地鐵施工風險應急管理研究*

梅江鐘，馬玉潔，郭建斌

(1.西安建筑科技大學 管理學院，陜西 西安 710055；2.長慶油田第十一采油廠，陜西 西安 710055; 3.中建三局集團有限公司西北分公司，陜西 西安 710055)

數字出版日期： 2017-09-26

0　引言

近年來，由于地鐵項目施工環境復雜、不可預見因素多、缺乏有效的地鐵施工經驗，導致地鐵施工事故頻發[1]。為了快速、有效地應對地鐵施工事故，采取有針對性的應急管理措施，已經成為許多學者的共識。吳賢國[2]為解決現有地鐵施工風險管理方法在處理不確定性方面存在的不足,提出了一種基于貝葉斯網絡(BN)理論的施工風險管理分析方法；丁烈云[3]將信息技術用于地鐵工程施工安全風險控制，便于及時有效地采取施工控制和應急措施；胡群芳[4]通過收集2003—2011年我國地鐵隧道施工事故數據，為風險管理實施提供了基礎資料，并為我國地鐵建設事故防范提供參考；高丙麗[5]提出基于模糊綜合評判法，確定不同管線的風險等級,給出不同安全風險等級的管線保護措施,建立地鐵施工鄰近管線安全風險評估體系,為管線安全管理控制提供了可靠依據。此外，許多學者對地鐵施工事故時的應急處置方法進行詳細研究，但由于未能充分吸收以往類似事故應急處置的寶貴經驗，不但導致安全事故的處置效率不高，而且缺乏針對性。鑒于知識推理技術憑借其獨特的優點，近些年已在許多領域[6-10]得到成功應用，本文將知識本體和規則推理相關理論相結合，通過文獻查閱、大數據等方式搜集地鐵施工風險應急案例；建立知識本體模型，通過計算目標案例與源案例之間的綜合相似度進行案例推理匹配，從源案例庫中找出相似度最高的源案例；最終參考相似案例關鍵屬性的應急措施，根據實際情況對現有施工事故進行管理控制，從而提高地鐵施工事故應急處置決策的速度與針對性。

1　地鐵施工風險應急案例知識分析與表示

1.1　地鐵工程施工風險事故分析

地鐵工程施工風險事故的分析方式較多，將地鐵項目施工風險事故按盾構法、礦山法、明挖法施工工藝分為3大類，具體如圖1所示。

圖1　地鐵工程施工風險事故Fig.1　Risk factors of metro construction

1.2　地鐵施工風險應急案例相關屬性收集

通過文獻查閱、網絡收集等方式，對我國近年來發生的地鐵隧道施工事故相關數據[4]以及住建部近年來曝光的地鐵施工事故進行統計分析，并收集地鐵施工相關的風險知識，然后按照施工工藝、風險事件、風險因素、風險后果以及承險體5大類進行分解。每類又可以細分為一級、二級等概念類，不同類所屬的概念類之間存在屬性關系、所屬關系、部分關系、實例關系等[11]。對地鐵施工風險相關屬性進行整合，用Xi表示屬性，用Y表示決策屬性，如表1所示。

表1　地鐵施工風險案例的部分屬性

當決策屬性值分別為1；2；…；n時，對應的措施分別為D1，T1；D2，T2；…；Dn，Tn。

1.3　地鐵施工風險應急案例知識本體構建

在實際的地鐵施工風險應急案例中，導致地鐵施工風險事件的往往是多種因素相互作用而成的，例如：“井壁開裂”與“施工不當”之間存在某種關聯；風險后果與此也相似，例如：風險事件導致的風險后果不僅是“人員傷亡”、“工期延誤”等單一后果，而且還伴隨著“工程失穩”、“周邊建筑物沉降”等其他后果。通過對地鐵施工風險事故中的相關屬性進行形式化表示，并運用本體軟件Protege4.3,對收集到的地鐵施工風險應急案例建立知識本體層次結構，地鐵施工風險應急案例部分知識本體層次結構如圖2所示。

2　地鐵施工風險應急案例措施推理模型建立

地鐵施工風險應急案例措施推理流程為：首先，將新的地鐵施工風險案例(目標案例)相關屬性進行提取，并用XML語言進行形式化表示；其次，計算該目標案例與源案例庫中的源案例相似度，并進行案例匹配與檢索，對比相似源案例中關鍵屬性的相似度是否超過預先設置的閾值(δ)，從而決定直接參考相似度最大的案例的應急措施，還是啟用規則推理；最后，將生成的推薦方案由專家進行審核，審核通過則進行方案實施，否則對推理規則根據實際情況進行修改和調整，最終得出解決方案，并將該案例作為典型案例存儲在本體庫中，以便完善本體庫。具體流程如圖3所示。

