基于數(shù)據(jù)場聚類的拉林鐵路隧道施工風險評估

張歡，郝偉，顧偉紅

基于數(shù)據(jù)場聚類的拉林鐵路隧道施工風險評估

張歡，郝偉，顧偉紅

(蘭州交通大學 土木工程學院，甘肅 蘭州 730070)

為了明確高寒地區(qū)復雜的施工環(huán)境以及惡劣的氣候條件對拉林鐵路隧道施工帶來的風險所屬等級，提出一種基于數(shù)據(jù)場聚類的隧道施工風險評估模型。針對拉林鐵路隧道工程的施工特點，分析隧道施工主要的施工風險與固有風險，構(gòu)建符合拉林鐵路地質(zhì)特征的隧道施工風險評價指標體系。使用模糊評語集對風險指標進行風險概率和風險損失描述，對描述結(jié)果進行定量轉(zhuǎn)化后，用基于數(shù)據(jù)場的高斯混合模型聚類確定各風險因素等級。運用該模型對位于拉林鐵路的巴玉隧道施工風險進行評價，并與傳統(tǒng)的K-means聚類結(jié)果進行比較，證明高斯混合模型的評價結(jié)果更加精準。

拉林鐵路；隧道施工；施工安全；數(shù)據(jù)場；聚類分析；高斯混合模型

目前川藏鐵路的建設受到了社會各界的關(guān)注，川藏鐵路的順利通車，對我國西部經(jīng)濟的快速發(fā)展和民族團結(jié)具有重大意義。然而高海拔和特殊氣候帶來的復雜環(huán)境和地質(zhì)問題對川藏鐵路的修建帶來了眾多挑戰(zhàn)[1?2]。拉林鐵路作為川藏鐵路的重要組成部分，位于青藏高原東南部，海拔在2 800~ 3 700 m之間。山高谷深，氣候極端惡劣，是典型的高寒地區(qū)地貌。拉林鐵路段計劃修建隧道47座，橋隧比高達70%以上[2]，因此隧道施工安全受到了建筑行業(yè)及學術(shù)界的重視。在此之前學者們也對隧道施工安全做了大量的研究。張東明等[3]以超前地質(zhì)預報體為基礎(chǔ)，利用模糊層次評價方法建立了深埋長隧道的地質(zhì)災害風險評估體系。顧偉紅等[4]采用基于熵權(quán)的模糊綜合評估模型對鐵路隧道TBM 施工關(guān)鍵風險進行評估。郭發(fā)蔚等[5]利用貝葉斯網(wǎng)絡對隧道施工的各風險事件所屬等級進行評估。魏立偉等[6]采用模糊網(wǎng)絡分析法構(gòu)建了典型隧道施工安全風險評價模型。目前針對高寒地區(qū)獨有的環(huán)境與地質(zhì)條件進行隧道施工風險評估的研究較少，并且多數(shù)研究停留在數(shù)學計算建立評價模型，對當代信息社會日漸火熱的大數(shù)據(jù)平臺與人工智能平臺的利用程度不夠，未能很好地處理風險評估的隨機性與不確定性；有些研究注重整體的風險等級評估，忽略了不同風險源的評價，不利于后期開展專項風險評估，而高寒地區(qū)隧道施工風險專項評估是必不可少的。基于此，本文提出基于數(shù)據(jù)場聚類的拉林鐵路隧道施工風險評估模型[7]。傳統(tǒng)的專家打分法在對指標進行評價的時候具有主觀性強的特點，并且由于參與專家人數(shù)多且涉及領(lǐng)域的區(qū)別，只簡單求取平均值作為指標分值的傳統(tǒng)方法過于片面，因此本文采用模糊評語集對風險事件進行描述，充分考慮風險事件對應風險級別的模糊性與不確定性，并且對不同的專家根據(jù)其知識經(jīng)驗賦予相應的權(quán)重，從而使評價數(shù)據(jù)更具有代表性。而數(shù)據(jù)場可以填補數(shù)據(jù)不完備所帶來的缺陷，直觀的體現(xiàn)數(shù)據(jù)與數(shù)據(jù)之間的聯(lián)系，便于后期的專項風險評估與應對[8]。

