基于綜合相似度的地鐵施工風險應急推理研究

梅江鐘， 馬玉潔

(1. 西安建筑科技大學管理學院， 陜西 西安 710055； 2. 長慶油田第十一采油廠， 陜西 西安 710055)

基于綜合相似度的地鐵施工風險應急推理研究

梅江鐘1， 馬玉潔2

(1. 西安建筑科技大學管理學院， 陜西 西安 710055； 2. 長慶油田第十一采油廠， 陜西 西安 710055)

針對地鐵項目施工環(huán)境復雜、不可預見因素多、施工事故頻發(fā)、難以對其進行快速有效的應急決策與救援的問題，首先，搜集以往地鐵施工應急案例，分析地鐵施工風險因素，運用Protégé軟件建立知識本體模型；然后，計算本體庫中源案例與目標案例的綜合相似度，從案例庫中匹配出綜合相似度最大的源案例，通過對比本體庫中與目標案例相似度最高源案例的關鍵屬性，運用規(guī)則推理對相似案例的應急措施進行適用性修改，從而提高應急措施的針對性，為快速有效地應對地鐵施工事故進行應急決策提供新的方法；最后，以某地鐵項目施工為例，驗證了該相似度算法的合理性。

地鐵施工風險； 應急決策； 知識本體； 綜合相似度； 措施推理

Abstract: The construction environment of metro project is complex; the unforeseeable factors are many; the construction accidents are frequent, and it is difficult to carry out quick and effective emergency decision-making and rescue. Firstly, the emergency cases of metro construction are collected; the risk factors are analyzed; and the knowledge ontology model is established by software Protégé. And then the comprehensive similarity between the source case and the target case in the ontology library is calculated; the source case with maximum similarity degree is selected, the key properties of source case in ontology library and target case are compared; and the adaptability of emergency method of similar cases are modified by rule reasoning to improve the pertinence of the emergency method and provide a new method for emergency decision-making and rescue of metro accidents. Finally, the rationality of the comprehensive similarity algorithm is verified by a case stady.

Keywords: metro construction risk; emergency decision; knowledge ontology; comprehensive similarity; measure reasoning

0 引言

由于地鐵工程建設難度大，施工風險高，有的施工人員技術不熟練，缺乏大量的工程建設經驗，地鐵工程施工安全事故時有發(fā)生。如何快速應對地鐵施工安全事故，采取有效的應急措施，已經成為許多學者的研究熱點。胡群芳等[1]通過收集2003—2011年我國地鐵隧道施工事故數據，為風險管理實施提供了基礎資料，并為我國地鐵建設事故防范提供了參考；丁烈云等[2]將信息技術用于地鐵工程施工安全風險控制，便于及時有效地控制風險；何德福[3]通過問卷調查的方式，對調查結果量化處理后進行數據擬合，得出風險評價函數，從而進行風險控制與安全事故的應對；于丹丹等[4]分析了地鐵隧道施工對鄰近建筑物的影響因素及建筑物本身抵抗變形的因素，并對地鐵施工引起的環(huán)境建筑物的風險進行評價；張姣等[5]對地鐵隧道施工風險事件進行了定量分析；徐凌等[6]在對比分析地鐵車站附屬工程各類施工方法優(yōu)缺點的基礎上，系統地研究了仰挖施工的技術及管理措施，并分析了仰挖施工的工程進度與地表沉降規(guī)律。以上文獻對地鐵施工事故應對方法進行了詳細研究，但未能借鑒以往類似事故應急處理的寶貴經驗，從而導致安全事故的處理效率不高，制定的應急措施缺乏針對性。