圖2　地鐵施工風險應急案例部分知識本體層次結構Fig.2　Metro construction risk case knowledge ontology hierarchical structure chart

圖3　地鐵項目施工風險案例推理基本流程Fig.3　Basic process of case risk reasoning for construction risk of metro project

2.1　地鐵施工風險相似案例檢索

2.1.1各屬性權重確定

由于地鐵施工風險知識本體中，各屬性均為概念語義屬性，難以進行準確量化。因此，本文采用專家估計法確定各屬性的權重，設特征屬性U=(μ1,μ2，…，μn)，現有k位該領域的專家各自獨立地給出各個特征屬性的權重，如表2所示。

(1)

2.1.2各屬性相似度的計算

基于本體的案例之間相似度計算方法有很多，本文將綜合考慮概念語義距離、概念語義層次和概念語義重合度對概念語義相似度的影響，進行案例匹配。為了使研究表述更加嚴謹，做出以下定義：

定義1 ：地鐵工程施工風險應急案例知識本體領域中，各節點的概念元素之間不是單獨存在，而是與其上一層次的概念元素之間存在父子關系，各個節點具有繼承和遺傳特性(如：圖2中的“技術風險”是“勘察不當”、“施工不當”和“設計不當”的父節點，即“勘察不當”、“施工不當”和“設計不當”均可能導致“技術風險”；“技術風險”同時又是“風險因素”的子節點，即“技術風險”屬于“風險因素”中的一種)。

定義2：地鐵施工風險應急案例知識本體領域中，頂層為第一層(如：圖2中的“地鐵工程施工風險案例知識本體”為第一層)。

表2　專家估計法確定特征屬性權重

1)概念語義距離相似度

假設在本體樹中任意2個節點分別記為A和B。用sim1(A,B)表示節點A和B之間的語義距離相似程度。對概念語義相似度的計算，本文采用經典概念語義距離公式[12]：

sim1(A，B)=

(2)

其中N表示節點A,B的最近祖先與本體根節點間的距離。2者間的語義距離Dist(A,B)的關系如下：

①如果A和B是同1個節點，則Dist(A,B)=0；

②如果A和B之間沒有共同祖先(A和B中至少有1個不在本體庫中)，則Dist(A,B)=∞；

③否則，Dist(A,B)是從A到B或從B到A所經過的所有邊的總數。

2)概念語義層次相似度

假設在本體樹中，概念A在本體中的層次為L(A)，概念B在本體層次中的層次為L(B)。本體樹中所有最大的概念層次為L(C)。用sim2(A,B)表示節點A和B所在層次對于概念語義間的層次相似程度。可知，當A=B時，其概念層次相似度為1。通過對賀元香[13]提出的概念語義層次相似度算法進行改進后，提出如下計算方法，如式(3)所示。

(3)

3) 概念語義重合度

假設在本體樹中，任意2個節點分別記為A和B。N(A)是從A出發，向上直接到根節點R所經過的節點集合；同理，N(B)是從B出發，向上直接到根節點R所經過的節點集合。N(A)∩N(B)表示從A和B出發，向上直接到R的過程中相同節點的個數。N(A)∪N(B)表示從A和B出發，向上直接到R的過程中全部節點的個數。則用sim3(A,B)表示概念A和B之間的語義重合度[14]，如式(4)所示。

(4)

考慮到以上3種影響語義結構相似度的因素，本文提出如式(5)所示的源案例與目標案例的風險知識的概念語義相似度計算方法。

sim*(A,B)=α×sim1(A,B)+β×sim2(A,B)+γ×sim3(A,B)

(5)

式中：α,β,γ為調節因子，且α+β+γ=1，一般情況下，概念語義距離對概念語義相似度的影響較大[15]。不同領域可根據案例訓練方法可得。

2.1.3相似案例匹配

設地鐵施工風險應急案例庫中的源案例有m(M1,M2,…,Mm)個，每個案例有n個屬性。目標案例與源案例中相應的屬性分別記為A和B。計算出A和B的相似度之后，結合前文中計算出的各屬性權重，可以計算出目標案例與源案例庫中源案例之間的相似度ρ。

ρ=sim*(A,B)×ω

(6)

