CN116629614A - 基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法 - Google Patents
基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法 Download PDFInfo
- Publication number
- CN116629614A CN116629614A CN202310657301.0A CN202310657301A CN116629614A CN 116629614 A CN116629614 A CN 116629614A CN 202310657301 A CN202310657301 A CN 202310657301A CN 116629614 A CN116629614 A CN 116629614A
- Authority
- CN
- China
- Prior art keywords
- risk
- karst collapse
- deep
- probability
- dynamic
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 239000011435 rock Substances 0.000 claims description 43
- 238000012546 transfer Methods 0.000 claims description 27
- 230000007704 transition Effects 0.000 claims description 27
- 238000011161 development Methods 0.000 claims description 25
- 238000012502 risk assessment Methods 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 13
- 238000012876 topography Methods 0.000 claims description 9
- 238000011835 investigation Methods 0.000 claims description 8
- 238000004062 sedimentation Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000009412 basement excavation Methods 0.000 claims description 6
- 230000001364 causal effect Effects 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 6
- 238000000576 coating method Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 6
- 230000000149 penetrating effect Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 239000002352 surface water Substances 0.000 claims description 6
- 230000003313 weakening effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000013077 scoring method Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其主要包括深部岩溶塌陷风险识别、深部岩溶塌陷风险等级标准、深部岩溶塌陷风险动态贝叶斯网络结构学习、深部岩溶塌陷风险动态贝叶斯网络参数学习、深部岩溶塌陷风险概率分析、深部岩溶塌陷风险损失分析和深部岩溶塌陷风险评估等步骤;通过上述步骤,本发明解决现有的深部岩溶塌陷灾害的评估方法有效性、实用性和准确性不高的问题,更准确的反映城市建筑更密集、生命线廊道区深部岩溶塌陷灾害风险的变化规律,及时获得深部岩溶塌陷灾害的风险状态,为后续防治提供决策依据。
Description
技术领域
本发明涉及地质灾害监测、灾害评估的技术领域,尤其涉及一种基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法。
背景技术
我国可溶岩分布广,是世界上岩溶最发育的国家之一。随着城市发展和地下空间开发,城市建筑更密集、生命线廊道更复杂,城市深部岩溶受到自然环境和工程建设双重胁迫。深部岩溶塌陷灾害具有动态演化的特点,目前我国城市深部岩溶塌陷灾害被动防控、易于复发,防控效率低,城市深部岩溶塌陷形势日益严峻。
目前,城市深部岩溶塌陷灾害风险评估方法主要有:层次分析法、风险矩阵法、模糊综合评价法、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岩溶塌陷风险开展了一系列评估研究,并依据不同的研究需要,采用了相应的多方法综合方法或改进方法。然而,城市建筑密集区、生命线廊道区深部岩溶塌陷风险动态演化明显,除岩溶地层本身的动态变化外,其受地下结构建设、运营和人为抽水、排水的动态影响尤为显著。但现有城市深部岩溶塌陷风险评估的方法都仅仅考虑了风险的静态概率问题,而忽视致使岩溶塌陷风险因子的动态演化,同时也没有顾及与岩溶塌陷相伴相生的地层动态变形因素的影响,因此这种评估是不全面的。当前缺乏城市建筑密集区、生命线廊道区深部岩溶塌陷风险的动态评估研究,且现有评估方法无法动态量化,缺乏对风险因子的时效性分析,不能反映城市深部岩溶灾害风险的动态变化,使得无法及时获得深部岩溶塌陷灾害的风险状态,无法为后续防治提供决策依据。
