地鐵施工風(fēng)險應(yīng)急管理研究*

梅江鐘，馬玉潔，郭建斌

(1.西安建筑科技大學(xué) 管理學(xué)院，陜西 西安 710055；2.長慶油田第十一采油廠，陜西 西安 710055; 3.中建三局集團(tuán)有限公司西北分公司，陜西 西安 710055)

數(shù)字出版日期： 2017-09-26

0　引言

近年來，由于地鐵項(xiàng)目施工環(huán)境復(fù)雜、不可預(yù)見因素多、缺乏有效的地鐵施工經(jīng)驗(yàn)，導(dǎo)致地鐵施工事故頻發(fā)[1]。為了快速、有效地應(yīng)對地鐵施工事故，采取有針對性的應(yīng)急管理措施，已經(jīng)成為許多學(xué)者的共識。吳賢國[2]為解決現(xiàn)有地鐵施工風(fēng)險管理方法在處理不確定性方面存在的不足,提出了一種基于貝葉斯網(wǎng)絡(luò)(BN)理論的施工風(fēng)險管理分析方法；丁烈云[3]將信息技術(shù)用于地鐵工程施工安全風(fēng)險控制，便于及時有效地采取施工控制和應(yīng)急措施；胡群芳[4]通過收集2003—2011年我國地鐵隧道施工事故數(shù)據(jù)，為風(fēng)險管理實(shí)施提供了基礎(chǔ)資料，并為我國地鐵建設(shè)事故防范提供參考；高丙麗[5]提出基于模糊綜合評判法，確定不同管線的風(fēng)險等級,給出不同安全風(fēng)險等級的管線保護(hù)措施,建立地鐵施工鄰近管線安全風(fēng)險評估體系,為管線安全管理控制提供了可靠依據(jù)。此外，許多學(xué)者對地鐵施工事故時的應(yīng)急處置方法進(jìn)行詳細(xì)研究，但由于未能充分吸收以往類似事故應(yīng)急處置的寶貴經(jīng)驗(yàn)，不但導(dǎo)致安全事故的處置效率不高，而且缺乏針對性。鑒于知識推理技術(shù)憑借其獨(dú)特的優(yōu)點(diǎn)，近些年已在許多領(lǐng)域[6-10]得到成功應(yīng)用，本文將知識本體和規(guī)則推理相關(guān)理論相結(jié)合，通過文獻(xiàn)查閱、大數(shù)據(jù)等方式搜集地鐵施工風(fēng)險應(yīng)急案例；建立知識本體模型，通過計(jì)算目標(biāo)案例與源案例之間的綜合相似度進(jìn)行案例推理匹配，從源案例庫中找出相似度最高的源案例；最終參考相似案例關(guān)鍵屬性的應(yīng)急措施，根據(jù)實(shí)際情況對現(xiàn)有施工事故進(jìn)行管理控制，從而提高地鐵施工事故應(yīng)急處置決策的速度與針對性。

1　地鐵施工風(fēng)險應(yīng)急案例知識分析與表示

1.1　地鐵工程施工風(fēng)險事故分析

地鐵工程施工風(fēng)險事故的分析方式較多，將地鐵項(xiàng)目施工風(fēng)險事故按盾構(gòu)法、礦山法、明挖法施工工藝分為3大類，具體如圖1所示。

圖1　地鐵工程施工風(fēng)險事故Fig.1　Risk factors of metro construction

1.2　地鐵施工風(fēng)險應(yīng)急案例相關(guān)屬性收集

通過文獻(xiàn)查閱、網(wǎng)絡(luò)收集等方式，對我國近年來發(fā)生的地鐵隧道施工事故相關(guān)數(shù)據(jù)[4]以及住建部近年來曝光的地鐵施工事故進(jìn)行統(tǒng)計(jì)分析，并收集地鐵施工相關(guān)的風(fēng)險知識，然后按照施工工藝、風(fēng)險事件、風(fēng)險因素、風(fēng)險后果以及承險體5大類進(jìn)行分解。每類又可以細(xì)分為一級、二級等概念類，不同類所屬的概念類之間存在屬性關(guān)系、所屬關(guān)系、部分關(guān)系、實(shí)例關(guān)系等[11]。對地鐵施工風(fēng)險相關(guān)屬性進(jìn)行整合，用Xi表示屬性，用Y表示決策屬性，如表1所示。

