基于动态贝叶斯网络的邻近下穿隧道深基坑施工风险分析

摘 要：

为了减小邻近既有下穿隧道深基坑施工风险及灾害损失，科学预防施工安全事故，提出了一种基于动态贝叶斯网络（DBN）的深基坑施工风险分析模型。首先，运用BWM（best worst method）确定准则的权重;其次，基于关联规则挖掘风险因素间的相互关系，并以此构建DBN结构模型;最后，以新建厦门北站地下一层社会连廊深基坑工程为例，对提出的方法进行有效性和适用性检验。结果表明：基坑围护结构的安全度在静态被评为“较高”和“极高”的概率分别为34.6%和36.1%，且此结果随着输入风险证据发生动态变化，运用反向推理也能迅速找出围护桩渗水风险；提出的模型能明确邻近既有下穿隧道深基坑施工风险传递过程中的关键风险点，并能进行动态风险预测以及事故后致因诊断，从而实现邻近既有下穿隧道深基坑施工风险的动态管控。所提出的优化DBN模型对工前风险评估、先验分析和风险诊断有较好的适用性和较高的准确性，可为邻近既有隧道深基坑施工过程中的安全管控提供有效的决策支持，大幅提高风险控制效率。

关键词：

地基基础工程；动态风险评估；BWM；深基坑；动态贝叶斯网络；关联规则挖掘

中图分类号：

TU431

文献标识码：A

DOI： 10.7535/hbgykj.2024yx03004

收稿日期：2023-06-19;修回日期：2024-02-27；责任编辑：王淑霞

基金项目：河北省重点研发计划项目（18211021D）

作者简介：

陈琦（1984—），男，福建南平人，高级工程师，主要从事铁路工程设计与建设管理方面的研究。

E-mail：552411662@qq.com

陈琦.

基于动态贝叶斯网络的邻近下穿隧道深基坑施工风险分析

［J］.河北工业科技，2024，41（3）：183-194.

CHEN Qi.

Risk analysis of deep foundation pit construction in adjacent underpass tunnels based on dynamic Bayesian network

［J］. Hebei Journal of Industrial Science and Technology，2024，41（3）：183-194.

Risk analysis of deep foundation pit construction in adjacent underpass tunnels based on dynamic Bayesian network

CHEN Qi

（Southeast Coastal Railway Fujian Company Limited， Fuzhou， Fujian 350000， China）

Abstract：

In order to reduce the construction risk and disaster loss of deep foundation pits in adjacent existing underpass tunnels and scientifically prevent construction safety accidents， a deep foundation pit construction risk analysis model based on dynamic Bayesian network （DBN） was proposed. Firstly， the BWM （best worst method） was applied to determine the weights of the criteria. Secondly， the interrelationships between risk factors were mined based on association rules， and the dynamic Bayesian network structure model was constructed in this way. Finally， the effectiveness and applicability of the proposed method were examined by taking the deep foundation pit project of the underground layer of the social corridor of the new Xiamen North Station as an example. The results show that the probability of the safety of the pit enclosure being rated as “high” and “very high” in the static state is 34.6% and 36.1%， respectively， and this result changes dynamically with the input risk evidence， and the risk of water seepage of the enclosure piles can be identified quickly by using reverse reasoning. The proposed model can clarify the key risk points in the risk transfer process of deep foundation pit construction in adjacent existing underpass tunnels， and can make dynamic risk prediction and post-accident causation diagnosis of the risk， so as to realize the dynamic control of the construction risk of foundation pit construction in adjacent existing underpass tunnels. The proposed optimized dynamic Bayesian network model has good applicability and high accuracy for pre-construction risk assessment， a priori analysis and risk diagnosis， which can provide effective decision support for safety control during the construction of deep foundation pits of adjacent existing tunnels， and greatly improve the efficiency of risk control.