鑒于知識推理技術憑借其獨特的優(yōu)點已經在故障診斷[7]、在線調度[8]和機器人學習[9]等領域得到成功應用，本文主要將知識推理技術引入到地鐵施工領域，從而為快速形成應對地鐵施工風險的應急預案提供參考。將知識本體和規(guī)則推理相融合，通過文獻查閱等方式搜集地鐵施工風險應急案例，建立知識本體模型，計算綜合相似度，進行案例推理匹配，找出相似度最高的案例，參考相似案例關鍵屬性的應急措施，根據實際情況對現有施工事故進行管理控制，從而為地鐵施工事故的應急決策提供新思路。

1 基于知識本體的地鐵施工風險應急案例知識分析與表示

1.1地鐵工程施工風險因素分析

地鐵工程施工風險因素有多種分析方法，本文用故障樹分析方法，將地鐵項目施工風險因素分為外部風險和內部風險2大類，具體因素分析如圖1所示。

圖1 地鐵工程施工風險因素

1.2地鐵工程施工風險應急案例知識獲取與表示

地鐵工程施工風險管理的重要內容是將工程進行分解，在某分解模塊下判斷出可能出現的所有風險事件及其危害性大小[10]。由于地鐵項目施工過程中所涉及的風險種類很多，為了完整地描述地鐵施工風險發(fā)生的過程，本文將地鐵工程施工風險應急案例知識劃分為5大類： 施工工藝、風險事件、風險因素、風險后果以及承險體。

2 應急案例知識本體的構建與措施推理

2.1地鐵施工風險應急案例知識本體的構建

在大數據的背景下，利用網絡爬蟲、文獻查閱等方式，對2003—2011年我國地鐵隧道施工事故數據[1]以及住建部近年來(2014—2016年)通報的地鐵施工事故，收集相關施工風險知識，然后按照劃分的5大類進行分解。每一類又可以分為一級、二級等概念類，不同類所屬的概念類之間存在一定關系，包括部分關系、所屬關系、實例關系和屬性關系等[11]。實際案例中，地鐵施工風險事件往往是多種因素復合而成，例如“地下水流失”與“周邊建筑物的沉降”可能存在某種關聯關系，風險后果更是一個復合的指標，一個風險事件導致的風險后果絕不僅僅是“工期延誤”這一單一后果，往往伴隨“環(huán)境風險” “工程失穩(wěn)” “周邊建筑物的沉降”等其他后果。為了簡化計算，本文將事故中的客觀指標(如“工期延誤(時間)”和“地下水流失(速率)”等)作為案例匹配的計算依據；其余指標(如“地表局部沉降”和“周邊建筑物的沉降”等)存儲于規(guī)則庫中，作為Jess推理機推理時的規(guī)則，從而提高推理后的措施針對性。運用本體軟件Protégé，對收集到的部分施工風險應急案例知識建立知識本體層次結構，如圖2所示。

圖2地鐵施工風險案例部分知識本體層次結構圖

Fig. 2 Partial knowledge ontology hierarchical structure of risk case of metro construction

2.2地鐵工程施工風險應急措施推理

2.2.1 地鐵工程施工風險應急措施推理流程

推理的基本流程為： 當有新的地鐵施工風險事件(目標案例)發(fā)生時，提取該案例的相關屬性，通過計算綜合相似度，在本體庫中檢索出相似度最高的源案例，借鑒源案例的管理控制經驗來解決目標案例的風險問題。如果檢索后的案例不適用于目標案例，則根據實際情況進行修改和調整，得出解決方案，并將目標案例作為新的案例保存在本體庫中，以便后期案例的檢索。地鐵工程施工風險案例推理流程如圖3所示。

圖3 地鐵工程施工風險案例推理基本流程

2.2.2 地鐵項目施工風險應急措施推理步驟

2.2.2.1 確定各屬性的權重

用熵值法確定各屬性的權重，其步驟如下：

1)對數據進行標準化處理，

(1)

2)計算第i個案例的第j個屬性值所占的比例，

(2)

3)計算各屬性的信息熵，

(3)

4)計算信息熵冗余度dj=1-ej。

(4)

(5)