表1　地鐵施工風(fēng)險案例的部分屬性

當(dāng)決策屬性值分別為1；2；…；n時，對應(yīng)的措施分別為D1，T1；D2，T2；…；Dn，Tn。

1.3　地鐵施工風(fēng)險應(yīng)急案例知識本體構(gòu)建

在實(shí)際的地鐵施工風(fēng)險應(yīng)急案例中，導(dǎo)致地鐵施工風(fēng)險事件的往往是多種因素相互作用而成的，例如：“井壁開裂”與“施工不當(dāng)”之間存在某種關(guān)聯(lián)；風(fēng)險后果與此也相似，例如：風(fēng)險事件導(dǎo)致的風(fēng)險后果不僅是“人員傷亡”、“工期延誤”等單一后果，而且還伴隨著“工程失穩(wěn)”、“周邊建筑物沉降”等其他后果。通過對地鐵施工風(fēng)險事故中的相關(guān)屬性進(jìn)行形式化表示，并運(yùn)用本體軟件Protege4.3,對收集到的地鐵施工風(fēng)險應(yīng)急案例建立知識本體層次結(jié)構(gòu)，地鐵施工風(fēng)險應(yīng)急案例部分知識本體層次結(jié)構(gòu)如圖2所示。

2　地鐵施工風(fēng)險應(yīng)急案例措施推理模型建立

地鐵施工風(fēng)險應(yīng)急案例措施推理流程為：首先，將新的地鐵施工風(fēng)險案例(目標(biāo)案例)相關(guān)屬性進(jìn)行提取，并用XML語言進(jìn)行形式化表示；其次，計(jì)算該目標(biāo)案例與源案例庫中的源案例相似度，并進(jìn)行案例匹配與檢索，對比相似源案例中關(guān)鍵屬性的相似度是否超過預(yù)先設(shè)置的閾值(δ)，從而決定直接參考相似度最大的案例的應(yīng)急措施，還是啟用規(guī)則推理；最后，將生成的推薦方案由專家進(jìn)行審核，審核通過則進(jìn)行方案實(shí)施，否則對推理規(guī)則根據(jù)實(shí)際情況進(jìn)行修改和調(diào)整，最終得出解決方案，并將該案例作為典型案例存儲在本體庫中，以便完善本體庫。具體流程如圖3所示。

圖2　地鐵施工風(fēng)險應(yīng)急案例部分知識本體層次結(jié)構(gòu)Fig.2　Metro construction risk case knowledge ontology hierarchical structure chart

圖3　地鐵項(xiàng)目施工風(fēng)險案例推理基本流程Fig.3　Basic process of case risk reasoning for construction risk of metro project

2.1　地鐵施工風(fēng)險相似案例檢索

2.1.1各屬性權(quán)重確定

由于地鐵施工風(fēng)險知識本體中，各屬性均為概念語義屬性，難以進(jìn)行準(zhǔn)確量化。因此，本文采用專家估計(jì)法確定各屬性的權(quán)重，設(shè)特征屬性U=(μ1,μ2，…，μn)，現(xiàn)有k位該領(lǐng)域的專家各自獨(dú)立地給出各個特征屬性的權(quán)重，如表2所示。

(1)

2.1.2各屬性相似度的計(jì)算

基于本體的案例之間相似度計(jì)算方法有很多，本文將綜合考慮概念語義距離、概念語義層次和概念語義重合度對概念語義相似度的影響，進(jìn)行案例匹配。為了使研究表述更加嚴(yán)謹(jǐn)，做出以下定義：

定義1 ：地鐵工程施工風(fēng)險應(yīng)急案例知識本體領(lǐng)域中，各節(jié)點(diǎn)的概念元素之間不是單獨(dú)存在，而是與其上一層次的概念元素之間存在父子關(guān)系，各個節(jié)點(diǎn)具有繼承和遺傳特性(如：圖2中的“技術(shù)風(fēng)險”是“勘察不當(dāng)”、“施工不當(dāng)”和“設(shè)計(jì)不當(dāng)”的父節(jié)點(diǎn)，即“勘察不當(dāng)”、“施工不當(dāng)”和“設(shè)計(jì)不當(dāng)”均可能導(dǎo)致“技術(shù)風(fēng)險”；“技術(shù)風(fēng)險”同時又是“風(fēng)險因素”的子節(jié)點(diǎn)，即“技術(shù)風(fēng)險”屬于“風(fēng)險因素”中的一種)。