Keywords：

foundation engineering; dynamic risk assessment; BWM （best worst method）， deep foundation pit; dynamic Bayesian network; association rule mining

深基坑的开挖使得地下水位和土体的应力重新分布，从而不可避免地对临近建筑物、管线以及地铁隧道带来不利影响。因此，在研究基坑开挖过程中对周围环境特别是对临近既有地铁隧道的影响时，不仅要考虑基坑本身支护的强度和稳定性，还需对其变形进行监测和控制，防止对地铁隧道的正常使用产生危害。

邻近既有下穿隧道的深基坑施工失稳风险受多种因素影响［3］。国内外学者对地下工程的风险分析方法进行了很多相关研究，并取得了诸多成果。例如：WEI等［4］使用机器学习模型预测岩石的抗压强度，并为岩石的速率依赖强度提供新的见解；夏宏运［5］采用改良高斯回归过程机器学习方法预测临河地铁车站基坑变形；ZHANG等［6］开发了一种新的智能优化反分析方法PSO-GP-FDM来获取地下洞室群围岩的力学特性；HYUN等［7］采用故障树分析（FTA）和层次分析法（AHP）对隧道施工进行风险分析; AZADI等［8］利用人工神经网络（ANN）在顺序开挖方法混凝土支护隧道施工中进行沉降预测。ANN是最流行的机器学习算法选择执行风险评估，其次是支持向量机（SVM），但是，这些风险分析方法仍存在一定的局限性。例如：模糊层次分析法（FAHP）在对于多因素多层次的复杂评价中计算过程过于繁琐［9］；故障树分析（FTA）无法进行动态风险分析［10-11］；对于SVM，其参数通常是通过人工试验获得的，往往带有一定的主观性和盲目性［12］；卷积神经网络（CNN）存在过度拟合问题［13］。CHEN等［14］全面总结了每种具体的风险分析方法的优缺点及适用条件，总的来说，定性分析受限于主观因素的巨大影响，定量分析又太过依据海量的统计数据，因而定性与定量结合必将是大势所趋。例如，张瀚匀［15］提出了将协方差-层次分析法（Cov-AHP）与云模型理论结合的深基坑风险评估方法。在对邻近既有下穿隧道深基坑工程这种特殊工况进行风险评估和诊断时存在不确定性。贝叶斯网络是进行不确定性推理的强有力工具，已广泛应用于许多领域的可靠性和风险性分析中［16］，且能在一定程度上弥补上述传统方法的不足。例如，WU等［17］提出了相关影响因素是随着盾构施工进度的变化而不断变化的，并构建了一种利用DBN对风险进行动态分析的模型，为隧道施工中的风险分析提供了支持。在建筑工程领域中，中国缺乏完整的事故统计资料及机制，即使可以拥有大量现场的监测数据，但这对于施工风险分析体系的建立仍远远不够，这导致在传统的DBN分析中难以通过统计方法准确获取风险因素的发生概率。这种采用群体决策的方式来获取风险因素发生概率的方式，对群体决策提出了较高的要求。因此，对于邻近既有下穿隧道的深基坑施工这种尚未形成成熟风险分析模式的复杂工程，迫切需要找到一种有效的风险分析模型，分析风险演化规律，并探讨其对工程的适用性。

本文将DBN引入邻近既有下穿隧道深基坑施工风险评估领域，提出适用于该工况的风险动态分析模型。模型运用BWM优化了专家的权重分配，然后基于关联规则挖掘（ARM）所得到的风险因素相互关系，构建DBN结构模型，可对邻近既有下穿隧道深基坑施工过程中的动态风险进行诊断和预测，以新建厦门北站地下一层社会连廊深基坑工程为例，验证方法的有效性和可行性。

1 风险分析方法

1.1 关联规则

1.1.1 关联规则相关概念

关联规则可反映风险因素与风险事件之间的关联性，是大数据分析的一种重要相关技术［18］。

定义1 关联规则 设I={i1，i2，…，in）是所有风险因素的集合，而P是I的子集，即{P={ij，ij+1，…，ik}I，1≤j，k≤n}，对于集合P定义以下类型的关联规则，见式（1）。

if antecedent then consequent（AC），（1）

式中：antecedent （A） 和consequent（C）均为P的子集。

定义2 支持度（support） 关联规则AC的支持度是同时包含风险因素项集A和C的事务在所有事务项中所占的百分比，如式（2）所示，支持度可以理解为关联规则的频度。

supportAC=T：A∪CT，TDD。（2）

定义3 置信度（confidence） 关联规则AC的置信度是同时包含风险因素项集A和C的事务在所有包含项集A的事务中所占的百分比，如式（3）所示，置信度可以理解为关联规则的强度。

confidenceAC=

T：A∪CT，TDT：AT，TD=

supportACsupportA。（3）

需要注意的是，为了对关联规则进行筛选，应进行阈值设定［19］。

定义4 提升度（lift）［20］ 联规则AC的提升度是风险因素项集 A 和 C 独立时观察到的支持度与预期支持度的百分比，如式（4） 所示，提升度表示关联规则 AC 的有效性和重要性。

