地铁施工风险应急管理研究*

梅江钟，马玉洁，郭建斌

(1.西安建筑科技大学 管理学院，陕西 西安 710055；2.长庆油田第十一采油厂，陕西 西安 710055; 3.中建三局集团有限公司西北分公司，陕西 西安 710055)

数字出版日期： 2017-09-26

0　引言

近年来，由于地铁项目施工环境复杂、不可预见因素多、缺乏有效的地铁施工经验，导致地铁施工事故频发[1]。为了快速、有效地应对地铁施工事故，采取有针对性的应急管理措施，已经成为许多学者的共识。吴贤国[2]为解决现有地铁施工风险管理方法在处理不确定性方面存在的不足,提出了一种基于贝叶斯网络(BN)理论的施工风险管理分析方法；丁烈云[3]将信息技术用于地铁工程施工安全风险控制，便于及时有效地采取施工控制和应急措施；胡群芳[4]通过收集2003—2011年我国地铁隧道施工事故数据，为风险管理实施提供了基础资料，并为我国地铁建设事故防范提供参考；高丙丽[5]提出基于模糊综合评判法，确定不同管线的风险等级,给出不同安全风险等级的管线保护措施,建立地铁施工邻近管线安全风险评估体系,为管线安全管理控制提供了可靠依据。此外，许多学者对地铁施工事故时的应急处置方法进行详细研究，但由于未能充分吸收以往类似事故应急处置的宝贵经验，不但导致安全事故的处置效率不高，而且缺乏针对性。鉴于知识推理技术凭借其独特的优点，近些年已在许多领域[6-10]得到成功应用，本文将知识本体和规则推理相关理论相结合，通过文献查阅、大数据等方式搜集地铁施工风险应急案例；建立知识本体模型，通过计算目标案例与源案例之间的综合相似度进行案例推理匹配，从源案例库中找出相似度最高的源案例；最终参考相似案例关键属性的应急措施，根据实际情况对现有施工事故进行管理控制，从而提高地铁施工事故应急处置决策的速度与针对性。

1　地铁施工风险应急案例知识分析与表示

1.1　地铁工程施工风险事故分析

地铁工程施工风险事故的分析方式较多，将地铁项目施工风险事故按盾构法、矿山法、明挖法施工工艺分为3大类，具体如图1所示。

图1　地铁工程施工风险事故Fig.1　Risk factors of metro construction

1.2　地铁施工风险应急案例相关属性收集

通过文献查阅、网络收集等方式，对我国近年来发生的地铁隧道施工事故相关数据[4]以及住建部近年来曝光的地铁施工事故进行统计分析，并收集地铁施工相关的风险知识，然后按照施工工艺、风险事件、风险因素、风险后果以及承险体5大类进行分解。每类又可以细分为一级、二级等概念类，不同类所属的概念类之间存在属性关系、所属关系、部分关系、实例关系等[11]。对地铁施工风险相关属性进行整合，用Xi表示属性，用Y表示决策属性，如表1所示。

表1　地铁施工风险案例的部分属性

当决策属性值分别为1；2；…；n时，对应的措施分别为D1，T1；D2，T2；…；Dn，Tn。

1.3　地铁施工风险应急案例知识本体构建

在实际的地铁施工风险应急案例中，导致地铁施工风险事件的往往是多种因素相互作用而成的，例如：“井壁开裂”与“施工不当”之间存在某种关联；风险后果与此也相似，例如：风险事件导致的风险后果不仅是“人员伤亡”、“工期延误”等单一后果，而且还伴随着“工程失稳”、“周边建筑物沉降”等其他后果。通过对地铁施工风险事故中的相关属性进行形式化表示，并运用本体软件Protege4.3,对收集到的地铁施工风险应急案例建立知识本体层次结构，地铁施工风险应急案例部分知识本体层次结构如图2所示。

2　地铁施工风险应急案例措施推理模型建立

地铁施工风险应急案例措施推理流程为：首先，将新的地铁施工风险案例(目标案例)相关属性进行提取，并用XML语言进行形式化表示；其次，计算该目标案例与源案例库中的源案例相似度，并进行案例匹配与检索，对比相似源案例中关键属性的相似度是否超过预先设置的阈值(δ)，从而决定直接参考相似度最大的案例的应急措施，还是启用规则推理；最后，将生成的推荐方案由专家进行审核，审核通过则进行方案实施，否则对推理规则根据实际情况进行修改和调整，最终得出解决方案，并将该案例作为典型案例存储在本体库中，以便完善本体库。具体流程如图3所示。

图2　地铁施工风险应急案例部分知识本体层次结构Fig.2　Metro construction risk case knowledge ontology hierarchical structure chart

图3　地铁项目施工风险案例推理基本流程Fig.3　Basic process of case risk reasoning for construction risk of metro project

2.1　地铁施工风险相似案例检索

2.1.1各属性权重确定

由于地铁施工风险知识本体中，各属性均为概念语义属性，难以进行准确量化。因此，本文采用专家估计法确定各属性的权重，设特征属性U=(μ1,μ2，…，μn)，现有k位该领域的专家各自独立地给出各个特征属性的权重，如表2所示。

(1)

2.1.2各属性相似度的计算

基于本体的案例之间相似度计算方法有很多，本文将综合考虑概念语义距离、概念语义层次和概念语义重合度对概念语义相似度的影响，进行案例匹配。为了使研究表述更加严谨，做出以下定义：

定义1 ：地铁工程施工风险应急案例知识本体领域中，各节点的概念元素之间不是单独存在，而是与其上一层次的概念元素之间存在父子关系，各个节点具有继承和遗传特性(如：图2中的“技术风险”是“勘察不当”、“施工不当”和“设计不当”的父节点，即“勘察不当”、“施工不当”和“设计不当”均可能导致“技术风险”；“技术风险”同时又是“风险因素”的子节点，即“技术风险”属于“风险因素”中的一种)。

定义2：地铁施工风险应急案例知识本体领域中，顶层为第一层(如：图2中的“地铁工程施工风险案例知识本体”为第一层)。

表2　专家估计法确定特征属性权重

1)概念语义距离相似度

假设在本体树中任意2个节点分别记为A和B。用sim1(A,B)表示节点A和B之间的语义距离相似程度。对概念语义相似度的计算，本文采用经典概念语义距离公式[12]：

sim1(A，B)=

(2)

其中N表示节点A,B的最近祖先与本体根节点间的距离。2者间的语义距离Dist(A,B)的关系如下：

①如果A和B是同1个节点，则Dist(A,B)=0；

②如果A和B之间没有共同祖先(A和B中至少有1个不在本体库中)，则Dist(A,B)=∞；

③否则，Dist(A,B)是从A到B或从B到A所经过的所有边的总数。

2)概念语义层次相似度

假设在本体树中，概念A在本体中的层次为L(A)，概念B在本体层次中的层次为L(B)。本体树中所有最大的概念层次为L(C)。用sim2(A,B)表示节点A和B所在层次对于概念语义间的层次相似程度。可知，当A=B时，其概念层次相似度为1。通过对贺元香[13]提出的概念语义层次相似度算法进行改进后，提出如下计算方法，如式(3)所示。

(3)

3) 概念语义重合度

假设在本体树中，任意2个节点分别记为A和B。N(A)是从A出发，向上直接到根节点R所经过的节点集合；同理，N(B)是从B出发，向上直接到根节点R所经过的节点集合。N(A)∩N(B)表示从A和B出发，向上直接到R的过程中相同节点的个数。N(A)∪N(B)表示从A和B出发，向上直接到R的过程中全部节点的个数。则用sim3(A,B)表示概念A和B之间的语义重合度[14]，如式(4)所示。

(4)

考虑到以上3种影响语义结构相似度的因素，本文提出如式(5)所示的源案例与目标案例的风险知识的概念语义相似度计算方法。

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

(5)

式中：α,β,γ为调节因子，且α+β+γ=1，一般情况下，概念语义距离对概念语义相似度的影响较大[15]。不同领域可根据案例训练方法可得。

2.1.3相似案例匹配

设地铁施工风险应急案例库中的源案例有m(M1,M2,…,Mm)个，每个案例有n个属性。目标案例与源案例中相应的属性分别记为A和B。计算出A和B的相似度之后，结合前文中计算出的各属性权重，可以计算出目标案例与源案例库中源案例之间的相似度ρ。

ρ=sim*(A,B)×ω

(6)

同理，计算出目标案例与本体库中其他M-1个案例相似度，根据经验选用0.80作为相似案例的阈值θ。最终选择匹配后相似度大于阈值(0.80)的源案例Mi={Mi|θi≥0.8}，作为目标案例的控制措施决策参考案例。若匹配后所有相似度均小于该阈值，则需要将其直接存入本体库中，作为新案例以备下次检索。

通常情况下，由于“关键属性”是导致事故发生的主要因素，所以在案例相似度匹配后，还需对相似度最高案例中的“关键属性”进行相似度判断。熵值法得出各属性的权重后，进行大小排序，并以权重最大的属性作为“关键属性”。在相似案例匹配后，应选定δ作为关键属性的阈值(其中阈值δ可以根据以往类似事故的数据统计，进行相关性分析得出)。如果目标案例与相似度最高案例之间的关键属性大于δ，直接参考该案例中的应急措施；若目标案例与相似度最高的源案例之间的关键属性小于δ，说明关键属性不相似，则需启用Jess推理机进行规则推理，得出控制措施。

2.2　地铁施工风险应急措施推理与制定

2.2.1地铁施工风险应急措施推理

通过前文案例检索出案例库中的相似案例后，参考决策属性值启用Jess推理机进行规则推理时，规则以IF-THEN的形式出现，IF为前提或条件；THEN为操作与结论。将目标案例的决策属性作为前提条件，若前提条件在逻辑上正确，则其操作方可执行；反之，其操作将被忽略，然后进行下一规则的判断。推理过程将一直到规则的前提或条件，与求解状况相匹配或规则库中的规则用尽为止。推理过程如下：

1)IF:ρi≥θ,THEN:Mi={Mi|ρi≥θ}(检索出案例相似度超过阈值的相似案例)。

2)IF:Mi={Mi|ρi≥θ},THEN:Yi={YMi}(检索相似案例的决策属性值)。

3)IF:Yi={YMi},THEN:{D,T}={DYMi,TYMi}(检索决策属性值所对应的措施)。

4)Output:{D,T}(输出措施库中的控制措施)。

5)对措施推理所形成的地铁施工风险应急措施进行专家评估参考后实施。

2.2.2地铁施工风险应急措施制定

通过规则推理输出的地铁施工风险应急措施，需要经验丰富的专家，结合目标案例的实际进行参考，分析是否需要再将其进行局部调整。经专家审核后，得出最终地铁施工风险应急措施方案，即可实施。

3　实例分析

某地铁项目10号线二期工程，工程内容包括：隧道工程、场站工程等。某站台的2号出入口及1号风道采用明挖法施工；2号出入口北侧存在污水管、上水管、输水管，且临近河道。某日施工时，2号出入口及1号风道区域基坑北侧管线渗漏，坑外土体出现空洞并引起地表大面积塌陷。经过现场指挥部连夜排查，专家认为：主要是施工不当引起。现场监测得知，管线渗漏速率不少于25 m3/min。预计工期延误5 d；所幸未造成人员伤亡。现需要参考案例库中以往地铁施工风险应急管理案例的控制措施，对该目标案例风险进行应急决策。建筑工程领域，计算概念语义相似度时，往往概念语义距离对概念相似度的影响较大；相似案例关键属性的相似度越高，关键属性越相似[16]。通过地铁施工事故统计与相关性分析，设定调节因子α=0.5，β=0.3，γ=0.2；阈值θ=0.80，δ=0.90。

3.1　案例解析

根据以上地铁项目施工风险案例基本信息，结合前文中的知识本体结构层次划分，选取重要特征概念用作分析可知，该风险案例的施工工艺、风险事件、风险因素、风险后果、承险体分别为：明挖法、管线破裂、施工不当、工期延误、场站结构。假设现有地铁项目施工风险案例知识本体库中有5个(本体库中源案例越多，案例检索效果越佳，本文假设有5个源案例)，施工风险案例的语义属性和特征属性如表3所示。

表3　目标案例与源案例语义属性

3.2　属性权重确定

现有5位领域专家各自独立地给出5类属性对地铁施工风险应急案例中所占的权重，如表4所示。

表4　专家估计法确定特征属性权重

由式(1)计算得：ω=(0.04，0.26，0.24，0.21，0.25) 。由于“风险事件”在5类属性中所占权重最大，即为案例匹配的关键属性。

3.3　最相似案例的确定

以源案例1为例，通过表3中的特征属性，结合图2中的知识本体层次结构图和概念语义相似度计算公式(2)～(5)可得，目标案例和源案例1中各特征属性的相似度为：

1)施工工艺相似度

2)风险事件相似度

3)风险因素相似度

4)风险后果相似度

5)承险体相似度

由式(6)可知：风险案例1与目标案例之间的相似度为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，计算出地铁项目施工风险案例库中其他4个案例与该目标案例之间的相似度，如表5所示。

表5　源案例与目标案例相似度

通过检索，源案例3、源案例5与目标案例的综合相似度均大于阈值(0.80)；由于源案例3和源案例5的“关键属性”相似度(δ3=0.47，δ5=0.69)均小于阈值0.90，所以不能直接参考其控制措施，而需要启用Jess推理机进行规则推理。

3.4　措施制定与分析

3.4.1措施推理

经过相似案例的匹配之后，参考决策属性值启用Jess推理机进行规则推理，推理如下：

1)IF:ρi≥0.80,THEN:Mi={Mi|ρi≥0.80};(检索出案例相似度超过阈值的相似案例Mi={M3，M5})。

2)IF:Mi={M3，M5},THEN:Yi={YM3，YM5};(检索相似案例的决策属性值Yi={3，2})。

3)IF:Yi={YM3，YM5},THEN:{D,T}={DYM3，DYM5,TYM3,TYM5}(检索决策属性值所对应的措施{D2，D3，T2，T3})。

3.4.2地铁施工风险应急措施的制定

通过前文的措施推理，结合专家分析，该地铁施工风险应急案例的应急管理控制需要进一步加强，并对推理所形成的控制措施(D2：定期对施工区域测量点进行测量；D3：加强监测与巡查工作；T2：土方回填，灌注混凝土；T3：清理淤泥及注浆加固，重新开挖后进行二次补浆加固) 付诸实施，从而为施工单位提供一种可供快速决策且具有针对性的实施方案，并能对地铁风险事故的扩大起到遏制作用。

3.4.3措施分析

通过综合相似度的匹配，从案例中检索出2个源案例与目标案例最接近，在考虑关键属性对地铁施工事故的主要影响后，最终锁定源案例3和源案例5。但其关键属性与目标案例的相似度仍低于经验阈值(0.85)，所以需启用规则推理对2个以往应急方案进行修改，使应急措施更具针对性。经专家审核后，参考最终形成的应急预案，制定目标案例施工事故的应急措施，该措施的快速实施对地铁施工事故的蔓延起到遏制作用。

4　结论

1)通过对地铁施工风险应急案例进行形式化表示，建立地铁施工应急措施推理模型，为案例检索提供基础。

2)通过对比目标案例与源案例之间的相似度，对相似案例的决策属性进行措施推理，提高地铁施工风险案例的处理效率和控制措施的针对性。

3)通过实例分析，该地铁施工项目施工风险案例的相关属性分别为：明挖法、管线破裂、施工不当、工期延误、场站结构。该案例与源案例库中的源案例3与源案例5均相似，但由于“关键属性”相似度均小于阈值，所以不能直接参考源案例3和源案例5的控制措施，而需要启用Jess推理机进行规则推理。通过推理，结合专家分析，最终形成了控制措施 ：D2定期对施工区域测量点进行测量；D3加强监测与巡查工作；T2土方回填，灌注混凝土；T3清理淤泥及注浆加固，重新开挖后进行二次补浆加固。

[1]陈帆，谢洪涛．基于粗糙集和RBF神经网络的地铁施工安全风险评估[J]．安全与环境学报，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]吴贤国，丁保军，张立茂，等．基于贝叶斯网络的地铁施工风险管理研究[J]．中国安全科学学报，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，周诚．复杂环境下地铁施工安全风险自动识别与预警研究[J]．中国工程科学，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，秦家宝．2003-2011年地铁隧道施工事故统计分析[J]．地下空间与工程学报，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]高丙丽，任建喜．地铁施工邻近管线安全风险评估研究[J]．现代隧道技术，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]张双狮，兰月新，刘冰月，等．基于案例推理的群体性事件智能决策支持WEB系统研究[J]．情报杂志，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]黄春雷，王峰，王建军．基于知识推理的水电智能化在线调度技术[J]．电力系统自动化，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]李保强, 吴笛. 基于知识关联的学习资源混合协同过滤推荐研究[J]. 电化教育研究, 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]陶晓玲，韦毅，王勇．一种基于本体的并行网络流量分类方法[J]．电子科技大学学报，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]杨月华，杜军平，平源．基于本体的智能信息检索系统[J]．软件学报，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]闫文周，刘振超．基于本体的EPC总承包项目风险控制研究[J]．施工技术，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]贺元香，史宝明，张永．基于本体的语义相似度算法研究[J]．计算机应用与软件，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]索俊锋, 刘勇, 邹松兵. 基于地理本体的综合语义相似度算法[J]. 兰州大学学报(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]刘景方, 邹平, 张朋柱,等. 一种改进的本体概念语义相似度算法研究[J]. 武汉理工大学学报, 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]闫文周，李超洋．建筑安全事故应急措施推理研究[J]．中国安全生产科学技术，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.