定義2：地鐵施工風(fēng)險應(yīng)急案例知識本體領(lǐng)域中，頂層為第一層(如：圖2中的“地鐵工程施工風(fēng)險案例知識本體”為第一層)。

表2　專家估計(jì)法確定特征屬性權(quán)重

1)概念語義距離相似度

假設(shè)在本體樹中任意2個節(jié)點(diǎn)分別記為A和B。用sim1(A,B)表示節(jié)點(diǎn)A和B之間的語義距離相似程度。對概念語義相似度的計(jì)算，本文采用經(jīng)典概念語義距離公式[12]：

sim1(A，B)=

(2)

其中N表示節(jié)點(diǎn)A,B的最近祖先與本體根節(jié)點(diǎn)間的距離。2者間的語義距離Dist(A,B)的關(guān)系如下：

①如果A和B是同1個節(jié)點(diǎn)，則Dist(A,B)=0；

②如果A和B之間沒有共同祖先(A和B中至少有1個不在本體庫中)，則Dist(A,B)=∞；

③否則，Dist(A,B)是從A到B或從B到A所經(jīng)過的所有邊的總數(shù)。

2)概念語義層次相似度

假設(shè)在本體樹中，概念A(yù)在本體中的層次為L(A)，概念B在本體層次中的層次為L(B)。本體樹中所有最大的概念層次為L(C)。用sim2(A,B)表示節(jié)點(diǎn)A和B所在層次對于概念語義間的層次相似程度?？芍?，當(dāng)A=B時，其概念層次相似度為1。通過對賀元香[13]提出的概念語義層次相似度算法進(jìn)行改進(jìn)后，提出如下計(jì)算方法，如式(3)所示。

(3)

3) 概念語義重合度

假設(shè)在本體樹中，任意2個節(jié)點(diǎn)分別記為A和B。N(A)是從A出發(fā)，向上直接到根節(jié)點(diǎn)R所經(jīng)過的節(jié)點(diǎn)集合；同理，N(B)是從B出發(fā)，向上直接到根節(jié)點(diǎn)R所經(jīng)過的節(jié)點(diǎn)集合。N(A)∩N(B)表示從A和B出發(fā)，向上直接到R的過程中相同節(jié)點(diǎn)的個數(shù)。N(A)∪N(B)表示從A和B出發(fā)，向上直接到R的過程中全部節(jié)點(diǎn)的個數(shù)。則用sim3(A,B)表示概念A(yù)和B之間的語義重合度[14]，如式(4)所示。

(4)

考慮到以上3種影響語義結(jié)構(gòu)相似度的因素，本文提出如式(5)所示的源案例與目標(biāo)案例的風(fēng)險知識的概念語義相似度計(jì)算方法。

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

(5)

式中：α,β,γ為調(diào)節(jié)因子，且α+β+γ=1，一般情況下，概念語義距離對概念語義相似度的影響較大[15]。不同領(lǐng)域可根據(jù)案例訓(xùn)練方法可得。

2.1.3相似案例匹配

設(shè)地鐵施工風(fēng)險應(yīng)急案例庫中的源案例有m(M1,M2,…,Mm)個，每個案例有n個屬性。目標(biāo)案例與源案例中相應(yīng)的屬性分別記為A和B。計(jì)算出A和B的相似度之后，結(jié)合前文中計(jì)算出的各屬性權(quán)重，可以計(jì)算出目標(biāo)案例與源案例庫中源案例之間的相似度ρ。

ρ=sim*(A,B)×ω

(6)

同理，計(jì)算出目標(biāo)案例與本體庫中其他M-1個案例相似度，根據(jù)經(jīng)驗(yàn)選用0.80作為相似案例的閾值θ。最終選擇匹配后相似度大于閾值(0.80)的源案例Mi={Mi|θi≥0.8}，作為目標(biāo)案例的控制措施決策參考案例。若匹配后所有相似度均小于該閾值，則需要將其直接存入本體庫中，作為新案例以備下次檢索。

