基于數(shù)據(jù)挖掘的工程項目動態(tài)風險評估研究①

宋 揚,范 偉

(安徽電氣工程職業(yè)技術學院,安徽 合肥 230001)

0 引 言

全國路網(wǎng)的急速發(fā)展帶來了不少的安全隱患。根據(jù)2005年—2017年的相關資料，我國路網(wǎng)建設，尤其是隧道建設過程中出現(xiàn)了諸如瓦斯爆炸、突水、塌方、地表塌陷、炸藥爆炸等重大安全事故，出現(xiàn)了人員傷亡，帶來了極大的經(jīng)濟損失與安全恐慌。究其原因，主要是風險管理意識較差、安全管理不到位、現(xiàn)場施工管理不嚴謹?shù)?。所以，開展路網(wǎng)安全評估，尤其是隧道建設施工安全顯得尤為必要[1]。

1 基于數(shù)據(jù)挖掘的隧道施工工程風險數(shù)據(jù)預測

選擇動態(tài)神經(jīng)網(wǎng)絡對結構化數(shù)據(jù)進行時間序列預測，選用文本挖掘對半結構化、非結構化數(shù)據(jù)進行分析處理[2]。

1.1 基于動態(tài)神經(jīng)網(wǎng)絡的結構化數(shù)據(jù)時間序列預測

隧道施工的結構化數(shù)據(jù)具有非線性特點，常規(guī)的“離線式”規(guī)律研究并不能有效表征隧道施工過程的動態(tài)性、時變性。因此，選用動態(tài)神經(jīng)網(wǎng)絡對隧道施工中可能出現(xiàn)的地表沉降進行實時時間序列預測，在隧道施工風險管理評估予以應用。

根據(jù)Tokens嵌入定理，可將隧道淺表段出現(xiàn)的地表沉降時間序列{x(t)|t=1,2,…,N}重構為多維確定性相空間，如式(1):

Y(t)=[x(t),x(t+τ),…,x(t+(m-1)τ)]T

(1)

式(1)中，τ,m分別表示時間延遲、嵌入維數(shù)。τ,m的選擇對于相位空間重構非常重要，是決定相位空間重構準確性的關鍵性因素。

非線性自回歸神經(jīng)網(wǎng)絡(NAR)的數(shù)學模型如式(2):

Y(t)=f(y(t-1),y(t-2),…,y(t-d))

(2)

式(2)中，t,d,y(t),f分別表示時間、延遲長度、時間序列、神經(jīng)網(wǎng)絡映射函數(shù)。特別的，d表征歷史時間序列長度[X]。f采用Sigmoid映射函數(shù)。

非線性自回歸神經(jīng)網(wǎng)絡與時間序列相結合完成數(shù)據(jù)規(guī)律預測時，神經(jīng)網(wǎng)絡輸入層數(shù)目與嵌入維數(shù)m相一致時，將獲得最佳的預測效果。對于此模型的精度，定義均方根誤差進行判斷[3]。

1.2 基于文本挖掘的半結構化與非結構化數(shù)據(jù)分析處理

隧道施工工程中具有大量的半結構化、非結構化數(shù)據(jù)，這些數(shù)據(jù)無法使用結構化數(shù)據(jù)的算法進行處理，因此選取基于文本挖掘的半結構化、非結構化數(shù)據(jù)分析，其流程如圖1所示[4]。

圖1 基于文本挖掘的非結構化數(shù)據(jù)分析流程

根據(jù)圖1，降維處理主要是將半結構化、非結構化數(shù)據(jù)用能夠體現(xiàn)半文本、文本特征的分詞、關鍵詞等構成語義特征結構化模型。表征語義結構化模型主要有向量空間模型、概率模型[X]。選用向量空間模型如公式(3)：

V(d)={(t1,ω1j),(t2,ω2j),…,(tn,ωnj)}

(3)

式(3)中，d，ti，ωij分別表示文本、文本中的第i個特征詞、ti在d中的重要度，也是就權重。所以，V(d)就是文本對應的特征向量空間(VSM)。降維處理后的文本數(shù)據(jù)可以通過詞頻分析、關聯(lián)分析、文本分類、情感分析等方法進一步挖掘。

2 基于變權理論的隧道施工工程項目動態(tài)風險管理評估模型

隧道施工工程的風險管理評估指標體系總共為三級，第一級為目標層，指隧道施工工程安全風險；第二級是準則層，主要指人員風險、機械風險、物料風險、管理風險、環(huán)境風險；第三極是指標層，共有21個指標，具體定義如表1所示。

表1 準則層與指標層釋義

構建了三級隧道施工工程風險管理評估指標體系后，采用變權理論，對風險管理評估中的權重進行動態(tài)控制。傳統(tǒng)的“常權”方法滿足歸一性、連續(xù)性、單調性，各個風險因素的決策變量與因素本身的變化沒有關系，極易導致狀態(tài)值不均衡，從而導致評估結果不精準。

