CN116629712B - 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 - Google Patents
基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 Download PDFInfo
- Publication number
- CN116629712B CN116629712B CN202310901107.2A CN202310901107A CN116629712B CN 116629712 B CN116629712 B CN 116629712B CN 202310901107 A CN202310901107 A CN 202310901107A CN 116629712 B CN116629712 B CN 116629712B
- Authority
- CN
- China
- Prior art keywords
- risk
- index
- weight
- neural network
- value
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000010948 quality risk assessment Methods 0.000 title claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000012502 risk assessment Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 33
- 239000002689 soil Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 239000000463 material Substances 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 230000005641 tunneling Effects 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000013016 learning Effects 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 239000013535 sea water Substances 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000005299 abrasion Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 239000004035 construction material Substances 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000009423 ventilation Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 4
- 239000002002 slurry Substances 0.000 claims description 4
- 239000002699 waste material Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 239000003673 groundwater Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000009326 social learning Effects 0.000 claims description 2
- 238000012954 risk control Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005755 formation reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 231100001010 corrosive Toxicity 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- -1 shield machines Substances 0.000 description 2
- 238000004078 waterproofing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 239000003518 caustics Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000007569 slipcasting Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Excavating Of Shafts Or Tunnels (AREA)
Abstract
本发明提供基于PSO‑BP神经网络的海底盾构隧道施工质量风险评估方法，在建立风险评价指标体系中采用AHP‑熵权法赋权，将主客观权重结合使评价结果更具有可靠性，解决了传统评价主观性太强的问题，提高海底盾构隧道施工质量风险评价的准确性和可靠性。该PSO‑BP神经网络模型能够通过前向传递和后向传递进行不断迭代，自动学习和优化权重，并且还对模型进行测试，大大提升了预测结果的准确度和精度；并且通过PSO‑BP神经网络模型进行风险评估大大降低了人力和时间成本。本发明的方法可以提供可视化的数据和结果，方便快速准确地提前了解施工过程中可能遇到的风险，系统评估施工过程中事故发生的可能性，为后续风险控制做好准备，以便采取相应的措施减少事故发生。
Description
技术领域
本发明属于工程施工技术领域，涉及一种施工质量风险评估方法。
背景技术
海底隧道的开发建设对于交通运输、经济发展和环境保护等方面都具有重要的意义。盾构法因其施工速度快和受环境影响小的优点被广泛运用于海底隧道施工。海底盾构隧道的建设是一项复杂的工程，其施工过程存在着多种风险因素，例如地层不稳定、水文地质条件不利、盾构机设备失效等。这些风险因素的存在可能会导致隧道的塌陷、泥水喷涌等安全事故，严重工程的质量。因此，对海底盾构隧道施工质量进行风险评估是很有必要的。