1 隧道施工風險評價指標體系

1.1 風險評價標準的構(gòu)建

風險評價標準的合理劃分有利于后期對各指標的風險評估及對不同等級風險的專項應對，因此本文參考《鐵路隧道風險評估與管理暫行規(guī)定》中的風險度量與評價標準，并在其基礎(chǔ)上進行完善，采用相應的定性語言描述風險，并對不同風險等級給定數(shù)域，將定性語言轉(zhuǎn)化成定量描述，可以將隧道施工安全評價等級劃分為以下5個等級。具體劃分見表1。

表1 評價等級標準

1.2 評價指標體系的構(gòu)建

拉林鐵路隧道工程具有工程規(guī)模大，施工難度高，施工環(huán)境惡劣等特點，受復雜的環(huán)境與地質(zhì)條件影響，在施工的過程中存在很多潛在危險源。不少地段同時面臨著活動斷裂、滑坡崩塌、高熱高溫、高地應力等諸多地質(zhì)難題[9]。本文參考《鐵路隧道風險評估與管理暫行規(guī)定》、《鐵路隧道工程施工技術(shù)指南》[10]及《川藏鐵路沿線及鄰區(qū)環(huán)境工程地質(zhì)問題概論》[11]等相關(guān)規(guī)范及文獻，結(jié)合拉林鐵路隧道工程的實際施工特點，并在充分征詢現(xiàn)場施工技術(shù)專家與高校學者意見的基礎(chǔ)上，根據(jù)系統(tǒng)性、目標性、全面性原則，制定相應的施工風險評價指標體系，如表2所示。

1.3 模糊評語集及其轉(zhuǎn)化

1.3.1 定義評語集

1.3.2 指標評語的轉(zhuǎn)化

專家(=1=1,2,…,)依據(jù)自己的知識和經(jīng)驗針對不同風險因指標模糊評語h進行選擇評價，得到專家指標評語統(tǒng)計結(jié)果，并按照式(1)計算各風險指標的廣義隸屬度。

由于不同專家之間有一定的知識和經(jīng)驗差距，給出的指標評語在一定程度上也存在著不可靠性，基于此，本文根據(jù)各專家職稱和項目經(jīng)驗賦予相應的指標權(quán)重，使評價結(jié)果更具有可靠性。參與問卷調(diào)查的專家一共有10位，如表4。

表2 隧道施工風險評價指標體系

表3 模糊評語集定義

表4 專家權(quán)重分配

綜合考慮了專家權(quán)重后的廣義隸屬度為：

2 高斯混合模型

所謂高斯混合模型(Gauss Mixture Mode，GMM)[13]是指對數(shù)據(jù)樣本的概率密度分布進行估計，以幾個高斯模型的加權(quán)作為估計模型。每個高斯模型就代表了一個類，因此模型數(shù)量要在模型訓練之前確定。

假設有個高斯分布，以一定的概率混合，則得到了高斯混和模型，即：

高斯混合模型的概率密度函數(shù)為：

GMM通常采用EM(Expectation Maximum)算法[14]對GMM 參數(shù)進行估計。算法流程為：

1) 初始化參數(shù)

2) E-step

令的后驗概率如式(6)所示。

3) M-step

更新權(quán)值得：

更新均值得：

更新方差矩陣：

4) 收斂條件

3 高斯混合模型的改進

由以上可知，傳統(tǒng)的高斯混合聚類模型只能對聚類簇數(shù)已知的樣本進行評價，而這些實際操作中往往無法確定，這也是傳統(tǒng)EM算法最大的不足[15]。基于此，本文提出了用數(shù)據(jù)場對EM算法進行改進。引入數(shù)據(jù)場思想，計算出每個數(shù)據(jù)對象的勢值，勢值越大的數(shù)據(jù)對象，說明其受其他數(shù)據(jù)點共同作用越大，另一個側(cè)面反映該點周圍的數(shù)據(jù)點越多，該點就有可能成為聚類中心，因此可以以勢值極大點作為樣本的聚類中心，而勢值極大點的分類個數(shù)就是聚類個數(shù)。

基于數(shù)據(jù)場改進的高斯混合聚類模型綜合了人工智能與數(shù)據(jù)挖掘的優(yōu)點，一方面具有對不全面的數(shù)據(jù)進行補充的優(yōu)勢，另一方面可以有效的檢索風險之間的關(guān)聯(lián)性并將其進行分類，并利用計算機運算代替了傳統(tǒng)的人工數(shù)據(jù)計算過程，是土木工程領(lǐng)域當前發(fā)展的一個新方向。