設風險因素常權向量為

W=(w1,w2,…,wm)

滿足：

wj∈[0,1](j=1,2,…,m)

w1+w2+…wm=1

對狀態(tài)進行加權，即狀態(tài)量變化，權重也隨之變化，可定義狀態(tài)變權向量Sx，如式(4)：

Sx=(S1(X),S2(X),…,Sm(X))

(4)

其中，X=(x1,x2,…,xm)∈[0,1]m，表示狀態(tài)向量。

因此，可將Sx視為如式(5)，(6)的變化[6]：

Sx：[0,1]m→[0,1]m

(5)

X|→Sx(x)=Sx°X=

(S1(X),S2(X),…,Sm(m))·(x1,x2,…,xm)=

(S1(X)·x1,S2(X)·x2,…,Sm(X)·xm)

(6)

根據(jù)式(4)，(5)，(6)，Sx表示對狀態(tài)向量X的加權；Sx°X表示Sx與X的Hardarmard乘積。由此可得變權向量W(X)。綜上，構建基于變權理論的風險管理評估綜合模型，基本步驟如下所述。

(1)確定隧道施工工程的安全風險等級。共計5個等級。

T={輕微風險、一般風險、較大風險、較嚴重風險、很嚴重風險}

(2)根據(jù)指標體系，采用層次分析法初步確定風險因素的初始權重。

(3)采用混合型狀態(tài)變權向量對風險因素指標的權重進行動態(tài)微調，得到指標體系U(t,r)。

(4)選用局部懲罰型變權函數(shù)對指標體系進行均衡處理。

(7)

式(7)中，α表示均衡函數(shù)的懲罰因子。

(5)構建模糊隸屬度矩陣R如式(8)：

(8)

(6)根據(jù)權重向量與模糊隸屬度矩陣，求解隸屬度向量，確定隧道施工工程風險等級。

3 試驗測試及其結果分析

(1)試驗條件：某隧道，全長2.1km，雙向4車道，風化較強，灰?guī)r五級。隧道口超淺埋，最小埋深1.18m。

(2)采用FNN算法確定時間序列相位空間重構的嵌入維數(shù)m=3,時間延遲τ=8時，最先接近0.2的飽和接受區(qū)，所以，選擇動態(tài)神經(jīng)網(wǎng)絡的輸入層神經(jīng)元數(shù)量為3。

(3)多次試驗后確定NAR的隱層神經(jīng)元數(shù)量為10。經(jīng)過多次試驗后，確定NAR對地表沉降的預測相對誤差較小(表2)，這表明動態(tài)神經(jīng)網(wǎng)絡與時間序列預測能夠較好的預測地表沉降。

表2 NAR預測的相對誤差

(4)基于文本挖掘的半結構化、非結構化數(shù)據(jù)分析結果為：因為風化較強，整體都是灰?guī)r，等級為五級，因此詞頻出現(xiàn)最多的是圍巖裂隙，表示該段隧道最有可能出現(xiàn)的風險因素是地質風險。

(5)根據(jù)變權理論的綜合風險管理評估模型，可得該段隧道施工工程項目的動態(tài)風險管理評估結果為：

T=(0.0927 0.3543 0.4492 0.4474 0.1418)

根據(jù)最大隸屬度原則，確定該段隧道的風險等級為四級，屬于較為嚴重的風險等級。

為了更好地體現(xiàn)本文的綜合評估模型，同時計算得到常權模型下的評估結果。

T=(0.0927 0.4022 0.4452 0.2274 0.1008)

根據(jù)最大隸屬度原則，確定常權評估模型下，該段隧道的風險等級為三級，屬于較大風險等級。由此可見，采用變權理論對權重進行動態(tài)控制后，能夠有效提升風險評估精準性。其原因取決于某些單獨因素在風險評估過程中被忽略，導致風險因素的狀態(tài)值不足，使得評估結果出現(xiàn)偏差。

4 結 語

以隧道施工工程為研究對象，詳細分析了目前隧道施工工程安全風險評估存在的問題，闡述了隧道施工工程的風險因素產(chǎn)生機理及其風險演化機理。在此基礎上，采用數(shù)據(jù)挖掘對隧道施工工程的結構化、半結構化、非結構化數(shù)據(jù)進行了對應的數(shù)據(jù)分析與處理，構建了三級、共計19個指標的評估指標體系，進行了基于變權理論的權重計算改進，形成了隧道施工工程的綜合評價模型。試驗結果表明本方案能夠有效提升隧道施工工程的風險動態(tài)控制，提高風險等級評估的準確性。