式(1)—(5)中：Xij為第i個案例的第j個屬性的值； max{Xj}和min{Xj}分別為所有案例中第j個屬性的最大值和最小值；k=1/lnm(其中m為案例的個數)；n為屬性個數。

2.2.2.2 應急案例的相似度匹配

假設地鐵施工風險應急案例知識本體庫中的風險應急源案例有M個，每個案例有5個屬性(“施工工藝”“風險事件”“風險因素”“風險后果”和“承險體”)。目標案例與源案例中相應的風險知識表示在知識本體層次結構圖中所對應的節(jié)點分別記為A和B。計算出A和B的相似度之后，結合前文中計算出的各屬性權重，可以算出目標案例與本體庫中某個源案例之間的相似度ρ；同理，計算出目標案例與本體庫中其他M-1個案例的相似度，最終選擇匹配后相似度最大的源案例，作為目標案例的應急決策參考案例。

2.2.2.3 應急預案的措施推理

通過熵值法得出各屬性的權重后，進行大小排序，并以權重最大的屬性作為“關鍵屬性”。通常情況下，由于“關鍵屬性”是導致事故發(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“關鍵屬性”進行相似度判斷。在相似案例匹配后，應選定θ作為關鍵屬性的閾值(閾值θ可以根據以往類似事故的數據統計進行相關性分析得出)。

1)如果目標案例與相似度最高案例之間的關鍵屬性大于θ，直接參考該案例中的應急措施。

2)若目標案例與相似度最高的源案例之間的關鍵屬性小于θ，說明關鍵屬性不相似，則需啟用Jess推理機進行規(guī)則推理，得出控制措施。

在啟用Jess推理機進行規(guī)則推理時，規(guī)則以if-then的形式出現，if為前提或條件，then為操作與結論。將目標案例的關鍵屬性作為前提條件，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，然后進行下一規(guī)則的判斷。推理過程將一直持續(xù)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。

3 地鐵施工風險應急案例綜合相似度的計算

基于本體的案例之間相似度計算方法有很多，本文將綜合源案例與目標案例之間的概念語義相似度和特征屬性相似度2種方法進行案例匹配。為了使研究表述更加嚴謹，做出以下定義。

1)定義1。地鐵工程施工風險應急案例知識本體領域中，各節(jié)點的概念元素之間不是單獨存在，而是與其上一層次的概念元素之間存在父子關系，各個節(jié)點具有繼承和遺傳特性(如圖2中的“涌水突泥”是“地下水流失”和“管線破裂”的父節(jié)點，即“地下水流失”和“管線破裂”均可能導致“涌水突泥”；“涌水突泥”同時又是“風險事件”的子節(jié)點，即涌水突泥屬于風險事件中的一種)。

2)定義2。地鐵施工風險應急案例知識本體領域中，頂層為第1層(如圖2中的“地鐵工程施工風險案例知識本體”為第1層)。

3)定義3。地鐵施工風險應急案例知識本體領域中，各節(jié)點同時具有概念語義和特征屬性(如某地鐵施工風險的“風險后果”的節(jié)點為“工期延誤15 d”，概念語義為“工期延誤”，特征屬性為“15 d”)。

3.1概念語義相似度的計算

概念語義相似度在不同的領域有不同的含義。一般指2個概念之間的相似程度，當2個概念完全重合的時候取值為1，反之為0。常用的計算方法是通過案例知識本體結構(以下簡稱本體樹)中的概念語義層次、概念語義距離或概念語義重合度來計算。由于概念語義對案例匹配的影響較多，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。

3.1.1 概念語義距離相似度

假設將本體樹中任意2個節(jié)點分別記為A和B。用Sim1(A，B)表示節(jié)點A和B之間的概念語義距離相似程度。對概念語義相似度的計算，本文采用經典概念語義距離公式[12]

(6)