为此,本发明的设计者有鉴于上述缺陷,通过潜心研究和设计,综合长期多年从事相关产业的经验和成果,研究设计出一种基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,以克服上述缺陷。
发明内容
本发明的目的在于提供一种基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,解决现有的深部岩溶塌陷灾害的评估方法有效性、实用性和准确性不高的问题,能考虑城市建筑密集区、生命线廊道区岩溶塌陷风险因子的动态演化,分析风险因子的时效性,反映城市建筑密集区、生命线廊道区深部岩溶塌陷灾害风险的变化规律,及时获得深部岩溶塌陷灾害的风险状态,为后续防治提供决策依据。
为实现上述目的,本发明公开了一种基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其特征在于包括如下步骤:
步骤一:识别城市建筑密集区、生命线廊道区深部岩溶塌陷风险因素,建立深部岩溶塌陷风险评估体系,确定各风险因素的状态空间;
步骤二:建立深部岩溶塌陷风险等级标准;
步骤三:建立深部岩溶塌陷风险动态贝叶斯初始网络的图模型;
步骤四:建立深部岩溶塌陷风险动态贝叶斯转移网络的图模型;
步骤五:深部岩溶塌陷风险动态贝叶斯网络正向概率推理,确定时间片内子节点的条件概率和时间片间转移节点的条件概率;
步骤六:利用深部岩溶塌陷风险动态贝叶斯网络逆向概率推理,输入观测数据,计算深部岩溶塌陷风险的后验概率,确定观测值条件下深部岩溶塌陷动态风险概率值;
步骤七:根据深部岩溶塌陷风险评估体系,建立深部岩溶塌陷风险损失模糊综合评价模型,对深部岩溶塌陷风险损失进行综合评价,得到岩溶塌陷风险损失值;
步骤八:结合深部岩溶塌陷风险动态概率值和深部岩溶塌陷风险损失值,进行深部岩溶塌陷动态风险评估。
其中:在步骤一中,确定深部岩溶塌陷风险因素,建立深部岩溶塌陷风险评估体系包含如下内容:
选取地质条件、诱发因素和可溶岩三方面风险因素作为深部岩溶塌陷风险评估指标,依据层次分析法将影响深部岩溶塌陷风险状态的评估指标分为目标层、准则层和指标层三层;
目标层:为深部岩溶塌陷风险状态R;准则层:为影响深部岩溶塌陷风险状态的3方面风险因素类别,由“地质条件A1”、“诱发因素A2”和“可溶岩A3”三方面组成;指标层:为影响准则层中各方面风险因素对应的12种风险因素,其中:地质条件方面A1对应指标为:“地形地貌A11”、“覆盖层条件A12”、“岩体弱化A13”;诱发因素方面A2对应指标为:“车辆荷载A21”、“振动荷载A22”、“贯穿破坏A23”、“水位稳定性A24”、“真空压力A25”、“地表渗水A26”、“岩土体开挖A27”;可溶岩方面A3对应指标为:“岩溶发育程度A31”、“岩体基本质量A32”。
其中:设定风险因素的状态空间包含风险因素“地形地貌A11”、“覆盖层条件A12”、“岩体弱化A13”,“车辆荷载A21”、“振动荷载A22”、“贯穿破坏A23”、“水位稳定性A24”、“真空压力A25”、“地表渗水A26”和“岩土体开挖A27”、“岩体基本质量A32”节点均设为二状态变量,风险因素“岩溶发育程度A31”设为多态变量,“岩溶发育程度A31”设为三个状态,分别为岩溶强发育、岩溶中等发育、岩溶弱发育;“岩体基本质量A32”依据岩体的完成程度和坚硬程度设为两个状态,分别为一级、二级。
其中:步骤二中深部岩溶塌陷风险等级由风险发生的可能性和风险损失的严重程度确定,风险发生可能性等级标准采用概率表示,分1~5级5个等级,从1级到5级风险发生的可能性分别为:频繁的、可能的、偶尔的、罕见的和不可能的;风险损失等级标准按损失的严重性程度划分为A~E级五级,从A~E级风险损失等级的严重程度分别为:灾难性的、非常严重的、严重的、需考虑的、可忽略的。
其中:步骤三中,深部岩溶塌陷风险动态贝叶斯网络由深部岩溶塌陷风险初始网络B0和深部岩溶塌陷风险转移网络B→组成,初始网络是一个静态贝叶斯网络,转移网络是一个包含两个时间片的贝叶斯网络模型,深部岩溶塌陷风险动态贝叶斯网络的结构学习是建立深部岩溶塌陷风险动态贝叶斯网络图模型的过程,包括深部岩溶塌陷风险初始网络的图模型和转移网络的图模型,深部岩溶塌陷风险动态贝叶斯网络初始网络的图模型依据深部岩溶塌陷风险因素的因果关系,建立静态贝叶斯网络结构,即深部岩溶塌陷风险评估静态贝叶斯网络有向非循环图模型,结合深部岩溶塌陷风险评估体系中的12个风险变量和三方面风险因素类别,将层次分析法示意图转化为有向无环图,并补充3个监测指标作为风险因素,根据各风险因素之间的因果关系,建立深部岩溶塌陷动态风险初始贝叶斯网络结构;
补充的3个监测风险因素分别为“岩体微振动幅值F”、“顶板沉降值S”、“顶板沉降速率V”,将“岩体微振动幅值F”、“顶板沉降速率V”设置为二态变量,“顶板沉降值S”设置为多态变量;
在深部岩溶塌陷贝叶斯网络风险概率模型中,将方案层的各项风险因素变量A11~A32作为父节点,将影响深部岩溶塌陷风险状态R的风险因素的类别A1~A3作为中间节点,深部岩溶塌陷风险状态R的目标层作为子节点,F、S、V作为观测节点。
其中:步骤四中,以深部岩溶塌陷动态风险初始贝叶斯网络图模型为基础,将深部岩溶塌陷风险节点R作为转移节点,选择两个时间片,用有向边连接两个时间片的转移节点R,建立深部岩溶塌陷风险动态贝叶斯转移网络。
其中:步骤五中,深部岩溶塌陷风险动态贝叶斯网络参数学习是计算动态贝叶斯模型中节点的概率分布,包括子节点的条件概率分布和转移节点的转移概率;
子节点的条件概率:
本专利采用基于专家先验知识的噪声或模型和噪声最大模型计算风险变量的条件概率;
二态变量的条件概率采用噪声或模型计算,多态变量的条件概率采用噪声最大模型计算;噪声或模型和噪声最大模型通过父节点对子节点顺序状态的累计,计算子节点的条件概率;
初始贝叶斯网络中A11~A27节点、A1节点和A2节点的二态变量的条件概率采用噪声或模型计算,即通过下列公式(1)得到;
pi表示仅Xi发生导致Y发生的概率,即:
XT表示事件X发生;
表示X1不发生;
风险因素“岩溶发育程度A31”、“岩体基本质量A32”“可溶岩A3”为多态变量,采用噪声最大模型计算条件概率;
深部岩溶塌陷风险节点Y的有五个状态,分别对应深部岩溶塌陷风险的五个风险发生可能性评价准则,节点Y的条件概率采用噪声最大模型计算,通过公式(2)和公式(3)得到;
式中,y、xi为节点Y、X的取值。
噪声或模型中的参数和噪声最大模型中的P(Y=y|X=xi)通过专家调查法计算;
采用专家调查法确定父节点的先验概率,分析整理收集的数据,确定贝叶斯网络父节点参数;根据专家从事相关领域的时间、经历和资历设置权重,将各位专家评估的结果加权平均综合为模型风险因素的最终参数值,即
表示风险因素j的状态为i时的概率;
j表示风险因素;
i表示风险因素的第i个状态;
m表示专家调查的总人数;
n表示风险因素的状态总数;
ωijk表示判断风险因素j的状态i发生的第k个专家对应的权值
系数;
转移节点的转移概率是已知上一时间片中转移节点的概率时,在当前时间片转移节点的概率分布,视为相邻两个时间片上的条件概率,本专利采用专家经验法确定转移节点的转移概率;
动态贝叶斯网络中任意两个相邻时间片的转移概率计算公式为公式(4):
表示转移节点,第t个时间片上的第i个节点;
表示转移节点/>的父节点。
其中:步骤六中,深部岩溶塌陷静态风险概率分析将观测数据作为观测证据输入基于动态贝叶斯网络的深部岩溶塌陷风险概率评估模型中,通过逆向推理实时更新深部岩溶塌陷风险的后验概率,修正基于先验概率预测的结果;
有T个时间片的深部岩溶塌陷风险动态贝叶斯网络,具有n个隐藏节点(Y1,Y2,…,Yn),m个观测节点(X1,X2,…,Xm),为观测变量的观测值,
将Yi=yi简记为yi,记为/>
将Xi=xi简记为xi,记作/>
观测值下隐藏变量的分布为公式(5):
式中,u=1,2,…,T;v=1,2,…,m;p=1,2,…,T;q=1,2,…,n;
表示/>的一个取值状态;
表示观测变量/>的父节点的集合;
表示隐藏变量/>的一个状态;
表示隐藏变量/>的父节点的集合。
其中:步骤七:采用模糊综合评价法,建立深部岩溶塌陷风险损失综合评价模型,对风险损失进行综合评价,分以下子步骤开展评价:
步骤7.1:基于步骤一的风险识别结果和深部岩溶塌陷风险评估体系,确定深部岩溶塌陷风险评价指标集A=[A1,A2,...,An];
步骤7.2:基于步骤二,根据深部岩溶塌陷风险损失特点,建立深部岩溶塌陷风险评价等级集C=[C1,C2,...,Cn];
步骤7.3:根据专家经验确定深部岩溶塌陷风险评价指标集A对风险评价等级集C的隶属度,构建隶属度向量Q=[Qi1,Qi2,…,Qij];
步骤7.4:基于层次分析法计算各风险因素的权重向量W=[W1,W2,…,Wn];采用专家1-9打分法,将深部岩溶塌陷风险因素两两进行重要性对比分析,并根据打分结果构造判断矩阵,由几何平均法计算权重向量,计算公式如公式(6):
步骤7.5:采用模糊综合评价法计算深部岩溶塌陷风险损失
E=W×Q。
其中:步骤八中:深部岩溶塌陷动态风险值等于风险发生的概率与损失的乘积,即R=P×E,根据深部岩溶塌陷动态贝叶斯网络模型计算的深部岩溶塌陷动态风险概率P,以及模糊综合评价法计算深部岩溶塌陷的风险损失E,计算深部岩溶塌陷动态综合风险值R。
通过上述内容可知,本发明的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法具有如下效果:
1、实现城市建筑密集区、生命线廊道区深部岩溶塌陷风险动态评估方法,以有效解决现有技术的问题。
2、可解决现有城市建筑密集区、生命线廊道区深部岩溶塌陷风险的动态评估方法,能够跟踪深部岩溶塌陷风险随时间发展和演化的过程,有效的考虑城市建筑密集区、生命线廊道区岩溶塌陷风险因子的动态演化。
3、考虑地层动态变形的影响,同时能够分析风险因子的时效性,反映城市建筑密集区、生命线廊道区深部岩溶塌陷风险的变化规律,及时获得深部岩溶塌陷灾害的风险状态,为后续防治提供决策依据。
本发明的详细内容可通过后述的说明及所附图而得到。
附图说明
图1显示了本发明的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法的示意图。
图2显示了本发明中深部岩溶塌陷风险评估体系的示意图。
图3显示了本发明中深部岩溶塌陷动态风险初始贝叶斯网络结构示意图。
图4显示了本发明中深部岩溶塌陷风险动态贝叶斯转移网络的示意图。
具体实施方式
参见图1,显示了本发明的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法。
如图1所示,所述基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法可包括如下步骤:
步骤一:识别城市建筑密集区、生命线廊道区深部岩溶塌陷风险因素,建立深部岩溶塌陷风险评估体系,确定各风险因素的状态空间;
步骤二:建立深部岩溶塌陷风险等级标准;
步骤三:建立深部岩溶塌陷风险动态贝叶斯初始网络的图模型;
步骤四:建立深部岩溶塌陷风险动态贝叶斯转移网络的图模型;
步骤五:深部岩溶塌陷风险动态贝叶斯网络正向概率推理,确定时间片内子节点的条件概率和时间片间转移节点的条件概率。