3.1 數(shù)據(jù)場的建立

場的概念最早是由英國的物理學家法拉第提出來，表示一種傳遞物體間的非接觸相互作用的媒介[16]。李德毅根據(jù)物理學中的場論思想，將物質(zhì)粒子間的相互作用及其場描述方法引入抽象的數(shù)域空間，提出數(shù)據(jù)場的概念。

如果把每個樣本的觀測向量看作是一個數(shù)據(jù)點，那么個樣本就構(gòu)成了維特征空間里的個數(shù)據(jù)點。設存在于空間里的每個數(shù)據(jù)點周圍都存在一個作用場，且受到其他對象的聯(lián)合作用，這樣就在空間里確定了數(shù)據(jù)集的數(shù)據(jù)場[17]。引入勢函數(shù)描述數(shù)據(jù)場的屬性時，空間任一點的勢值為：

3.2 改進的高斯混合模型聚類流程

基于數(shù)據(jù)場改進的高斯混合模型隧道施工風險評估的具體步驟如下：

2) 邀請相關(guān)領(lǐng)域?qū)＜腋鶕?jù)施工現(xiàn)場實際情況以及風險等級劃分標準對各評價指標進行模糊評語描述；

3) 根據(jù)式(1)~(2)對評價指標的模糊評語進行定量轉(zhuǎn)化；

4) 根據(jù)式(8)計算每個數(shù)據(jù)對象x的勢值；

5) 畫出勢值分布圖并找到極大值點，設置極大值點個數(shù)為聚類個數(shù)；

6) 利用高斯混合模型進行聚類分析。

4 工程實例

拉林鐵路巴玉隧道位于桑加峽谷區(qū)中下游段，隧道進口里程DK190+388，進口段坡度為45°~75°，出口里程 DK203+461，出口段坡度為45°~55°，隧道全長13 073 m，其中單線隧道 12 482 m，雙線隧道384 m，三線隧道 207 m，隧道最大埋深約2 080 m。隧址海拔平均高度為3 560 m。線路縱坡為?1.0‰/262 m，?9.8‰/1 190 m，?10.2‰/9 740 m，?6‰/1 450 m和0/431 m的單坡面。加桑峽谷氣候干旱少雨，年平均氣溫 8.8 ℃，極端最低氣溫?17.6 ℃，極端最高氣溫29 ℃，年最大雨量 705.7 mm，最大積雪厚度12 cm，凍土厚度16 cm。工程區(qū)巖性單一，地層以花崗巖、閃長巖等堅硬巖石為主，地質(zhì)構(gòu)造復雜，存在巖爆、地熱、放射性、危巖落石以及凍害等不良地質(zhì)[18]。

4.1 指標評語的轉(zhuǎn)化

本文假定各風險之間相互獨立，即在不考慮某一確定風險因素被其他風險因素影響的前提下，專家依據(jù)評語集={微小、較小、一般、較大、重大}對指標進行選擇評價，對收集到的10位專家評語做統(tǒng)計分析，結(jié)果如表5所示。

R44h4,h3h4,h3h4,h4h4,h2h5,h3h4,h3h5,h3h3,h3h3,h4h5,h4 R51h4,h4h4,h3h3,h4h4,h3h2,h4h2,h3h3,h3h2,h4h4,h4h3,h4 R52h4,h4h3,h4h3,h3h2,h4h4,h4h4,h3h2,h4h2,h5h4,h3h3,h2 R53h3,h3h4,h2h3,h4h2,h5h4,h3h2,h4h3,h4h3,h4h3,h4h2,h4 R54h1,h4h2,h3h2,h4h1,h4h1,h5h2,h4h1,h4h1,h4h2,h3h2,h4 R61h5,h4h4,h4h5,h5h5,h4h3,h5h4,h4h5,h5h5,h4h5,h4h3,h4 R62h1,h4h2,h4h2,h4h1,h5h1,h4h2,h3h2,h4h2,h3h1,h3h1,h4 R63h5,h4h4,h3h5,h3h4,h4h3,h5h4,h3h5,h3h5,h4h3,h4h4,h4 R64h4,h4h3,h4h3,h5h4,h4h3,h5h4,h3h3,h4h4,h4h4,h3h3,h4 R65h3,h5h4,h4h3,h5h3,h4h3,h5h4,h4h5,h4h4,h4h3,h4h4,h4 R66h2,h4h2,h4h2,h3h3,h4h3,h3h2,h4h2,h3h3,h4h2,h2h3,h2 R67h2,h4h3,h4h2,h5h3,h4h3,h5h2,h4h2,h5h3,h4h3,h4h2,h5 R68h3,h4h2,h4h2,h5h3,h5h3,h4h4,h5h3,h5h2,h4h2,h4h3,h5