liftAC=supportA∪CsupportA×supportC。（4）

lift> 1 表示 C 可能与 A 相关性很高，这意味着关联规则可能对预测未来数据集中的结果有用。因此，它可以帮助过滤并获得有效的结果［21］。

1.1.2 Apriori 算法及关联规则挖掘

Apriori算法是关联规则挖掘时最常用的算法［22］。运用Apriori算法进行关联规则挖掘的主要步骤如下［23］。

本文利用Apriori算法对关于风险因素收集的数据进行关联规则挖掘，得到有效的频繁项集和关联规则，从而获得需重点关注风险因素的组合及其相关关系，并以此为基础对贝叶斯网络建模进行指导。例如强关联规则{安全度中-坑外堆载，安全度中-支撑架设的及时性安全度较低-围护桩侧移}（提升度1.332 7、支持度58.1%、置信度 98.3%）表示当有坑外堆载且支撑架设及时性一般时，容易导致严重的维护桩侧移风险。

1.2 BWM

REZAEI［24-25］建立的BWM（best worst method）， 在减少成对比较次数以及在保持判断一致性方面具有良好的性能，已成为解决多准则决策问题的一种流行方法。运用BWM方法分析每位专家的权重，步骤如下。

步骤1 建立专家集。假设共有n个专家，则专家集S=（S1，S2，…，Sn）。

步骤2 选取最重要专家和最不重要专家。决策者根据自身经验在专家集中选择最重要专家SB以及最不重要专家Sw。

步骤3 将最重要专家与所有专家进行比较。即以SB为参考依据，与其余所有专家进行两两比较，比较向量AB=（aB1，aB2，…，aBn）。其中aBj表示SB较第j个专家Sj（j=1，2，…，n）的重要性等级。

步骤4 将最不重要专家与所有专家进行比较。即以Sw为参考依据，将其余所有专家与Sw进行两两比较，比较向量Aw=（a1w，a2w，…，anw）。

步骤5 构建BWM模型，计算各指标权重，模型如下：

minΔ* s.t.ωBωj－αBj≤Δ*，ωjωw－αjw≤Δ*，∑njωj=1，j=1，2，…，n，（5）

式中：αjw表示Sj较Sw的重要性等级;ωj表示Sj的权重，通过式（5），可以得到唯一的最优权重集（ω*1，ω*2，…，ω*n）。

本文将根据专家各项指标得分来确定重要程度数值，并以此为基础，运用BWM得出各专家的话语权（权重）。

1.3 动态贝叶斯网络（DBN）

贝叶斯网络直观上是一个有向无环图［26］，由3个元素组成：节点和有向弧线、先验概率、条件概率。将其运用在基坑风险评估中，贝叶斯网络中的节点用随机变量（X1，X2，…，XN）表示，即影响基坑风险的各种风险因素。假定Par（Xi）为风险因素Xi在模型中父节点发生概率，风险因素Xi的条件概率可以表示为P（Xi|ParXi），则基坑总体风险的联合概率分布P（X1，X2，…，XN）如式（6）所示，该公式可以用于预测风险事件X的概率。同时，贝叶斯网络还可根据证据更新评估结果，风险因素Xi的新观测数据通过先验概率传播到后验概率。

PX1，X2，…，XN=∏ni=1PXi|ParXi。（6）

贝叶斯网络既能前向进行风险（预测）分析，也能后向进行风险（诊断）分析，每个风险因素的后验概率能够通过推理得到。贝叶斯网络的推理是在已知变量的情况下对其他未知变量的概率计算。用贝叶斯公式来计算条件概率，已知总体风险水平Y，则风险因素X的条件概率为

PX|Y=PXPY|XPY。（7）

DBN是在静态贝叶斯网络的基础上，融合原来的网络结构与时间信息，形成的具有处理时序数据功能的概率模型。为了简化复杂系统所建模型，对模型进行简单的假设和条件处理［27］。

