基于CBR的鐵路隧道工程措施方案決策研究

吳文芊

【摘 要】?為了將以往工程案例的經(jīng)驗充分利用以防止資源浪費(fèi)，基于案例推理，文章使用最近鄰算法構(gòu)建了鐵路隧道工程措施方案決策模型。從鐵路隧道自然特征屬性和工程決策屬性出發(fā)，選取10個特征屬性作為工程措施案例的量化指標(biāo)。通過以連環(huán)比率法和熵值法結(jié)合的綜合賦權(quán)法確定各指標(biāo)權(quán)重值，并采用負(fù)指數(shù)函數(shù)計算相似度。以天平鐵路六盤山隧道作為目標(biāo)案例對模型進(jìn)行了有效性驗證。結(jié)果表明模型推薦的方案具有合理性，可以作為鐵路隧道工程的前期方案設(shè)計輔助決策工具。

【關(guān)鍵詞】鐵路隧道; 案例推理; 最近鄰算法; 綜合賦權(quán)法; 負(fù)指數(shù)函數(shù)

隨著國家鐵路建設(shè)的快速發(fā)展、鐵路技術(shù)標(biāo)準(zhǔn)的不斷提高，隧道工程在山嶺或重丘地區(qū)所占的比重日益增加[1]。其中西南山區(qū)由于其復(fù)雜的地質(zhì)構(gòu)造，鐵路線路橋隧占比大，以川藏鐵路為例，雅安至林芝段正線全長1 008.45 km，橋隧總長965.74 km，橋隧比95.8 %，其中隧道851.48 km，占線路長度的84.43 %[2]。

在鐵路隧道施工過程中，有的地區(qū)工程資料有限或設(shè)計、施工人員自身知識局限性等，都會影響方案的適用性和準(zhǔn)確性，從而易發(fā)工程事故。近年來我國艱險山區(qū)鐵路、公路大量修建，積累了多種類型的隧道工程案例。將此類案例整合，利用案例推理能夠快速地通過對以往相似案例的檢索，進(jìn)行案例匹配，快速、準(zhǔn)確地得到參考解決方案，為決策者提供幫助。案例推理技術(shù)充分利用了以往案例的經(jīng)驗知識來解決當(dāng)前問題，提升了資源的利用。因此本研究對隧道工程施工方案的初步?jīng)Q策具有積極意義與價值。

1 基于案例推理檢索模型

1.1 案例推理基本理論

案例推理（Case-based reasoning，CBR）是人工智能領(lǐng)域中一種重要的推理技術(shù)，它把過去的案例作為經(jīng)驗，通過重用或者修改以往解決過相似問題的相似方案來實現(xiàn)現(xiàn)有問題的解決[3]。CBR技術(shù)的優(yōu)勢在于，它給遭遇瓶頸的問題以新的視野，它可以隨著往后案例的增加不斷地更新數(shù)據(jù)庫，即在解決問題的同時也增大了系統(tǒng)的“知識面”。同時隧道工程的施工過程中具有許多不確定因素，這些因素時常變化，利用CBR可以及時對變化的因素做出修正進(jìn)而重新進(jìn)入案例庫進(jìn)行檢索，以得到最佳的案例作為參考對象。案例推理檢索模型具有動態(tài)和增量式學(xué)習(xí)的優(yōu)點[4]。

對于如何利用CBR來實現(xiàn)解決新問題的流程可見圖1。

1.2 檢索方法

目前CBR中主要是屬性優(yōu)化和案例檢索方法應(yīng)用廣泛，研究較多。本文采用案例檢索方法，其中知識引導(dǎo)法、神經(jīng)網(wǎng)絡(luò)法、歸納索引法和最近鄰法是案例檢索中應(yīng)用較廣。最近鄰法檢索首先對整個案例庫檢索，然后逐個匹配，計算案例相似度，通過最大值原則以得到相似案例[5]。

案例集中采用最鄰近算法進(jìn)行檢索，搜索與目標(biāo)案例最相似的案例[6-7]。首先構(gòu)建案例特征屬性集，最鄰近算法的數(shù)學(xué)模型如公式（1）所示。

1.3 案例特征屬性量化

本文是針對鐵路隧道工程措施方案研究，因此要考慮的重點在與施工措施相關(guān)性最大的特征屬性，但不能過多選取，否則會造成檢索過程冗雜。通過分析大量山區(qū)隧道工程技術(shù)經(jīng)濟(jì)資料結(jié)合專家建議及已有工程案例，按照指標(biāo)選擇的目的性、可比性、敏感性原則[8]，總結(jié)出10個特征屬性作為描述鐵路隧道工程的特征屬性，如表1所示。

為消除量綱帶來的影響，將特征屬性原始值進(jìn)行規(guī)范化處理。本文參考相關(guān)資料及規(guī)范[9-11]，從隧道自然特征和工程決策的角度結(jié)合理論分析，用特征值1～5來表示各特征屬性。隧道工程特征屬性量化標(biāo)準(zhǔn)如表2所示。

