基于K-Means聚類模型的隧道施工安全風險評價方法及應用研究

吳 波,朱林萍,李揚波,劉 聰,夏承明

(1. 東華理工大學 土木與建筑工程學院,江西 南昌 330013; 2. 三明莆炎高速公路有限責任公司,福建 三明 365000)

0 引 言

隧道建設項目涉及的作業程序和施工設備眾多,受到工作面限制、施工環境不確定性等因素的影響,隧道工程施工具有較高的安全風險[1]。當前國內外研究學者對隧道施工安全風險評價進行了相關研究,YANG Ruijuan等[2]采用WBS-RBS法對隧道塌方風險進行識別,并應用隸屬度法對識別出的風險源進行定量分析,以確定隧道塌方的關鍵因素;吳波等[3]通過WBS-RBS法建立隧道評估指標體系,基于D-AHP法得到隧道施工風險等級;DONG Liuqun等[4]通過風險識別、風險分析、信息監測系統對盾構隧道管廊施工安全進行了評估和監測;LIN Chunjin等[5]整合變權理論和云模型理論,構建VW和ICM計算模型評估巖溶隧道施工風險;WANG Yan等[6]基于貝葉斯網絡動態風險評估方法對深埋隧道施工風險進行評價。

風險貫穿隧道施工各階段,以上研究多為確定隧道施工的綜合風險等級,對于隧道施工過程的風險分析較少。此外,施工工序受不同風險因素的影響會產生不同的風險事件,同時期內需要對多個評價對象開展評價工作,及時對風險事件開展風險評價工作有利于降低風險事件演化為重大事故的可能性。

傳統的風險評價方法雖然提供了定量化的手段,但由于計算復雜、工作量大,多用于針對具體事故開展風險評價工作,而K-Means算法作為一種聚類分析方法,具有操作簡便、對大型數據可有效分類等特點。基于此,筆者提出一種基于K-Means聚類算法的隧道施工安全風險評價模型。筆者運用WBS-RBS法對隧道施工全過程進行風險辨識,并構建風險事件集;以事故發生可能性、人員暴露時間和事故后果嚴重程度作為評價指標,利用語言型多屬性決策法將風險評價信息轉化為數據集;運用K-Means聚類算法對數據集進行處理,并確定事件風險等級。最后,筆者將模型應用于文筆山1號隧道洞口工程,檢驗模型的可靠性。

1 K-Means聚類基本理論

K-Means聚類算法是一種基于距離的無監督動態聚類方法[7],該方法易于描述且簡單高效,適用于大數據處理,現廣泛運用于事故分析中。聚類算法對數據質心的計算具備了為風險因素分級的基礎。聚類算法根據各個數據點之間的距離判斷數據點是否相似,數據點越近越相似,反之則越不相似。在聚類分析中,常用歐氏距離[8-9]作為相似度的計算方法,其計算公式如式(1):

(1)

式中:d為樣本點到聚類中心的歐氏距離;bi為第i個數據點;aj為第j個聚類中心。

K-Means聚類算法數據處理流程:首先指定聚類簇數k,之后選取數據集中k個數據點作為初始聚類中心;由式(1)計算每個數據點到k個聚類中心的距離,基于距離最小化原則將數據點劃分到最近的初始聚類中心,最終全部數據點劃分到k個類群;對新簇進行均值運算,重新得到k個類群的聚類中心;不斷迭代直至滿足某個終止條件。終止條件可為最小化數據點與其對應聚類中心距離之和、達到最大迭代次數或準則函數收斂[10]。歐氏距離對應的準則函數如式(2):

(2)

式中:S為誤差平方和;k為聚類簇數;zj為第j個簇的聚類中心。

影響K-Means聚類效果的關鍵因素有聚類簇數k、初始聚類中心和最大迭代次數μ。k的選取很大程度上決定了算法的性能,可依據需求或者經驗確定,也可以根據聚類有效性函數評價的聚類效果選取。K-Means聚類模型的聚類結果隨不同的初始聚類中心輸入發生變動,聚類模型也會因為最大迭代次數μ取值過小陷入局部最優。筆者指定初始聚類中心并設置μ=100,使其在目標函數最優時停止迭代。

2 風險辨識及數據處理

2.1 風險源精細化辨識

公路隧道具有工序復雜、環境不確定等特點。隨著施工進程的推進,施工工序以及周圍環境發生變化,施工安全風險也隨之變化,而工作分解結構-風險分解結構(WBS-RBS)法可以從系統學的角度出發,全面系統地在各個層面識別風險,有效解決不同施工階段的風險辨識問題。具體步驟如下[11]:

1)構建WBS工作分解結構。參照JTG F80/1—2017《公路工程質量檢驗評定標準 第一冊 土建工程》[12]、文獻[13]以及隧道自身特點,按照鉆爆法施工工序將整個公路隧道工程進行系統分解(分部工程-分項工程-單位作業),得到洞口工程W1、洞身開挖W2、洞身襯砌W3、隧道路面W4和交通工程W55個分部工程。筆者僅以W1為例,列出其分項工程和單位作業內容(圖1)。

2)構建RBS風險分解結構:從人員、機械設備、材料、技術和環境5個方面對公路隧道施工安全風險源進行分解。其具體分解結構如圖2。

3)建立耦合矩陣。耦合矩陣是由作業工序與風險源耦合形成,實現作業工序和風險因素之間的有效匹配。其中,“0”表示耦合不構成風險,“1”表示耦合構成風險。

圖1 公路隧道工程工作分解結構Fig. 1 Work breakdown structure of highway tunnel engineering

圖2 公路隧道工程風險分解結構Fig. 2 Risk decomposition structure of highway tunnel engineering

2.2 聚類特征選取及分級標準

聚類分析時,首先從特征集中選取最能刻畫風險事件的特征作為聚類特征。LEC法作為常用的風險評價方法,對風險事件特點的刻畫最為有效,而且具有操作簡便、針對性強等特點。但傳統LEC法存在分值標準差異性較大、評價內容不夠全面等問題。鑒于此,結合公路隧道施工特點對LEC法進行改進,細化事故后果嚴重程度使之包含人員傷亡、環境影響、經濟損失、工期延誤4個方面。將改進的事故發生可能性L、人員暴露時間E、事故后果嚴重程度C作為K-Means聚類模型的聚類特征。為使L、E、C這3個評價指標滿足K-Means聚類模型的設計要求,消除不同變量數據尺度差異,參考相關規范[13-14]及相關事故案例分析[15],將取值區間設置為[0,5],具體分級標準如表1、表2。

表1 風險評價指標(L和E)Table 1 Risk assessment indicators (L and E)

表2 風險評價指標CTable 2 Risk assessment indicator C

2.3 數據處理

2.3.1L和E的數據處理

事故發生可能性L和人員暴露時間E都只包含了一個需要評價的因素,筆者直接選取其等級標準作為評價信息,對于多個專家的評價結果取其平均值進行計算。

2.3.2C的數據處理

采用專家調查法對評價對象進行評價時,專家成員會受到主、客觀因素的影響,導致評價結果具有模糊性。因此,將專家的語言變量轉化為可運算的數值具有現實意義。基于FEOWA算子和FLHA算子的語言型多屬性決策方法可以有效解決語言變量轉化問題,定義如下[16-17]:

1)FEOWA算子

(3)

2)FLHA算子

(4)

3)計算步驟

(5)

3 隧道施工安全風險評價模型

風險評價是風險辨識的深入應用及量化研究。通過數學方法對事故發生概率以及事故后果進行量化,運用K-Means聚類模型對公路隧道施工安全風險事件進行聚類分析,確定安全風險等級。計算步驟如下:

1)運用WBS-RBS法對公路隧道施工全過程進行風險辨識確立風險事件,得到含有n個風險事件的樣本集R={r1,r2,…,rn}。

2)確定風險評價指標:為了對n個風險事件進一步評估,將改進LEC法中L、E、C共3個因素作為風險評價指標和K-Means聚類模型聚類特征。

3)數據準備:運用語言型多屬性決策方法對專家評價信息中的語言變量進行處理,利用均值法處理專家的打分數據,最終得到樣本數據矩陣B:

(6)

4)設置k、初始聚類中心、μ:以傳統LEC法為依據,將改進LEC法的風險等級劃分為5級。設k=5,μ=100,指定5組數據X={X1,X2,X3,X4,X5}作為初始聚類中心,Xi(i=1,2,3,4,5)中L,E,C的取值采用各評價指標取值區間的中間值,如表3。

5)基于K-Means聚類算法進行聚類分析,確定風險事件風險等級。

表3 初始聚類中心Table 3 Initial custer centers

4 實例應用及分析

4.1 工程背景

文筆山1號隧道位于大田縣東景村,隧道結構為雙洞分離式大斷面隧道。隧道所處地層巖性較為復雜,洞口段圍巖等級低,巖體風化破碎嚴重,呈散體結構,開挖后易塌方、冒頂。隧道頂部發育多條沖溝,雨季降水集中,水流量較豐富;隧道施工區域地下水弱發育,在局部不同巖相交接處或局部低阻帶巖性相對較為破碎,富水條件較好。隧道施工方法隨圍巖變化進行調整,部分施工作業區域具有作業區域小、施工環境惡劣等特點。