通常情況下，由于“關(guān)鍵屬性”是導(dǎo)致事故發(fā)生的主要因素，所以在案例相似度匹配后，還需對相似度最高案例中的“關(guān)鍵屬性”進(jìn)行相似度判斷。熵值法得出各屬性的權(quán)重后，進(jìn)行大小排序，并以權(quán)重最大的屬性作為“關(guān)鍵屬性”。在相似案例匹配后，應(yīng)選定δ作為關(guān)鍵屬性的閾值(其中閾值δ可以根據(jù)以往類似事故的數(shù)據(jù)統(tǒng)計(jì)，進(jìn)行相關(guān)性分析得出)。如果目標(biāo)案例與相似度最高案例之間的關(guān)鍵屬性大于δ，直接參考該案例中的應(yīng)急措施；若目標(biāo)案例與相似度最高的源案例之間的關(guān)鍵屬性小于δ，說明關(guān)鍵屬性不相似，則需啟用Jess推理機(jī)進(jìn)行規(guī)則推理，得出控制措施。

2.2　地鐵施工風(fēng)險應(yīng)急措施推理與制定

2.2.1地鐵施工風(fēng)險應(yīng)急措施推理

通過前文案例檢索出案例庫中的相似案例后，參考決策屬性值啟用Jess推理機(jī)進(jìn)行規(guī)則推理時，規(guī)則以IF-THEN的形式出現(xiàn)，IF為前提或條件；THEN為操作與結(jié)論。將目標(biāo)案例的決策屬性作為前提條件，若前提條件在邏輯上正確，則其操作方可執(zhí)行；反之，其操作將被忽略，然后進(jìn)行下一規(guī)則的判斷。推理過程將一直到規(guī)則的前提或條件，與求解狀況相匹配或規(guī)則庫中的規(guī)則用盡為止。推理過程如下：

1)IF:ρi≥θ,THEN:Mi={Mi|ρi≥θ}(檢索出案例相似度超過閾值的相似案例)。

2)IF:Mi={Mi|ρi≥θ},THEN:Yi={YMi}(檢索相似案例的決策屬性值)。

3)IF:Yi={YMi},THEN:{D,T}={DYMi,TYMi}(檢索決策屬性值所對應(yīng)的措施)。

4)Output:{D,T}(輸出措施庫中的控制措施)。

5)對措施推理所形成的地鐵施工風(fēng)險應(yīng)急措施進(jìn)行專家評估參考后實(shí)施。

2.2.2地鐵施工風(fēng)險應(yīng)急措施制定

通過規(guī)則推理輸出的地鐵施工風(fēng)險應(yīng)急措施，需要經(jīng)驗(yàn)豐富的專家，結(jié)合目標(biāo)案例的實(shí)際進(jìn)行參考，分析是否需要再將其進(jìn)行局部調(diào)整。經(jīng)專家審核后，得出最終地鐵施工風(fēng)險應(yīng)急措施方案，即可實(shí)施。

3　實(shí)例分析

某地鐵項(xiàng)目10號線二期工程，工程內(nèi)容包括：隧道工程、場站工程等。某站臺的2號出入口及1號風(fēng)道采用明挖法施工；2號出入口北側(cè)存在污水管、上水管、輸水管，且臨近河道。某日施工時，2號出入口及1號風(fēng)道區(qū)域基坑北側(cè)管線滲漏，坑外土體出現(xiàn)空洞并引起地表大面積塌陷。經(jīng)過現(xiàn)場指揮部連夜排查，專家認(rèn)為：主要是施工不當(dāng)引起。現(xiàn)場監(jiān)測得知，管線滲漏速率不少于25 m3/min。預(yù)計(jì)工期延誤5 d；所幸未造成人員傷亡?，F(xiàn)需要參考案例庫中以往地鐵施工風(fēng)險應(yīng)急管理案例的控制措施，對該目標(biāo)案例風(fēng)險進(jìn)行應(yīng)急決策。建筑工程領(lǐng)域，計(jì)算概念語義相似度時，往往概念語義距離對概念相似度的影響較大；相似案例關(guān)鍵屬性的相似度越高，關(guān)鍵屬性越相似[16]。通過地鐵施工事故統(tǒng)計(jì)與相關(guān)性分析，設(shè)定調(diào)節(jié)因子α=0.5，β=0.3，γ=0.2；閾值θ=0.80，δ=0.90。