其中N表示節(jié)點A、B的最近祖先與本體根節(jié)點間的距離。兩者間的語義距離Dist(A,B)的關系如下：

1)如果A和B是同一個節(jié)點，則Dist(A,B)=0；

2)如果A和B之間沒有共同祖先(A和B中至少有一個不在本體庫中)，則Dist(A,B)=∞；

3)否則，Dist(A,B)是從A到B或從B到A所經過的所有邊(如圖2所示知識本體層次結構中，節(jié)點與節(jié)點之間相連的線段)的總數。

3.1.2 概念語義層次相似度

(7)

3.1.3 概念語義重合度

假設在本體樹中任意2個節(jié)點分別記為A和B。N(A)是從A出發(fā)，向上直接到根節(jié)點R所經過的節(jié)點集合； 同理，N(B)是從B出發(fā)，向上直接到根節(jié)點R所經過的節(jié)點集合；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)點的個數；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)點的個數。用Sim3(A，B)表示概念A和B之間的語義重合度。

(8)

考慮到以上3種影響語義結構相似度的因素，本文提出如式(9)所示的源案例與目標案例的風險知識的概念語義相似度計算方法。

Sim*(A,B)=α×Sim1(A,B)+β×Sim2(A,B)+

γ×Sim3(A,B)。

(9)

式中α、β、γ均為調節(jié)因子，且α+β+γ=1。

一般情況下，概念語義距離相似度對概念語義相似度的影響較大。不同領域可根據案例訓練方法得到[14]。

3.2特征屬性相似度的計算

在實際工程中所遇到的風險知識，僅由語義結構相似度來衡量2個案例的相似程度是有失偏頗的。例如某源案例中風險后果為“A工期延誤15 d”，目標案例中的風險后果為“B工期延誤7 d”。若僅按照式(9)進行相似度匹配，則Sim(A,B)=1，顯然兩者有時間差，2個案例之間的相似度應當小于1。因此，還應綜合考慮2個案例之間特征屬性的相似度。特征屬性分為符號屬性，確定數值屬性和模糊數屬性。

3.2.1 符號屬性

符號屬性是用地鐵工程施工風險的各個屬性的標準說法來表示的屬性值。若本體庫中的某一源案例與目標案例中的風險知識表示在本體樹中所對應的屬性相同，則視為同等表示取1；反之則為屬于不同表示取0。相似度計算如下：

(10)

3.2.2 確定數值屬性

設本體庫中源案例的某一數值型屬性f的值為A，目標案例對應的屬性的值為B。當A和B的值為一個確定的數值時，采用海明距離反函數的方法進行具體數值屬性之間相似度Sim′(A,B)的計算，數值屬性的相似度

(11)

式中Amax，j和Amin，j分別表示案例庫中第j個屬性f的最大值和最小值。

3.2.3 模糊數屬性

三角形函數是計算模糊數相似度最常用的一種方法，因此本文采用三角形函數來計算模糊數相似度。f是目標案例和源案例中所對應的第j個屬性，min(f)和max(f)分別表示該值域的下限和上限。

(12)

式中：v為屬性f的模糊值；z為源案例庫中該屬性的真實值。

3.3案例綜合相似度計算

通過上述分析之后，綜合考慮應急源案例與目標案例中對應概念語義相似度和特征屬性相似度的同等重要性，提出如下公式進行2個案例間對應屬性的綜合相似度計算。

由于用概念語義相似度和特征屬性相似度2種方式計算出的屬性相似度同等重要，進行均值處理，得到各個屬性之間的相似度

(13)

應急源案例與目標案例之間的綜合相似度

ρ= Sim(A，B)×ω=[Sim(A，B)1,Sim(A，B)2,…,

Sim(A，B)n]×[ω1,ω2，…,ωn]T。

(14)

