基于Apriori關(guān)聯(lián)規(guī)則的吊裝作業(yè)風(fēng)險識別評估與管控

沈景文 陶忠

（1.昆明理工大學(xué)公共安全與應(yīng)急管理學(xué)院學(xué)院 云南省昆明市 650031）

（2.昆明理工大學(xué)建筑工程學(xué)院 云南省昆明市 650031）

在裝配式建筑施工過程中，塔式起重機作為必不可少的施工機械設(shè)備，被廣泛用于構(gòu)件吊裝作業(yè)[1]，由于其作業(yè)強度高，吊件質(zhì)量大且形狀不規(guī)則，構(gòu)件安裝精度要求高等特點，導(dǎo)致現(xiàn)場吊裝作業(yè)事故頻發(fā)。因此對其作業(yè)過程進(jìn)行風(fēng)險管控研究具有重要意義。

由于裝配式建筑吊裝作業(yè)多空間并行施工的特點[2]，導(dǎo)致裝配式建筑施工事故的風(fēng)險因素更加繁雜。本文基于Apriori關(guān)聯(lián)規(guī)則算法得到高頻風(fēng)險因素并挖掘各因素間的影響機制,建立WBS-RBS 風(fēng)險耦合矩陣。最后根據(jù)IFWA 算子對各風(fēng)險因素進(jìn)行排序分析。為吊裝作業(yè)安全管理提供參考。

1 基于Apriori算法的風(fēng)險分析

1.1 Apriori算法原理

Apriori 算法是一種最有影響的挖掘布爾關(guān)聯(lián)

規(guī)則頻繁項集的算法[3]。在篩選前，首先需要設(shè)定好最小支持度和最小置信度。然后挖掘頻繁項集，分析出各風(fēng)險因素的關(guān)聯(lián)規(guī)則。

式（1）代表該項集在數(shù)據(jù)庫中出現(xiàn)的頻率，M指數(shù)據(jù)庫含有的總數(shù)目，CountX?Y代表項集X和項集Y同時在數(shù)據(jù)庫中的計數(shù)。

置信度：

式（2）中表示該項集的預(yù)測精確程度，Support指同時包含項集X和項集Y與總事務(wù)之比，Support(X)為項集X與數(shù)據(jù)庫中包含數(shù)據(jù)的總數(shù)之比。

頻繁項集：

式（3）中表示事務(wù)項的項集X的支持度比預(yù)先設(shè)置的最小支持度高，稱為B(X)頻繁項集。若該集合中含有的項目為則一，則稱該項目為頻繁1 ─項集，記為L1；若含有 K 個項目則稱為頻繁 K ─ 項集,記為 LK。通過此步驟不斷迭代更新，到無法生成頻繁項集為止。

1.2 基于R語言的Apriori算法實現(xiàn)過程

R 語言易于編程且算法覆蓋面廣，因此選擇其來實現(xiàn)Apriori 算法關(guān)聯(lián)規(guī)則分析。首先，從各省市政府以及安全管理類網(wǎng)站收集我國2010 ～2022年的65 份裝配式建筑吊裝事故調(diào)查報告，截取其中描述事故原因的部分作為算法的案例庫；然后對案例庫數(shù)據(jù)進(jìn)行預(yù)處理，把案例庫中的每個案例定為一個項目集合，案例中的每個風(fēng)險指標(biāo)就為項。對所有項目進(jìn)行編碼，得到的部分編碼結(jié)果。

1.3 風(fēng)險識別結(jié)果

各風(fēng)險因素不是單獨作用而導(dǎo)致事故發(fā)生的，它們之間也會相互影響從而加速致使不安全事故的發(fā)生，形成惡性循環(huán)，造成更嚴(yán)重的后果。

WBS 是生產(chǎn)過程的作業(yè)步驟，通過吊裝作業(yè)相關(guān)技術(shù)規(guī)范將裝配式建筑施工吊裝作業(yè)分為構(gòu)件生產(chǎn)、運輸、存放、吊裝四階段。

RBS 是由各工序中存在的各種類型風(fēng)險，根據(jù)Apriori 算法篩選出的出22 項高頻風(fēng)險因素,并將其分為人員、管理、環(huán)境、機械設(shè)備、材料和技術(shù)六大類，并重新分類編號如圖1所示。

圖1：風(fēng)險因素圖

2 風(fēng)險排序計算過程

2.1 直覺模糊數(shù)改進(jìn) WBS-RBS方法

傳統(tǒng)的WBS-RBS 法在矩陣表中賦“0”或“1”只能識別系統(tǒng)中是否存在風(fēng)險，無法判斷風(fēng)險的大小[4]。用直覺模糊數(shù)改進(jìn)WBS-RBS 法可以使決策問題的量化程度得到改善，可以將專家評判的語言轉(zhuǎn)化為數(shù)值[5]，以此計算工作模塊中風(fēng)險大小。

