大型流域工程建設風險預警與管控研究

張 志 豪， 李 善 平， 王 力， 劉 金 飛

(1.中國電建集團成都勘測設計研究院有限公司，四川 成都 610072；2.國能大渡河流域水電開發有限公司，四川 成都 610041)

0 引 言

水電工程數字化和智能化往往針對某類具體業務需求開展研究與應用。隨著計算機技術發展和流域整體風險管控需求的增長，數字流域研究已成為水電工程數字化研究領域的新熱門方向，如數字雅礱江、智慧金上[1]等，但目前尚處于起步階段，主要側重于數據的集成和展示，尚未通過對工程數字化中積累的海量實時監控數據的分析和挖掘，實現對電站級、流域級的風險自動識別、預警和輔助決策。

如何適應水電開發的發展形勢和前沿技術的發展，進行管理創新；如何結合流域層級工程建設綜合管理職能，研究建立智慧工程風險預警管控體系；如何基于電站層級智能化建設所積累的海量數據，研究風險自動識別和管控模型；如何打通流域各電站開發過程狀態監控數據，建立企業工程建設大數據中心，在項目公司日常管理智能化的基礎上，研發流域工程建設管控平臺，以工程重大安全、質量、進度、投資、環保問題和關鍵部位管理為重點，通過大數據及決策分析模型，對各管理要素趨勢性、系統性問題的分析、預警、決策與綜合管理，實現工程建設管理的自動預判、自主決策、自我演進等，是相關領域研究發展的趨勢[2-5]。

1 智慧工程建設管控分級預警指標體系

分級指標體系，是按照流域級、集團級工程管控需求，從各工程建設期、運維期產生海量數據中抽絲剝繭而形成的關鍵管控信息，這些關鍵指標的數據、歷史趨勢、關聯約束等信息，將時刻反饋出一個電站工程在建設、運維期的整體狀態、項目管理情況，是各電站工程的關鍵控制性指標[6-8]。

(1)安全管控指標。重大安全隱患數量、隱患整改及時率、安全事故數量；安全檢查隱患整改完成率、危險源(點)在控情況、安全習慣性違章、危險源(點)在控率、安全生產費用投入、人員安全培訓、安委會召開次數、特種作業；增加安全監測指標。

(2)質量管控指標。如機電工程質量管控指標、檢測頻次(原材料、半成品和成品)完成率、單元工程質量評定合格率、單元工程質量評定優良率、檢測不合格數量整改率。

(3)投資管控指標。如年度投資完成偏差率、資金計劃完成率、進度與投資偏差率、預計造價增減率、甲供材料使用率、備用資金使用率、保險項目結案率。

(4)環水保管控指標。環水保設施按時投用率、珍稀動植物保護區變化指標、環保水保投資完成率、環保水保問題整改率、環境監測數據合格率、“三同時”措施任務完成率[9-10]。

(5)進度與投資協同管控指標。進度完成率與投資完成率的匹配性指標，如掙值法。

(6)樞紐與移民的進度匹配度。

(7)樞紐與送出的進度匹配度。

2 智慧工程建設管控算法模型

圍繞預警指標體系，以數據挖掘為基礎、以算法模型為核心、以應用場景為主線，按照“大感知、大傳輸、大存儲、大計算、大分析”的要求，從數據來源、算法模型、應用場景等展開研究，逐一落實形成數據驅動管理的管控模型。具體工作包括[11]：

(1)指標項計算模型。包括上述指標體系中各指標項的數據來源、計算公式、分級閾值等。

(2)預警閾值的自適應模型。部分預警閾值需根據歷史狀況、工程階段等條件進行動態調整，如邊坡變形速率等。

(3)風險原因分析相關性模型。如施工質量與工序質量的相關性[12]，與管理人員到崗到勤率的相關性等，用于系統自動分析風險的原因、支撐風險處置決策。

3 智慧工程風險決策支持體系

以問題導向，解決工程建設中的實際問題，圍繞預警指標體系，分析各項預警指標異常時，可能的原因及應對策略分析，形成相應的決策支持體系[13]。具體工作包括：

(1)制定風險決策支持響應流程。當預警產生，根據風險原因分析結果，驅動預警指標相關特征數據與知識融合，匹配決策知識庫對應處理方案，由用戶研究并選擇處理方案，跟蹤方案處理結果，并將其經驗凝練形成知識存入決策知識庫[14]。

(2)決策知識庫的構建。以工程進度、質量、安全、投資、環保五控制管控為重點劃分知識庫，并對各管控要素知識以及措施方案按照說明性知識、過程性知識進行總結、分類、組織。以進度管控為例主要包括：