目前，对海底盾构隧道施工质量进行风险评估中，大多利用数学统计方法和模糊理论，另外风险评估经常使用的定性定量方法主要集中在头脑风暴法、德尔菲方法、因果分析法和复杂故障树法等，需要大量的人力和时间成本。传统的风险评价方法往往只考虑了一些如专家经验的主观因素，无法全面客观地评价施工质量风险。随着工程项目的不断发展以及外部环境的影响，单纯依靠这些风险评估方法构成的模型来评估海底盾构隧道的风险已经满足不了需求，达不到目前风险管理所需的预测精度。依靠着计算机技术的发展，将人工神经网络中应用最为广泛的BP神经网络作为算法模型预测施工风险已成为国内外专家学者最常用的方法。但是，BP神经网络是利用梯度下降法通过误差反向学习更新权值和阈值的，容易陷入局部极小值点，导致预测结果不准、精度不高。
发明内容
为解决背景技术中所述的问题，本发明提供基于PSO-BP神经网络的海底盾构隧道施工质量风险评估方法。
本发明的方法，包括以下步骤：
步骤一、建立风险评价指标体系：识别海底盾构隧道施工质量风险并根据4M1E的划分标准按照AHP的思想建立风险评价指标体系，所述风险评价指标体系包括目标层、准则层B和指标层C；
步骤二、计算指标权重：首先将准则层B和指标层C的指标采用1-9标度法打分，然后构建判断矩阵计算指标权重，然后进行一致性检验，一致性检验结果＜0.1的符合标准，接着将准则层B的权重值乘相对应指标层C指标的权重值，得到指标层C的主观权重W，最后利用熵权法计算指标层C的客观权重S，将主观权重W和客观权重S按照一定比例加权得到最终的指标权重Z；
步骤三、进行风险等级划分：依据风险事件发生的概率和影响程度对海底盾构隧道施工质量风险计算得到其风险值，依据风险值对施工质量风险进行风险等级划分；
步骤四、获取模型的输入数据：收集一定数量的海底盾构隧道项目的施工质量风险作为数据集，将数据集的初始数据分配步骤二的指标权重Z作为其真实风险值，将数据集的初始数据作为模型的输入数据，并按照一定的比例划分为训练数据集和测试数据集；
步骤五、建立PSO-BP神经网络模型：首先确定BP神经网络的输入、隐藏和输出层的层数和神经元个数，接着再确定粒子群算法的中包括惯性因子w、种群规模n、学习因子C1和C2在内的条件参数，最后运用MATLAB软件建立PSO-BP神经网络模型；
步骤六、训练模型：将训练数据集输入PSO-BP神经网络模型中进行前向传递和后向传递，进行迭代时，计算得到每个粒子的适应度值，将每个粒子的适应度值与其经过的最佳位置即个体极值进行比较，如果当前适应度值更好，则将其所处位置作为当前的最佳位置Pbest；同样，将每个粒子的适应度值与其经过的全局最佳位置进行比较，如果当前适应度值更好，则将其所处位置作为当前的全局最佳位置Gbest，更新粒子的速度和位置，直到模型满足误差精度要求或者最大迭代次数，得到训练后的PSO-BP神经网络模型及其权值和阈值参数；
步骤七、测试模型：将测试数据集输入训练后的PSO-BP神经网络模型中，将输出数据风险值与步骤三的风险等级划分进行对比，得出海底盾构隧道施工质量的风险等级测试值，将其与测试数据集的风险等级真实值进行对比，若测试准确率达到目标值，将训练后的PSO-BP神经网络模型作为最终PSO-BP神经网络模型；若测试准确率未达到目标值，重复步骤四至六，直到测试准确率达到预设值；
步骤八、将最终PSO-BP神经网络模型应用于海底盾构隧道施工质量风险评估，将输出数据风险值与步骤三的风险等级划分进行对比，得出海底盾构隧道施工质量的风险等级。
进一步地，所述步骤一中，准则层B包括五个指标：人工B1、材料B2、方法B3、机械B4、环境B5；所述指标层C包括属于人工B1的施工方案决策失误C11、施工材料供应不及时C12、盾构机的维护与保养不充分C13、推进压力或速度参数设置不合理C14、土体变形监测不到位C15、工人技术不熟练C16，属于材料B2的注浆材料不合格C21、预制管片质量不佳C22、防水防腐薄膜质量不佳C23、混凝土强度不达标C24，属于方法B3的盾构机偏离轴线姿态不佳C31、地质勘测方法不正确C32、同步注浆不当C33，属于机械B4的刀盘刀头磨损C41、主轴承磨损C42、排土输送系统损坏C43、浆液管道堵塞C44、液压千斤顶故障C45，属于环境B5的照明通风差C51、水压过高C52、地质不均匀严重C53、海水腐蚀过强C54。
更进一步地，所述步骤二中，1-9标度法为第i个因子相比第j个因子的重要程度值，其中1≤i≤n，1≤j≤n，n为因子个数；
第i个因子相比第j个因子，有以下情况：当极其重要时，标度为9；当介于极其重要和十分重要之间时，标度为8；当十分重要时，标度为7；当介于十分重要和重要之间时，标度为6；当重要时，标度为5；当介于重要和略重要之间时，标度为4；当略重要时，标度为3；当介于略重要和同等重要之间时，标度为2；当同等重要时，标度为1；当介于同等重要和略次要之间时，标度为1/2；当略次要时，标度为1/3；当介于略次要和次要之间时，标度为1/4；当次要时，标度为1/5；当介于次要和十分次要之间时，标度为1/6；当十分次要时，标度为1/7；当介于十分次要和极其次要之间时，标度为1/8；当极其次要时，标度为1/9；
所述判断矩阵的公式为：
其中，aij表示因子的重要程度值，A中的元素满足：aij＞0，aii＝1。
更进一步地，所述步骤二中，计算指标权重的方法为：
首先采用方根法计算权重，计算每行乘积的m次方，得到一个m维向量计算公式如下：
其中，aij表示因子的重要程度值，m为每行因子的个数；
再将向量标准化得到标准化权重Wi，计算公式如下：
然后计算最大特征根λmax，计算公式如下：
其中，n为因子的个数；AW为判断矩阵标准化后的权重按行累加值；
所述一致性检验的计算公式为：
其中，CR为一致性检验结果；RI为平均随机一致性检验指标，由判断矩阵维数决定；CI代表一致性指标，根据λmax计算得到，计算公式如下：
如果一致性检验结果CR＜0.1，则认为判断矩阵的一致性可以接受；否则需要对判断矩阵进行修正。
更进一步地，所述步骤二中，指标权重Z的计算方法为：
首先将各项指标数据标准化处理，计算公式如下：
①不存在负数的指标标准化公式：
②存在负数的指标标准化公式：