步骤六:利用深部岩溶塌陷风险动态贝叶斯网络逆向概率推理,输入观测数据,计算深部岩溶塌陷风险的后验概率,确定观测值条件下深部岩溶塌陷动态风险概率值;
步骤七:根据深部岩溶塌陷风险评估体系,建立深部岩溶塌陷风险损失模糊综合评价模型,对深部岩溶塌陷风险损失进行综合评价,得到岩溶塌陷风险损失值;
步骤八:结合深部岩溶塌陷风险动态概率值和深部岩溶塌陷风险损失值,进行深部岩溶塌陷动态风险评估。
具体而言,如图2所示,在步骤一中,确定深部岩溶塌陷风险因素,建立深部岩溶塌陷风险评估体系主要包含如下内容:
选取地质条件、诱发因素和可溶岩三方面风险因素作为深部岩溶塌陷风险评估指标,依据层次分析法将影响深部岩溶塌陷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:为深部岩溶塌陷风险状态R;准则层:为影响深部岩溶塌陷风险状态的3方面风险因素类别,由“地质条件A1”、“诱发因素A2”和“可溶岩A3”三方面组成;指标层:为影响准则层中各方面风险因素对应的12种风险因素,其中:地质条件方面A1对应指标为:“地形地貌A11”、“覆盖层条件A12”、“岩体弱化A13”;诱发因素方面A2对应指标为:“车辆荷载A21”、“振动荷载A22”、“贯穿破坏A23”、“水位稳定性A24”、“真空压力A25”、“地表渗水A26”、“岩土体开挖A27”;可溶岩方面A3对应指标为:“岩溶发育程度A31”、“岩体基本质量A32”。
设定风险因素的状态空间:
风险因素“地形地貌A11”、“覆盖层条件A12”、“岩体弱化A13”、“车辆荷载A21”、“振动荷载A22”、“贯穿破坏A23”、“水位稳定性A24”、“真空压力A25”、“地表渗水A26”和“岩土体开挖A27”、“岩体基本质量A32”节点均设为二状态变量。
风险因素“岩溶发育程度A31”设为多态变量。
“岩溶发育程度A31”设为三个状态,分别为岩溶强发育、岩溶中等发育、岩溶弱发育。“岩体基本质量A32”依据岩体的完成程度和坚硬程度设为两个状态,分别为一级、二级。
子节点“可溶岩A3”为组合变量,分别对应父节点“岩溶发育程度A31”和“岩体基本质量A32”的六个组合状态,用于简化网络,减少父节点数量,便于模型的计算分析。
如表一所示,步骤二中深部岩溶塌陷风险等级由风险发生的可能性和风险损失的严重程度确定。
风险发生可能性等级标准采用概率表示,分1~5级5个等级,从1级到5级风险发生的可能性分别为:频繁的、可能的、偶尔的、罕见的和不可能的。
风险损失等级标准按损失的严重性程度划分为A~E级五级,从A~E级风险损失等级的严重程度分别为:灾难性的、非常严重的、严重的、需考虑的、可忽略的。
根据风险发生的可能性和风险损失,深部岩溶塌陷风险等级分为四级。
表一
步骤三中,深部岩溶塌陷风险动态贝叶斯网络由深部岩溶塌陷风险初始网络B0和深部岩溶塌陷风险转移网络B→组成,初始网络是一个静态贝叶斯网络,转移网络是一个包含两个时间片的贝叶斯网络模型。
如图3所示,深部岩溶塌陷风险动态贝叶斯网络的结构学习是建立深部岩溶塌陷风险动态贝叶斯网络图模型的过程,包括深部岩溶塌陷风险初始网络的图模型和转移网络的图模型。
深部岩溶塌陷风险动态贝叶斯网络初始网络的图模型:
依据深部岩溶塌陷风险因素的因果关系,建立静态贝叶斯网络结构,即深部岩溶塌陷风险评估静态贝叶斯网络有向非循环图模型。
结合深部岩溶塌陷风险评估体系中的12个风险变量和三方面风险因素类别,将层次分析法示意图转化为有向无环图,并补充3个监测指标作为风险因素,根据各风险因素之间的因果关系,建立深部岩溶塌陷动态风险初始贝叶斯网络结构。
补充的3个监测风险因素分别为“岩体微振动幅值F”、“顶板沉降值S”、“顶板沉降速率V”,将“岩体微振动幅值F”、“顶板沉降速率V”设置为二态变量,“顶板沉降值S”设置为多态变量。
在深部岩溶塌陷贝叶斯网络风险概率模型中,将方案层的各项风险因素变量A11~A32作为父节点,将影响深部岩溶塌陷风险状态R的风险因素的类别A1~A3作为中间节点,深部岩溶塌陷风险状态R的目标层作为子节点,F、S、V作为观测节点。
步骤四中,如图4所示,以深部岩溶塌陷动态风险初始贝叶斯网络图模型为基础,将深部岩溶塌陷风险节点R作为转移节点,选择两个时间片,用有向边连接两个时间片的转移节点R,建立深部岩溶塌陷风险动态贝叶斯转移网络。
其中,设置两个时间片的时间间隔,根据深部岩溶塌陷风险动态贝叶斯网络。
考虑的时间总长度确定动态贝叶斯网络时间片的个数。
步骤五中,深部岩溶塌陷风险动态贝叶斯网络参数学习是计算动态贝叶斯模型中节点的概率分布,包括子节点的条件概率分布和转移节点的转移概率。
子节点的条件概率:
本专利采用基于专家先验知识的噪声或模型和噪声最大模型计算风险变量的条件概率。
二态变量的条件概率采用噪声或模型计算,多态变量的条件概率采用噪声最大模型计算。噪声或模型和噪声最大模型通过父节点对子节点顺序状态的累计,计算子节点的条件概率。
初始贝叶斯网络中A11~A27节点、A1节点和A2节点等二态变量的条件概率采用噪声或模型计算,即通过下列公式(1)得到。
pi表示仅Xi发生导致Y发生的概率,即:
XT表示事件X发生。
表示X1不发生。
风险因素“岩溶发育程度A31”、“岩体基本质量A32”“可溶岩A3”为多态变量,采用噪声最大模型计算条件概率。
深部岩溶塌陷风险节点Y的有五个状态,分别对应深部岩溶塌陷风险的五个风险发生可能性评价准则,节点Y的条件概率采用噪声最大模型计算,通过公式(2)和公式(3)得到。
式中,y、xi——节点Y、X的取值。
噪声或模型中的参数和噪声最大模型中的P(Y=y|X=xi)通过专家调查法计算。
采用专家调查法确定父节点的先验概率,分析整理收集的数据,确定贝叶斯网络父节点参数。根据专家从事相关领域的时间、经历和资历设置权重,将各位专家评估的结果加权平均综合为模型风险因素的最终参数值,即
