基于K-Means聚类模型的隧道施工安全风险评价方法及应用研究

吴 波,朱林萍,李扬波,刘 聪,夏承明

(1. 东华理工大学 土木与建筑工程学院,江西 南昌 330013; 2. 三明莆炎高速公路有限责任公司,福建 三明 365000)

0 引 言

隧道建设项目涉及的作业程序和施工设备众多,受到工作面限制、施工环境不确定性等因素的影响,隧道工程施工具有较高的安全风险[1]。当前国内外研究学者对隧道施工安全风险评价进行了相关研究,YANG Ruijuan等[2]采用WBS-RBS法对隧道塌方风险进行识别,并应用隶属度法对识别出的风险源进行定量分析,以确定隧道塌方的关键因素;吴波等[3]通过WBS-RBS法建立隧道评估指标体系,基于D-AHP法得到隧道施工风险等级;DONG Liuqun等[4]通过风险识别、风险分析、信息监测系统对盾构隧道管廊施工安全进行了评估和监测;LIN Chunjin等[5]整合变权理论和云模型理论,构建VW和ICM计算模型评估岩溶隧道施工风险;WANG Yan等[6]基于贝叶斯网络动态风险评估方法对深埋隧道施工风险进行评价。

风险贯穿隧道施工各阶段,以上研究多为确定隧道施工的综合风险等级,对于隧道施工过程的风险分析较少。此外,施工工序受不同风险因素的影响会产生不同的风险事件,同时期内需要对多个评价对象开展评价工作,及时对风险事件开展风险评价工作有利于降低风险事件演化为重大事故的可能性。

传统的风险评价方法虽然提供了定量化的手段,但由于计算复杂、工作量大,多用于针对具体事故开展风险评价工作,而K-Means算法作为一种聚类分析方法,具有操作简便、对大型数据可有效分类等特点。基于此,笔者提出一种基于K-Means聚类算法的隧道施工安全风险评价模型。笔者运用WBS-RBS法对隧道施工全过程进行风险辨识,并构建风险事件集;以事故发生可能性、人员暴露时间和事故后果严重程度作为评价指标,利用语言型多属性决策法将风险评价信息转化为数据集;运用K-Means聚类算法对数据集进行处理,并确定事件风险等级。最后,笔者将模型应用于文笔山1号隧道洞口工程,检验模型的可靠性。

1 K-Means聚类基本理论

K-Means聚类算法是一种基于距离的无监督动态聚类方法[7],该方法易于描述且简单高效,适用于大数据处理,现广泛运用于事故分析中。聚类算法对数据质心的计算具备了为风险因素分级的基础。聚类算法根据各个数据点之间的距离判断数据点是否相似,数据点越近越相似,反之则越不相似。在聚类分析中,常用欧氏距离[8-9]作为相似度的计算方法,其计算公式如式(1):

(1)

式中:d为样本点到聚类中心的欧氏距离;bi为第i个数据点;aj为第j个聚类中心。

K-Means聚类算法数据处理流程:首先指定聚类簇数k,之后选取数据集中k个数据点作为初始聚类中心;由式(1)计算每个数据点到k个聚类中心的距离,基于距离最小化原则将数据点划分到最近的初始聚类中心,最终全部数据点划分到k个类群;对新簇进行均值运算,重新得到k个类群的聚类中心;不断迭代直至满足某个终止条件。终止条件可为最小化数据点与其对应聚类中心距离之和、达到最大迭代次数或准则函数收敛[10]。欧氏距离对应的准则函数如式(2):

(2)

式中:S为误差平方和;k为聚类簇数;zj为第j个簇的聚类中心。

影响K-Means聚类效果的关键因素有聚类簇数k、初始聚类中心和最大迭代次数μ。k的选取很大程度上决定了算法的性能,可依据需求或者经验确定,也可以根据聚类有效性函数评价的聚类效果选取。K-Means聚类模型的聚类结果随不同的初始聚类中心输入发生变动,聚类模型也会因为最大迭代次数μ取值过小陷入局部最优。笔者指定初始聚类中心并设置μ=100,使其在目标函数最优时停止迭代。

2 风险辨识及数据处理

2.1 风险源精细化辨识

公路隧道具有工序复杂、环境不确定等特点。随着施工进程的推进,施工工序以及周围环境发生变化,施工安全风险也随之变化,而工作分解结构-风险分解结构(WBS-RBS)法可以从系统学的角度出发,全面系统地在各个层面识别风险,有效解决不同施工阶段的风险辨识问题。具体步骤如下[11]:

1)构建WBS工作分解结构。参照JTG F80/1—2017《公路工程质量检验评定标准 第一册 土建工程》[12]、文献[13]以及隧道自身特点,按照钻爆法施工工序将整个公路隧道工程进行系统分解(分部工程-分项工程-单位作业),得到洞口工程W1、洞身开挖W2、洞身衬砌W3、隧道路面W4和交通工程W55个分部工程。笔者仅以W1为例,列出其分项工程和单位作业内容(图1)。

2)构建RBS风险分解结构:从人员、机械设备、材料、技术和环境5个方面对公路隧道施工安全风险源进行分解。其具体分解结构如图2。

3)建立耦合矩阵。耦合矩阵是由作业工序与风险源耦合形成,实现作业工序和风险因素之间的有效匹配。其中,“0”表示耦合不构成风险,“1”表示耦合构成风险。

图1 公路隧道工程工作分解结构Fig. 1 Work breakdown structure of highway tunnel engineering

图2 公路隧道工程风险分解结构Fig. 2 Risk decomposition structure of highway tunnel engineering

2.2 聚类特征选取及分级标准

聚类分析时,首先从特征集中选取最能刻画风险事件的特征作为聚类特征。LEC法作为常用的风险评价方法,对风险事件特点的刻画最为有效,而且具有操作简便、针对性强等特点。但传统LEC法存在分值标准差异性较大、评价内容不够全面等问题。鉴于此,结合公路隧道施工特点对LEC法进行改进,细化事故后果严重程度使之包含人员伤亡、环境影响、经济损失、工期延误4个方面。将改进的事故发生可能性L、人员暴露时间E、事故后果严重程度C作为K-Means聚类模型的聚类特征。为使L、E、C这3个评价指标满足K-Means聚类模型的设计要求,消除不同变量数据尺度差异,参考相关规范[13-14]及相关事故案例分析[15],将取值区间设置为[0,5],具体分级标准如表1、表2。

表1 风险评价指标(L和E)Table 1 Risk assessment indicators (L and E)

表2 风险评价指标CTable 2 Risk assessment indicator C

2.3 数据处理

2.3.1L和E的数据处理

事故发生可能性L和人员暴露时间E都只包含了一个需要评价的因素,笔者直接选取其等级标准作为评价信息,对于多个专家的评价结果取其平均值进行计算。

2.3.2C的数据处理

采用专家调查法对评价对象进行评价时,专家成员会受到主、客观因素的影响,导致评价结果具有模糊性。因此,将专家的语言变量转化为可运算的数值具有现实意义。基于FEOWA算子和FLHA算子的语言型多属性决策方法可以有效解决语言变量转化问题,定义如下[16-17]:

1)FEOWA算子

(3)

2)FLHA算子

(4)

3)计算步骤

(5)

3 隧道施工安全风险评价模型

风险评价是风险辨识的深入应用及量化研究。通过数学方法对事故发生概率以及事故后果进行量化,运用K-Means聚类模型对公路隧道施工安全风险事件进行聚类分析,确定安全风险等级。计算步骤如下:

1)运用WBS-RBS法对公路隧道施工全过程进行风险辨识确立风险事件,得到含有n个风险事件的样本集R={r1,r2,…,rn}。

2)确定风险评价指标:为了对n个风险事件进一步评估,将改进LEC法中L、E、C共3个因素作为风险评价指标和K-Means聚类模型聚类特征。

3)数据准备:运用语言型多属性决策方法对专家评价信息中的语言变量进行处理,利用均值法处理专家的打分数据,最终得到样本数据矩阵B:

(6)

4)设置k、初始聚类中心、μ:以传统LEC法为依据,将改进LEC法的风险等级划分为5级。设k=5,μ=100,指定5组数据X={X1,X2,X3,X4,X5}作为初始聚类中心,Xi(i=1,2,3,4,5)中L,E,C的取值采用各评价指标取值区间的中间值,如表3。

5)基于K-Means聚类算法进行聚类分析,确定风险事件风险等级。

表3 初始聚类中心Table 3 Initial custer centers

4 实例应用及分析

4.1 工程背景

文笔山1号隧道位于大田县东景村,隧道结构为双洞分离式大断面隧道。隧道所处地层岩性较为复杂,洞口段围岩等级低,岩体风化破碎严重,呈散体结构,开挖后易塌方、冒顶。隧道顶部发育多条冲沟,雨季降水集中,水流量较丰富;隧道施工区域地下水弱发育,在局部不同岩相交接处或局部低阻带岩性相对较为破碎,富水条件较好。隧道施工方法随围岩变化进行调整,部分施工作业区域具有作业区域小、施工环境恶劣等特点。