1）平稳假设 假设网络拓扑结构不随时间发生改变，在有限的时间t内，变量的概率变化过程一直平稳，即对所有t，条件概率P（Xi|ParXi）保持不变。

2）马尔科夫假设 即给定当前时刻t的状态后，将来时刻t+1的状态只同t时刻的状态有关系，同t+1时刻的状态没有关系，如式（8）所示。

PXt+1/（X0，X1，…，Xt）=PXt+1/Xt。（8）

基于以上假设，将基坑施工风险分析的DBN定义为（B1，B→），初始时刻的贝叶斯用B1表示，B→代表不同时间切片上的贝叶斯网络组合图形。根据初始分布和相邻时间切片之间的条件分布，将动态贝叶斯网展开到第T个时间切片，就能够得到一个跨越多个时间切片的基坑施工风险联合概率分布：

PX1：T=∏Tt=1∏Ni=1P（Xit|ParXit）。（9）

1.4 噪声或门

对于复杂工程建立贝叶斯网络时，Noisy-or gate（噪声或门）［28］模型能大大减少专家的工作量，且基于Noisy-or gate模型建立BN与直接基于专家经验建立BN的推理结果整体呈现无显著统计差异，可以采用Noisy-or gate模型代替经验法来完成贝叶斯网络参数学习，风险事件的条件概率由式（10）计算。而多元变量可由Noisy-Max模型进行计算，风险事件的条件概率可以由式（11）和式（12）计算。上述模型的基本假设如表1所示。

PY|X1，X2，…，Xn=1－∏i：Xi∈XT1－pi，（10）

式中：pi表示仅风险因素Xi发生导致风险事件Y发生的概率；XT表示风险因素X发生。

PY≤y|X=∏i∑Y≤yPY=y|X=xi，（11）

PY|X=PY≤y|X－PY≤y－1|X，

y≠ymin，PY≤y|X， y=ymin，（12）

式中：y，xi分别代表节点Y，X的取值。

2 动态风险综合评估过程

2.1 风险因素识别

风险识别包括确定具体工程风险因素及其风险种类。本研究通过专家调查法和Dempster-Shafer证据理论来初步确定风险因素，调查内容包括：对邻近既有下穿隧道的深基坑工程整体安全的影响因素和风险大小的量化方法。由于工程的复杂性，识别出来的风险因素众多，往往出现冗余现象，影响评估效率，所以利用Apriori算法，筛选出满足最小支持度的频繁项集。所求得的频繁项集中的风险因素能够描述基坑施工事故发生、发展过程。故选择这些风险因素作为节点变量，并确定变量的所有可能取值。

基坑变形包括垂直方向的纵向沉降或隆起，也包括水平方向上的横向位移，典型的如围护结构侧移。围护结构侧移过大会直接影响整个基坑的稳定性，最终可能导致围护结构失稳。围护结构侧移是基坑失稳风险中最重要的一种风险场景，故重点以围护结构侧移为基坑施工失稳的主要评判标准，对邻近既有下穿隧道深基坑施工失稳风险进行评估。

《建筑基坑工程监测技术标准》（GB 50497—2019）［29］中规定，基坑工程不仅要考虑对基坑自身的监测，还应考虑对周边环境建筑和设施的监测。对于有下穿隧道的深基坑工程而言，要考虑隧道的拱顶沉降、侧移、净空收敛等。选择地表沉降、既有站房沉降、隧道隆起等指标建立基于贝叶斯网络的风险概率预测模型。

2.2 专家权重确定

在风险评估中通常会涉及到许多具有不同背景或研究领域的专家，每个专家的专业水平、综合能力和对被评价问题的熟悉程度等有着不同的差异，专家权重指标见表2。以这些专家背景作为确定最重要专家与最不重要专家的依据，并以重要程度表示最重要专家与最不重要专家的参考偏好，专家权重指标如表3所示。

在邀请专家对基坑工程施工进行评估之前，需要先确定10位专家的权重。首先，根据每位专家的背景进行打分，得出最重要专家E3和最不重要专家E6，并得出各专家与E3和E6的重要程度语言参考偏好；然后，根据表3获得专家之间的比较重要程度数值aBj或ajw，构建式（5）的线性规划模型，求解可得专家的最优权重如表4所示。

2.3 监测数据收集和处理

本研究中影响围护结构侧移的风险因素相关数据来源于工程基坑开挖过程、深基坑本身、隧道和周围环境系统变形监测等，包括沉降类、侧移类、应力类等监测数据。且这些数据有的是数值型，有的是文字型，需要根据《城市轨道交通工程监测技术规范》（GB 50911－2013）［30］对其进行分级处理，如表5所示。土重度、土壤内摩擦角、土壤黏聚力均来自于地质勘查报告；地下水位、隧道道床隆起速率、既有站房沉降量、地表沉降速率均来自自动化监测系统中的监测数据；施工员操作失误、施工队经验、施工队管理制度均来自专家打分；支撑架设的及时性、围护结构渗漏水、开挖面距隧道距离、坑外堆载均来自施工日志中的实时记录。另外，邻近既有下穿隧道深基坑施工失稳风险可依靠围护桩侧移量侧移速率来判断，从极低到极高设为5个风险等级，判断标准如表6所示。