表示风险因素j的状态为i时的概率
j表示风险因素
i表示风险因素的第i个状态
m专家调查的总人数
n表示风险因素的状态总数
ωijk表示判断风险因素j的状态i发生的第k个专家对应的权值
系数
转移节点的转移概率是已知上一时间片中转移节点的概率时,在当前时间片转移节点的概率分布,视为相邻两个时间片上的条件概率,本专利采用专家经验法确定转移节点的转移概率。
动态贝叶斯网络中任意两个相邻时间片的转移概率计算公式为公式(4):
表示转移节点,第t个时间片上的第i个节点;
表示转移节点/>的父节点。
步骤六中,深部岩溶塌陷静态风险概率分析将观测数据作为观测证据输入基于动态贝叶斯网络的深部岩溶塌陷风险概率评估模型中,通过逆向推理实时更新深部岩溶塌陷风险的后验概率,修正基于先验概率预测的结果。
有T个时间片的深部岩溶塌陷风险动态贝叶斯网络,具有n个隐藏节点(Y1,Y2,…,Yn),m个观测节点(X1,X2,…,Xm),为观测变量的观测值。
将Yi=yi简记为yi,记为/>
将Xi=xi简记为xi,记作/>
观测值下隐藏变量的分布为公式(5):
式中,u=1,2,…,T;v=1,2,…,m;p=1,2,…,T;q=1,2,…,n。
表示/>的一个取值状态;
表示观测变量/>的父节点的集合;
表示隐藏变量/>的一个状态;
表示隐藏变量/>的父节点的集合。
步骤七:采用模糊综合评价法,建立深部岩溶塌陷风险损失综合评价模型,对风险损失进行综合评价,分以下子步骤开展评价:
步骤7.1:基于步骤一的风险识别结果和深部岩溶塌陷风险评估体系,确定深部岩溶塌陷风险评价指标集A=[A1,A2,...,An];
步骤7.2:基于步骤二,根据深部岩溶塌陷风险损失特点,建立深部岩溶塌陷风险评价等级集C=[C1,C2,...,Cn];
步骤7.3:根据专家经验确定深部岩溶塌陷风险评价指标集A对风险评价等级集C的隶属度,构建隶属度向量Q=[Qi1,Qi2,…,Qij];
步骤7.4:基于层次分析法计算各风险因素的权重向量W=[W1,W2,…,Wn]。
采用专家1-9打分法,将深部岩溶塌陷风险因素两两进行重要性对比分析,并根据打分结果构造判断矩阵,由几何平均法计算权重向量,计算公式如公式(6):
步骤7.5:采用模糊综合评价法计算深部岩溶塌陷风险损失
E=W×Q。
步骤八中:深部岩溶塌陷动态风险值等于风险发生的概率与损失的乘积,即R=P×E。根据深部岩溶塌陷动态贝叶斯网络模型计算的深部岩溶塌陷动态风险概率P,以及模糊综合评价法计算深部岩溶塌陷的风险损失E,计算深部岩溶塌陷动态综合风险值R。
由此可见,本发明的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法建立了有效针对城市建筑密集区、生命线廊道区深部岩溶塌陷风险的指标体系,并提供了深部岩溶塌陷风险动态评估步骤、深部岩溶塌陷风险等级标准、深部岩溶塌陷风险动态贝叶斯网络初始网络的图模型、深部岩溶塌陷风险动态贝叶斯网络转移网络的图模型、深部岩溶塌陷风险动态贝叶斯网络正向概率推理、深部岩溶塌陷风险动态贝叶斯网络进行反向概率推理、深部岩溶塌陷风险损失模糊综合评价模型等针对性更佳的技术手段,实现了本发明的技术效果。
显而易见的是,以上的描述和记载仅仅是举例而不是为了限制本发明的公开内容、应用或使用。虽然已经在实施例中描述过并且在附图中描述了实施例,但本发明不限制由附图示例和在实施例中描述的作为目前认为的最佳模式以实施本发明的教导的特定例子,本发明的范围将包括落入前面的说明书和所附的权利要求的任何实施例。
Claims (10)
1.一种基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其特征在于包括如下步骤:
步骤一:识别城市建筑密集区、生命线廊道区深部岩溶塌陷风险因素,建立深部岩溶塌陷风险评估体系,确定各风险因素的状态空间;
步骤二:建立深部岩溶塌陷风险等级标准;
步骤三:建立深部岩溶塌陷风险动态贝叶斯初始网络的图模型;
步骤四:建立深部岩溶塌陷风险动态贝叶斯转移网络的图模型;
步骤五:深部岩溶塌陷风险动态贝叶斯网络正向概率推理,确定时间片内子节点的条件概率和时间片间转移节点的条件概率;
步骤六:利用深部岩溶塌陷风险动态贝叶斯网络逆向概率推理,输入观测数据,计算深部岩溶塌陷风险的后验概率,确定观测值条件下深部岩溶塌陷动态风险概率值;
步骤七:根据深部岩溶塌陷风险评估体系,建立深部岩溶塌陷风险损失模糊综合评价模型,对深部岩溶塌陷风险损失进行综合评价,得到岩溶塌陷风险损失值;
步骤八:结合深部岩溶塌陷风险动态概率值和深部岩溶塌陷风险损失值,进行深部岩溶塌陷动态风险评估。
2.如权利要求1所述的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其特征在于:
在步骤一中,确定深部岩溶塌陷风险因素,建立深部岩溶塌陷风险评估体系包含如下内容:
选取地质条件、诱发因素和可溶岩三方面风险因素作为深部岩溶塌陷风险评估指标,依据层次分析法将影响深部岩溶塌陷风险状态的评估指标分为目标层、准则层和指标层三层;
目标层:为深部岩溶塌陷风险状态R;准则层:为影响深部岩溶塌陷风险状态的3方面风险因素类别,由“地质条件A1”、“诱发因素A2”和“可溶岩A3”三方面组成;指标层:为影响准则层中各方面风险因素对应的12种风险因素,其中:地质条件方面A1对应指标为:“地形地貌A11”、“覆盖层条件A12”、“岩体弱化A13”;诱发因素方面A2对应指标为:“车辆荷载A21”、“振动荷载A22”、“贯穿破坏A23”、“水位稳定性A24”、“真空压力A25”、“地表渗水A26”、“岩土体开挖A27”;可溶岩方面A3对应指标为:“岩溶发育程度A31”、“岩体基本质量A32”。
