基于證據(jù)推理的隧道坍塌多源信息融合評估

丘偉興 ，趙煉恒 ，吳波 ，單凌志 ，徐世祥

（1.中南大學 土木工程學院，湖南 長沙，410075；2.廣西大學 土木建筑工程學院，廣西 南寧，530004；3.東華理工大學 土木與建筑工程學院，江西 南昌，330013；4.中咨規(guī)劃設計研究有限公司，北京，100020）

對于大多數(shù)國家來說，公路是極其重要的基礎設施.它確保了不同地區(qū)之間的溝通和發(fā)展，特別是在山區(qū)和丘陵地區(qū).然而，當公路通過山區(qū)時，公路隧道的建設也帶來了巨大的挑戰(zhàn).通常采用鉆爆法進行山嶺隧道的開挖.然而，它涉及許多風險因素和復雜的施工程序，導致坍塌事故的發(fā)生率相對較高［1］.一旦在施工過程中發(fā)生隧道坍塌，將造成人員傷亡、經(jīng)濟損失和工期延誤.為了減少對基礎設施、人類和環(huán)境的破壞，人們付出了巨大的努力來控制災害.

近年來，傳統(tǒng)的機器學習方法被用于風險評估和控制，例如支持向量機［2］、神經(jīng)網(wǎng)絡［3］以及高斯回歸方程［4］等.然而，使用單一信息源分析隧道坍塌風險產(chǎn)生的結果與實際情況略有偏差.由于單一來源的信息不能充分反映實際施工情況，評價結果不準確，不能為決策者提供準確的建議.相比之下，融合模型對風險因素有更好的理解，可以大大提高評估結果的準確性［5］.例如，Peng 等［6］基于邊坡穩(wěn)定機制集成多源信息，對邊坡的安全性進行評估.Zhang等［7］應用多層信息融合框架感知地鐵隧道管片損傷的安全風險.Pan 等［5］通過傳感器數(shù)據(jù)與仿真數(shù)據(jù)的融合提高了結構安全風險評估的準確性.Li等［8］提出了一種預測突發(fā)災害風險的融合模型.

為了提高評估的準確性和可靠性，學者們提出了許多信息融合的方法，如粗糙集［9］、Dempster-Shafer（D-S）證據(jù)理論［10］、最大熵方法［7］等，并將融合方法運用到實際工程中，取得了較好的結果，例如：Li 等［11］提出了一種基于同質(zhì)觀測的多源數(shù)據(jù)聚類方法，用于復雜背景下的多目標檢測.Saadi 等［12］提出了一個多源信息融合框架，允許智能合并多個數(shù)據(jù)源，并應用于城市交通.Guo 等［13］提出了一種結合BIM 以及D-S 證據(jù)理論的混合方法，以支持地下隧道的系統(tǒng)風險評估和可視化.在這些信息融合方法中，由Dempster 提出并由Shafer 完善的D-S 證據(jù)理論是解決信息融合領域?qū)嶋H問題的常用有效方法.與貝葉斯理論不同，D-S 證據(jù)理論可以處理不完整數(shù)據(jù)，并能表示不精確性和不確定性［7］.然而，D-S證據(jù)理論有兩個假設可能不適用于實際情況：1）概率分布基于用戶定義的函數(shù)或分布，這對于實際情況來說太理想了；2）每個判斷都假定具有相同的可靠性和重要性，這就忽略了判斷的質(zhì)量.為了解決上述問題，本文在信息融合的框架中采用了考慮重要性權重和可信度的證據(jù)推理（Evidence-Based Reasoning，ER）規(guī)則.然而，在大多數(shù)情況下，可信度和重要性權重的確定仍然是一種主觀選擇.在概率風險融合的過程中會出現(xiàn)以下問題：一是如何客觀地確定每個信息源結果的可信度，二是如何在信息融合過程中兼顧重要性權重和證據(jù)的可信度.

針對上述問題，本研究提出了一種基于證據(jù)推理規(guī)則的信息融合模型，該模型可以估計可信度和重要性權重.目視檢查和監(jiān)控量測數(shù)據(jù)作為坍塌風險評估的信息來源，然后根據(jù)不同的信息源構建相應的風險評估模型，對模型進行訓練，得到坍塌風險的概率分布.根據(jù)模型的性能，以可信度和重要性權重為特征，對各模型的判斷進行評價.最后，融合各個分類器的判斷，得到整體坍塌風險值.該模型旨在實現(xiàn)以下目標：1）根據(jù)監(jiān)測數(shù)據(jù)和目視檢查，提出了坍塌風險評估模型；2）量化判斷評估模型的性能；3）將模型的判斷與確定的重要性權重和可信度相融合，得到最終的坍塌風險評估結果.