2.4 贝叶斯网络建模

基于关联规则（ARM）的风险关联分析能够基于大量施工数据挖掘风险因素之间的相关关系。借鉴运用关联规则解决类似岩土工程问题的相关研究［31］，选取最小支持度为0.4，最小提升度为1.1，对风险因素之间的相关关系进行筛选，以避免信息的冗余。基于 Apriori算法分析挖掘出的邻近既有下穿隧道深基坑施工风险频繁项集情况如表7所示，只筛选出安全度较低或一般的频繁项集。再通过Apriori算法分析挖掘出的邻近既有下穿隧道深基坑工程关联规则，如表8所示。运用关联规则筛选出的相关关系需至少满足最小支持度或最小提升度。

上述基于关联规则挖掘所得到的有效强相关关系，可为贝叶斯网络的建立提供依据，加上依托专家经验的施工管理类因素，可得到临近既有下穿隧道的深基坑施工失稳风险的影响因素（见图2），可转化为有向无环图，从而确定贝叶斯网络结构。

由于施工管理部分风险难以量化，样本数据难以获取，故主要基于Noisy-or gate模型来确定网络参数。以“施工监测 Y3”为例，根据2.2节得到的专家权重及专家的打分结果，由式（13）可得风险因素的概率分布，再根据式（11）－ 式（12）可得Y3节点的条件概率，如表9所示。利用Netica软件建立初始贝叶斯网络模型，用于邻近既有下穿隧道的深基坑施工失稳风险的预评估及风险诊断。

Pij=∑10k=1ωijk∑ni=1∑10k=1ωijk，（13）

式中：Pij表示第j个风险因素状态为i时的概率；i表示风险因素的第i个状态；n表示风险因素的状态个数；j表示风险因素的个数；ωijk表示判断风险因素j的状态i发生的第k个专家对应的权值系数。

2.5 动态风险概率评估

动态贝叶斯网络节点的转移过程符合马尔科夫过程，因此需基于马尔科夫模型分析动态贝叶斯网络的转移概率。动态贝叶斯网络部分父节点具有多个状态，随着时间推移，这些父节点处于某个状态的概率会发生转移。

施工队员在进行施工操作过程中，每个操作存在成功与失败2种状态。人因失误随机变量是一个计数过程，且满足泊松分布。假设单位时间内人因失误次数的平均值为λ。人因失误状态只与前一个时刻状态有关，与过去时刻状态无关，因此人因失误状态符合齐次马尔科夫转移链。故节点状态转移概率可以通过式（14）－式（17）计算［27］：

PCi，t+1=yesCi，t=no）=λe－λ，（14）

PCi，t+1=noCi，t=no）=1－λe－λ，（15）

PCi，t+1=noCi，t=yes）=e－λ，（16）

PCi，t+1=yesCi，t=yes）=1－e－λ。（17）

x8施工员操作失误和x13开挖面距隧道距离为动态节点，如图3所示。单位时间内人因失误次数λ的平均值可参考类似工程研究中的取值，根据文献［31］取值为3.95，开挖面距离隧道距离根据项目的施工深度和日志中的实时记录进行更新。

3 案例研究

3.1 工程背景

新建厦门北站位于既有厦门北站北侧，为方便出站旅客换乘其他交通设施，拟在新建厦门北站地下一层修建双跨钢筋混凝土箱型框架结构社会连廊，且正好并行重叠于地铁1号线厦门北站—岩内站区间（简称厦—岩区间）隧道正上方。区间采用明挖法施工，钻孔灌注桩+内支撑围护。区间标准段宽10.5 m，顶板顶标高8.763～13.109 m。基坑围护结构采用Φ1 000 mm@1 200 mm钻孔灌注桩和Φ800 mm三重管高压旋喷桩桩间止水组合，南段隧道底板下部设置2排抗拔桩Φ1 000 mm，而北段不设。南北2段明挖区间地质情况基本相同，从地面往下地层依次为填土、粉质黏土、残积砂质黏性土、全风化花岗岩及强风化花岗岩。场区地下水位埋深1.2～8.7 m，标高10.67～19.66 m。社会连廊涉轨道交通 1 号线平面关系图如图4所示，厦—岩区间南段明挖区间围护结构三维模型如图5所示。