3.如权利要求2所述的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其特征在于:
设定风险因素的状态空间包含风险因素“地形地貌A11”、“覆盖层条件A12”、“岩体弱化A13”,“车辆荷载A21”、“振动荷载A22”、“贯穿破坏A23”、“水位稳定性A24”、“真空压力A25”、“地表渗水A26”和“岩土体开挖A27”、“岩体基本质量A32”节点均设为二状态变量,风险因素“岩溶发育程度A31”设为多态变量,“岩溶发育程度A31”设为三个状态,分别为岩溶强发育、岩溶中等发育、岩溶弱发育;“岩体基本质量A32”依据岩体的完成程度和坚硬程度设为两个状态,分别为一级、二级。
4.如权利要求1所述的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其特征在于:
步骤二中深部岩溶塌陷风险等级由风险发生的可能性和风险损失的严重程度确定,风险发生可能性等级标准采用概率表示,分1~5级5个等级,从1级到5级风险发生的可能性分别为:频繁的、可能的、偶尔的、罕见的和不可能的;风险损失等级标准按损失的严重性程度划分为A~E级五级,从A~E级风险损失等级的严重程度分别为:灾难性的、非常严重的、严重的、需考虑的、可忽略的。
5.如权利要求1所述的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其特征在于:
步骤三中,深部岩溶塌陷风险动态贝叶斯网络由深部岩溶塌陷风险初始网络B0和深部岩溶塌陷风险转移网络B→组成,初始网络是一个静态贝叶斯网络,转移网络是一个包含两个时间片的贝叶斯网络模型,深部岩溶塌陷风险动态贝叶斯网络的结构学习是建立深部岩溶塌陷风险动态贝叶斯网络图模型的过程,包括深部岩溶塌陷风险初始网络的图模型和转移网络的图模型,深部岩溶塌陷风险动态贝叶斯网络初始网络的图模型依据深部岩溶塌陷风险因素的因果关系,建立静态贝叶斯网络结构,即深部岩溶塌陷风险评估静态贝叶斯网络有向非循环图模型,结合深部岩溶塌陷风险评估体系中的12个风险变量和三方面风险因素类别,将层次分析法示意图转化为有向无环图,并补充3个监测指标作为风险因素,根据各风险因素之间的因果关系,建立深部岩溶塌陷动态风险初始贝叶斯网络结构;
补充的3个监测风险因素分别为“岩体微振动幅值F”、“顶板沉降值S”、“顶板沉降速率V”,将“岩体微振动幅值F”、“顶板沉降速率V”设置为二态变量,“顶板沉降值S”设置为多态变量;
在深部岩溶塌陷贝叶斯网络风险概率模型中,将方案层的各项风险因素变量A11~A32作为父节点,将影响深部岩溶塌陷风险状态R的风险因素的类别A1~A3作为中间节点,深部岩溶塌陷风险状态R的目标层作为子节点,F、S、V作为观测节点。
6.如权利要求1所述的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其特征在于:
步骤四中,以深部岩溶塌陷动态风险初始贝叶斯网络图模型为基础,将深部岩溶塌陷风险节点R作为转移节点,选择两个时间片,用有向边连接两个时间片的转移节点R,建立深部岩溶塌陷风险动态贝叶斯转移网络。
7.如权利要求1所述的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其特征在于:
步骤五中,深部岩溶塌陷风险动态贝叶斯网络参数学习是计算动态贝叶斯模型中节点的概率分布,包括子节点的条件概率分布和转移节点的转移概率;
子节点的条件概率:
本专利采用基于专家先验知识的噪声或模型和噪声最大模型计算风险变量的条件概率;
二态变量的条件概率采用噪声或模型计算,多态变量的条件概率采用噪声最大模型计算;噪声或模型和噪声最大模型通过父节点对子节点顺序状态的累计,计算子节点的条件概率;
初始贝叶斯网络中A11~A27节点、A1节点和A2节点的二态变量的条件概率采用噪声或模型计算,即通过下列公式(1)得到;
pi表示仅Xi发生导致Y发生的概率,即:
XT表示事件X发生;
表示X1不发生;
风险因素“岩溶发育程度A31”、“岩体基本质量A32”“可溶岩A3”为多态变量,采用噪声最大模型计算条件概率;
深部岩溶塌陷风险节点Y的有五个状态,分别对应深部岩溶塌陷风险的五个风险发生可能性评价准则,节点Y的条件概率采用噪声最大模型计算,通过公式(2)和公式(3)得到;
式中,y、xi为节点Y、X的取值。
噪声或模型中的参数和噪声最大模型中的P(Y=y|X=xi)通过专家调查法计算;
采用专家调查法确定父节点的先验概率,分析整理收集的数据,确定贝叶斯网络父节点参数;根据专家从事相关领域的时间、经历和资历设置权重,将各位专家评估的结果加权平均综合为模型风险因素的最终参数值,即
表示风险因素j的状态为i时的概率;
j表示风险因素;
i表示风险因素的第i个状态;
m表示专家调查的总人数;
n表示风险因素的状态总数;
ωijk表示判断风险因素j的状态i发生的第k个专家对应的权值
系数;
转移节点的转移概率是已知上一时间片中转移节点的概率时,在当前时间片转移节点的概率分布,视为相邻两个时间片上的条件概率,本专利采用专家经验法确定转移节点的转移概率;
动态贝叶斯网络中任意两个相邻时间片的转移概率计算公式为公式(4):
表示转移节点,第t个时间片上的第i个节点;
表示转移节点/>的父节点。
8.如权利要求1所述的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其特征在于:
步骤六中,深部岩溶塌陷静态风险概率分析将观测数据作为观测证据输入基于动态贝叶斯网络的深部岩溶塌陷风险概率评估模型中,通过逆向推理实时更新深部岩溶塌陷风险的后验概率,修正基于先验概率预测的结果;
有T个时间片的深部岩溶塌陷风险动态贝叶斯网络,具有n个隐藏节点(Y1,Y2,···,Yn),m个观测节点(X1,X2,···,Xm),为观测变量的观测值,