將歷史案例的特征屬性量化值代入模型進(jìn)行特征屬性權(quán)重的計算。經(jīng)過MATLAB軟件計算，特征屬性權(quán)重向量為ω=[0.006 0.008 0.045 0.101 0.178 0.059 ?0.224 0.079 0.213 0.087]。

2.2 目標(biāo)案例特征屬性

六盤山隧道是天平鐵路第一特長單線隧道，地處甘肅省平?jīng)鍪腥A亭縣六盤山，全長16.725 km。隧道地區(qū)處于關(guān)山褶皺帶、六盤山區(qū)域，受到結(jié)構(gòu)影響其巖體節(jié)理發(fā)育，圍巖級別高且地下水循環(huán)強(qiáng)烈。本文將其作為目標(biāo)案例，具體特征屬性值及量化值見表4。

2.3 案例匹配

將天平鐵路六盤山隧道10項特征屬性量化值代入模型，利用最大值原則，篩選出相似度最大的案例，即該目標(biāo)案例與案例集中的圓梁山隧道最為相似，相似度達(dá)0.887。

渝懷鐵路圓梁山隧道地處重慶市酉陽縣境內(nèi)，為川東褶皺山地與貴州高原、鄂西山地的交界處一帶，地形起伏一般。因隧道滲水量大、圍巖級別高、節(jié)理強(qiáng)發(fā)育，其施工方法主要是 “排堵結(jié)合”，即排水降壓，小導(dǎo)管超前支護(hù)，人工開挖，徑向注漿加固，基底鋼管注漿加固處理。

這與天平鐵路六盤山隧道的及時支護(hù)，采取以堵為主、疏排結(jié)合的措施基本一致。即通過此模型推理出的推薦方案是合理適用的。

3 結(jié)論

（1）本文在案例推理模型中選取出鐵路隧道的10項特征屬性作為鐵路隧道工程措施的相似案例檢索指標(biāo)，并采用了主觀和客觀結(jié)合的綜合賦權(quán)法，避免了主觀賦權(quán)和客觀賦權(quán)各自帶來的弊端，得到更合理的權(quán)值。

（2）對于鐵路隧道施工的措施方案，通過建立案例庫采用案例推理，可以實現(xiàn)快速得出初步方案，大大提高了工程效率，減小了施工設(shè)計難度，具有參考意義。并通過實例驗證，本模型可以用于鐵路隧道工程措施方案前期設(shè)計的輔助決策中。

參考文獻(xiàn)

[1] 薛正. 鐵路隧道施工廢水處理現(xiàn)狀調(diào)研及問題研究[D].蘭州：蘭州交通大學(xué)，2019：4-5.

[2] 馬輝，高明忠.基于系統(tǒng)工程方法論的川藏鐵路隧道工程建設(shè)管理探討[J].現(xiàn)代隧道技術(shù)，2020，57（3）：1-8.

[3] 房文娟，李紹穩(wěn)，袁媛，等.基于案例推理技術(shù)的研究與應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)信息，2005（1）：13-17.

[4] 楊瑾，尤建新，蔡依平.基于案例推理的供應(yīng)商選擇決策支持系統(tǒng)研究[J].計算機(jī)工程與應(yīng)用，2006（6）：19-23.

[5] 谷淑娟，高學(xué)東，孫冉.一種改進(jìn)的CBR案例檢索相似性度量模型[J].中國管理信息化，2011，14（9）：50-55.

[6] 呂宗平，胡欣，楊宏宇.基于案例推理的機(jī)場應(yīng)急預(yù)案管理[J].中國民航大學(xué)學(xué)報，2010，28（2）：1-5.

[7] 周先虎.基于CBR的鐵路突發(fā)事件應(yīng)急決策研究[D].成都：西南交通大學(xué)，2018：33-34.

[8] 潘杰義，劉西林.設(shè)計統(tǒng)計指標(biāo)體系的原則探討[J].西北工業(yè)大學(xué)學(xué)報： 社會科學(xué)版，2003（2）：65-66.

[9] TB 10003-2016 鐵路隧道設(shè)計規(guī)范[S].

[10] TB 10068-2010 鐵路隧道運(yùn)營通風(fēng)設(shè)計規(guī)范[S].

[11] 周俊磊.隧道圍巖穩(wěn)定性分析和評價指標(biāo)的確定[J].交通科技，2018（6）：110-113.

[12] 郭昱.權(quán)重確定方法綜述[J].農(nóng)村經(jīng)濟(jì)與科技，2018，29（8）：252-253.

[13] 王國華，梁樑.決策理論與方法[M].中國科學(xué)技術(shù)大學(xué)出版社，2014：40-42.

[14] 陳正偉.綜合評價技術(shù)及應(yīng)用[M].成都：西南財經(jīng)大學(xué)出版社，2013：45-46.

[15] 李永海，樊治平著.復(fù)雜決策問題的解決方法與應(yīng)用研究[M].北京：社會科學(xué)文獻(xiàn)出版社，2017：82-83.

[16] 李遠(yuǎn)富，樊敏.基于CBR的高海拔大高差復(fù)雜艱險山區(qū)鐵路防災(zāi)減災(zāi)設(shè)計理論與工程應(yīng)用研究報告[R].成都：西南交通大學(xué)，2019.

3048501908230