依據(jù)式(1)~(2)對表5中的指標模糊評語描述進行定量轉(zhuǎn)化，得到的結(jié)果如表6所示。

表6 指標評語轉(zhuǎn)化成果

4.2 基于數(shù)據(jù)場的高斯混合模型聚類結(jié)果

按照前述的勢值計算方法運用Matlab計算樣本勢值，得到如圖1所示勢值分布圖。

圖1 勢值分布圖

圖2 高斯混合聚類圖

由圖1可以看出有4類極大值，因此初始數(shù)據(jù)樣本有3個聚類中心，可將樣本所屬風險分為4個等級，在Matlab中運用高斯混合模型進行聚類分析多次運行后得出完整的聚類結(jié)果圖，結(jié)果如圖2所示，其中軸為風險概率，軸為風險損失。

為更好地體現(xiàn)出改進后的高斯混合模型聚類優(yōu)勢，將其與傳統(tǒng)K-means聚類方法結(jié)果進行對比，K-means聚類結(jié)果如圖3所示。

兩者輸出聚類結(jié)果如表7和表8所示。

由以上分析比較可見，基于數(shù)據(jù)場的高斯混合模型聚類結(jié)果準確性明顯高于傳統(tǒng)的 K-means聚類。從以上風險分級結(jié)果可看出，工程地質(zhì)風險因素中的巖爆，活動斷裂以及高地溫等風險都屬于重大風險，隧道自然坡度，埋深，危巖落石等固有風險，以及施工過程中易產(chǎn)生有害氣體、放射性物質(zhì)等施工作業(yè)環(huán)境風險均屬于較大風險，這也與巴玉隧道地應力大，巖石堅硬，易發(fā)生巖爆；地溫高，易產(chǎn)生有害氣體等地質(zhì)特點相吻合，且這些地質(zhì)特點不利于鉆爆等施工作業(yè)。為應對巖爆風險，可以循環(huán)采取爆破—靜止—掘進的施工方法進行作業(yè)，在開挖面經(jīng)常灑冷水或鉆孔高壓注水以改善圍巖物理力學性能；為應對高地溫風險，施工時可在隧道襯砌內(nèi)設計耐高溫絕緣隔熱材料，并做好施工過程中的通風工作；針對施工過程中無法繞避的滑坡崩塌和活動斷裂區(qū)需要開展專題研究工作，進行穩(wěn)定性評價，給出合理的處理意見；施工過程中施工機械保養(yǎng)與警示不足帶來的風險屬于一般風險，在施工過程中要做好施工前的機械檢查工作；相對來說，在此隧道施工過程中，存在安全管理不完善和基礎(chǔ)支護工作不足等風險較小，由于圍巖多為堅硬巖石，發(fā)生軟巖大變形的風險也較小，與實際工程情況相符。

圖3 K-means聚類結(jié)果圖

表7 高斯混合模型聚類輸出結(jié)果

表8 K-means聚類輸出結(jié)果

5 結(jié)論

1) 根據(jù)拉林鐵路獨特的高寒區(qū)氣候與地質(zhì)環(huán)境，結(jié)合鐵路隧道施工主要特點，對拉林鐵路展開項目風險識別，確定項目中潛在的基本風險事件，較為準確、全面地反映了隧道施工風險系統(tǒng)的結(jié)構(gòu)；運用模糊評語集對隧道施工風險進行描述，并根據(jù)經(jīng)驗和閱歷賦予被調(diào)查專家相應的權(quán)重，很大程度上降低了專家打分的主觀隨意性；最后采用基于數(shù)據(jù)場改進的高斯混合模型對各風險指標進行聚類分析，得到較為準確的評價結(jié)果，為拉林鐵路隧道施工風險研究提供一定的參考。

