,0.010) |
| 剥落深度 | (3,1.774,0.177) | (9,1.774,0.177) | (18.5,3.844,0.384) | (25,3.844,0.384) |
| 剥落直径 | (25,14.782,0.500) | (62.5,7.391,0.500) | (112.5,22.174,0.500) | (150,22.174,0.500) |
通过正向云发生器对评价指标的云关联度进行计算，具体步骤如下：
将指标的实测数据xi看成一个云滴，应用MATLAB软件，产生一个正态随机数En″′,其期望和标准差分别为En、He,各指标实测值与可拓云模型的云关联度k计算方法如下：
其中，xi为实际测量数据，k为实际测量数据xi对映的云关联度。
由于生成正态随机数而导致求解k时随机性过大，为减少随机性导致的影响，重复计算上述步骤n次，将所得结果取平均值得到最终关联度判断矩阵K，再通过综合权重可得到综合评判向量H
H＝PK
其中，P为综合权重向量，K为最终关联度判断矩阵。
根据最大隶属度原则确定最终评估结果，通过置信度因子θ值检验评判结果的可信度，计算方法如下：
计算等级特征值：
其中，hi为综合评判向量H中各健康等级对应的分量，fi为H中各健康等级对应分量的分值，取1、2、3、4分别对应I～IV4个健康等级。
计算特征期望Ex,u和特征熵En,u：
其中，l为运算的次数，取500；ui(x)为第i次计算得到的健康等级特征值；
计算置信度因子θ：
θ＝En，u/Ex，u
其中，θ值反映评判结果的分散程度，θ值越大，可信度越低；反之则可信度越高。
步骤5：将实际工程指标数据输入公路隧道衬砌结构服役状态评价模型，获得公路隧道衬砌结构服役状态评价结果。
以河北省张涿高速公路保定段林里隧道为例，通过实地考察，收集该隧道5个代表性洞段数据，对该隧道衬砌结构服役状态进行评价，将实际测量数据输入公路隧道衬砌结构服役状态评价模型，经多次计算，获得林里隧道衬砌结构服役状态计算结果如表4所示。
表4样本计算结果
以样本3为例，求得各等级云关联度H3(I)＝0.2781,H3(II)＝0.4821,H3(III)＝0.1010,H3(IV)＝0.0043。依据最大隶属度原则，H3(II)>H3(I)>H3(III)>H3(IV)。因此，样本3洞段处于II级亚健康状态。样本2处于I级，表明该洞段结构处于健康状态；样本1、3、4处于II级，处于亚健康状态；样本5处于IV级，表明其健康状态较差，结构破损非常严重，应及时采取相关技术措施对该洞段衬砌进行针对性的加固，提高隧道衬砌的安全性，降低风险，预防事故发生。等级特征值与置信度因子在相同健康等级状态下可提供更多信息，如样本1、3、4均处于II级状态，但其特征值Ex,u分别为1.8，1.48，1.99，表明样本4相较于样本1、3，其洞段处于更危险的状态；结果中样本1～5的置信度因子分别为0.0064、0.0077、0.0094、0.0068、0.0109均小于0.05，表明评估结果较为可信。
结合上述实例验证，本发明有效解决隧道衬砌结构服役状态评价中存在随机性和模糊性和评价过程中多指标不相容的问题；以云熵优化算法改进可拓云，兼顾划分等级的分明性和模糊性，有效避免了冲突性的判定结论；选用理想点法组合主客观权重，有效克服了单一方法过于主观或客观的问题，提高了权重与评估结果的准确性。该模型计算过程简单，无需大量样本数据，具有较强的适用性与可行性。
本发明未述及之处适用于现有技术。
Claims (2)
1.一种基于改进可拓云模型的公路隧道衬砌服役状态评价方法，其特征在于，该方法包括以下步骤：
步骤1：确定公路隧道衬砌结构服役状态的评价指标，包括裂缝长度、裂缝宽度、衬砌厚度、空洞深度、变形量、衬砌强度、剥落深度、剥落直径和渗漏水状态在内的9项评价指标；
步骤2：对各项评价指标进行量化分级，划分公路隧道衬砌结构服役状态等级，确定不同等级各个评价指标对应的标准；公路隧道衬砌结构服役状态等级包括健康、亚健康、病危和危险四个；
步骤3：基于层次分析法与熵权法确定各评价指标的主、客观权重，通过理想点组合赋权法计算各评价指标的综合权重；
步骤4：结合物元可拓理论与云模型，以云熵优化算法对可拓云模型进行改进，得到公路隧道衬砌结构服役状态评价模型；
步骤5：将实际工程指标数据输入到公路隧道衬砌结构服役状态评价模型，获得公路隧道衬砌结构服役状态评价结果。
2.根据权利要求1所述的基于改进可拓云模型的公路隧道衬砌服役状态评价方法，其特征在于，在步骤4中，根据公路隧道衬砌结构服役状态等级，计算正态云模型的期望、熵、超熵，获得公路隧道衬砌结构服役状态各评价指标的等级界限云；通过正向云发生器，计算各评价指标与等级界限云模型的关联度，得到关联度判断矩阵；结合各评价指标综合权重计算最终评判向量，根据最大隶属度原则确定评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310181574.2A CN116127378A (zh) | 2023-02-24 | 2023-02-24 | 基于改进可拓云模型的公路隧道衬砌服役状态评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310181574.2A CN116127378A (zh) | 2023-02-24 | 2023-02-24 | 基于改进可拓云模型的公路隧道衬砌服役状态评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116127378A true CN116127378A (zh) | 2023-05-16 |
Family