地下社会连廊基坑开挖属大面积地层卸载，会因地层回弹变形带动运营地铁隧道隆起。北段隧道开挖时各段结构隆起变形控制不均匀可能产生错台，破坏防水层。南段为整段结构，若差异沉降大则可能引起隧道结构损伤和开裂，若轨道变形超标将严重影响列车运营安全。以该社会连廊深基坑工程为研究对象，取任意2个时间切片之间的时间间隔为7 d，本文设定第1个时间切片的范围是2022-02-01至2022-02-07，以此类推，利用Netica建立21个时间切片的DBN模型，并对该模型进行验证。将收集的10组数据输入到模型中与实际风险状态对比，如表10所示，只有第10 组的结果与实际不符合，模型的准确率为90%。

3.2 结果分析

3.2.1 施工前风险评估

对新建厦门北站地下一层社会连廊深基坑进行施工失稳风险评估，需先用贝叶斯网络进行静态评估，图6为邻近既有下穿隧道深基坑施工安全度评估结果图。该深基坑围护结构的安全度被评为“较高”和“极高”的概率分别为34.6%和36.1%，表示该项目基坑失稳的概率较低，安全性较高。

3.2.2 先验分析

将2022-02-01至2022-06-27切割为21个时间切片，将静态贝叶斯网络向动态扩展。根据2.4节中的更新规则，对“x13施工员操作失误”和“x8开挖面距隧道距离”2个动态节点进行概率更新，并且概率沿着动态贝叶斯网络向前传播，以计算不同时间切片的基坑工程风险概率。图7展示了未输入证据时，围护结构在不同时间切片被评为的不同等级安全度概率的变化情况。结果表明： 1）随着开挖面与隧道距离缩短，即开挖深度的加深，围护结构安全度被评为“极高”和“较高”的概率降低，而被评为“极低”“较低”“一般”的概率提高； 2）越极端的评价风险概率变化越大，随着结构底板的封底浇筑完成，围护结构被评为各等级安全度概率趋于稳定，一定程度上表明该深基坑逐步趋于稳定。基坑的整体风险随着施工进度不断变化，这进一步强调了影响基坑整体风险的关键风险因素，也说明了引入动态节点的必要性。以此为参考，结合天气、环境的变化情况合理规划施工方案与进度，避开工程的危险点。

随着工程的推进，对基坑的实时观测会得到新的证据。如3月24日地表沉降监测点SDBC2-3沉降速率达到3.1 mm/d，4月6日监测点SDBC4-1沉降速率达到2.1 mm/d； 4月20日隧道K32+270—K32+300区域内监测点累计值达到B级预警，且因为降雨导致地下水位升高；4月28日监测点SDBC3-1沉降速率达到2.7 mm/d；5月18日出现暴雨天气，坑内出现大量积水；6月17日隧道道床结构竖向位移监测点HSGC（Z）10-01的位移速率达到0.7 mm/d；6月24日监测点SDBC2-3沉降速率达到2.7 mm/d，并伴随着围护结构渗漏水。可将上述证据输入贝叶斯网络中以更新评估结果，图8为输入证据后邻近既有下穿隧道深基坑施工动态安全度。结果表明：1）风险因素节点的风险状态输入会影响维护结构安全度的评价结果；2）风险因素节点证据输入的越多，对最终维护结构安全度评价的影响越大。另外，可以推断，不同风险因素对整体风险的影响力是有差别的，这能反映风险因素的权重。概率预测的结果波动幅度可侧面反映不同风险因素对风险事件的影响大小，这为找寻影响基坑整体风险的关键风险因素提供了重要指导，例如本工程中关键风险因素为地下水位高、维护结构渗漏水，施工中应重点关注。