其中Xij为指标的原始数据，Yij为指标标准化之后的数据，max(Xj)和min(Xj)分别为第j项指标的最大值、最小值；
之后将各项指标数据归一化处理，计算公式如下：
求各指标的信息熵，公式如下：
通过信息熵计算各指标的客观权重，公式如下：
其中，K是指标个数；
最后指标权重Z的计算公式如下：
更进一步地，所述步骤三中，风险等级划分中将风险事件发生的概率和影响程度分别赋予30％和70％的权重进行加权得到最终的风险值RV，风险值RV对应的风险等级为：当0＜RV≤0.2，风险等级为低风险；当0.2＜RV≤0.4，风险等级为较低风险；当0.4＜RV≤0.6，风险等级为中风险；当0.6＜RV≤0.8，风险等级为高风险；当0.8＜RV≤1，风险等级为极高风险。
更进一步地，所述步骤三中，施工质量风险是根据项目相关信息对风险指标进行赋值而得到的，分为主观指标和客观指标；
所述主观指标包括人力资源配置和地质参数，依据实际项目根据经验对风险指标进行赋值；所述地质参数包括岩性、地层厚度、地层稳定性、岩体结构和地下水位；
所述客观指标包括海底盾构隧道施工过程中盾构机推进压力和盾构机掘进速度在内的机械参数；
所述海底盾构隧道施工过程中盾构机推进压力的计算公式为：
P＝k1γh+k2γw+k3δ0，
其中，P为盾构机的推进压力，γ为土的单位重量，h为土的高度，γw为水的单位重量，δ0为有效应力，k1、k2、k3为权重系数，取0-1之间的数；
所述盾构机掘进速度的计算公式为：
其中，V为盾构机掘进速度，Q为盾构机排出土的体积流量，A为盾构机掘进面积。
更进一步地，所述步骤五中，BP神经网络模型选取输入层到隐藏层的传递函数为“logsig”、隐藏层到输出层的传递函数为“purelin”，选取的训练函数为“trainlm”，最大迭代次数为1000，训练目标最小误差为0.001，学习速率为0.1；
所述传递函数“logsig”和“purelin”的函数表达式分别为：
purelin(x)＝x；
所述隐藏层初步节点个数的确定公式如下：
其中，n为输入层节点个数，m为输出层节点个数，a为1-10的常数。
更进一步地，所述步骤五中，运用MATLAB软件调用newff函数初步搭建PSO-BP神经网络，newff函数形式为net＝newff(P，T，S{TF1，TF2}，BTF，BLF，PF)；
设定完成之后要先初始化BP神经网络和粒子群算法的包括粒子群算法的速度和位置在内的参数，之后计算粒子的适应度，适应度函数如下所示：
其中，N是训练样本个数，Yi是期望输出值，yi是实际输出值；
比较粒子的适应度，确定个体最优位置Pbest和全局最优位置Gbest，根据公式更新粒子的速度和位置，公式如下：
Vid k+1＝Vid k+C1r1(Pbesti k-Xid k)+C2r2(Gbesti k-Xid k)，
Xid k+1＝Xid k+Vid k+1，
其中，C1是粒子的个体学习因子，也称为个体加速因子，是调节粒子自己飞向自身最佳位置Pbest方向的步长；C2是粒子的社会学习因子，也称为社会加速因子，是调节粒子自己飞向全局最佳位置Gbest方向的步长；r1和r2是0-1之间的随机数。
更进一步地，所述步骤五中，引入惯性权重w置于Vid k前，并动态调整惯性权重以平衡收敛的全局性和收敛速度，权重变化公式如下：
其中，wmax是最大惯性权重，wmin是最小惯性权重，tmax是最大迭代次数，t*是当前迭代次数；
达到预设精度或最大迭代次数时停止，例子找寻最优的速度和位置对应BP神经网络的权值和阈值，建立完整的PSO-BP神经网络。
本发明与现有技术相比，在建立风险评价指标体系中采用AHP-熵权法赋权，将主客观权重结合使评价结果更具有可靠性，解决了传统评价主观性太强的问题，提高海底盾构隧道施工质量风险评价的准确性和可靠性。本发明提出的PSO-BP神经网络模型能够通过前向传递和后向传递进行不断迭代，自动学习和优化权重，并且还对模型进行测试，大大提升了预测结果的准确度和精度；并且通过PSO-BP神经网络模型进行风险评估大大降低了人力和时间成本。本发明的方法可以提供可视化的数据和结果，方便快速准确地提前了解施工过程中可能遇到的风险，系统评估施工过程中事故发生的可能性，为后续风险控制做好准备，以便采取相应的措施减少事故发生。
附图说明
图1是本发明的方法流程图。
图2是风险评价指标体系架构图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本发明的方法流程图如图1所示，下面对其进行详细说明。
步骤一、建立风险评价指标体系：识别海底盾构隧道施工质量风险并根据4M1E的划分标准按照AHP的思想建立风险评价指标体系，所述风险评价指标体系包括目标层、准则层B和指标层C。
具体地，风险评价指标体系如图2所示，准则层B包括五个指标：人工B1、材料B2、方法B3、机械B4、环境B5；所述指标层C包括属于人工B1的施工方案决策失误C11、施工材料供应不及时C12、盾构机的维护与保养不充分C13、推进压力或速度参数设置不合理C14、土体变形监测不到位C15、工人技术不熟练C16，属于材料B2的注浆材料不合格C21、预制管片质量不佳C22、防水防腐薄膜质量不佳C23、混凝土强度不达标C24，属于方法B3的盾构机偏离轴线姿态不佳C31、地质勘测方法不正确C32、同步注浆不当C33，属于机械B4的刀盘刀头磨损C41、主轴承磨损C42、排土输送系统损坏C43、浆液管道堵塞C44、液压千斤顶故障C45，属于环境B5的照明通风差C51、水压过高C52、地质不均匀严重C53、海水腐蚀过强C54。
以上风险指标给海底盾构隧道施工质量带来的影响具体如下：
施工方案决策失误C11：可能导致施工过程中出现质量问题，例如强度不足、稳定性不佳、渗漏等问题，这些问题可能会影响隧道的使用寿命和安全性能。
施工材料供应不及时C12：海底盾构隧道施工需要大量的材料，包括盾构机、钢筋、混凝土、隧道衬砌等。如果施工材料供应不及时，施工人员可能会采取一些不安全的措施来弥补材料缺口，如使用不合格的材料，或者加快施工速度等极大可能会增加施工现场的安全风险和工程质量风险。
盾构机的维护与保养不充分C13：盾构机是一种大型机械设备，用于海底隧道的施工。如果盾构机的维护与保养不充分，将会出现故障或损坏，会导致施工质量下降，隧道内壁表面不光滑，甚至出现裂缝等问题。