4 實例分析

某地鐵工程采用礦山法施工，內容包括隧道工程和場站工程等。在該工程某區(qū)間2號聯絡通道施工過程中，突然發(fā)現大量涌水涌泥，2 min內涌水涌泥近70 m3，地表出現局部沉降并引起周邊建筑物變形。經過現場指揮部連夜排查，專家認為主要原因是前期勘察不當所致。事發(fā)現場是2條隧道的交界處，地質情況比較復雜，施工導致管線破裂，引起涌水涌泥，預計工期延誤10 d?，F需要參考案例庫中以往地鐵施工風險應急管理案例的控制措施對該目標案例風險進行應急決策。

本文參數的設置： 建筑工程領域，計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；相似案例關鍵屬性的相似度越高，關鍵屬性越相似[15]。通過對2015—2016年發(fā)生的28起地鐵施工事故(住建部通報的地鐵施工事故)統計與相關性分析，設定調節(jié)因子α=0.5，β=0.3，γ=0.2；閾值θ=0.90。

4.1案例解析

根據以上地鐵項目施工風險案例基本信息，結合前文中的知識本體結構層次劃分，選取重要特征概念用作分析可知，該風險案例的施工工藝、風險事件、風險因素、風險后果、承險體分別為礦山法、管線破裂(35 m3/min)、勘察不當、工期延誤(10 d)、隧道結構。假設知識本體庫中現有地鐵項目施工風險案例為5個(本體庫中源案例越多案例檢索效果越佳，為了說明問題，本文假設只有5個源案例)。施工風險案例的語義屬性和特征屬性如表1—2所示。

表1 目標案例與源案例的語義屬性

表2 目標案例與源案例的特征屬性

4.2屬性權重(ω)的確定

通過表2中的數據，由熵權法計算公式(1)—(4)，得：ω=[0.187,0.235,0.187,0.203,0.187]，由于“風險事件”在5類屬性中所占權重最大，即為案例匹配的關鍵屬性。

4.3最相似案例的確定

以目標案例和源案例1為例，通過表1中的概念語義屬性結合圖2中的知識本體層次結構圖和概念語義相似度計算公式(6)—(9)可得，目標案例和源案例1中概念語義屬性的相似度為Sim*(A,B)=[1，0.49，0.51，1，0.69]；通過表2中的特征屬性結合相似度計算公式(10)—(12)可得，目標案例和源案例1對應的特征屬性相似度Sim′(A,B)=[1，0，0，0.79，0]；由式(13)—(14)可知，風險案例1與目標案例之間的相似度ρ=Sim(Ai,Bi)×ω=[(1+1)/2，(0.49+0)/2，(0.51+0)/2，(1+0.79)/2，(0.69+0)/2]×[0.187,0.235,0.187,0.203,0.187]T=0.54。同理，計算出地鐵項目施工風險案例庫中其他4個案例與該目標案例之間的相似度，如表3所示。

通過計算目標案例與5個源案例之間的概念語義和特征屬性相似度可知，源案例4與目標案例的綜合相似度最大，為0.80，即目標案例與案例庫中的源案例進行匹配后，源案例4與目標案例最相似。

表3 源案例與目標案例相似度

4.4應急預案的措施推理

通過案例匹配后，案例庫中的源案例4綜合相似度與目標案例最大，根據權重計算可知，“風險事件”為關鍵屬性。由表3中數據可知，源案例4中的關鍵屬性的相似度Sim(A,B)=(1+0.71)/2=0.86，但仍小于0.90。所以需要啟用Jess推理機進行規(guī)則推理對源案例4中的應急方案進行修改，將“涌水涌泥速率(gushing water flow rate)≤35 m3/min”作為前提條件，將“地表局部沉降”“周邊建筑物變形”作為規(guī)則進行推理。

1)規(guī)則1： if“涌水涌泥速率≤35 m3/min”and“地表局部沉降”，then“清理淤泥，并采用擠密注漿，以調整不均勻沉降并在隧道施工時對臨近土進行加固以及封堵與修補”。

2)規(guī)則2： if“涌水涌泥速率≤35 m3/min”and“周邊建筑物變形”，then“及時施作噴混凝土+鋼架，初次注漿加固完畢后，對地基進行二次補漿加固”。