3.2.3 风险诊断

贝叶斯网络反向推理可以依据基坑施工现场围护结构的安全度状态进行反推，找到最可能导致事故发生的原因，即可以实现风险致因诊断。5月8日，围护结构监测点1ZQC-20横向位移速率达到2.6 mm/d，累计达25 mm，故将“维护结构安全度”设置为“较低”，反向依风险因素节点的安全度从低向高进行排查，施工现场巡查到第4项时，发现该监测点附近有大面积浸渍，说明围护桩渗水，施工人员已经利用高压注浆形成的叶脉状结构水泥封土体中的缝隙。诊断终止的原则是找到导致事故的风险因素，且下一个排查因素尚未发生。贝叶斯网络反向推理是根据后验概率的大小对风险因素逐一进行排查，结合不同的时间切片，可较为准确、快速地找到风险发生的源头，为决策者提供了一套科学的解决方案。

4 结 语

本研究应用BWM方法优化了专家权重，并基于关联规则挖掘（ARM），建立了邻近既有下穿隧道深基坑的施工风险DBN模型。以新建厦门北站地下一层社会连廊深基坑工程为例，从先验概率预测和事后风险诊断2个方面对该深基坑施工进行了风险推理分析，与现场情况进行对比，验证了模型的合理性，研究主要结果如下。

1）建立了经BWM方法和ARM优化的，且适用于工程实例的动态贝叶斯网络模型，综合考虑了水文地质条件、施工组织、施工监测、施工管理等方面的影响，得出案例深基坑围护结构的安全度为“较高”和“极高”的概率分别为34.6%和36.1%。

2）在DBN模型中不断输入更新的风险证据，通过风险因果推理预测了在不同时刻下，风险因素处于不同状态时深基坑施工失稳风险水平。同时结合风险因素的权重分析了风险因素的敏感性，探明了深基坑工程关键风险，即地下水位高和维护结构渗漏水，以此作为风险控制的重点。

3）所提出的DBN模型不仅能对风险进行动态风险预测，在施工过程中根据施工步骤动态调整防控重点。若发生风险事故，又能进行事故致因诊断，提供了适应于具体工程案例的检查引导清单，既最大限度保证了邻近既有下穿隧道深基坑施工安全，又大幅提高了处理安全风险事故的效率。

所提出的基坑施工风险DBN模型有效且适用，可在基坑施工领域甚至土木工程领域推广运用。但ARM和BWM方法暂未开发相关的计算机应用程序与贝叶斯网络相关软件接驳，使用起来不够方便，今后将开发相应的计算机程序来解决此问题，另外会进一步采用使用多种更客观的方法来消除模型中因专家打分主观性带来的误差。

参考文献/References：

［1］

QIAN Qihu.Present state， problems and development trends of urban underground space in China［J］.Tunnelling and Underground Space Technology，2016，55：280-289.

［2］ CASTALDO P，JALAYER F，PALAZZO B.Probabilistic assessment of groundwater leakage in diaphragm wall joints for deep excavations［J］.Tunnelling and Underground Space Technology，2018，71：531-543.

［3］ 徐剑敏.超大型基坑与地下隧道群相互影响研究［J］.河北工业科技，2023，40（6）：445-451.

XU Jianmin.Research on the interaction between super large foundation pit and underground tunnel group［J］.Hebei Journal of Industrial Science and Technology，2023，40（6）：445-451.

［4］ WEI Mingdong，MENG Wenzhao，DAI Feng，et al.Application of machine learning in predicting the rate-dependent compressive strength of rocks［J］.Journal of Rock Mechanics and Geotechnical Engineering，2022，14（5）：1356-1365.

［5］ 夏宏运.高斯过程机器学习在临河地铁车站基坑变形预测中的应用［J］.河北工业科技，2022，39（5）：364-372.

XIA Hongyun.Application of gaussian process machine learning in deformation prediction of foundation pit of subway station near river［J］.Hebei Journal of Industrial Science and Technology，2022，39（5）：364-372.

［6］ ZHANG Yan，SU Guoshao，LI Yao，et al.Displacement back-analysis of rock mass parameters for underground caverns using a novel intelligent optimization method［J］.International Journal of Geomechanics，2020，20（5）：04020035.

［7］ HYUN K C，MIN S，CHOI H，et al.Risk analysis using fault-tree analysis （FTA） and analytic hierarchy process （AHP） applicable to shield TBM tunnels［J］.Tunnelling and Underground Space Technology，2015，49：121-129.

［8］ AZADI M，POURAKBAR S，KASHFI A.Assessment of optimum settlement of structure adjacent urban tunnel by using neural network methods［J］.Tunnelling and Underground Space Technology，2013，37：1-9.