4.2 洞口工程施工风险辨识

风险评价的最基本单元是风险事件,根据图1和图2中的内容对文笔山1号隧道洞口工程进行风险辨识。辨识得到W11R16清理作业人员精神状态一般、W11R23清理作业机具操作不规范等20个可能风险事件,如表4。

4.3 K-Means聚类风险评价

事故后果严重程度的因素集{G1,G2,G3,G4}={人员伤亡,环境影响,经济损失,工期延误},权重向量为ω=(0.25,0.25,0.25,0.25)。3位专家根据上述4个指标给出语言评价矩阵Rp,假定专家权重向量为λ=(1/3,1/3,1/3),关于事故后果严重程度的专家语言评价矩阵汇总如表5。

表5 专家评价矩阵Table 5 Expert evaluation matrix

zj(λ)(i∈N)的值即为各个风险事件关于事故后果严重程度的综合评价结果。

同时,参与调查的3位专家分别给出事故发生可能性L和人员暴露时间E的评价值,计算其均值。

汇总L、E、C的评价数据得到风险事件的最终数据集,如表6。

基于K-Means聚类算法对表6中的20个风险事件进行聚类分析,得到相应风险等级如表7。

表6 风险事件数据集Table 6 Risk event data sets

表7 风险评估结果汇总Table 7 Summary of risk assessment results

4.4 聚类结果分析

根据表7可知,挖掘作业过程中洞口防排水未做好这一事件风险等级为Ⅴ级(极其危险);清理作业机具操作不规范、压浆机操作不当等9个风险事件风险等级为Ⅲ级(显著危险);爆破参数设计不合理、漏电保护失灵等7个风险事件风险等级为Ⅱ级(一般危险);清理作业人员精神状态一般、施工车辆挖掘作业时安全防护不足、施工人员在超前管棚施工时经验不足3个风险事件风险等级为Ⅰ级(稍有危险)。此公路隧道顶部发育多条冲沟,雨季降水集中,水流量较丰富。防排水措施未做好风险等级最高,与现场实际情况相符。防排水措施未做好时,隧道顶部大量水的渗入会极大降低隧道围岩稳定性,地层含水率变化使得超前管棚注浆效果无法得到保证,且由于水不断渗入掌子面,隧道容易发生坍塌、突水突泥等安全事故。

文中方法与传统LEC法相比,所得出的风险评价结果更为接近现场实际。以喷射混凝土机械设备未固定好(W16R26)进行说明,该事件发生后造成的机械损坏和工期延误这两种情况客观存在,但传统LEC法并未体现,从而低估了事件的风险,新模型则包含了这两方面的信息,得出的事件风险等级由原来的可忽略程度提高到需要考虑的程度。与此同时,支护钢拱架时机械设备未架稳(W15R26)安全风险等级由Ⅰ级提高到Ⅱ级,管棚钻机未按要求用电(W14R42)和边坡防护触电事故(W111R19)安全风险等级由Ⅱ级提高到Ⅲ级。此外,运用传统LEC法确定风险事件风险等级过程中,对专家经验依赖性强,且风险指标的量化数值较为离散。新模型改进了传统LEC法的不足,针对专家评价语言模糊性,引入了多属性决策法将评价语言转化为数据集,风险指标取值区间连续且量纲统一;基于聚类算法对数据信息内部层次关系进行识别,区别于传统LEC法的基础运算,深入挖掘了数据中隐含的信息。

5 结 论

1)运用WBS-RBS法构建公路隧道洞口施工风险事件集,有效避免了风险遗漏和识别不全面,能够系统反映出隧道施工各阶段的安全风险。

2)将K-Means聚类算法引入到传统LEC法的综合计算中,建立了基于K-Means聚类的隧道施工安全风险评价模型;通过优化初始聚类中心以及确定初始聚类簇数避免了聚类过程中存在的盲目性,提高了计算过程中的灵敏度;同时通过计算机运算充分挖掘风险事件的内部特征实现风险等级分类,降低了事件风险等级确定过程的主观性和随意性,使隧道施工风险评价结果更为准确。

3)以文笔山1号隧道的洞口工程为例,采用构建的风险评价模型进行实践验证,并与现场情况、LEC法等进行比较,结果表明:该评价模型科学、合理,与实际情况相符,且评价结果直观,计算过程简便,为隧道施工过程风险评价提供了可行方法。