1 多源信息融合評估模型構建

ER 規(guī)則是一種將多個證據(jù)與可信度和重要性權重相結合的融合方法.目前，對于重要性權重和可信度的確定，還沒有統(tǒng)一的方法.本研究從構造概率分類器開始，目標是從模型評估結果中獲得其重要性權重和可信度.利用目視檢查和實測位移數(shù)據(jù)作為信息源，通過評估模型獲取坍塌風險.然后根據(jù)其可信度和重要性權重將不同模型得到的風險概率進行融合，得到總體坍塌風險值.該方法的框架如圖1所示.

圖1 基于ER的隧道塌方風險評估模型流程圖Fig.1 Flow chart of the tunnel collapse risk assessment model based on ER

1.1 證據(jù)推理（ER）規(guī)則的基本原則

ER 規(guī)則用于將證據(jù)的可信度和重要性權重相結合［14］.本文采用ER 規(guī)則對不同分類器的判斷進行融合，得到隧道坍塌風險評價.假設Θ={h1，h2，…，hn}，Θ中的元素相互排斥.在風險等級評估中，Θ代表風險識別框架，hi（其中i=1，2，…，n）代表評估等級.Θ的冪集由P(Θ)或2Θ表示，由所有的子集組成.一個證據(jù)被一個信念分布描述，如式（1）所示.

式中：(θ，pθ，j)是一個證據(jù)的要素ej，表示證據(jù)指向命題θ的概率為pθ，j，θ可以是Θ的任意子集.

在ER 規(guī)則中，定義了證據(jù)ej的可信度rj和權重wj.可信度rj代表信息源的能力.證據(jù)的可信度是證據(jù)的固有屬性.證據(jù)的權重wj可以用來反映其相對于其他證據(jù)的重要性.加權置信分布對可信度的重要性定義如式（2）所示.

式 中：mθ，j=wjpθ，j，crw，j=1∕(1+wj-rj)為歸一化因子，并滿足是證據(jù)ej的重要性權重，rj∈[0，1]是證據(jù)ej的可信度.

如果兩項證據(jù)e1和e2相互獨立，通過ER 融合規(guī)則得到e1和e2共同支持命題θ的組合信念度為pθ，e(2)，如式（4）和式（5）所示.

式中：D為所有子集；B和C為兩項獨立的證據(jù).

1.2 置信度學習

置信度學習可以轉(zhuǎn)化為構造基本概率賦值的問題.本文將使用概率支持向量機（Probabilistic SVM）和云模型（CM）分別對現(xiàn)場風險因素和監(jiān)測數(shù)據(jù)進行處理，得到基本概率值.

1.2.1 概率支持向量機（Probabilistic SVM）

支持向量機是一類按監(jiān)督學習方式對數(shù)據(jù)進行二元分類的廣義線性分類器，傳統(tǒng)的線性支持向量機通過超平面進行線性分割.這個超平面是通過最大化分離邊界來找到的，分離邊界是超平面和最近數(shù)據(jù)點之間的距離.利用核函數(shù)將原始數(shù)據(jù)從低維空間映射到高維空間的特征空間，可以獲得更好的分類精度.此外，誤差項的懲罰參數(shù)C對分類精度也起著關鍵作用，C值越高，表示分類器越嚴格，不允許有很多錯誤分類點［15］.判別函數(shù)為：

式中：m為訓練數(shù)據(jù)集的大小；αi為拉格朗日乘子；K（xi，x）為核函數(shù)；b為基于訓練集的閾值參數(shù).

然而線性支持向量機只給出一個“是”或“否”的類預測輸出.為了從支持向量機輸出中提取相關概率，已經(jīng)有學者提出了多種方法.本研究采用Platt的方法［16］，該方法使用Sigmoid 函數(shù)將支持向量機的輸出映射到區(qū)間［0，1］，如式（7）所示.

式中：a和b為對一組訓練示例進行負對數(shù)似然函數(shù)最小化計算得到的參數(shù).

1.2.2 云模型

正態(tài)云模型是李德毅院士提出的一種新的不確定性認知模型［17］.它能綜合描述元素的隨機性和模糊性，實現(xiàn)定性概念與定量值之間的不確定性轉(zhuǎn)換.正態(tài)云模型可由數(shù)值特征（期望Ex，熵En，超熵He）確定.正態(tài)云的定義如下：

在給定定量論域X時，若B是X上的一個定性概念，x滿足：1）x∈X；2）x是概念B的隨機實例化；3）x滿足式（8），x屬于概念B的確定度可由式（9）求得.