将Yi=yi简记为yi,记为/>
将Xi=xi简记为xi,记作/>
观测值下隐藏变量的分布为公式(5):
式中,u=1,2,···,T;v=1,2,···,m;p=1,2,···,T;q=1,2,···,n;
表示/>的一个取值状态;
表示观测变量/>的父节点的集合;
表示隐藏变量/>的一个状态;
表示隐藏变量/>的父节点的集合。
9.如权利要求1所述的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其特征在于:
步骤七:采用模糊综合评价法,建立深部岩溶塌陷风险损失综合评价模型,对风险损失进行综合评价,分以下子步骤开展评价:
步骤7.1:基于步骤一的风险识别结果和深部岩溶塌陷风险评估体系,确定深部岩溶塌陷风险评价指标集A=[A1,A2,...,An];
步骤7.2:基于步骤二,根据深部岩溶塌陷风险损失特点,建立深部岩溶塌陷风险评价等级集C=[C1,C2,...,Cn];
步骤7.3:根据专家经验确定深部岩溶塌陷风险评价指标集A对风险评价等级集C的隶属度,构建隶属度向量Q=[Qi1,Qi2,…,Qij];
步骤7.4:基于层次分析法计算各风险因素的权重向量W=[W1,W2,…,Wn];采用专家1-9打分法,将深部岩溶塌陷风险因素两两进行重要性对比分析,并根据打分结果构造判断矩阵,由几何平均法计算权重向量,计算公式如公式(6):
步骤7.5:采用模糊综合评价法计算深部岩溶塌陷风险损失
E=W×Q。
10.如权利要求1所述的基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法,其特征在于:
步骤八中:深部岩溶塌陷动态风险值等于风险发生的概率与损失的乘积,即R=P×E,根据深部岩溶塌陷动态贝叶斯网络模型计算的深部岩溶塌陷动态风险概率P,以及模糊综合评价法计算深部岩溶塌陷的风险损失E,计算深部岩溶塌陷动态综合风险值R。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310657301.0A CN116629614B (zh) | 2023-06-05 | 2023-06-05 | 基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310657301.0A CN116629614B (zh) | 2023-06-05 | 2023-06-05 | 基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116629614A true CN116629614A (zh) | 2023-08-22 |
CN116629614B CN116629614B (zh) | 2024-05-10 |
Family
ID=87591842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310657301.0A Active CN116629614B (zh) | 2023-06-05 | 2023-06-05 | 基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629614B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080027690A1 (en) * | 2004-03-31 | 2008-01-31 | Philip Watts | Hazard assessment system |
CN110059963A (zh) * | 2019-04-20 | 2019-07-26 | 北京交通大学 | 一种基于模糊多态贝叶斯网络的隧道风险评价方法 |
CN112396320A (zh) * | 2020-11-18 | 2021-02-23 | 西南石油大学 | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 |
CN115630752A (zh) * | 2022-11-30 | 2023-01-20 | 中国矿业大学(北京) | 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 |
CN115689387A (zh) * | 2022-11-18 | 2023-02-03 | 西南交通大学 | 一种岩溶隧道塌方灾害风险综合评估方法及系统 |
CN116070907A (zh) * | 2023-01-05 | 2023-05-05 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种基于层次分析的岩溶塌陷易发性评估方法及系统 |
-
2023
- 2023-06-05 CN CN202310657301.0A patent/CN116629614B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080027690A1 (en) * | 2004-03-31 | 2008-01-31 | Philip Watts | Hazard assessment system |
CN110059963A (zh) * | 2019-04-20 | 2019-07-26 | 北京交通大学 | 一种基于模糊多态贝叶斯网络的隧道风险评价方法 |
CN112396320A (zh) * | 2020-11-18 | 2021-02-23 | 西南石油大学 | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 |
