基于PCA-RA和云模型的采空區(qū)建設(shè)場地穩(wěn)定性評價(jià)

趙樂樂 王 亮 侯起陽 萬戰(zhàn)勝 郭慶彪

(1.河南省新融高速公路建設(shè)有限公司，河南 洛陽 471000;2.安徽理工大學(xué)空間信息與測繪工程學(xué)院，安徽 淮南 232001;3.河南省交通規(guī)劃設(shè)計(jì)研究院股份有限公司，河南 鄭州 450000)

近年來，隨著我國高速公路網(wǎng)的不斷加密、擴(kuò)張，不可避免地在一些地區(qū)會穿越廢棄采空區(qū)[1]。由于采空區(qū)地表存在殘余變形特征，可能會給高速公路安全運(yùn)營帶來風(fēng)險(xiǎn)。為有效規(guī)避風(fēng)險(xiǎn)，精準(zhǔn)評價(jià)采空區(qū)建設(shè)場地的穩(wěn)定性十分必要。陳毓[2]通過建立地質(zhì)災(zāi)害風(fēng)險(xiǎn)評估模型對研究區(qū)域進(jìn)行分區(qū)評估，并給出了相應(yīng)的防災(zāi)減災(zāi)對策;劉洋等[3]提出一種基于模糊評價(jià)的失穩(wěn)預(yù)測模型，并將其應(yīng)用于工程實(shí)例中，驗(yàn)證了模型的有效性，為后續(xù)開采活動(dòng)提供了技術(shù)支持;郭松等[4]通過模糊C均值聚類算法建立了采空區(qū)場地穩(wěn)定性評價(jià)指標(biāo)體系，提高了評價(jià)結(jié)果的可靠性，能夠有效解決采空區(qū)場地穩(wěn)定性評價(jià)指標(biāo)缺少的問題。以上研究方法雖然對于建設(shè)場地的穩(wěn)定性評價(jià)有著一定的借鑒意義，但大多采用單一的模型或算法進(jìn)行預(yù)測與研究，缺少對研究方法與評價(jià)結(jié)果的合理性分析，存在一定的局限性。

為此，本研究利用主成分分析法對建設(shè)場地穩(wěn)定性評價(jià)指標(biāo)進(jìn)行降維分析，從12個(gè)評價(jià)指標(biāo)中提取出4個(gè)主成分，并進(jìn)行殘差分析，減少評價(jià)過程的工作量，然后根據(jù)貢獻(xiàn)率計(jì)算出各主成分的權(quán)重;再依據(jù)云模型理論得到建設(shè)場地的穩(wěn)定性等級，并采用模糊熵理論確定評價(jià)結(jié)果的復(fù)雜度。將研究成果應(yīng)用于澠欒高速采空區(qū)路段建設(shè)場地穩(wěn)定性評價(jià)中，可為建設(shè)場地后續(xù)治理與監(jiān)測提供理論依據(jù)。

1 主成分分析確定權(quán)重

1.1 主成分分析

主成分分析(PCA)是利用數(shù)學(xué)手段對原始數(shù)據(jù)實(shí)現(xiàn)降維，并提取出數(shù)據(jù)中多個(gè)因素的關(guān)鍵信息，達(dá)到用少數(shù)的新變量表征原始變量的目的，且所得到的新變量之間并無相關(guān)關(guān)聯(lián)，這也是當(dāng)前被廣泛應(yīng)用于多種學(xué)科的一種多元統(tǒng)計(jì)分析方法[7]。利用主成分分析確定因素權(quán)重的步驟如下:

(1)假設(shè)存在n個(gè)待評價(jià)對象，對于每個(gè)評價(jià)對象有m個(gè)評價(jià)指標(biāo)，這n×m個(gè)數(shù)據(jù)構(gòu)成了一個(gè)特征分析矩陣X:

式中，xij為第i個(gè)待評價(jià)對象的第j個(gè)指標(biāo)，i=1，2，3，…，n;j=1，2，3，…，m。

(2)對分析矩陣進(jìn)行標(biāo)準(zhǔn)化處理并計(jì)算其相關(guān)系數(shù)矩陣R，通過解特征方程(L為特征向量矩陣)，求出R的特征值及特征向量，其中特征值為λ1＞λ2＞…＞λm，其對應(yīng)的特征向量分別為l1，l2，…，lm。