推进压力或速度参数设置不合理C14：过高的推进压力或速度会导致盾构机掘进过程中的土层松散，从而增加隧道的沉降量，并且可能导致隧道沉降不均匀；不合理的推进压力或速度可能会导致隧道的尺寸、形状、水平度和垂直度不符合要求。这将影响隧道的使用效果，并可能增加隧道维护成本。
土体变形监测不到位C15：隧道施工中，土体变形监测不到位或不准确可能会影响隧道的质量。例如，如果隧道周围的土体变形过大，可能会导致隧道形状变形，尺寸不符合设计要求，从而影响隧道的使用效果。
工人技术不熟练C16：技术不熟练的工人可能会在施工过程中犯错或造成质量问题，例如破坏隧道衬砌、损坏钢筋等，从而影响隧道的使用效果和安全性。
注浆材料不合格C21：注浆材料是用于填充隧道周围的空隙和缝隙，防止水和泥沙进入隧道的关键材料。如果注浆材料不合格，可能会导致填充不充分或者填充不均匀，从而降低隧道的密封性，容易发生突涌水事故。还可能导致抗压强度无法满足设计要求，从而降低隧道的抗压能力，甚至引发隧道失稳的危险。
预制管片质量不佳C22：预制管片质量不佳可能会导致管片之间的间隙不均匀或者存在缺陷，还可能会影响隧道的稳定性和承载能力，从而影响隧道的质量和使用效果。
防水防腐薄膜质量不佳C23：防水防腐薄膜质量不佳可能会导致其水密性和防腐能力下降，从而使隧道容易受到水和腐蚀物的侵蚀，导致隧道使用中的安全风险增加。
混凝土强度不达标C24：混凝土强度不足可能导致隧道结构不稳定，从而存在安全隐患，导致海底盾构隧道的整体工程质量下降。
盾构机偏离轴线姿态不佳C31：盾构机偏离轴线姿态不佳可能导致隧道断面尺寸偏差，也可能导致环片间接缝不符合要求从而影响隧道的使用效果和安全性。
地质勘测方法不正确C32：地质勘测方法不正确可能导致断层、岩体等地质问题未被发现，隧道设计参数不准确，如隧道尺寸、支护方式等参数可能需要重新调整，从而导致施工时出现危险情况或者隧道结构稳定性受到影响。
同步注浆不当C33：同步注浆不当可能会导致漏浆和渗漏问题，使得注浆剂无法充分渗透到土体中，影响注浆效果和土体强度。还可能有安全隐患，如注浆管道破裂、注浆剂泄漏等问题，
刀盘刀头磨损C41：刀盘、刀头磨损严重会导致切削精度下降，从而影响隧道的开挖精度和形状，可能会对后续的隧道结构和设备安装带来困难。也可能会带来刀盘卡住、刀头断裂等问题，从而影响施工进度和质量。
主轴承磨损C42：主轴承是盾构机的重要组成部分，它负责支撑刀盘和推进系统的重量，并承受盾构机推进过程中的巨大扭矩和轴向负荷。主轴承的磨损会导致盾构机的推进力和控制能力下降，从而影响盾构机的推进速度和精度，甚至可能导致隧道的偏移、变形和质量问题。
排土输送系统损坏C43：排土输送系统是盾构机的重要组成部分，负责将盾构机在隧道掘进过程中产生的土屑、碎石等杂物及时排出隧道外。如果排土输送系统无法将隧道内的土屑及时排出，会导致土层在隧道内堆积和坍塌，从而影响隧道的稳定性和安全性。隧道内的土屑和碎石如果不能及时排出，还会影响管片的安装质量，导致管片错位、翘曲、裂缝等问题。
浆液管道堵塞C44：如果注浆加固的不及时，土层沉降会影响隧道的稳定性和安全性，还会导致隧道环片质量下降。
液压千斤顶故障C45：液压千斤顶是盾构隧道施工中常用的设备之一，用于支撑和推进盾构机。液压千斤顶的支撑作用是保证盾构机在施工过程中保持稳定的姿态。如果液压千斤顶故障，盾构机的姿态可能会不稳定，从而影响隧道的稳定性和安全性。
照明通风差C51:隧道施工需要高度精确的工作。如果照明条件不好，工人可能无法看清他们的工作，从而可能会导致错误和缺陷的发生。通风条件差可能会导致混凝土或其他材料未能在正确的温度和湿度下固化，这可能会影响隧道的稳定性和寿命。
水压过高C52：海水压力高于承受能力时，可能导致盾构机失稳或被卡住，从而增加施工事故的风险；高水压会影响周围土层的稳定性，可能导致地质灾害，如地层塌方、泥流等，进一步影响施工质量；高水压会引起隧道壁面渗水，产生水泡，降低盾构隧道的密封性能和防水能力，对隧道的使用寿命和安全性产生影响。
地质不均匀严重C53：如果隧道施工中遇到岩层断裂或者软弱地层，会导致盾构机掘进时的阻力突然增大，可能会引起盾构机偏移，从而影响隧道的水平位置和纵向坡度，甚至可能造成盾构机卡住不动；如果遇到地层稳定性差的情况，可能会导致隧道的变形和破坏。例如，地层不稳定会导致隧道的坍塌和沉降，进而影响隧道的安全和使用寿命；如果隧道所在地区存在水文地质问题，如高水位、渗漏、涌水等，可能会对隧道的稳定性产生负面影响。例如，涌水会导致隧道的泥沙塞堵，从而影响盾构机的推进和隧道的施工进度。
海水腐蚀过强C54：海水腐蚀过强是海底盾构隧道施工中一个重要的考虑因素。海水中的盐分和化学成分可能会对混凝土、钢筋和其他材料产生腐蚀作用，从而降低结构的强度和耐久性。如果混凝土、钢筋等结构材料受到海水腐蚀，其强度和耐久性会降低，可能会导致隧道结构的破坏和变形；海水腐蚀可能会破坏海底隧道结构的防水膜和涂层，降低其防水性能，增加隧道受水压力的风险。
步骤二、计算指标权重：首先将准则层B和指标层C的指标采用1-9标度法打分，然后构建判断矩阵计算指标权重，然后进行一致性检验，一致性检验结果＜0.1的符合标准，接着将准则层B的权重值乘相对应指标层C指标的权重值，得到指标层C的主观权重W，最后利用熵权法计算指标层C的客观权重S，将主观权重W和客观权重S按照一定比例加权得到最终的指标权重Z。
1-9标度法为第i个因子相比第j个因子的重要程度值，其中1≤i≤n，1≤j≤n，n为因子个数。第i个因子相比第j个因子，有如表1所示的以下情况。
表1 1-9标度法打分规则
| 标度 | 含义 |
| 1 | 表示两个元素相比，具有同等重要 |
| 3 | 表示两个元素相比，前者比后者略重要 |
| 5 | 表示两个元素相比，前者比后者重要 |
| 7 | 表示两个元素相比，前者比后者十分重要 |
| 9 | 表示两个元素相比，前者比后者极其重要 |
| 2，4，6，8 | 表示上述相邻判断的中间值 |
| 1-9的倒数 | 表示相应两因素交换次序比较的重要性 |
判断矩阵的公式为：
其中，aij表示因子的重要程度值，A中的元素满足：aij＞0，aii＝1。
从而，依据打分，准则层B和指标层C的判断矩阵如下所述。
准则层B的判断矩阵为：
指标层C的判断矩阵C1、C2、C3、C4、C5分别为：
具体地，计算指标权重的方法为：
首先采用方根法计算权重，计算每行乘积的m次方，得到一个m维向量计算公式如下：
其中，aij表示因子的重要程度值，m为每行因子的个数；