2) 在建立風險指標體系時，雖較為全面的考慮了隧道自身特點和管理、機械、環(huán)境以及地質(zhì)風險因素，但并不能保證各項風險指標之間的獨立性，因此后續(xù)可以進一步考察各指標之間的相互影響程度以及攜帶信息熵的重疊程度，提高風險評價體系的可靠性。

3) 相比傳統(tǒng)聚類算法，本文采用的基于數(shù)據(jù)場的高斯混合模型聚類具有計算原理科學，計算步驟簡潔以及計算結(jié)果準確的優(yōu)點。但是在計算勢值的過程中需要預先設定影響因子的值，如何確定使算法更加完善，是后續(xù)可以進行研究的方向。

[1] 宋章, 張廣澤, 蔣良文, 等. 川藏鐵路主要地質(zhì)災害特征及地質(zhì)選線探析[J]. 鐵道標準設計, 2016, 60(1): 14? 19. SONG Zhang, ZHANG Guangze, JIANG Liangwen, et al. The main geological disaster characteristics and geological route selection of Sichuan-Tibet Railway[J]. Railway Standard Design, 2016, 60(1): 14?19.

[2] 楊德宏. 川藏鐵路昌都至林芝段主要工程地質(zhì)問題分析[J/OL]. 鐵道標準設計: 1?8 [2019?07?18]. YANG Dehong. Analysis of main engineering geological problems in Changdu-Linzhi section of Sichuan-Tibet railway[J/OL]. Railway Standard Design: 1?8 [2019? 07?18].

[3] 張東明, 白永杰, 白鑫, 等. 深埋長隧道施工地質(zhì)災害風險模糊層次評價[J]. 安全與環(huán)境學報, 2018, 18(1): 50?55. ZHANG Dongming, BAI Yongjie, BAI Xin, et al. Fuzzy hierarchical assessment of geological disaster risk in deep-buried long tunnel construction[J]. Journal of Safety and Environment, 2018, 18(1): 50?55.

[4] 顧偉紅, 王恩茂, 張文達. 鐵路隧道TBM施工風險評估[J]. 安全與環(huán)境學報, 2018, 18(3): 843?848. GU Weihong, WANG Enmao, ZHANG Wenda. Risk assessment of TBM construction for railway tunnels[J]. Journal of Safety and Environment, 2018, 18(3): 843? 848.

[5] 郭發(fā)蔚, 王宏輝. 基于Bayesian隧道施工風險模糊綜合評估方法[J]. 鐵道科學與工程學報, 2016, 13(2): 401?406. GUO Fawei, WANG Honghui. Fuzzy comprehensive evaluation method based on Bayesian tunnel construction risk[J]. Journal of Railway Science and Engineering, 2016, 13(2): 401?406.

[6] 魏利偉, 王峰, 張強. 青藏高原典型隧道施工安全風險評價研究[J]. 價值工程, 2019, 38(16): 42?45. WEI Liwei, WANG Feng, ZHANG Qiang. Study on the risk assessment of typical tunnel construction in Qinghai- Tibet plateau[J]. Value Engineering, 2019, 38(16): 42?45.

[7] 李德毅, 劉常昱, 杜鹢, 等. 不確定性人工智能[J]. 軟件學報, 2004(11): 1583?1594. LI Deyi, LIU Changyu, DU Yu, et al. Uncertainty artificial intelligence[J]. Journal of Software, 2004(11): 1583?1594.

[8] 李德毅, 孟海軍, 史雪梅. 隸屬云和隸屬云發(fā)生器[J].計算機研究與發(fā)展, 1995(6): 15?20. LI Deyi, MENG Haijun, SHI Xuemei. Subordinate cloud and subordinate cloud generator[J]. Computer Research and Development, 1995(6): 15?20.

[9] 張敏, 張廣澤, 蔣良文, 等. 川藏鐵路雅魯藏布江縫合帶地質(zhì)選線研究[J]. 資源信息與工程, 2019, 34(1): 164?166. ZHANG Min, ZHANG Guangze, JIANG Liangwen, et al. Study on geological line selection of Yarlung Zangbo River suture zone on Sichuan-Tibet Railway[J]. Resource Information and Engineering, 2019, 34(1): 164?166.