ID=86295605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310181574.2A Pending CN116127378A (zh) | 2023-02-24 | 2023-02-24 | 基于改进可拓云模型的公路隧道衬砌服役状态评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116127378A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116777083A (zh) * | 2023-08-17 | 2023-09-19 | 交通运输部公路科学研究所 | 一种基于灰关联投影的隧道衬砌崩落预测方法 |
| CN117313549A (zh) * | 2023-11-21 | 2023-12-29 | 江苏晟得瑞半导体科技有限公司 | 一种基于定量化组合玻璃替换的光学系统无热化方法 |
| CN117540178A (zh) * | 2024-01-09 | 2024-02-09 | 武汉大学 | 一种隧道衬砌内部空洞病害评估方法及系统 |
-
2023
- 2023-02-24 CN CN202310181574.2A patent/CN116127378A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116777083A (zh) * | 2023-08-17 | 2023-09-19 | 交通运输部公路科学研究所 | 一种基于灰关联投影的隧道衬砌崩落预测方法 |
| CN116777083B (zh) * | 2023-08-17 | 2024-04-26 | 交通运输部公路科学研究所 | 一种基于灰关联投影的隧道衬砌崩落预测方法 |
| CN117313549A (zh) * | 2023-11-21 | 2023-12-29 | 江苏晟得瑞半导体科技有限公司 | 一种基于定量化组合玻璃替换的光学系统无热化方法 |
| CN117313549B (zh) * | 2023-11-21 | 2024-01-30 | 江苏晟得瑞半导体科技有限公司 | 一种基于定量化组合玻璃替换的光学系统无热化方法 |
| CN117540178A (zh) * | 2024-01-09 | 2024-02-09 | 武汉大学 | 一种隧道衬砌内部空洞病害评估方法及系统 |
| CN117540178B (zh) * | 2024-01-09 | 2024-03-29 | 武汉大学 | 一种隧道衬砌内部空洞病害评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116127378A (zh) | 基于改进可拓云模型的公路隧道衬砌服役状态评价方法 | |
| CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
| CN108399340A (zh) | 基于改进fahp和云模型的机载网络安全风险评估方法 | |
| CN103366123A (zh) | 基于缺陷分析的软件风险评估方法 | |
| CN103018063B (zh) | 基于Mittag-Leffler分布的桥梁随机疲劳寿命预测方法 | |
| CN105975711B (zh) | 一种基于材料损伤累积水平的沥青路面寿命评估方法 | |
| CN110619467B (zh) | 一种基于告警大数据信息的电力设备状态评估方法 | |
| CN107203842B (zh) | 基于扩展云相似度与逼近理想解的谐波污染水平评估方法 | |
| CN107967571A (zh) | 基于熵权法的指标体系生成方法 | |
| CN111861238A (zh) | 高速公路桥梁工程风险评估方法、装置及计算机设备 | |
| CN115018384A (zh) | 一种建筑工地安全风险评估方法及系统 | |
| CN114638164B (zh) | 一种预测电站压力管道高温蠕变寿命的方法 | |
| CN115392619A (zh) | 基于消防安全等级的预警方法、存储介质和电子设备 | |
| CN110516289B (zh) | 一种基于频遇值的桥梁短期监测评估方法 | |
| Guo et al. | Bayesian prediction of the stress concentration effect on high-strength wires with corrosion pits | |
| CN109657287B (zh) | 基于综合得分法水文模型精度识别的方法 | |
| CN112001600B (zh) | 一种基于svm和ds理论的渗漏水风险监测方法 | |
| CN105912775B (zh) | 桥梁动态称重系统车辆轴重数据的多模态建模方法 | |
| CN112034139A (zh) | 岩爆倾向性等级的判别方法、装置及电子设备 | |
| CN117093835A (zh) | 一种隧道衬砌裂缝诊断与预测方法 | |
| CN113239436B (zh) | 一种钢桥状态等级评估与预测方法 | |
| Zhang et al. | A rasterized lightning disaster risk method for imbalanced sets using neural network | |
| Muhammed et al. | Inverted Topp-Leone distribution: contribution to a family of j-shaped frequency functions in presence of random censoring | |
| Haridas et al. | Structural behavior prediction model for asphalt pavements: a deep neural network approach | |
| Salman1a et al. | Condition assessment model for residential road networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |