安全科学技术

安全科学原理及其结构体系研究

吴超，杨冕

摘要：目的：随着安全的范畴、内涵和外延不断拓展和大安全体系的建立，多年来主要针对安全生产所形成的有关安全学原理，已经远远不能满足用于描述、演绎、归纳和解决当今诸多安全问题的需要，同时也出现了很多用现有安全理论难以解释的安全问题；此外，在现有的安全学原理或安全原理的著作中，介绍的安全科学原理，在层次、逻辑、结构和体系等方面还存在很多不足，许多基础理论分支仍缺乏具体内容，而且开展安全科学理论研究和安全学科建设研究的成果非常之少。因此，安全科学急需针对大安全背景下提出能够弥补上述不足的新的安全科学原理内容和体系。方法：基于现象—规律—科学的3 阶段科学研究范式，运用科学学原理和站在安全科学学视角，采用系统思维方法、逻辑归纳方法和层次分析分类法，梳理安全科学原理的内容和建立其体系结构。结果：从顶上层次概括大安全科学体系的第一层次的学科分支，应包括生命、自然、技术、社会和系统5 个要素。基于上述5 大要素，安全科学原理应包括安全生命科学原理、安全自然科学原理、安全技术科学原理、安全社会科学原理和安全系统科学原理5 类原理，5 类安全科学原理构成了一个完整的安全科学核心体系。依据5 类一级安全科学原理的内涵，提出了对应的二级安全科学原理。安全生命科学原理的主要二级原理有安全人性原理、安全人体学原理、安全生理学原理、安全心理学原理、安全生物力学原理；安全自然科学原理主要包括安全容量原理、安全多样性原理、灾害物理原理、灾害化学原理、安全毒理学原理；安全技术科学原理主要包括安全物质学原理、安全设备学原理、安全能量原理、安全工程原理、安全环境原理；安全社会科学原理主要包括安全文化原理、安全法律法规原理、安全经济原理、安全教育原理、安全伦理道德原理；安全系统科学原理可划分为安全系统管理原理、安全环境系统原理、安全人机系统原理、安全信息系统原理、安全局部和谐原理。上述一二级安全科学原理之间有着复杂的结构关系，安全科学原理是以安全系统科学原理、安全技术科学原理为双腿支撑，以安全自然科学原理、安全社会科学原理为两臂伸展，以安全生命科学原理为头部方向，五理合一，整体构成一幅有机联系的、彼此融通的、相对健全的、能够站立的人形结构。如果将安全科学原理构成的人形图的外面加一个大圈，在里面加一个小圈，就成了一个轮形结构。安全科学原理犹如轮轴，5 条一级安全科学原理犹如轮毂，5 类二级安全科学原理犹如轮辐，安全科学原理的应用领域犹如轮辋或轮胎和道路。安全科学原理的轮形结构表达，可以开展安全科学原理的故障分析，对各级安全科学原理的结构重要度进行分析，进而对各级安全科学原理进行定量评价和创新研究；可以研究各级和各条安全科学原理的发展、动态演化和协同作用，同时也为安全科学原理的研究和运用提供了思路和途径；还可以研究各级安全科学原理的内部之间的相互作用等问题。结论：安全科学原理是安全规律的核心，安全科学原理主要包括安全生命科学原理、安全自然科学原理、安全技术科学原理、安全社会科学原理和安全系统科学原理5 类一级原理。建立了由一级安全科学原理和二级安全科学原理所构成的完整安全科学核心体系，并从理论上进一步证明了安全科学的独立性和综合性及其重要作用。5 类一级安全科学原理相互协调，五理合一。一二级安全科学原理体系可以被整合为形象的人形和轮形结构，它们具有丰富的内涵，表达了各级安全科学原理的协同运动模式，同时也为安全科学原理研究指明了方向，对指导安全科学的发展具有重要作用。

来源出版物：中国安全科学学报, 2012, 22(11): 3-10

入选年份：2017

基于差异进化支持向量机的坑外土体沉降预测

崔铁军，马云东

摘要：目的：随着我国经济不断发展，地铁已成为各城市的主要交通方式。但地铁建设过程中，主体施工引起的土体沉降变形受到了极大关注，基坑就是其中之一。论文为研究基坑外部土体沉降，使用支持向量机（support vector machine，SVM）对其进行预测，并通过差异进化（difference evolutionary，DE）算法构造适合SVM 和实际沉降情况的决策函数，最终提高SVM 的预测效率。方法：建立DE-SVM 模型对基坑外部土体沉降进行预测。在确定坑外土体沉降函数的基本形式下，进行参数反演。将得到的解析式作为SVM 的决策函数。从而使SVM 的曲线拟合更快速，预测更准确。运用DE算法的先决条件是确定解析式的基本形式。根据实例中DB-06-02 测点的实际沉降量，可知原离散点（xi，ysi）的变化形式接近于y＝arctan（x），y∈（－π/2，π/2）中的某部分，对函数基本形式进行构造和反演解析推导。设曲线为y＝tan（x），考虑到研究沉降离散数据点的有限性，所以取x＝πA/2，A∈（0,1），其中，A 是调节参数，以对应有限的离散数据。在（xi，Ymi）解析式中只有（A，O）为未知系数，在（xi，Ymi）已知的情况下，通过DE算法进行参数求解。步骤如下：1）收集现场检测数据，形成适合的数据结构；2）选择Ym（x）作为反演分析数学模型；3）（xi，Ymi）作为回归函数拟合数据，选择收敛最快且值最小值的F 和Cr；4）利用确定好的F 和Cr和实际数据，建立二维反演参数识别与优化模型；5）以待反演参数（A,O）作为优化变量，构建最小二乘值函数，代入DE 算法。设定差异算法初值，按照DE 步骤进行参数搜索；6）算法收敛后，输出获得的（A,O）参数。上述方法反演确定的函数作为SVM 的决策函数。进而通过该SVM 来预测坑外土体沉降。结果：通过对大连地铁湾家车站基坑坑外土体的沉降数据的分析及预测。在Matlab 环境下实现DE 算法，将（xi，Ymi）输入作为参数（A,O）作为优化变量数，n＝2，种群数Q为30，后10 个点作为预测检验点。选取不同缩放因子和杂交概率常数，F＝0.1∶0.1∶1.0，Cr＝0.1∶0.1∶1.0，共100种情况。这100种情况能快速收敛，且收敛率98%，有2 种情况不收敛。在这里取F＝0.6，Cr＝0.6；进行反演后得到的参数为：A＝0.8100；O＝0.0022，将数据带入Ymi。拟合曲线Ym（xi）与原离散数据ysi比较，直接以DE 算法反演后计算得到的差方和为1.1439×10－5。Matlab 计算收敛时间1121.080269 s。使用Matlab 将上述参数及解析式带入SVM，核函数采用Gauss 函数，差方和为9.817×10－6，Matlab 计算收敛时间809.131490 s。与直接使用DE 的差方和减小了14.18%，即提高了精度同时缩短了时间。结论：DE-SVM 是在SVM 中使用DE算法确定其决策函数及参数，解决其非线性映射时的运算量大的问题，且能提高预测精度和速度。1）为改善SVM 决策函数的适应性问题，提出DE-SVM 算法。试验表明，该算法的组织结构适应性较强，预测结果能反映实际情况，即该算法构造可行。2）DE-SVM 计算SVM模拟部分的时间小于单纯使用SVM 的时间，并且预测精度更高；使用DE 算法对离散点直接预测的时间大于DE-SVM 预测的时间。就该例而言，DE-SVM 预测的差方和比DE 预测的差方和小14.18%，即DE-SVM 的预测更精确，且计算时间减少了27.83%。DE-SVM 算法可对施工过程中坑外土体沉降进行预测，这对施工过程中的沉降量预警有着重要作用，进而为施工安全提供有效保障。

来源出版物：中国安全科学学报, 2013, 23(1): 83-89

入选年份：2017