4.2 洞口工程施工風險辨識

風險評價的最基本單元是風險事件,根據圖1和圖2中的內容對文筆山1號隧道洞口工程進行風險辨識。辨識得到W11R16清理作業人員精神狀態一般、W11R23清理作業機具操作不規范等20個可能風險事件,如表4。

4.3 K-Means聚類風險評價

事故后果嚴重程度的因素集{G1,G2,G3,G4}={人員傷亡,環境影響,經濟損失,工期延誤},權重向量為ω=(0.25,0.25,0.25,0.25)。3位專家根據上述4個指標給出語言評價矩陣Rp,假定專家權重向量為λ=(1/3,1/3,1/3),關于事故后果嚴重程度的專家語言評價矩陣匯總如表5。

表5 專家評價矩陣Table 5 Expert evaluation matrix

zj(λ)(i∈N)的值即為各個風險事件關于事故后果嚴重程度的綜合評價結果。

同時,參與調查的3位專家分別給出事故發生可能性L和人員暴露時間E的評價值,計算其均值。

匯總L、E、C的評價數據得到風險事件的最終數據集,如表6。

基于K-Means聚類算法對表6中的20個風險事件進行聚類分析,得到相應風險等級如表7。

表6 風險事件數據集Table 6 Risk event data sets

表7 風險評估結果匯總Table 7 Summary of risk assessment results

4.4 聚類結果分析

根據表7可知,挖掘作業過程中洞口防排水未做好這一事件風險等級為Ⅴ級(極其危險);清理作業機具操作不規范、壓漿機操作不當等9個風險事件風險等級為Ⅲ級(顯著危險);爆破參數設計不合理、漏電保護失靈等7個風險事件風險等級為Ⅱ級(一般危險);清理作業人員精神狀態一般、施工車輛挖掘作業時安全防護不足、施工人員在超前管棚施工時經驗不足3個風險事件風險等級為Ⅰ級(稍有危險)。此公路隧道頂部發育多條沖溝,雨季降水集中,水流量較豐富。防排水措施未做好風險等級最高,與現場實際情況相符。防排水措施未做好時,隧道頂部大量水的滲入會極大降低隧道圍巖穩定性,地層含水率變化使得超前管棚注漿效果無法得到保證,且由于水不斷滲入掌子面,隧道容易發生坍塌、突水突泥等安全事故。

文中方法與傳統LEC法相比,所得出的風險評價結果更為接近現場實際。以噴射混凝土機械設備未固定好(W16R26)進行說明,該事件發生后造成的機械損壞和工期延誤這兩種情況客觀存在,但傳統LEC法并未體現,從而低估了事件的風險,新模型則包含了這兩方面的信息,得出的事件風險等級由原來的可忽略程度提高到需要考慮的程度。與此同時,支護鋼拱架時機械設備未架穩(W15R26)安全風險等級由Ⅰ級提高到Ⅱ級,管棚鉆機未按要求用電(W14R42)和邊坡防護觸電事故(W111R19)安全風險等級由Ⅱ級提高到Ⅲ級。此外,運用傳統LEC法確定風險事件風險等級過程中,對專家經驗依賴性強,且風險指標的量化數值較為離散。新模型改進了傳統LEC法的不足,針對專家評價語言模糊性,引入了多屬性決策法將評價語言轉化為數據集,風險指標取值區間連續且量綱統一;基于聚類算法對數據信息內部層次關系進行識別,區別于傳統LEC法的基礎運算,深入挖掘了數據中隱含的信息。

5 結 論

1)運用WBS-RBS法構建公路隧道洞口施工風險事件集,有效避免了風險遺漏和識別不全面,能夠系統反映出隧道施工各階段的安全風險。

2)將K-Means聚類算法引入到傳統LEC法的綜合計算中,建立了基于K-Means聚類的隧道施工安全風險評價模型;通過優化初始聚類中心以及確定初始聚類簇數避免了聚類過程中存在的盲目性,提高了計算過程中的靈敏度;同時通過計算機運算充分挖掘風險事件的內部特征實現風險等級分類,降低了事件風險等級確定過程的主觀性和隨意性,使隧道施工風險評價結果更為準確。

3)以文筆山1號隧道的洞口工程為例,采用構建的風險評價模型進行實踐驗證,并與現場情況、LEC法等進行比較,結果表明:該評價模型科學、合理,與實際情況相符,且評價結果直觀,計算過程簡便,為隧道施工過程風險評價提供了可行方法。