CN115689387A (zh) * | 2022-11-18 | 2023-02-03 | 西南交通大学 | 一种岩溶隧道塌方灾害风险综合评估方法及系统 |
CN115630752A (zh) * | 2022-11-30 | 2023-01-20 | 中国矿业大学(北京) | 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 |
CN116070907A (zh) * | 2023-01-05 | 2023-05-05 | 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) | 一种基于层次分析的岩溶塌陷易发性评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘芬: "数据挖掘中的核心技术研究", 地址出版社, pages: 151 - 153 * |
Also Published As
Publication number | Publication date |
---|---|
CN116629614B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nadiri et al. | Mapping vulnerability of multiple aquifers using multiple models and fuzzy logic to objectively derive model structures | |
Fijani et al. | Optimization of DRASTIC method by supervised committee machine artificial intelligence to assess groundwater vulnerability for Maragheh–Bonab plain aquifer, Iran | |
Nadiri et al. | Assessment of groundwater vulnerability using supervised committee to combine fuzzy logic models | |
CN110059963A (zh) | 一种基于模糊多态贝叶斯网络的隧道风险评价方法 | |
CN103268420A (zh) | 一种岩石高边坡的危险性评价方法 | |
CN113886917B (zh) | 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法 | |
CN110362948B (zh) | 一种基于云模型的岩溶地面塌陷的治理方法 | |
CN112396320A (zh) | 一种基于ism与模糊贝叶斯网络的隧道坍塌风险评估方法 | |
CN113689004A (zh) | 基于机器学习的地下管网承载力评价方法及系统 | |
Ens | Development of a flexible framework for deterioration modelling in infrastructure asset management | |
CN116777223B (zh) | 一种城市地下管网安全综合风险评估方法及系统 | |
CN112100927A (zh) | 一种基于ga-bp神经网络的边坡变形及软土地基沉降预测方法 | |
CN115049124A (zh) | 一种基于贝叶斯网络的深长隧道突涌水预测方法 | |
Hamamin et al. | Supervised committee fuzzy logic model to assess groundwater intrinsic vulnerability in multiple aquifer systems | |
CN111476472A (zh) | 硫铁矿山地质环境评价方法 | |
CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
Handrianto et al. | C. 45 Algorithm for classification of causes of landslides | |
CN117745466A (zh) | 一种尾矿库数智运维系统 | |
CN116629614B (zh) | 基于贝叶斯网络的城市深部岩溶塌陷风险动态评估方法 | |
CN117273491A (zh) | 一种基于深度强化学习的电力网络故障恢复动态决策方法 | |
CN111709592A (zh) | 基于神经网络与粗糙集分类的深基坑变形预测方法及系统 | |
CN116307730A (zh) | 一种深埋隧洞施工风险评估方法、记录媒体及系统 | |
He et al. | Integration of interpretive structural modeling with fuzzy Bayesian network for risk assessment of tunnel collapse | |
Najib et al. | An application of coastal erosion decision problem using interval type-2 fuzzy DEMATEL method | |
CN115936309B (zh) | 基于多特征因素集成评价的建筑物健康监测方法及系统 |
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 |