再将向量标准化得到标准化权重Wi，计算公式如下：
然后计算最大特征根λmax，计算公式如下：
其中，n为因子的个数；AW为判断矩阵标准化后的权重按行累加值；
一致性检验的计算公式为：
其中，CR为一致性检验结果；RI为平均随机一致性检验指标，由判断矩阵维数决定；CI代表一致性指标，根据λmax计算得到，计算公式如下：
如果一致性检验结果CR＜0.1，则认为判断矩阵的一致性可以接受；否则需要对判断矩阵进行修正。
表2矩阵阶数对应RI值
指标权重Z的计算方法为：
首先将各项指标数据标准化处理，计算公式如下：
①不存在负数的指标标准化公式：
②存在负数的指标标准化公式：
其中Xij为指标的原始数据，Yij为指标标准化之后的数据，max(Xj)和min(Xj)分别为第j项指标的最大值、最小值；
之后将各项指标数据归一化处理，计算公式如下：
求各指标的信息熵，公式如下：
通过信息熵计算各指标的客观权重，公式如下：
其中，K是指标个数；
最后指标权重Z的计算公式如下：
在本实施例中，指标权重的的计算结果为：
其中C11＝0.026，C12＝0.004，C13＝0.004，C14＝0.040，C15＝0.013，C16＝0.002，C21＝0.189，C22＝0.069，C23＝0.010，C24＝0.033，C31＝0.071，C32＝0.005，C33＝0.028，C41＝0.261，C42＝0.026，C43＝0.026，C44＝0.050，C45＝0.099，C51＝0.001，C52＝0.011，C53＝0.026，C54＝0.004。
步骤三、进行风险等级划分：依据风险事件发生的概率和影响程度对海底盾构隧道施工质量风险计算得到其风险值，依据风险值对施工质量风险进行风险等级划分。
具体地，施工质量风险是根据项目相关信息对风险指标进行赋值而得到的，分为主观指标和客观指标。
主观指标包括人力资源配置和地质参数，依据实际项目根据经验对风险指标进行赋值。地质参数包括岩性、地层厚度、地层稳定性、岩体结构和地下水位。
所述客观指标包括海底盾构隧道施工过程中盾构机推进压力和盾构机掘进速度在内的机械参数。
海底盾构隧道施工过程中盾构机推进压力的计算公式为：
P＝k1γh+k2γw+k3δ0，
其中，P为盾构机的推进压力，γ为土的单位重量，h为土的高度，γw为水的单位重量，δ0为有效应力，k1、k2、k3为权重系数，取0-1之间的数；
盾构机掘进速度的计算公式为：
其中，V为盾构机掘进速度，Q为盾构机排出土的体积流量，A为盾构机掘进面积。
风险等级划分中将风险事件发生的概率和影响程度分别赋予30％和70％的权重进行加权得到最终的风险值RV，如表3所示。
表3风险等级表
施工质量风险中各个主观指标和客观指标对应的风险值，如表4所示。
表4施工质量风险的各个指标对应的风险值
步骤四、获取模型的输入数据：收集一定数量的海底盾构隧道项目的施工质量风险作为数据集，将数据集的初始数据分配步骤二的指标权重Z作为其真实风险值，将数据集的初始数据作为模型的输入数据，并按照一定的比例划分为训练数据集和测试数据集。
在本实施中，取75％的初始数据作为训练数据集，剩下的25％作为测试数据集。
步骤五、建立PSO-BP神经网络模型：首先确定BP神经网络的输入、隐藏和输出层的层数和神经元个数，接着再确定粒子群算法的中包括惯性因子w、种群规模n、学习因子C1和C2在内的条件参数，最后运用MATLAB软件建立PSO-BP神经网络模型。
具体地，BP神经网络模型选取输入层到隐藏层的传递函数为“logsig”、隐藏层到输出层的传递函数为“purelin”，选取的训练函数为“trainlm”，最大迭代次数为1000，训练目标最小误差为0.001，学习速率为0.1；
传递函数“logsig”和“purelin”的函数表达式分别为：
purelin(x)＝x；
隐藏层初步节点个数的确定公式如下：
其中，n为输入层节点个数，m为输出层节点个数，a为1-10的常数。
更具体地，运用MATLAB软件调用newff函数初步搭建PSO-BP神经网络，newff函数形式为net＝newff(P，T，S{TF1，TF2}，BTF，BLF，PF)；
设定完成之后要先初始化BP神经网络和粒子群算法的包括粒子群算法的速度和位置在内的参数，之后计算粒子的适应度，适应度函数如下所示：
其中，N是训练样本个数，Yi是期望输出值，yi是实际输出值；
比较粒子的适应度，确定个体最优位置Pbest和全局最优位置Gbest，根据公式更新粒子的速度和位置，公式如下：
Vid k+1＝Vid k+C1r1(Pbesti k-Xid k)+C2r2(Gbesti k-Xid k)，
Xid k+1＝Xid k+Vid k+1，
其中，C1是粒子的个体学习因子，也称为个体加速因子，是调节粒子自己飞向自身最佳位置Pbest方向的步长；C2是粒子的社会学习因子，也称为社会加速因子，是调节粒子自己飞向全局最佳位置Gbest方向的步长；r1和r2是0-1之间的随机数。
更具体地，引入惯性权重w置于Vid k前，并动态调整惯性权重以平衡收敛的全局性和收敛速度，权重变化公式如下：
其中，wmax是最大惯性权重，wmin是最小惯性权重，tmax是最大迭代次数，t*是当前迭代次数；
达到预设精度或最大迭代次数时停止，例子找寻最优的速度和位置对应BP神经网络的权值和阈值，建立完整的PSO-BP神经网络。
步骤六、训练模型：将训练数据集输入PSO-BP神经网络模型中进行前向传递和后向传递，进行迭代时，计算得到每个粒子的适应度值，将每个粒子的适应度值与其经过的最佳位置即个体极值进行比较，如果当前适应度值更好，则将其所处位置作为当前的最佳位置Pbest；同样，将每个粒子的适应度值与其经过的全局最佳位置进行比较，如果当前适应度值更好，则将其所处位置作为当前的全局最佳位置Gbest，更新粒子的速度和位置，直到模型满足误差精度要求或者最大迭代次数，得到训练后的PSO-BP神经网络模型及其权值和阈值参数；
步骤七、测试模型：将测试数据集输入训练后的PSO-BP神经网络模型中，将输出数据风险值与步骤三的风险等级划分进行对比，得出海底盾构隧道施工质量的风险等级测试值，将其与测试数据集的风险等级真实值进行对比，若测试准确率达到目标值，将训练后的PSO-BP神经网络模型作为最终PSO-BP神经网络模型；若测试准确率未达到目标值，重复步骤四至六，直到测试准确率达到预设值。