在進(jìn)行主成分分析之前，應(yīng)首先確定其適用性，可以通過 Kaiser-Meyer-Olkin(KMO)和 Bartlett球度檢驗(yàn)進(jìn)行適用性確定。同時(shí)，為確保在眾多評價(jià)指標(biāo)中提取出少量具有重要參考價(jià)值的指標(biāo)，在進(jìn)行主成分分析時(shí)，需將主要影響因素的指標(biāo)值排序在前。

1.2 殘差分析

PCA的實(shí)質(zhì)是通過降維變換，提取出少數(shù)幾個(gè)主成分來表征原始數(shù)據(jù)的絕大部分信息[9]。以往是根據(jù)特征值大于1或方差的累積貢獻(xiàn)率大于85%的準(zhǔn)則對主成分進(jìn)行提取，但可能會遺漏一些具有價(jià)值的信息，導(dǎo)致所提取的主成分不能很好地代表原始信息。因此，本研究采用殘差分析來檢驗(yàn)主成分提取結(jié)果的合理性[10]，公式為

式中，x′ij為標(biāo)準(zhǔn)化后的指標(biāo)數(shù)據(jù);xij為指標(biāo)原始數(shù)據(jù);j為第j個(gè)指標(biāo)的平均值;Sj為第j個(gè)指標(biāo)的標(biāo)準(zhǔn)差取值。

將評價(jià)指標(biāo)數(shù)據(jù)表示在主成分分析的前m維子空間上，公式為

殘差矩陣r為

2 云模型確定隸屬度

2.1 云模型理論

云模型是通過特定的映射關(guān)系能夠?qū)崿F(xiàn)定性與定量之間轉(zhuǎn)換的一種模型，并以期望Ex、熵En和超熵He3個(gè)數(shù)字特征來表征一個(gè)概念[11-13]。應(yīng)用云模型確定評價(jià)指標(biāo)的隸屬度時(shí)，常采用正向高斯云發(fā)生器實(shí)現(xiàn)定性到定量的映射，通過輸入云的數(shù)字特征和云滴數(shù)，從而輸出云滴在論域的空間位置與確定度[14]。

假設(shè)評價(jià)指標(biāo)值的范圍具有上下邊界，則云模型的3個(gè)數(shù)字特征可通過下式計(jì)算:

式中，fmin為評價(jià)指標(biāo)值范圍的最小邊界;fmax為評價(jià)指標(biāo)值范圍的最大邊界;K為常數(shù)，K=0.02。

根據(jù)確定的云模型數(shù)字特征，使用MATLAB軟件編寫正態(tài)云發(fā)生器程序，可生成評價(jià)指標(biāo)的云模型，將所得的確定度與相應(yīng)的評價(jià)指標(biāo)權(quán)重相乘，可得到待評價(jià)目標(biāo)隸屬于各等級的確定度[15]。

2.2 模糊熵理論

基于最大隸屬度原則即可判定待評價(jià)目標(biāo)的所屬等級。當(dāng)各評價(jià)指標(biāo)的隸屬等級相差不大或相等時(shí)，難以確定待評價(jià)目標(biāo)的等級，極易造成評價(jià)結(jié)果失真。因此，本研究在云模型的基礎(chǔ)上引入模糊熵理論，進(jìn)一步表示待評價(jià)目標(biāo)的復(fù)雜程度[16]。模糊熵H的計(jì)算模型為

式中，m為標(biāo)準(zhǔn)化系數(shù)，公式為

式中，n為總等級數(shù)，i=1，2，3，…，n;ui為等級i的綜合確定度。

本研究設(shè)定模糊熵H與模糊度的對應(yīng)關(guān)系為[0，0.25)、[0.25，0.50)、[0.50，0.75)、[0.75，1.00]依次對應(yīng)模糊性較低、一般、較高和高4種情況。當(dāng)模糊熵處于[0，0.50]區(qū)間時(shí)，表示各指標(biāo)隸屬等級相差不大，即評價(jià)結(jié)果復(fù)雜度較低，確定性較大;當(dāng)模糊熵處于 (0.50，1.00]區(qū)間時(shí)，表示各指標(biāo)隸屬等級相差較大，即評價(jià)結(jié)果復(fù)雜度較高，確定性較小[17]。