①資源配置影響知識；

②工期優化知識；

③費用優化知識；

④資源優化知識；

⑤類似工程糾偏案例知識；

⑥施工技術影響知識；

⑦趕工風險知識等。

4 智慧工程管控平臺

面向大渡河工程管理大部制的管理職能，研發流域工程管控數據中心平臺。以智慧工程風險預警管控體系及管控模型為基礎，以大渡河智慧企業大數據中心為支撐，在項目公司日常管理智能化的基礎上，以工程重大安全、質量、進度、投資、環保問題和關鍵部位管理為重點，通過大數據及決策分析模型，對各管理要素趨勢性、系統性問題的分析、預警、決策與綜合管理，實現工程建設管理的自動預判、自主決策、自我演進[15]。系統覆蓋大屏、移動端，包含基礎與特色功能。

4.1 智慧工程管控平臺基礎功能

4.1.1 智慧工程管控平臺(大屏端)

含流域綜合展示模塊、前期管理、安全管控模塊、投資管控模塊、環水保管控模塊、科技管理模塊、機電工程管控模塊、移民工程管控模塊、送出工程管控模塊、多維度協同管理、知識庫、預警信息分級管控等。

4.1.2 智慧工程管控平臺(移動端)

對接移動基礎平臺、前期管理展示與查詢、安全管控模塊展示查詢、投資管控模塊展示查詢、環水保管控模塊展示查詢、科技管理展示查詢、機電工程管控模塊查詢展示、移民工程管控模塊查詢展示、送出工程管控模塊查詢展示、個人管理。

4.2 智慧工程管控平臺特色功能

4.2.1 工程建設全生命周期高階管理

以項目公司智能化建設為基礎，建立標準統一、流程規范、業務量化的工程管控體系，體現公司層級從發展規劃、項目立項、前期設計、建設實施、竣工驗收、移交運營到工程壽命終止的全階段、全周期的重點管理。

4.2.2 工程建設全方位風險預警、全要素智能調控

通過對工程建設過程中各種風險數據管理和管控模型分析，對接國電大渡河大數據中心，打通建設中業主、設計、監理、施工、政府等相關方的數據，與各電站的智慧工程建設共同形成工程安全、質量、進度、投資、環保與機電、移民搬遷等專業的大感知、大傳輸、大儲存、大數據、大計算、大分析的管控體系，實現全方位、全過程風險識別，全專業、全要素智能調控。

4.2.3 管控對象及業務可視化

掌控流域工程建設當前的整體狀態(對象可視化)，實現業務過程計劃、實際、偏差的度量(業務可視化)，監控管控要素的狀態(數據可視化)。

4.2.4 管控流程的固化與優化

針對工程開工、工程核準、移民手續、環保手續、送出審批、風險分級預警與處理等流程[16]，固化在工程管控平臺，優化處理流程體驗，實現系統自動提醒與失效預警。

4.2.5 大數據相關性分析模型

利用大數據分析技術，通過數據挖掘和相關性分析，建立工程五控制(安全、質量、進度、投資、環保)分析預測模型。

4.2.6 數據驅動的人機交互決策

系統根據預警原因匹配措施庫，以友好的界面展示，通過人性化的交互方式供決策者確定預警原因、選擇處理措施，做出決策[17]。

4.2.7 重大風險的預警及處置閉環管理

工程管控平臺輔以移動端APP，實現工程建設五要素的風險識別、分級預警、輔助決策、處理反饋、措施優化的閉環管理。

4.2.8 遠程診斷會商

建立遠程會商平臺，進行公司、項目部、工地現場、外部專家等多方即時溝通，對工程設計方案、施工方案、工程進度質量等進行論證和交流[18]。

4.2.9 措施庫、知識庫自我演進

基于爬蟲技術的知識庫自我擴充；知識庫-支撐自主決策-處理反饋-擴充知識庫的自我演進機制；基于用戶喜好的知識個性化推送[19]。

4.2.10 建立智慧工程建設長效監控機制

項目公司智能化建設進展監控；系統應用情況(數據稽核、用戶數量、使用次數)監控與預警；建設效益統計分析。

5 應用場景示例

針對土石壩施工過程中可能出現的質量問題，對應用場景進行示例。

5.1 數據采集

土石壩施工過程中，土石料碾壓是施工質量控制的重點環節。在施工過程中，利用物聯網技術實時采集的碾壓范圍、碾壓遍速等自動采集數據，以及壓實度等人工采集數據。這些數據通過工程現場各類APP、系統實時匯集，并在各業務系統中進行分析和處理，同時，數據通過篩選后，進入大渡河工程數據中心，并按照分級預警指標體系進行數據篩選，形成預警體系的基礎數據。