［9］ NEZARAT H，SERESHKI F，ATAEI M.Ranking of geological risks in mechanized tunneling by using Fuzzy Analytical Hierarchy Process （FAHP）［J］.Tunnelling and Underground Space Technology，2015，50：358-364.

［10］SIHOMBING F，TORBOL M.Parallel fault tree analysis for accurate reliability of complex systems［J］.Structural Safety，2018，72：41-53.

［11］KABIR S.An overview of fault tree analysis and its application in model based dependability analysis［J］.Expert Systems With Applications，2017，77：114-135.

［12］ZHANG Yan，WEI Mingdong，SU Guoshao，et al.A novel intelligent method for predicting the penetration rate of the tunnel boring machine in rocks［J］.Mathematical Problems in Engineering，2020，2020（1）：3268694.

［13］DING Lieyun，FANG Weili，LUO Hanbin，et al.A deep hybrid learning model to detect unsafe behavior：Integrating convolution neural networks and long short-term memory［J］.Automation in Construction，2018，86：118-124.

［14］CHEN Zhicheng，YAO Lu，YANG Jianjun.A research review of project risk assessment methods［J］.Applied Mechanics Materials，2014，496-500：2857-2862.

［15］张瀚匀.基于Cov-AHP和云模型的深基坑施工工程风险评估研究［D］.北京：中国地质大学，2020.

ZHANG Hanyun.Research on Risk Assessment of Deep Foundation Pit Construction Engineering Based on Cov-AHP and Cloud Model［D］.Beijing：China University of Geosciences，2020.

［16］ZHANG L M，WU X G，SKIBNIEWSKI M J，et al.Bayesian-network-based safety risk analysis in construction projects［J］.Reliability Engineering & System Safety，2014，131：29-39.

［17］WU Xianguo，LIU Huitao，ZHANG Limao，et al.A dynamic Bayesian network based approach to safety decision support in tunnel construction［J］.Reliability Engineering & System Safety，2015，134：157-168.

［18］TELIKANI A，SHAHBAHRAMI A.Data sanitization in association rule mining： An analytical review［J］.Expert Systems With Applications，2018，96：406-426.

［19］SONG K，LEE K.Predictability-based collective class association rule mining［J］.Expert Systems With Applications，2017，79：1-7.

［20］LUNA J M，CANO A，SAKALAUSKAS V，et al.Discovering useful patterns from multiple instance data［J］.Information Sciences，2016，357：23-38.

［21］ZHOU Ying，LI Chenshuang，DING Lieyun，et al.Combining association rules mining with complex networks to monitor coupled risks［J］.Reliability Engineering & System Safety，2019，186：194-208.

［22］SOWAN B，DAHAL K，HOSSAIN M A，et al.Fuzzy association rule mining approaches for enhancing prediction performance［J］.Expert Systems With Applications，2013，40（17）：6928-6937.

［23］LI Ning，ZENG Li，HE Qing，et al.Parallel implementation of apriori algorithm based on MapReduce［C］//2012 13th ACIS International Conference on Software Engineering，Artificial Intelligence，Networking and Parallel/Distributed Computing.Kyoto：IEEE，2012：236-241.

［24］REZAEI J.Best-worst multi-criteria decision-making method［J］.Omega，2015，53：49-57.

［25］REZAEI J.Best-worst multi-criteria decision-making method：Some properties and a linear model［J］.Omega，2016，64：126-130.

［26］PEARL J.Fusion，propagation， and structuring in belief networks［J］.Artificial Intelligence，1986，29（3）：241-288.

［27］刘上海.基于员工行为可靠性的石油公司生产安全风险研究［D］.成都：西南石油大学，2014.

LIU Shanghai.A Study on Oil Company Risk of Production Safety Based on Employee Behavior Reliability［D］.Chengdu：Southwest Petroleum University，2014.

［28］FENG Xin，JIANG Juncheng，WANG Wenfeng.Gas pipeline failure evaluation method based on a Noisy-OR gate bayesian network［J］.Journal of Loss Prevention in the Process Industries，2020，66：104175.

［29］GB 50497—2019，建筑基坑工程监测技术标准［S］.

［30］GB 50911—2013，城市轨道交通工程监测技术规范［S］.

［31］JIANG Jie，LIU Guangyang，OU Xiaoduo.Risk coupling analysis of deep foundation pits adjacent to existing underpass tunnels based on dynamic Bayesian network and N-K model［J］.Applied Sciences，2022，12（20）：10467.