3 工程實(shí)例

3.1 工程概況

澠池至欒川高速公路路線全長40.082 km，采用雙向四車道高速公路技術(shù)標(biāo)準(zhǔn)，設(shè)計(jì)時(shí)速為100 km/h，路基寬度為26 m。根據(jù)高速公路與千秋煤礦的相對空間關(guān)系可知，線路的K4+800～K8+150里程段穿越千秋煤礦，其中路線K4+800～K7+760位于采空區(qū)上方，路線K7+760～K8+150位于儲煤區(qū)上方，如圖1所示[18]。

圖1 澠欒高速下伏采空區(qū)示意Fig.1 Schematic of goaf under Mianluan Expressway

千秋煤礦于1955年建井，地形以侏羅系礫巖、三疊系砂巖為骨架，地形起伏較大，為低山丘陵地貌;礦區(qū)井下斷層發(fā)育，斷層帶內(nèi)均有泥質(zhì)充填，含水性較弱，僅有少數(shù)斷層有滴水現(xiàn)象，且水量小。煤層頂?shù)装逵煞凵皫r、中細(xì)砂巖及泥巖等組成，工程地質(zhì)條件復(fù)雜程度為中等。千秋煤礦南部煤層埋深較深，北部煤層埋深較淺且采高較大，開采方式以綜采綜放為主。

為評價(jià)澠欒高速采空區(qū)路段建設(shè)場地的穩(wěn)定性，在參考相關(guān)規(guī)范要求的基礎(chǔ)上[19]，結(jié)合已有研究成果[20-21]，選取相對位置(X1)、停采時(shí)間(X2)、深厚比(X3)、水文特征(X4)、構(gòu)造復(fù)雜程度(X5)、覆巖結(jié)構(gòu)特征(X6)、開采方法(X7)、煤層傾角(X8)、采動(dòng)程度(X9)、變形類型(X10)、潛在殘余變形(X11)和外荷載擾動(dòng)情況(X12)共12個(gè)指標(biāo)進(jìn)行分析，有的原始數(shù)據(jù)可以直接用來進(jìn)行評價(jià)，部分原始數(shù)據(jù)則需要按照指標(biāo)的不同意義進(jìn)行量化處理，量化原則如表1所示[22-23]。各工作面的具體指標(biāo)值見表2。

表1 定性評價(jià)指標(biāo)量化Table 1 Quantitative of qualitative evaluation indexes

表2 各工作面評價(jià)指標(biāo)值Table 2 Evaluation index value of each working face

3.2 主成分分析法計(jì)算

依據(jù)主成分分析法計(jì)算步驟，利用SPSS軟件對表2中的數(shù)據(jù)進(jìn)行計(jì)算，結(jié)果見表3，其中KMO檢驗(yàn)值為0.686，大于 0.6，Bartlett球形檢驗(yàn)結(jié)果小于0.05，具有顯著性，說明選取的指標(biāo)數(shù)據(jù)適合進(jìn)行主成分分析。

表3 KMO檢驗(yàn)和Bartlett球度檢驗(yàn)Table 3 KMO test and Bartlett test of sphericity

主成分分析結(jié)果顯示，前4個(gè)主成分的累積貢獻(xiàn)率值達(dá)到 87%，超過 85%，即采用F1、F2、F3、F44個(gè)主成分便可代表原來12個(gè)評價(jià)指標(biāo)的信息。主成分特征值、方差貢獻(xiàn)率和各成分權(quán)重見表4。

表4 各主成分的特征值貢獻(xiàn)率Table 4 Contribution rate of characteristic values of each principal component

為驗(yàn)證主成分提取的合理性，在主成分分析的基礎(chǔ)上進(jìn)行殘差分析。選用逐漸增加主成分?jǐn)?shù)量的方法對標(biāo)準(zhǔn)化后的指標(biāo)值進(jìn)行重構(gòu)，并計(jì)算殘差。當(dāng)殘差呈現(xiàn)出明顯的結(jié)構(gòu)性特征時(shí)，表明所提取的主成分?jǐn)?shù)量不足以表征原始數(shù)據(jù)的全部信息，殘差結(jié)果如圖2至圖5所示。限于篇幅，本研究僅展示殘差結(jié)果表現(xiàn)為隨機(jī)性的成果，不重復(fù)展示指標(biāo)殘差結(jié)果已經(jīng)表現(xiàn)為隨機(jī)性的成果。