在本实施里中，目标值设定为最大迭代次数为1000，训练目标精度为0.1％。
步骤八、将最终PSO-BP神经网络模型应用于海底盾构隧道施工质量风险评估，将输出数据风险值与步骤三的风险等级划分进行对比，得出海底盾构隧道施工质量的风险等级。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (6)
1.基于PSO-BP神经网络的海底盾构隧道施工质量风险评估方法，其特征在于，包括以下步骤：
步骤一、建立风险评价指标体系：识别海底盾构隧道施工质量风险并根据4M1E的划分标准按照AHP的思想建立风险评价指标体系，所述风险评价指标体系包括目标层、准则层B和指标层C；
步骤二、计算指标权重：首先将准则层B和指标层C的指标采用1-9标度法打分，然后构建判断矩阵计算指标权重，然后进行一致性检验，一致性检验结果＜0.1的符合标准，接着将准则层B的权重值乘相对应指标层C指标的权重值，得到指标层C的主观权重W，最后利用熵权法计算指标层C的客观权重S，将主观权重W和客观权重S按照一定比例加权得到最终的指标权重Z；
步骤三、进行风险等级划分：依据风险事件发生的概率和影响程度对海底盾构隧道施工质量风险计算得到其风险值，依据风险值对施工质量风险进行风险等级划分；
所述施工质量风险是根据项目相关信息对风险指标进行赋值而得到的，分为主观指标和客观指标；
所述主观指标包括人力资源配置和地质参数，根据实际项目和经验对风险指标进行赋值；所述地质参数包括岩性、地层厚度、地层稳定性、岩体结构和地下水位；
所述客观指标包括海底盾构隧道施工过程中盾构机推进压力和盾构机掘进速度在内的机械参数；
所述海底盾构隧道施工过程中盾构机推进压力的计算公式为：
，
其中，P为盾构机的推进压力，γ为土的单位重量，h为土的高度，为水的单位重量，为有效应力，k1、k2、k3为权重系数 ，取0-1之间的数；
所述盾构机掘进速度的计算公式为：
，
其中，V为盾构机掘进速度，Q为盾构机排出土的体积流量，A为盾构机掘进面积；
步骤四、获取模型的输入数据：收集一定数量的海底盾构隧道项目的施工质量风险作为数据集，将数据集的初始数据分配步骤二的指标权重Z作为其真实风险值，将数据集的初始数据作为模型的输入数据，并按照一定的比例划分为训练数据集和测试数据集；
步骤五、建立PSO-BP神经网络模型：首先确定BP神经网络的输入、隐藏和输出层的层数和神经元个数，接着再确定粒子群算法的中包括惯性因子w、种群规模n、学习因子 C1和C2在内的条件参数，最后运用MATLAB软件建立PSO-BP神经网络模型；
所述PSO-BP神经网络模型选取输入层到隐藏层的传递函数为“logsig”、隐藏层到输出层的传递函数为“purelin”，选取的训练函数为“trainlm”，最大迭代次数为1000，训练目标最小误差为0.001，学习速率为0.1；
所述传递函数“logsig”和“purelin”的函数表达式分别为：
，
；
所述隐藏层初步节点个数的确定公式如下：
，
其中，n为输入层节点个数，m为输出层节点个数，a为1-10的常数；
运用MATLAB软件调用newff函数初步搭建PSO-BP神经网络，newff函数形式为net=newff(P，T，S{TF1,TF2}，BTF，BLF，PF)；设定完成之后要先初始化BP神经网络和粒子群算法的包括粒子群算法的速度和位置在内的参数，之后计算粒子的适应度，适应度函数如下所示：
，
其中，N是训练样本个数，Yi是期望输出值，yi是实际输出值；
然后，比较粒子的适应度，确定个体最优位置Pbest和全局最优位置Gbest，根据公式更新粒子的速度和位置，公式如下：
，
，
其中，C1是粒子的个体学习因子，也称为个体加速因子，是调节粒子自己飞向自身最佳位置Pbest方向的步长；C2是粒子的社会学习因子，也称为社会加速因子，是调节粒子自己飞向全局最佳位置Gbest方向的步长；r1和r2是0-1之间的随机数；
最后，引入惯性权重w置于前，并动态调整惯性权重以平衡收敛的全局性和收敛速度，权重变化公式如下：
，
其中，wmax是最大惯性权重， wmin是最小惯性权重，tmax是最大迭代次数，t*是当前迭代次数；
达到预设精度或最大迭代次数时停止，粒子找寻最优的速度和位置对应BP神经网络的权值和阈值，建立完整的PSO-BP神经网络；
步骤六、训练模型：将训练数据集输入PSO-BP神经网络模型中进行前向传递和后向传递，进行迭代时，计算得到每个粒子的适应度值，将每个粒子的适应度值与其经过的最佳位置即个体极值进行比较，如果当前适应度值更好，则将其所处位置作为当前的最佳位置Pbest；同样，将每个粒子的适应度值与其经过的全局最佳位置进行比较，如果当前适应度值更好，则将其所处位置作为当前的全局最佳位置Gbest，更新粒子的速度和位置，直到模型满足误差精度要求或者最大迭代次数，得到训练后的PSO-BP神经网络模型及其权值和阈值参数；
步骤七、测试模型：将测试数据集输入训练后的PSO-BP神经网络模型中，将输出数据风险值与步骤三的风险等级划分进行对比，得出海底盾构隧道施工质量的风险等级测试值，将其与测试数据集的风险等级真实值进行对比，若测试准确率达到目标值，将训练后的PSO-BP神经网络模型作为最终PSO-BP神经网络模型；若测试准确率未达到目标值，重复步骤四至六，直到测试准确率达到预设值；
步骤八、将最终PSO-BP神经网络模型应用于海底盾构隧道施工质量风险评估，将输出数据风险值与步骤三的风险等级划分进行对比，得出海底盾构隧道施工质量的风险等级。
2.根据权利要求1所述的基于PSO-BP神经网络的海底盾构隧道施工质量风险评估方法，其特征在于：所述步骤一中，准则层B包括五个指标：人工 B1、材料 B2、方法 B3、机械B4、环境 B5；所述指标层C包括属于人工 B1的施工方案决策失误 C11、施工材料供应不及时 C12、盾构机的维护与保养不充分 C13、推进压力或速度参数设置不合理 C14、土体变形监测不到位 C15、工人技术不熟练 C16，属于材料 B2的注浆材料不合格 C21、预制管片质量不佳 C22、防水防腐薄膜质量不佳 C23、混凝土强度不达标 C24，属于方法 B3的盾构机偏离轴线姿态不佳 C31、地质勘测方法不正确 C32、同步注浆不当 C33，属于机械 B4的刀盘刀头磨损 C41、主轴承磨损 C42、排土输送系统损坏 C43、浆液管道堵塞 C44、液压千斤顶故障 C45，属于环境 B5的照明通风差 C51、水压过高 C52、地质不均匀严重 C53、海水腐蚀过强 C54。