最終參考案例4中“風險事件”的應急措施并進行推理，形成應急預案： output={清理淤泥，并采用擠密注漿，以調整不均勻沉降并在隧道施工時對臨近土進行加固以及封堵與修補；及時施作噴混凝土+鋼架，初次注漿加固完畢后，對地鐵施工風險應急措施推理研究進行二次補漿加固}。

4.5措施分析

通過綜合相似度的匹配，從案例中檢索出2個源案例與目標案例最接近，在考慮關鍵屬性對地鐵施工事故的主要影響后，最終鎖定源案例4，但源案例4的關鍵屬性與目標案例的相似度仍低于經驗閾值(0.90)，所以需啟用規(guī)則推理對源案例4以往的應急方案進行適當修改，最終形成適合目標案例的應急預案。經專家確認后，使用該應急預案，對目標案例的施工事故進行處理，使方案更具針對性。該措施的快速實施對防止地鐵施工事故的蔓延起到了決定作用。

5 結論與討論

1)通過對以往地鐵施工事故應急案例進行形式化表示，建立知識本體層次結構模型，提出了基于知識本體的概念語義和特征屬性的綜合相似度算法，克服了案例匹配效率低下的問題。在措施推理時，對比目標案例與源案例之間的關鍵屬性相似度，若關鍵屬性相似度未超過設定的閾值，則需要對相似案例的關鍵屬性進行措施推理，從而提高地鐵施工安全事故的處理效率。

2)本文提出的基于綜合相似度的地鐵施工應急措施推理模型，可提高地鐵施工風險事故應急管理的智能化水平，為快速應對地鐵施工事故進行應急決策提供了一種方法。

3)由于計算機相關知識的缺乏，未能實現全自動化推理的過程。借鑒現有的Protégé知識本體軟件以及Jess推理機等，目前僅能實現半自動化的地鐵施工風險應急措施推理，尚不能實現全自動與可視化的應急措施推理與決策，希望通過此文，能為學界提供一種思路。

[1] 胡群芳, 秦家寶. 2003—2011年地鐵隧道施工事故統計分析[J]. 地下空間與工程學報, 2013(3): 705. HU Qunfang，QIN Jiabao. Statistical analysis of accidents of subway tunnel construction from 2003 to 2011 in China[J]. Chinese Journal of Underground Space and Engineering, 2013(3): 705.

[2] 丁烈云, 周誠. 復雜環(huán)境下地鐵施工安全風險自動識別與預警研究[J]. 中國工程科學, 2012, 14(12): 85. DING Lieyun, ZHOU Cheng. Automatic risk identification and safety early-warning of underground construction under complex conditions[J]. Engineering Sciences, 2012, 14(12): 85.

[3] 何德福. 明挖地鐵車站施工期風險評估研究[J]. 土木建筑與環(huán)境工程, 2014, 36(增刊1): 53. HE Defu. Risk assessment in open-cut subway station construction[J]. Journal of Civil, Architectural & Environmental Engineering, 2014, 36(S1): 53.

[4] 于丹丹, 雙晴. 地鐵隧道施工鄰近建筑物安全風險評價[J]. 城市軌道交通研究, 2013(4): 32. YU Dandan, SHUANG Qing. Safety risk evaluation of adjacent buildings during metro tunneling construction[J].Urban Mass Transit, 2013(4): 32.

[5] 張姣, 賈敏才, 張建. 地鐵隧道盾構法施工全過程風險分析[J]. 公路工程, 2013, 38(3): 38. ZHANG Jiao， JIA Mincai， ZHANG Jian. Analysis of risks in overall process during the construction period of metro shield tunnel construction[J]. Highway Engineering, 2013, 38(3): 38.