[10] TZ 204—2008, 鐵路隧道工程施工技術(shù)指南[S]. TZ 204—2008, Guidelines for construction technology of railway tunnel engineering[S].

[11] 郭長寶, 張永雙, 蔣良文, 等. 川藏鐵路沿線及鄰區(qū)環(huán)境工程地質(zhì)問題概論[J]. 現(xiàn)代地質(zhì), 2017, 31(5): 877? 889. GUO Changbao, ZHANG Yongshuang, JIANG Liangwen, et al. An Introduction of environmental engineering geological problems among Sichuan-Tibet Railway and its Adjacent Areas[J]. Modern Geology, 2017, 31(5): 877?889.

[12] 王華牢, 李寧, 王皓. 隧道施工塌方風險評估與控制措施[J]. 交通運輸工程學報, 2010, 10(4): 34?38. WANG Hualao, LI Ning, WANG Hao. Risk assessment and control measures of tunnel collapse[J]. Journal of Transportation Engineering, 2010, 10(4): 34?38.

[13] Gionis A, Mannila H, Tsaparas P. Clustering aggregation [J]. Acm Transactions on Knowledge Discovery from Data, 2005, 1(1): 4.

[14] 陳英. 高斯混合模型聚類及其優(yōu)化算法研究[D]. 南昌: 華東交通大學, 2015.CHEN Ying. Clustering of Gauss mixture model and its optimal algorithms[D]. Nanchang: East China Jiaotong University, 2015.

[15] 任恒妮. 大數(shù)據(jù)K-means聚類算法的研究與應用[J]. 信息技術(shù), 2019, 43(11): 20?23. REN Hengni. Research and application of K-means clustering algorithm for big data[J]. Information Technology, 2019, 43(11): 20?23.

[16] WANG S, WANG D, LI Caoyuan , et al. Clustering by fast search and find of density peaks with data field[J]. Chinese Journal of Electronics, 2016, 25(3): 397?402.

[17] 陳玉雯. 基于高斯混合模型聚類的變量選擇及應用[D]. 蘭州: 蘭州大學, 2016. CHEN Yuwen. Variable selection and application based on Gauss mixture model clustering[D]. Lanzhou: Lanzhou University, 2016.

[18] 王棟, 李天斌, 蔣良文, 等. 川藏鐵路某超深埋隧道地應力特征及巖爆分析[J]. 鐵道工程學報, 2017, 34(4): 46?50. WANG Dong, LI Tianbin, JIANG Liangwen, et al. In-situ stress characteristics and rockburst analysis of an ultra-deep tunnel on Sichuan-Tibet Railway[J]. Journal of Railway Engineering, 2017, 34(4): 46?50.

Construction risk assessment of Lhasa-Linzhi railway tunnel based on data field clustering

ZHANG Huan, HAO Wei,GU Weihong

(School of Civil Engineering, Lanzhou Jiaotong University, Lanzhou 730070, China)

In order to clarify the risk level of complex construction environment and harsh climate conditions for Lhasa-Linzhi Railway tunnel construction in alpine region, a tunnel construction risk assessment model based on data field clustering was proposed. According to the construction characteristics of tunnel engineering in Lhasa-Linzhi Railway, the main Construction risk and inherent risk of tunnel construction were analyzed, and the risk evaluation index system of tunnel construction in line with the geological characteristics of Lhasa-Linzhi Railway was constructed. The risk probability and risk loss of risk indicators were described by using fuzzy comment set. After quantitative transformation of the description results, the risk factors were classified by Gaussian mixture model clustering based on data field. Finally, the construction risk of Bayu tunnel in Lhasa-Linzhi Railway was evaluated by using the model, and compared the result with the traditional K-means clustering method. The study is proved that the evaluation results of Gaussian mixture model are more accurate.

Lhasa-Linzhi Railway; tunnel construction; construction safety; data field; cluster analysis; Gauss mixture model

10.19713/j.cnki.43?1423/u.T20190855

U45

A

1672 ? 7029(2020)07 ? 1874 ? 09

2019?09?23

長江學者和創(chuàng)新團隊發(fā)展計劃滾動資助項目(IRT-15R29)；國家自然科學基金資助項目(51668037)

郝偉(1968?)，女，甘肅蘭州人，副教授，從事建設工程項目管理及經(jīng)濟評價研究；E?mail：862535923@qq.com

(編輯 蔣學東)