3.根据权利要求2所述的基于PSO-BP神经网络的海底盾构隧道施工质量风险评估方法，其特征在于：所述步骤二中，1-9标度法为第i个因子相比第j个因子的重要程度值，其中1≤i≤n， 1≤j≤n， n为因子个数；
第i个因子相比第j个因子，有以下情况：当极其重要时，标度为9；当介于极其重要和十分重要之间时，标度为8；当十分重要时，标度为7；当介于十分重要和重要之间时，标度为6；当重要时，标度为5；当介于重要和略重要之间时，标度为4；当略重要时，标度为3；当介于略重要和同等重要之间时，标度为2；当同等重要时，标度为1；当介于同等重要和略次要之间时，标度为1/2；当略次要时，标度为1/3；当介于略次要和次要之间时，标度为1/4；当次要时，标度为1/5；当介于次要和十分次要之间时，标度为1/6；当十分次要时，标度为1/7；当介于十分次要和极其次要之间时，标度为1/8；当极其次要时，标度为1/9；
所述判断矩阵的公式为：
，
其中，表示因子的重要程度值，A中的元素满足：，，。
4.根据权利要求3所述的基于PSO-BP神经网络的海底盾构隧道施工质量风险评估方法，其特征在于：所述步骤二中，计算指标权重的方法为：
首先采用方根法计算权重，计算每行乘积的m次方，得到一个m维向量，计算公式如下：
；
其中，表示因子的重要程度值，m为每行因子的个数；
再将向量标准化得到标准化权重，计算公式如下：
；
然后计算最大特征根，计算公式如下：
；
其中，n为因子的个数；AW为判断矩阵标准化后的权重按行累加值；
所述一致性检验的计算公式为：
；
其中，CR为一致性检验结果；RI为平均随机一致性检验指标，由判断矩阵维数决定；CI代表一致性指标，根据计算得到，计算公式如下：
；
如果一致性检验结果CR＜0.1，则认为判断矩阵的一致性可以接受；否则需要对判断矩阵进行修正。
5.根据权利要求4所述的基于PSO-BP神经网络的海底盾构隧道施工质量风险评估方法，其特征在于：所述步骤二中，指标权重Z的计算方法为：
首先将各项指标数据标准化处理，计算公式如下：
①不存在负数的指标标准化公式：
，
②存在负数的指标标准化公式：
，
其中为指标的原始数据，为指标标准化之后的数据， 和分别为第 j 项指标的最大值、最小值;
之后将各项指标数据归一化处理，计算公式如下：
，
求各指标的信息熵，公式如下：
，
通过信息熵计算各指标的客观权重，公式如下：
，
其中，K是指标个数；
最后指标权重Z的计算公式如下：
。
6.根据权利要求5所述的基于PSO-BP神经网络的海底盾构隧道施工质量风险评估方法，其特征在于：所述步骤三中，风险等级划分中将风险事件发生的概率和影响程度分别赋予30%和70%的权重进行加权得到最终的风险值RV，风险值RV对应的风险等级为：当0＜RV≤0.2，风险等级为低风险；当0.2＜RV≤0.4，风险等级为较低风险；当0.4＜RV≤0.6，风险等级为中风险；当0.6＜RV≤0.8，风险等级为高风险；当0.8＜RV≤1，风险等级为极高风险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310901107.2A CN116629712B (zh) | 2023-07-21 | 2023-07-21 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310901107.2A CN116629712B (zh) | 2023-07-21 | 2023-07-21 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629712A CN116629712A (zh) | 2023-08-22 |
| CN116629712B true CN116629712B (zh) | 2024-02-13 |
Family
ID=87642125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310901107.2A Active CN116629712B (zh) | 2023-07-21 | 2023-07-21 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629712B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151464A (zh) * | 2023-08-23 | 2023-12-01 | 中国铁建大桥工程局集团有限公司 | 一种基于pso-rbf神经网络隧道塌方风险评估预测方法 |
| CN117236173A (zh) * | 2023-09-18 | 2023-12-15 | 中交四航局第一工程有限公司 | 一种地铁车站楼板高支模施工监控及安全预警方法 |
| CN117236137B (zh) * | 2023-11-01 | 2024-02-02 | 龙建路桥股份有限公司 | 一种高寒区深长隧道冬季连续施工控制系统 |
| CN117454256A (zh) * | 2023-12-26 | 2024-01-26 | 长春工程学院 | 基于人工智能的地质勘测方法及系统 |
| CN118246744A (zh) * | 2024-04-12 | 2024-06-25 | 中国水利水电第四工程局有限公司 | 一种特长隧道施工现场风险评估方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359738A (zh) * | 2018-10-19 | 2019-02-19 | 西南交通大学 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
| CN110889588A (zh) * | 2019-10-21 | 2020-03-17 | 铜陵学院 | 利用因子判断矩阵进行盾构隧道施工临近建筑物风险等级的评估方法 |
| CN112966949A (zh) * | 2021-03-15 | 2021-06-15 | 北京市市政工程研究院 | 隧道施工的风险评估方法、装置及存储介质 |