[6] 徐凌, 羅富榮. 地鐵車站附屬工程仰挖施工風險及控制措施研究[J]. 隧道建設, 2016, 36(3): 320. XU Ling, LUO Furong. Study of risk management and control technologies for down-top excavation of ancillary works of metro station[J]. Tunnel Construction, 2016, 36(3): 320.

[7] 董磊, 任章, 李清東. 基于模型和案例推理的混合故障診斷方法[J]. 系統工程與電子技術, 2012, 34(11): 2339. DONG Lei, REN Zhang, LI Qingdong. Hybrid method for fault diagnosis based on model and case-based reasoning[J]. Systems Engineering and Electronics, 2012, 34(11): 2339.

[8] 黃春雷, 王峰, 王建軍. 基于知識推理的水電智能化在線調度技術[J]. 電力系統自動化, 2010, 34(21): 50. HUANG Chunlei, WANG Feng, WANG Jianjun. Intelligent online hydropower dispatching based on knowledge reasoning[J]. Automation of Electric Power Systems, 2010, 34(21): 50.

[9] 劉強, 馬家辰, 謝瑋,等. 混合粒子群優(yōu)化算法和案例推理方法的多機器人學習(英文)[J]. 電子科技大學學報, 2014, 43(1): 137. LIU Qiang, MA Jiachen, XIE Wei, et al. Multi-robot learning using PSO combined with CBR algorithm[J]. Journal of University of Electronic Science and Technology of China, 2014, 43(1): 137.

[10] 王燁晟, 張文成, 陳文華. 軌道交通風險評估WBS工程結構分解準則研究[J]. 現代隧道技術, 2013, 50(3): 40. WANG Yesheng, ZHANG Wencheng, CHEN Wenhua. Study of the WBS criteria for rail transit risk assessment[J]. Modern Tunnelling Technology, 2013, 50(3): 40.

[11] 閆文周, 劉振超. 基于本體的EPC總承包項目風險控制研究[J]. 施工技術, 2016, 45(6): 118. YAN Wenzhou, LIU Zhenchao. Research on risk control of EPC project based on ontology[J]. Construction Technology, 2016, 45(6): 118.

[12] PALMER M S, WU Zhibao. Verb semantics for English-Chinese translation[J]. Machine Translation, 1995, 10(1/2): 59.

[13] 賀元香, 史寶明, 張永. 基于本體的語義相似度算法研究[J]. 計算機應用與軟件, 2013, 30(11): 312. HE Yuanxiang, SHI Baoming, ZHANG Yong. Research on ontology-based semantic similarity algorithm[J]. Computer Applications and Software, 2013, 30(11): 312.

[14] 趙永金, 鄭洪源, 丁秋林. 一種基于本體的語義相似度算法研究[J]. 計算機應用, 2009, 29(11): 3074. ZHAO Yongjin, ZHENG Hongyuan, DING Qiulin. Study of semantic similarity algorithm based on ontology[J]. Journal of Computer Applications, 2009, 29(11): 3074.

[15] 閆文周, 李超洋. 建筑安全事故應急措施推理研究[J]. 中國安全生產科學技術, 2016, 12(11): 136. 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.

StudyofRiskReasoningofMetroConstructionEmergencyResponseBasedonComprehensiveSimilarity

MEI Jiangzhong1, MA Yujie2

(1.SchoolofManagement,Xi′anUniversityofArchitecture&Technology,Xi′an710055,Shaanxi,China; 2.ChangqingOilfieldEleventhOilProductionPlant,Xi′an710055,Shaanxi,China)

U 455

A

1672-741X(2017)09-1126-08

2016-12-30;

2017-03-30

陜西省教育廳科研計劃項目(14JZ023)

梅江鐘(1990—)，男，四川達州人，西安建筑科技大學工業(yè)工程專業(yè)在讀碩士，研究方向為工程項目管理、隧道施工風險、裝配式建筑施工能耗。E-mail： mjz272595431@163.com。

10.3973/j.issn.1672-741X.2017.09.010