由圖3至圖5可知:當(dāng)保留第1個(gè)主成分(F1)時(shí)(圖 2)，X4、X7、X10、X11和X12表現(xiàn)出了顯著的隨機(jī)性;當(dāng)保留前 2個(gè)主成分時(shí)(圖 3)，X1、X3、X6和X8表現(xiàn)出隨機(jī)性;當(dāng)保留前3個(gè)主成分時(shí)(圖4)，X2和X9表現(xiàn)出隨機(jī)性;當(dāng)保留前4個(gè)主成分時(shí)(圖5)，X5表現(xiàn)出隨機(jī)性。由此可知:所提取的4個(gè)主成分能消除所有指標(biāo)的結(jié)構(gòu)性，完整地表征原始指標(biāo)的信息。

圖2 保留第1個(gè)主成分后的殘差結(jié)果Fig.2 Residual results after retaining the first principal component

圖3 保留前2個(gè)主成分后的殘差結(jié)果(部分)Fig.3 Residual results after retaining the first two principal components (part)

圖4 保留前3個(gè)主成分后的殘差結(jié)果(部分)Fig.4 Residual results after retaining the first three principal components (part)

圖5 保留前4個(gè)主成分后的殘差結(jié)果(部分)Fig.5 Residual results after retaining the first four principal components (part)

3.3 穩(wěn)定性等級判定

本研究依據(jù)相關(guān)標(biāo)準(zhǔn)將澠欒高速采空區(qū)路段建設(shè)場地穩(wěn)定性劃分為穩(wěn)定、基本穩(wěn)定、欠穩(wěn)定和不穩(wěn)定4個(gè)級別，并建立了所提取的4個(gè)主成分的分級標(biāo)準(zhǔn)，如表5所示[24]。根據(jù)式(6)可計(jì)算出云模型的3個(gè)特征值，如表6所示。再將所得的指標(biāo)隸屬度與權(quán)重相乘，可得到各工作面上方建設(shè)場地的穩(wěn)定性等級，并通過式(7)、式(8)計(jì)算評價(jià)結(jié)果的模糊熵，進(jìn)一步反映采空區(qū)建設(shè)場地穩(wěn)定性的復(fù)雜度，最終評價(jià)結(jié)果見表7。

表5 不同穩(wěn)定等級的指標(biāo)分級標(biāo)準(zhǔn)Table 5 Index grading standards of different stability grades

表6 云模型特征值(Ex，En，He)Table 6 Cloud model eigenvalues(Ex，En，He)

表7 工作面穩(wěn)定性評價(jià)結(jié)果Table 7 Evaluation results of working face stability

由表7可知:根據(jù)最大隸屬度原則，14個(gè)工作面上方建設(shè)場地樣本中有5個(gè)處于穩(wěn)定等級，9個(gè)處于基本穩(wěn)定等級，并且18101、18041和21101工作面上方建設(shè)場地穩(wěn)定性等級的模糊熵較大，說明這3個(gè)工作面建設(shè)場地的評價(jià)結(jié)果存在一定的模糊性，對他們進(jìn)行穩(wěn)定性評價(jià)具有一定的復(fù)雜性，在后續(xù)的治理與監(jiān)測中需要重點(diǎn)關(guān)注。

4 結(jié) 論

(1)提出了一種基于主成分分析與正態(tài)云模型的采空區(qū)建設(shè)場地穩(wěn)定性評價(jià)方法，并以澠欒高速采空區(qū)路段建設(shè)場地為例，對其進(jìn)行了穩(wěn)定性評價(jià)。

(2)通過主成分分析法從12個(gè)評價(jià)指標(biāo)中降維提取出4個(gè)主成分，并進(jìn)行了殘差分析，極大減少了評價(jià)過程的工作量;采用云模型計(jì)算各主成分隸屬于穩(wěn)定性等級的確定度，并基于最大隸屬度原則得到建設(shè)場地的穩(wěn)定性等級。結(jié)果表明:澠欒高速采空區(qū)路段建設(shè)場地的穩(wěn)定性狀態(tài)以穩(wěn)定、基本穩(wěn)定為主。研究成果對于后期高速公路建設(shè)場地治理與監(jiān)測有一定的參考價(jià)值。

(3)本研究僅選取了12個(gè)評價(jià)指標(biāo)進(jìn)行主成分分析，針對不同研究區(qū)域其指標(biāo)選取應(yīng)有所不同，故今后的研究將著重于建立一個(gè)具有一定普適性的穩(wěn)定性評價(jià)指標(biāo)體系，并不斷完善定性評價(jià)指標(biāo)的量化標(biāo)準(zhǔn)。