| CN113610397A (zh) * | 2021-08-09 | 2021-11-05 | 宁波工程学院 | 一种基于pso-bp神经网络的石化企业安全评价方法 |
| AU2021104851A4 (en) * | 2021-08-03 | 2021-11-11 | Karamoozian, Amirhossein Dr | An integrated fuzzy approach for risk assessment in tunneling construction projects |
| CN116307775A (zh) * | 2023-04-18 | 2023-06-23 | 李智 | 一种评价方法及系统 |
-
2023
- 2023-07-21 CN CN202310901107.2A patent/CN116629712B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359738A (zh) * | 2018-10-19 | 2019-02-19 | 西南交通大学 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
| CN110889588A (zh) * | 2019-10-21 | 2020-03-17 | 铜陵学院 | 利用因子判断矩阵进行盾构隧道施工临近建筑物风险等级的评估方法 |
| CN112966949A (zh) * | 2021-03-15 | 2021-06-15 | 北京市市政工程研究院 | 隧道施工的风险评估方法、装置及存储介质 |
| AU2021104851A4 (en) * | 2021-08-03 | 2021-11-11 | Karamoozian, Amirhossein Dr | An integrated fuzzy approach for risk assessment in tunneling construction projects |
| CN113610397A (zh) * | 2021-08-09 | 2021-11-05 | 宁波工程学院 | 一种基于pso-bp神经网络的石化企业安全评价方法 |
| CN116307775A (zh) * | 2023-04-18 | 2023-06-23 | 李智 | 一种评价方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629712A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116629712B (zh) | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 | |
| CN110442979B (zh) | 基于bp神经网络的盾构施工隧道的全变形预测方法及系统 | |
| Zhang et al. | Developing a cloud model based risk assessment methodology for tunnel-induced damage to existing pipelines | |
| CN111242499A (zh) | 基于层次-可拓分析的既有隧道衬砌结构病害评价方法 | |
| CN109345029A (zh) | 一种基于改进Topsis法的隧道施工优选方法 | |
| CN110489844B (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
| CN113468757B (zh) | 一种基于模糊随机理论评估腐蚀天然气管道可靠性的方法 | |
| CN112862266B (zh) | 一种基于模糊决策的煤矿事故应急预案评估模型构建方法 | |
| JP4194727B2 (ja) | コンクリート構造物の維持管理装置 | |
| CN115828374A (zh) | 适用于复合地层隧道施工期非均匀变形预测方法及系统 | |
| Deng et al. | Service life prediction for steel wires in hangers of a newly built suspension bridge considering corrosion fatigue and traffic growth | |
| CN104361179B (zh) | 一种基于概率理论和现场检测的桥梁耐久寿命分析方法 | |
| CN115358102B (zh) | 引入内检测数据的地震作用下腐蚀管道失效概率分析方法 | |
| CN106568647A (zh) | 一种基于神经网络的混凝土强度预测方法 | |
| CN113221399B (zh) | 一种铁路隧道装配式衬砌构件划分方案决策方法 | |
| CN117236525B (zh) | 一种基于bim的工程建设安全管理检测系统及方法 | |
| CN118171558A (zh) | 基于多元约束和目标优化的隧道开挖调控方法及系统 | |
| CN114298594A (zh) | 一种深井煤层底板含水层注浆加固效果等级评价方法 | |
| CN110909976B (zh) | 一种突出矿井抽掘采部署合理性评判改进方法及装置 | |
| CN106599363A (zh) | 一种基于层次分析法评估海港混凝土构件健康指标的方法 | |
| CN113822538A (zh) | 基于ahp-critic中小型土石坝运行评估方法 | |
| Mahmoodian et al. | A gamma distributed degradation rate model for reliability analysis of concrete pipes subject to sulphide corrosion | |
| CN105822907A (zh) | 一种埋地金属管道管地电位的控制方法 | |
| CN111401768A (zh) | 一种地铁车站安全施工预警方法 | |
| CN105005688A (zh) | 基于贝叶斯网络模型的水质污染判断方法 |
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 |