綜合管廊智能運維關鍵影響因素分析

王 婉，張向先，諸秉奇，滕佳穎

（1.吉林建筑大學經濟與管理學院，長春 130118；2.吉林大學管理學院，長春 130022；3.東北電力設計院企業發展部，長春 130022）

0 引言

為了更好地落實中共中央、國務院頒布的《國家新型城鎮化規劃（2014－2020 年）》［1］戰略部署，適應新常態下經濟發展的歷史需要，我國正加速推進新型城鎮化建設進程。在此過程中，城市地下綜合管廊項目的開發規模也呈明顯上升態勢。綜合管廊項目在運維階段因具有參與主體多、管控難度大等特點，運維過程涉及較多的潛在風險因素，如何準確、客觀地評價綜合管廊智能運維的關鍵影響因素是城市地下綜合管廊安全運維的重要課題。

在綜合管廊的智能運維方面，近年來國內外學者進行了大量的相關研究。唐超等［2］構建了基于“BIM＋GIS”的技術理念實現綜合管廊智能運維的平臺。鄭立寧等［3］綜述了綜合管廊智能化運維管理的關鍵技術體系與數據標準。Zhang 等［4］從環境視角切入對城市綜合隧道中進行了環境測量，測定了空氣中細菌和真菌的暴露水平和大小分布；邱實等［5］基于耦合度模型（CM）構建了綜合管廊施工風險耦合模型，并以耦合度值對綜合管廊施工安全風險狀態進行定量評價；張軍等［6］運用BP 神經網絡地下管廊施工質量前期預測模型；劉橋喜等［7］提出了面向多源數據集成，基于GIS的管廊隱患聯動處置的安全運維平臺；宋雅璇等［8］提出以BIM 技術為核心的可視化運營管理平臺；李芊等［9］運用DEMATEL 識別綜合管廊安全運維的關鍵風險要素。近年也有學者利用貝葉斯網絡進行地鐵、盾構施工項目的風險管理，吳賢國等［10］基于貝葉斯網絡（BN）理論提出一種施工風險管理分析方法；陳發達等［11］采用了貝葉斯網絡與云模型構建了基于云貝葉斯網絡的泥水盾構隧道開挖面穩定性研究模型。但鮮有學者運用貝葉斯網絡進行綜合管廊內部環境的智能運維的關鍵影響因素分析。

本文聚焦于綜合管廊內部環境智能運維的風險管理，提出了誘導城市地下綜合管廊內部環境風險發生的相關影響因素；通過主成分分析及因子分析篩選出獨立的關鍵影響因素，并構建綜合管廊內部環境智能運維指標體系。最終通過貝葉斯網絡建立貝葉斯網絡結構并進行優化，借助敏感性分析確定綜合管廊內部環境智能運維需要重點關注的敏感性因素。

1 環境智能運維指標體系的建立

1.1 影響因素分析

本文依據住建部頒布的《城市地下綜合管廊運行維護及安全技術標準》［12］（GB51354—2019），結合相關文獻調研與綜合分析，形成了包含廊體本體（A）、附屬設施（B）、管道與管線（C）、廊體內部氣體環境（D）4個一級指標及32 個二級指標，最終構成了城市地下綜合管廊內部環境智能運維的影響因素，如表1 所示。

1.2 運維指標體系的建立

（1）實證數據收集。本調查問卷設計采用李克特五級量表。邀請業內實務專家對城市地下綜合管廊內部環境安全運維風險因素的發生概率和重要程度按照李克特5 級量表進行打分。本問卷將綜合管廊內部環境安全運維影響要素的重要程度與發生概率進行五級制評分（見表2）。調研期間共發放130 份，回收115份，回收率87%。剔除無效問卷，共得到102 份有效問卷。使用SPSS23.0 統計軟件對問卷進行數據統計分析，內在信度效度合理，因子分析的效度較好，可以進行因子分析，滿足統計分析要求。

（2）主成分分析及因子解釋。對數據進行標準化去量綱，各項的概率及程度進行協方差計算，采用方差極大法，由旋轉迭代后可以清晰得到18 個主成分，通過方差及相關性比較得到因子解釋，如表3 所示。

表1 綜合管廊內部環境智能運維的影響因素

表2 綜合管廊內部環境智能運維風險要素評級及概率分配表

（3）智能運維指標體系。根據因子分析，在管廊主體這一層級，廊體滲透是導致廊體變形與廊體裂縫的直接誘導因素，因此在構建廊體主體風險要素時考慮到剔除具有疊加性影響因素。在附屬設施、管道管線與廊體內部氣體環境中依次按照因子分析的直接誘導因子將具有疊加性的指標剔除，最終得到綜合管廊內部環境智能運維指標體系。該體系分為兩個層次，其中包括4 個一級指標和18 個二級指標，如圖1所示。