直覺模糊數(shù)的定義為：記X 是一個非空集合，令X=(x1,x2,x3,…xn)，{|x∈X} ，則其是X上一個直覺模糊集合。ub(x)∈[0,1]和vb(x)∈[0,1]分別表示 X 上的元素x對B 的隸屬度與非隸屬度。同時滿足0 ≤ub(x)+vb(x)≤1。另外，kb(x)=1-ub(x)-ub(x)，代表X上的元素x對B 的猶豫度。三組數(shù)值可以很好的量化模糊及不確定性問題。

邀請從事建筑項目安全管理的專家對裝配式建筑吊裝作業(yè)各工作模塊中存在的風(fēng)險概率打分。估計各項風(fēng)險因素 Ri(i=1,2,…,m)在各個工作模塊 Wi(i=1,2,…,n)中的概率，并按 1—5 級打分，1—5 級分別表示為很小、小、中等、大、非常大；之后將專家評判結(jié)果變成Rf關(guān)于Wi的直覺模糊數(shù)(uij,vij)，可得到多屬性決策問題的決策矩陣R(k)。

2.2 風(fēng)險計算步驟

2.2.1 收集評價數(shù)據(jù)

邀請從事裝配式建筑施工項目的專家對WBS-RBS風(fēng)險耦合矩陣中的各項元素進(jìn)行打分。按照風(fēng)險可能出現(xiàn)的概率分為1-5 級，分別對應(yīng)非常小、小、一般、大、非常大。

2.2.2 語言變量轉(zhuǎn)換

表1：語言變量轉(zhuǎn)化為直覺模糊數(shù)

2.2.3 投影法計算專家權(quán)重

由于專家打分的主觀性存在，為了減少各專家評價結(jié)果及群體評價結(jié)果間的誤差。因此，參照文獻(xiàn)[6]中的投影法計算專家權(quán)重。首先把各專家的評判意見的平均值作為群體決策值，由此可以得到群體直覺模糊矩陣X*。計算式如下所示：

然后計算各專家的兩個評價矩陣在群體直覺模糊矩陣的隸屬度（非隸屬度）矩陣上的投影Ek(k=1,2,…,t)，其計算式如下所示：

式中θ 代表專家對于隸屬度矩陣信息的偏向趨勢，θ∈[0,1]，一般取0.7。

根據(jù)投影法原理，與群體的決策矩陣差異性越大的專家，其評價結(jié)果的可信度越低，因此該專家所占的權(quán)重也就越小。反之，某個專家的決策矩陣與群體決策矩陣的差異程度越小，代表該專家的評判結(jié)論的可信度越高，該專家所占的權(quán)重就越大。歸一化處理Ek(θ)(k=1,2,…,t)，可得到各個專家的權(quán)重值，如下：

式中：Kw為純水體積模量(約為2×109N/m2)；Sr為土體飽和度；pwo為計算深度海床的靜水壓力。

2.2.4 IFWA 算子風(fēng)險排序

式中ω=(ω1,ω2,…,ωn)T為直覺模矩陣的權(quán)重向量ω∈[0,1]且得到第 k 個決策方案的直覺模糊決策矩陣，以及各個專家的權(quán)重后，再結(jié)合各位專家評判結(jié)果的權(quán)重，建立集合的直覺模糊矩陣。構(gòu)造該矩陣時，可以使用IFWA 算子的方法進(jìn)行計算，依次計算出矩陣中各元素的數(shù)值大小，其運算方法如下：

通過所有元素的值可得到新的矩陣R(k)，將所有值進(jìn)行歸一化處理后可以得到所有屬性的權(quán)重值，如下：

最后計算各工作模塊中各項風(fēng)險的得分函數(shù)G(a)和H(a)，利用得分函數(shù)進(jìn)行風(fēng)險排序有如下公式：

設(shè)a1=(u1,v1)與a2=(u2,v2)是 2 個直覺模糊數(shù)，分別對應(yīng)記分函數(shù)G(a)=u-v、精確函數(shù)H(a)=u+v；則：

如果：G(a1)

如果：G(a1)=G(a2)，H(a1)=H(a2)則a1=a2；

如果：G(a1)=G(a2)，H(a1)

3 實例應(yīng)用

本文選取了云南省昆明市某裝配式住宅小區(qū)項目。項目擬建總建筑面積162437.86 m2。共由 13 棟高層住宅及2 棟三層商業(yè)樓組成。1～5 棟建筑結(jié)構(gòu)為裝配式整體式混凝土剪力墻結(jié)構(gòu)。