3.1　案例解析

根據(jù)以上地鐵項(xiàng)目施工風(fēng)險案例基本信息，結(jié)合前文中的知識本體結(jié)構(gòu)層次劃分，選取重要特征概念用作分析可知，該風(fēng)險案例的施工工藝、風(fēng)險事件、風(fēng)險因素、風(fēng)險后果、承險體分別為：明挖法、管線破裂、施工不當(dāng)、工期延誤、場站結(jié)構(gòu)。假設(shè)現(xiàn)有地鐵項(xiàng)目施工風(fēng)險案例知識本體庫中有5個(本體庫中源案例越多，案例檢索效果越佳，本文假設(shè)有5個源案例)，施工風(fēng)險案例的語義屬性和特征屬性如表3所示。

表3　目標(biāo)案例與源案例語義屬性

3.2　屬性權(quán)重確定

現(xiàn)有5位領(lǐng)域?qū)＜腋髯元?dú)立地給出5類屬性對地鐵施工風(fēng)險應(yīng)急案例中所占的權(quán)重，如表4所示。

表4　專家估計(jì)法確定特征屬性權(quán)重

由式(1)計(jì)算得：ω=(0.04，0.26，0.24，0.21，0.25) 。由于“風(fēng)險事件”在5類屬性中所占權(quán)重最大，即為案例匹配的關(guān)鍵屬性。

3.3　最相似案例的確定

以源案例1為例，通過表3中的特征屬性，結(jié)合圖2中的知識本體層次結(jié)構(gòu)圖和概念語義相似度計(jì)算公式(2)～(5)可得，目標(biāo)案例和源案例1中各特征屬性的相似度為：

1)施工工藝相似度

2)風(fēng)險事件相似度

3)風(fēng)險因素相似度

4)風(fēng)險后果相似度

5)承險體相似度

由式(6)可知：風(fēng)險案例1與目標(biāo)案例之間的相似度為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，計(jì)算出地鐵項(xiàng)目施工風(fēng)險案例庫中其他4個案例與該目標(biāo)案例之間的相似度，如表5所示。

表5　源案例與目標(biāo)案例相似度

通過檢索，源案例3、源案例5與目標(biāo)案例的綜合相似度均大于閾值(0.80)；由于源案例3和源案例5的“關(guān)鍵屬性”相似度(δ3=0.47，δ5=0.69)均小于閾值0.90，所以不能直接參考其控制措施，而需要啟用Jess推理機(jī)進(jìn)行規(guī)則推理。

3.4　措施制定與分析

3.4.1措施推理

經(jīng)過相似案例的匹配之后，參考決策屬性值啟用Jess推理機(jī)進(jìn)行規(guī)則推理，推理如下：

1)IF:ρi≥0.80,THEN:Mi={Mi|ρi≥0.80};(檢索出案例相似度超過閾值的相似案例Mi={M3，M5})。

2)IF:Mi={M3，M5},THEN:Yi={YM3，YM5};(檢索相似案例的決策屬性值Yi={3，2})。

3)IF:Yi={YM3，YM5},THEN:{D,T}={DYM3，DYM5,TYM3,TYM5}(檢索決策屬性值所對應(yīng)的措施{D2，D3，T2，T3})。

3.4.2地鐵施工風(fēng)險應(yīng)急措施的制定

通過前文的措施推理，結(jié)合專家分析，該地鐵施工風(fēng)險應(yīng)急案例的應(yīng)急管理控制需要進(jìn)一步加強(qiáng)，并對推理所形成的控制措施(D2：定期對施工區(qū)域測量點(diǎn)進(jìn)行測量；D3：加強(qiáng)監(jiān)測與巡查工作；T2：土方回填，灌注混凝土；T3：清理淤泥及注漿加固，重新開挖后進(jìn)行二次補(bǔ)漿加固) 付諸實(shí)施，從而為施工單位提供一種可供快速決策且具有針對性的實(shí)施方案，并能對地鐵風(fēng)險事故的擴(kuò)大起到遏制作用。