同理，計算出目標案例與本體庫中其他M-1個案例相似度，根據經驗選用0.80作為相似案例的閾值θ。最終選擇匹配后相似度大于閾值(0.80)的源案例Mi={Mi|θi≥0.8}，作為目標案例的控制措施決策參考案例。若匹配后所有相似度均小于該閾值，則需要將其直接存入本體庫中，作為新案例以備下次檢索。

通常情況下，由于“關鍵屬性”是導致事故發生的主要因素，所以在案例相似度匹配后，還需對相似度最高案例中的“關鍵屬性”進行相似度判斷。熵值法得出各屬性的權重后，進行大小排序，并以權重最大的屬性作為“關鍵屬性”。在相似案例匹配后，應選定δ作為關鍵屬性的閾值(其中閾值δ可以根據以往類似事故的數據統計，進行相關性分析得出)。如果目標案例與相似度最高案例之間的關鍵屬性大于δ，直接參考該案例中的應急措施；若目標案例與相似度最高的源案例之間的關鍵屬性小于δ，說明關鍵屬性不相似，則需啟用Jess推理機進行規則推理，得出控制措施。

2.2　地鐵施工風險應急措施推理與制定

2.2.1地鐵施工風險應急措施推理

通過前文案例檢索出案例庫中的相似案例后，參考決策屬性值啟用Jess推理機進行規則推理時，規則以IF-THEN的形式出現，IF為前提或條件；THEN為操作與結論。將目標案例的決策屬性作為前提條件，若前提條件在邏輯上正確，則其操作方可執行；反之，其操作將被忽略，然后進行下一規則的判斷。推理過程將一直到規則的前提或條件，與求解狀況相匹配或規則庫中的規則用盡為止。推理過程如下：

1)IF:ρi≥θ,THEN:Mi={Mi|ρi≥θ}(檢索出案例相似度超過閾值的相似案例)。

2)IF:Mi={Mi|ρi≥θ},THEN:Yi={YMi}(檢索相似案例的決策屬性值)。

3)IF:Yi={YMi},THEN:{D,T}={DYMi,TYMi}(檢索決策屬性值所對應的措施)。

4)Output:{D,T}(輸出措施庫中的控制措施)。

5)對措施推理所形成的地鐵施工風險應急措施進行專家評估參考后實施。

2.2.2地鐵施工風險應急措施制定

通過規則推理輸出的地鐵施工風險應急措施，需要經驗豐富的專家，結合目標案例的實際進行參考，分析是否需要再將其進行局部調整。經專家審核后，得出最終地鐵施工風險應急措施方案，即可實施。

3　實例分析

某地鐵項目10號線二期工程，工程內容包括：隧道工程、場站工程等。某站臺的2號出入口及1號風道采用明挖法施工；2號出入口北側存在污水管、上水管、輸水管，且臨近河道。某日施工時，2號出入口及1號風道區域基坑北側管線滲漏，坑外土體出現空洞并引起地表大面積塌陷。經過現場指揮部連夜排查，專家認為：主要是施工不當引起。現場監測得知，管線滲漏速率不少于25 m3/min。預計工期延誤5 d；所幸未造成人員傷亡。現需要參考案例庫中以往地鐵施工風險應急管理案例的控制措施，對該目標案例風險進行應急決策。建筑工程領域，計算概念語義相似度時，往往概念語義距離對概念相似度的影響較大；相似案例關鍵屬性的相似度越高，關鍵屬性越相似[16]。通過地鐵施工事故統計與相關性分析，設定調節因子α=0.5，β=0.3，γ=0.2；閾值θ=0.80，δ=0.90。

3.1　案例解析

根據以上地鐵項目施工風險案例基本信息，結合前文中的知識本體結構層次劃分，選取重要特征概念用作分析可知，該風險案例的施工工藝、風險事件、風險因素、風險后果、承險體分別為：明挖法、管線破裂、施工不當、工期延誤、場站結構。假設現有地鐵項目施工風險案例知識本體庫中有5個(本體庫中源案例越多，案例檢索效果越佳，本文假設有5個源案例)，施工風險案例的語義屬性和特征屬性如表3所示。

表3　目標案例與源案例語義屬性

3.2　屬性權重確定

現有5位領域專家各自獨立地給出5類屬性對地鐵施工風險應急案例中所占的權重，如表4所示。

表4　專家估計法確定特征屬性權重

由式(1)計算得：ω=(0.04，0.26，0.24，0.21，0.25) 。由于“風險事件”在5類屬性中所占權重最大，即為案例匹配的關鍵屬性。

3.3　最相似案例的確定

以源案例1為例，通過表3中的特征屬性，結合圖2中的知識本體層次結構圖和概念語義相似度計算公式(2)～(5)可得，目標案例和源案例1中各特征屬性的相似度為：

1)施工工藝相似度

2)風險事件相似度

3)風險因素相似度

4)風險后果相似度

5)承險體相似度

由式(6)可知：風險案例1與目標案例之間的相似度為ρ=sim(Ai,Bi)×ω=[1，0.47，1，1，0.69]×[0.04，0.266，0.24，0.21，0.25]T=0.77。