表3 綜合管廊智能運維關鍵影響因素及因子解釋

圖1 綜合管廊內部環境智能運維指標體系

通過綜合分析相關文獻，從建筑安全的致因理論出發，設計了綜合管廊智能運維的調查問卷，并運用SPSS 23.0 軟件進行因子分析得到最終綜合管理智能運維指標體系。

2 智能運維模型構建

基于文獻調研、實務專家訪談、實地調研等綜合分析，確定了網絡結構中的父、子節點，進一步分析貝葉斯網絡中各風險因素之間的因果關系。如綜合管廊廊體主體結構滲漏→綜合管廊主體結構變形，構成因果關系；廊體內部硫化氫濃度過高→廊體內部環境報警，構建因果關系，進而形成貝葉斯網絡中各風險因素間的因果關系。本文通過上述專家訪談結果及研究團隊的工程經驗來進行關聯，由此初步得到綜合管廊內部環境智能運維的貝葉斯網絡結構。

2.1 貝葉斯網絡

貝葉斯網絡又稱信度網絡，是不確定知識表達和推理領域最有效的理論模型之一［13］。它可以有效地進行多源信息表達與融合，將故障診斷與維修決策相關的各種信息納入網絡結構中，按節點的方式統一進行處理，能有效地按信息的相關關系進行融合。而且貝葉斯具有逆向推理學習能力，可以用來診斷事故發生的影響因素。

2.2 貝葉斯網絡結構的建立

（1）數據與處理。首先，對問卷數據進行預處理。對標《建筑施工安全檢查標準》，結合風險矩陣思想，分別以綜合管廊智能運維的風險因素的重要性及發生的概率建立二維矩陣，得出低、中、高3 類風險，分別記為L、M、H，分別表示綜合管廊智能運維的風險程度，并對數據進行風險等級規范化處理。其中，以0～4 從低到高表示風險發生概率和各風險因素發生后造成影響的5 個等級。

本文選用GeNie2.0 軟件來進行貝葉斯網絡模型的推理分析。使用經預處理的數據進行貝葉斯網絡模型的參數學習，以獲得各個節點變量的條件概率分布。通過專家經驗分析，利用數學建模對綜合管廊內部環境智能運維影響因素進行回歸曲線分析得出：

各因素權重＝重要程度×0.6 ＋概率×0.4

（2）數據標準化。對數據進行標準化處理，不同權重的問題分為H1、H2、H3、H4 和H5 5 級綜合指標，導入GeNIe2.0 軟件中，進行可視化分析。

研究的問題內容決定了貝葉斯網絡結構，研究對象樣本數據完整程度決定了貝葉斯網絡學習算法。對于樣本的數據較完整的情況，采用統計測試、搜索記分方法。對于樣本數據中存在部分缺失的，采用具有噪音的被疑似學習和小數據集貝葉斯網絡結構學習。基于上述特征，本文采用K2 算法，得到初始貝葉斯網絡結構。

圖2 初始貝葉斯網絡結構圖

2.3 貝葉斯網絡結構的優化

在圖2 中的初始貝葉斯網絡結構圖中體現的因果關系并不明晰。比如“應急照明故障”不會導致“廊體滲漏”。這是由于K2 算法只能發現平行關系的節點，對因果關系的有向邊確定具有一定的局限性。因此在初始的貝葉斯網絡結構中，再結合實務專家經驗進行因果關系明晰，優化貝葉斯網絡結構。優化后的貝葉斯網絡結構如圖3 所示。

圖3 優化后的貝葉斯網絡結構

2.4 敏感性分析

敏感性分析是幫助驗證貝葉斯網絡的概率參數的技術［14］。高敏感／影響較大的概率參數對推理結果的影響更顯著［15］。通過敏感性分析可以在眾多不確定性的因素中識別最具影響力的敏感性參數。運用GeNIE2.0 軟件根據之前得到優化的貝葉斯網絡結構進行敏感性分析，它以紅色顯示最具影響力的參數。如圖4 和圖5 所示。

由圖4 可知，當危險敏感值設置H ＝100%時，影響綜合管廊智能運維的高敏感性因素包括A2、B9、B11、B15、C2、C）、C4、C6、D1、D2、D4、D5 以上因素；而B3、B5 與B12 是需要關注的潛在敏感性因素。

圖4 危險敏感值設置為H ＝100%的敏感性分析結果

圖5 危險敏感值設置為M ＝100%的敏感性分析結果

由圖5 可知，當危險敏感值設置為M ＝100%時，影響綜合管廊智能運維的敏感性因素包括A2、B9、B11、B12、B15、C2、C3、C4、C6、D1、D2、D4、D5 以上因素。

對比圖4 和圖5，在危險敏感值不同的狀態下，綜合管廊安全運維的敏感性因素是有差異的。區別在于在危險敏感值H設置為100%時，供電設備、通信系統和風道系統是需要關注的潛在風險管理對象，而在較危險的狀態下則為不需要重點關注的對象。

3 結語

本文通過文獻調研并結合我國綜合管廊安全運維的相關政策，構建了綜合管廊智能運維的指標體系，確定了18 個關鍵影響因素。運用貝葉斯網絡對綜合管廊智能運維的影響因素進行敏感性分析，發現當危險敏感值設置調高時，會增加通信系統損壞、供電設備損壞與風管、風道系統這3 個潛在敏感性因素，應予以重點關注。在實際運維管理過程中，重點監測這些敏感的關鍵影響因素的變化，以提升城市地下綜合管廊項目的風險預警能力。