3.1 IFWA算子風(fēng)險排序

邀請從事該項目各施工階段的7 位項目安全管理人員按在各工序中某風(fēng)險存在概率的大小對WBS-RBS 中各風(fēng)險項目進(jìn)行“1-5”級評判。通過計算得到最終的風(fēng)險排序圖如圖2。

圖2：風(fēng)險值得分函數(shù)排序圖

（1）縱向分析各個作業(yè)環(huán)節(jié)可知：樓梯吊裝(W9)的風(fēng)險概率最大，梁板構(gòu)件吊裝(W5)次之，支撐件連接及預(yù)埋(W1)的風(fēng)險概率最小。在進(jìn)行樓梯吊裝時作業(yè)空間小，發(fā)生碰撞從而誘發(fā)物體打擊，機械傷害等事故的概率高。

（2）橫向分析各風(fēng)險因素可知：概率最大的風(fēng)險為違章作業(yè)(R35)，安全意識淡薄(R14)次之，未受安全教育培訓(xùn)(R13)的概率最低。施工人員流動性大且受教育水平低導(dǎo)致安全意識差，不安全行為頻發(fā)。

（3）綜合得分函數(shù)來看，存在概率最大的前3 種風(fēng)險為：樓梯吊裝時違章作業(yè)(W9R35=0.863)、獨立支撐架搭設(shè)時違章作業(yè)(W4R35=0.856)次之，墻底套筒灌漿時人員作業(yè)水平低(W3R43=0.0107)風(fēng)險概率最小。

3.2 基于關(guān)聯(lián)規(guī)則的安全管理建議

根據(jù)風(fēng)險排序結(jié)果，選取風(fēng)險發(fā)生概率前三項風(fēng)險因素“違章作業(yè)”，“安全意識淡薄”和“機械設(shè)備超負(fù)荷運行”。其中{安全意識淡薄}{違章作業(yè)}的置信度為0.861，則表示當(dāng)存在“安全意識淡薄”則有0.861 的概率誘發(fā)“違章作業(yè)”。

（1）在制定風(fēng)險管控措施時，加強對某條關(guān)聯(lián)規(guī)則前者進(jìn)行監(jiān)督，可以降低后者可能帶來的風(fēng)險。風(fēng)險“違章作業(yè)”發(fā)生的概率很高，在對其進(jìn)行管控基礎(chǔ)上，加強對“安全意識淡薄”的控制，能減少前者發(fā)生的概率。現(xiàn)場施工人員的受教育水平普遍低，需要加強安全培訓(xùn)和現(xiàn)場管理工作，提高作業(yè)人員安全意識。

（2）當(dāng)某一風(fēng)險因素發(fā)生的概率不容易確定時，可以借助與該風(fēng)險具有強關(guān)聯(lián)規(guī)則的風(fēng)險項目，借此預(yù)估到該風(fēng)險值的高低。比如，若“吊具，吊索存在缺陷”的狀態(tài)不好判斷，可對“機械設(shè)備超負(fù)荷運行”的風(fēng)險等級進(jìn)行監(jiān)控，如果后者的風(fēng)險值很高，根據(jù)關(guān)聯(lián)規(guī)則的原理，很高幾率是由于前者的狀態(tài)誘發(fā)的，因此可以對前者進(jìn)行風(fēng)險控制。合理規(guī)劃施工進(jìn)度，按照機械設(shè)備的使用規(guī)范準(zhǔn)則進(jìn)行作業(yè)。可以同時減少兩風(fēng)險項發(fā)生的概率。

關(guān)聯(lián)分析是一種便捷、高效的分析技術(shù)，可以從大量的數(shù)據(jù)中發(fā)現(xiàn)項目之間的關(guān)聯(lián)性及相互作用機制，能夠幫助施工單位制定完善風(fēng)險管理體系。

4 結(jié)語

（1）基于Apriori關(guān)聯(lián)規(guī)則識別出了裝配式建筑吊裝作業(yè)中的23 項高頻風(fēng)險因素。得出了各因素間的影響機制。

（2）利用直覺模糊加權(quán)算術(shù)平均(IFWA)算子改進(jìn)了傳統(tǒng)的 WBS-RBS 方法，并對各風(fēng)險因素進(jìn)行評價排序。最后利用關(guān)聯(lián)規(guī)則分析給出高風(fēng)險項目控制措施。

（3）得到的評價結(jié)果與項目實際生產(chǎn)情況較為相符，該風(fēng)險識別及排序方法具有可行性，可為裝配式建筑吊裝作業(yè)的安全管理工作提供參考。