同理，計算出地鐵項目施工風險案例庫中其他4個案例與該目標案例之間的相似度，如表5所示。

表5　源案例與目標案例相似度

通過檢索，源案例3、源案例5與目標案例的綜合相似度均大于閾值(0.80)；由于源案例3和源案例5的“關鍵屬性”相似度(δ3=0.47，δ5=0.69)均小于閾值0.90，所以不能直接參考其控制措施，而需要啟用Jess推理機進行規則推理。

3.4　措施制定與分析

3.4.1措施推理

經過相似案例的匹配之后，參考決策屬性值啟用Jess推理機進行規則推理，推理如下：

1)IF:ρi≥0.80,THEN:Mi={Mi|ρi≥0.80};(檢索出案例相似度超過閾值的相似案例Mi={M3，M5})。

2)IF:Mi={M3，M5},THEN:Yi={YM3，YM5};(檢索相似案例的決策屬性值Yi={3，2})。

3)IF:Yi={YM3，YM5},THEN:{D,T}={DYM3，DYM5,TYM3,TYM5}(檢索決策屬性值所對應的措施{D2，D3，T2，T3})。

3.4.2地鐵施工風險應急措施的制定

通過前文的措施推理，結合專家分析，該地鐵施工風險應急案例的應急管理控制需要進一步加強，并對推理所形成的控制措施(D2：定期對施工區域測量點進行測量；D3：加強監測與巡查工作；T2：土方回填，灌注混凝土；T3：清理淤泥及注漿加固，重新開挖后進行二次補漿加固) 付諸實施，從而為施工單位提供一種可供快速決策且具有針對性的實施方案，并能對地鐵風險事故的擴大起到遏制作用。

3.4.3措施分析

通過綜合相似度的匹配，從案例中檢索出2個源案例與目標案例最接近，在考慮關鍵屬性對地鐵施工事故的主要影響后，最終鎖定源案例3和源案例5。但其關鍵屬性與目標案例的相似度仍低于經驗閾值(0.85)，所以需啟用規則推理對2個以往應急方案進行修改，使應急措施更具針對性。經專家審核后，參考最終形成的應急預案，制定目標案例施工事故的應急措施，該措施的快速實施對地鐵施工事故的蔓延起到遏制作用。

4　結論

1)通過對地鐵施工風險應急案例進行形式化表示，建立地鐵施工應急措施推理模型，為案例檢索提供基礎。

2)通過對比目標案例與源案例之間的相似度，對相似案例的決策屬性進行措施推理，提高地鐵施工風險案例的處理效率和控制措施的針對性。

3)通過實例分析，該地鐵施工項目施工風險案例的相關屬性分別為：明挖法、管線破裂、施工不當、工期延誤、場站結構。該案例與源案例庫中的源案例3與源案例5均相似，但由于“關鍵屬性”相似度均小于閾值，所以不能直接參考源案例3和源案例5的控制措施，而需要啟用Jess推理機進行規則推理。通過推理，結合專家分析，最終形成了控制措施 ：D2定期對施工區域測量點進行測量；D3加強監測與巡查工作；T2土方回填，灌注混凝土；T3清理淤泥及注漿加固，重新開挖后進行二次補漿加固。

[1]陳帆，謝洪濤．基于粗糙集和RBF神經網絡的地鐵施工安全風險評估[J]．安全與環境學報，2013，13(4)：232-235．

CHEN Fan, XIE Hongtao. On the urban metro construction safety risk assessment based on the rough set and RBF neural network[J]. Journal of Safety and Environment，2013，13(4):232-235.

[2]吳賢國，丁保軍，張立茂，等．基于貝葉斯網絡的地鐵施工風險管理研究[J]．中國安全科學學報，2014，24(1)：84-89．

WU Xianguo，DING Baojun，ZHANG Limao，et al. Research on risk management of subway construction based on Bayesian network[J]. China Safety Science Journal, 2014,24(1):84-89.