5.2 指標預警

當指標出現異常時，系統應首先判斷該指標預警的可信度，排除如數據污染或填報錯誤等原因造成的異常預警。對無法排除異常情況的預警，則進入指標預警處置體系，系統自動推送主要指標預警，如大壩填筑單元工程優良率持續下降。同時，系統根據指標間的關聯關系(同類業務、同部位等)，自動推送次要指標數據，如大壩填筑單元工程優良率指標相關的心墻料檢測合格率、碾壓行駛速度、鋪料厚度、碾壓覆蓋范圍、碾壓遍數等指標，從以上指標中，系統將自動篩選出有明顯異常情況的指標(通常情況下在主要指標未預警的情況下，次級指標并不作為流域級工程管理預警指標)。用戶可通過主要預警指標的數據特征與次級指標的異常情況，分析異常情況的可能原因。

5.3 存在的風險

系統自動針對指標預警情況進行風險提示。系統將利用風險關聯模型，根據預警指標的具體類型，提取對應可能發生的風險，推送至管理層。風險管理模型具備預設及人工篩選功能，通過大量樣本的決策選擇機制，優化關聯關系。推送的風險結果將包含如風險發生的可能性、風險的嚴重性等相關信息，為管理決策提供風險評估的支撐數據。

5.4 風險原因

系統對主要指標預警及次要指標異常情況進行綜合分析判斷，根據指標—原因關聯關系，從原因庫中提取可能造成指標異常及預警的原因。如當系統推送大壩填筑單元工程優良率持續下降指標預警時，進一步篩選關聯次級指標，挖掘心墻料檢測合格率、碾壓覆蓋范圍兩個次級指標數據異常[20]。系統根據以上結果，遍歷原因庫，通過預設指標-原因關聯關系，篩選出可能的原因包括現場交底不足、現場管控不足、碾壓寬度不達標等。管理人員可根據規范、經驗及現場具體情況對推送原因進行調整、修改，并對原因分析結果進行確認。確認后的指標—原因結果將反饋至系統，為下一次原因分析提供訓練、分析樣本。

5.5 風險原因模型判斷

由于影響工程預警指標的原因是多元的，不僅需要判斷造成風險的原因種類，還應當分析原因對風險的占比或貢獻度。因此，系統應提供風險原因分析模型，模型提供風險-原因貢獻度預設指標，管理員可通過對實際的了解、調查，調整風險-原因之間的關系或貢獻占比，并將樣本反饋至系統，系統通過多次的成果反演，將實現風險原因判斷的自我演進和真實趨近[21]。

5.6 決策支持

針對預警情況、風險原因分析結果，系統還提供決策支持功能，基于措施庫、案例庫中的數據資料，根據風險-原因-措施之間的關聯關系，推送潛在可解決問題的措施。同時，類似原因分析及風險分析，用戶可對措施預案的合理性、關聯性進行調整、新增，系統將自動對結果進行分析，通過樣本訓練調整關聯關系。如針對土石壩碾壓施工交底不足的情況，從措施庫中可獲得決策支持包括以控制碾壓參數為主，以試坑法檢測干容重為輔的“雙控”法進行質量檢測、“按規定的錯距寬度進行碾壓，低速行走。反饋振動碾壓操作人員，提示運行位置、碾壓遍數、行車速度等標識”。措施庫基于規范建立，確保其可行性和正確性。

5.7 預警閉合

通過系統對風險、原因、措施等環節的相關分析成果(含預警情況、原因分析結果、風險告知結果、措施預案)推送至流域級工程管理部門及項目管理人員，各方應對預警情況進行反饋，并形成預警處理閉環。

6 結 語

在水電站項目層級數字化、智能化建設的技術、數據和系統建設成果的基礎上，聚焦工程重大安全、質量、進度、投資、環保問題和關鍵部位管理等管控重點，建立流域風險指標體系，利用大數據分析技術，研究并建立水電水利領域智慧工程風險預警模型、風險決策模型，對各管理要素趨勢性、系統性問題的分析、預警、決策與綜合管理，通過流域智慧工程管控平臺，實現工程建設管理的自動預判、自主決策、自我演進，對提升大型流域水電工程建設智能化管控水平、應對新形勢下水電開發面臨的挑戰，具有重要意義。