3.4.3措施分析

通過綜合相似度的匹配，從案例中檢索出2個源案例與目標(biāo)案例最接近，在考慮關(guān)鍵屬性對地鐵施工事故的主要影響后，最終鎖定源案例3和源案例5。但其關(guān)鍵屬性與目標(biāo)案例的相似度仍低于經(jīng)驗(yàn)閾值(0.85)，所以需啟用規(guī)則推理對2個以往應(yīng)急方案進(jìn)行修改，使應(yīng)急措施更具針對性。經(jīng)專家審核后，參考最終形成的應(yīng)急預(yù)案，制定目標(biāo)案例施工事故的應(yīng)急措施，該措施的快速實(shí)施對地鐵施工事故的蔓延起到遏制作用。

4　結(jié)論

1)通過對地鐵施工風(fēng)險應(yīng)急案例進(jìn)行形式化表示，建立地鐵施工應(yīng)急措施推理模型，為案例檢索提供基礎(chǔ)。

2)通過對比目標(biāo)案例與源案例之間的相似度，對相似案例的決策屬性進(jìn)行措施推理，提高地鐵施工風(fēng)險案例的處理效率和控制措施的針對性。

3)通過實(shí)例分析，該地鐵施工項(xiàng)目施工風(fēng)險案例的相關(guān)屬性分別為：明挖法、管線破裂、施工不當(dāng)、工期延誤、場站結(jié)構(gòu)。該案例與源案例庫中的源案例3與源案例5均相似，但由于“關(guān)鍵屬性”相似度均小于閾值，所以不能直接參考源案例3和源案例5的控制措施，而需要啟用Jess推理機(jī)進(jìn)行規(guī)則推理。通過推理，結(jié)合專家分析，最終形成了控制措施 ：D2定期對施工區(qū)域測量點(diǎn)進(jìn)行測量；D3加強(qiáng)監(jiān)測與巡查工作；T2土方回填，灌注混凝土；T3清理淤泥及注漿加固，重新開挖后進(jìn)行二次補(bǔ)漿加固。

[1]陳帆，謝洪濤．基于粗糙集和RBF神經(jīng)網(wǎng)絡(luò)的地鐵施工安全風(fēng)險評估[J]．安全與環(huán)境學(xué)報，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]吳賢國，丁保軍，張立茂，等．基于貝葉斯網(wǎng)絡(luò)的地鐵施工風(fēng)險管理研究[J]．中國安全科學(xué)學(xué)報，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，周誠．復(fù)雜環(huán)境下地鐵施工安全風(fēng)險自動識別與預(yù)警研究[J]．中國工程科學(xué)，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，秦家寶．2003-2011年地鐵隧道施工事故統(tǒng)計(jì)分析[J]．地下空間與工程學(xué)報，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]高丙麗，任建喜．地鐵施工鄰近管線安全風(fēng)險評估研究[J]．現(xiàn)代隧道技術(shù)，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]張雙獅，蘭月新，劉冰月，等．基于案例推理的群體性事件智能決策支持WEB系統(tǒng)研究[J]．情報雜志，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]黃春雷，王峰，王建軍．基于知識推理的水電智能化在線調(diào)度技術(shù)[J]．電力系統(tǒng)自動化，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]李保強(qiáng), 吳笛. 基于知識關(guān)聯(lián)的學(xué)習(xí)資源混合協(xié)同過濾推薦研究[J]. 電化教育研究, 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]陶曉玲，韋毅，王勇．一種基于本體的并行網(wǎng)絡(luò)流量分類方法[J]．電子科技大學(xué)學(xué)報，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]楊月華，杜軍平，平源．基于本體的智能信息檢索系統(tǒng)[J]．軟件學(xué)報，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]閆文周，劉振超．基于本體的EPC總承包項(xiàng)目風(fēng)險控制研究[J]．施工技術(shù)，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]賀元香，史寶明，張永．基于本體的語義相似度算法研究[J]．計(jì)算機(jī)應(yīng)用與軟件，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]索俊鋒, 劉勇, 鄒松兵. 基于地理本體的綜合語義相似度算法[J]. 蘭州大學(xué)學(xué)報(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]劉景方, 鄒平, 張朋柱,等. 一種改進(jìn)的本體概念語義相似度算法研究[J]. 武漢理工大學(xué)學(xué)報, 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]閆文周，李超洋．建筑安全事故應(yīng)急措施推理研究[J]．中國安全生產(chǎn)科學(xué)技術(shù)，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.