[3]丁烈云，周誠．復雜環境下地鐵施工安全風險自動識別與預警研究[J]．中國工程科學，2012(12)：85-93．

DING Lieyun, ZHOU Cheng. Automatic risk identification and safety early-warning of underground construction under complex conditions[J]. Chinese Journal of Engineering Science, 2012(12):85-93.

[4]胡群芳，秦家寶．2003-2011年地鐵隧道施工事故統計分析[J]．地下空間與工程學報，2013，9(3)：705-710．

HU Qunfan，QIN Jiabao. Statistical analysis on accidents of metro tunnel construction from 2003 to 2011 in China[J]. Chinese Journal of Underground Space and Engineering,2013,9(3):705-710.

[5]高丙麗，任建喜．地鐵施工鄰近管線安全風險評估研究[J]．現代隧道技術，2016，53(3)：118-123．

GAO Bingli,REN Jianxi. Study on safety risk assessment of adjacent pipeline in subway construction[J]. Modern Tunnelling Technology, 2016,53(3):118-123.

[6]張雙獅，蘭月新，劉冰月，等．基于案例推理的群體性事件智能決策支持WEB系統研究[J]．情報雜志，2017，36(4)：106-111, 145．

ZHANG Shuangshi,LAN Yuexin,LIU Bingyue,et al. On case-based reasoning intelligent decision support systembased on Web for group events[J].Journal of Intelligence, 2017,36(4):106-111,145.

[7]黃春雷，王峰，王建軍．基于知識推理的水電智能化在線調度技術[J]．電力系統自動化，2010，34(21)：50-54, 115．

HUANG Chunlei, WANG Feng, WANG Jianjun. Intelligent online hydropower dispatching based on knowledge reasoning[J]. Automation of Electric Power Systems, 2010，34(21)：50-54, 115．

[8]李保強, 吳笛. 基于知識關聯的學習資源混合協同過濾推薦研究[J]. 電化教育研究, 2016(6):77-83．

LI Baoqiang, WU Di.Research on hybrid collaborative filtering recommendation of learning resources based onknowledge association[J]. Education Research,2016(6):77-83.

[9]陶曉玲，韋毅，王勇．一種基于本體的并行網絡流量分類方法[J]．電子科技大學學報，2016，45(3)：417-422．

TAO Xiaoling, WEI Yi, WANG Yong. An ontology based parallel network traffic classification method[J]. Journal of University of Electronic Science and Technology of China, 2016,45(3):417-422.

[10]楊月華，杜軍平，平源．基于本體的智能信息檢索系統[J]．軟件學報，2015，26(7)：1675-1687．

YANG Yuehua, DU Junping, PING Yuan. Ontology-based intelligent information retrieval system[J]. Journal of Software, 2015,26(7):1675-1687.

[11]閆文周，劉振超．基于本體的EPC總承包項目風險控制研究[J]．施工技術，2016，45(6)：118-121．

YAN Wenzhou, LIU Zhenchao. Research on risk control of EPC project based on ontology[J]. Construction Technology, 2016,45(6):118-121．

[12]Palmer M, Wu Z. Verb semantics for English-Chinese translation[J]. Machine Translation, 1995, 10(1):59-92.

[13]賀元香，史寶明，張永．基于本體的語義相似度算法研究[J]．計算機應用與軟件，2013(11)：312-315．

HE Yuanxiang, SHI Baoming, ZHANG Yong.Research on ontology-based semantic similarity algorithm[J]. Computer Applications and Software,2013(11):312-315.

[14]索俊鋒, 劉勇, 鄒松兵. 基于地理本體的綜合語義相似度算法[J]. 蘭州大學學報(自科版), 2017, 53(1):19-27．

SUO Junfeng,LIU Yong,ZOU Songbing. Weighted semantic similarity algorithm based on gepgraphic ontology[J]. Journal of Lanzhou University:Natural Sciences,2017,53(1):19-27.

[15]劉景方, 鄒平, 張朋柱,等. 一種改進的本體概念語義相似度算法研究[J]. 武漢理工大學學報, 2010, 32(20):112-117．

LIU Jingfang,ZOU Ping,ZHANG Pengzhu,et al. Research on an improved algorithm of concept semantic similarity based on ontology[J]. Journal of Wuhan University of Technology,2010,32(20):112-117.

[16]閆文周，李超洋．建筑安全事故應急措施推理研究[J]．中國安全生產科學技術，2016，12(11)：136-141．

YAN Wenzhou, LI Chaoyang. Research on reasoning of emergency measures for construction safety accident[J]. Journal of Safety Science and Technology, 2016, 12(11):136-141.