在決策過程中分析了各種隧道坍塌風險因素Bi.為了從多個來源挖掘有用信息，每個風險因素應進一步劃分為不同的風險狀態(tài)Bij（i=1，2，…，M；j=1，2，…，N）.每個風險狀態(tài)可以對應一個特定的雙極限區(qū)間，記為［bij（L），bij（R）］.通過式（10）將雙極限區(qū)間［bi（jL），bi（jR）］轉(zhuǎn)化為正態(tài)云模型(Exij，Enij，Heij).

式中：Exij為期望；Enij是Exij的熵；Heij是超熵.常數(shù)h的取值范圍為0～Enij，適用于反映這些因素的不確定性程度.根據(jù)文獻［18］，本文h取0.002.

在CM 框架中，相關性可以度量因子Bi的觀測值bij與特定風險狀態(tài)Bij的云模型之間的相對隸屬度.影響因素在不同風險狀態(tài)下的基本概率分布（BPA）可由式（11）得到.

式中：mi（B）j表示影響因素在不同風險狀態(tài)下的BPA值；Enij'表示滿足條件En'～N(En，He2)的隨機數(shù)；mi（Φ）表示不確定情況下的BPA 值，即在Bi指標下無法確定的焦點元素，所有元素都包含在內(nèi).

1.3 證據(jù)可信度和重要性權重的確定

1.3.1 可信度確定

證據(jù)的可信度代表了正確評估的能力［19］.當兩個或以上的類別有相同程度的概率時，就會產(chǎn)生不確定性.可信度相當于不確定度的補充部分，即不確定度越高，可信度越低.目前，不確定度的測量方法有沖突測量和混淆測量等［20-21］.本文采用聚合不確定性［16］（Aggregate-Uncertainty，AU）計算從概率分類模型中學習到的每個證據(jù)體的信任度水平，如式（12）所示［16］.最大不確定度為焦點元素個數(shù)的對數(shù)函數(shù)，如式（13）所示.為使不確定度與焦點元素個數(shù)無關，通過不確定度最大值的歸一化系數(shù)將聚合不確定度歸一化，如式（14）所示.

式中：pθi是焦點元素θi的信任度；G是歸一化因子；n是焦點元素的總數(shù).

式中：rj是證據(jù)ej的可信度.

根據(jù)表4，我們可以看出總資產(chǎn)增長率、總利潤增長率、凈資產(chǎn)增長率在2012年到2013年迅速增長，說明企業(yè)資產(chǎn)規(guī)模在此期間擴張迅速，規(guī)模增長的速度很快，企業(yè)的競爭力增強。主要是本期非公開發(fā)行股份、股權激勵對象行權形成股本溢價所致。伊利實業(yè)集團股份有限公司于2012年12月12日核準非公開發(fā)行不超過29，500萬股新股。發(fā)行數(shù)量及金額：不超過2.95億股（原為3.1億股），募資金額不超過50億元。資本公積增加導致總資產(chǎn)增長迅速。然而在此期間主營業(yè)務收入增長率卻呈下降趨勢，主要是因為“奶荒”和奶粉質(zhì)量問題導致的銷售收入減少導致。

1.3.2 重要性權重

重要性權重代表每個證據(jù)體的感知貢獻.在無模型的情況下，根據(jù)證據(jù)之間的相似性度量來確定重要性權重.相似性權重的確定，假定證據(jù)越多，結果越準確.然而，在大多數(shù)情況下，基于數(shù)量的質(zhì)量假設很難檢驗.而在模型學習和驗證的環(huán)境中，重要性權重直接由其對模型準確性的貢獻來決定.在本文中，選擇了0.01 的閾值來維持每一個選定的證據(jù)的存在.最低的class-wiseF1-score 來限制低質(zhì)量證據(jù)的貢獻.最后，將概率分類器中每個證據(jù)的重要性權重設置為max｛min｛class-wiseF1-scores｝，0.01｝.class-wiseF1-score 是結合了精確率和召回率的指標，由式（15）～式（17）可得.

式中：Pθi表示class-wise精確率；Rθi表示class-wise召回率；Fθi表示class-wiseF1-score；TP 表示預測準確案例.

2 應用研究

2.1 工程概況

魚塘溪隧道是位于福建省三明市的一條雙管公路隧道.本文以右線（K244+885～K245+840）為研究對象，魚塘溪隧道右線縱截面如圖2 所示.魚塘溪隧道Ⅴ級圍巖段為465 m，Ⅳ級圍巖段為435 m.巖體主要由殘余粉質(zhì)黏土、花崗巖全風化層和破碎的強風化層組成.隧道中還包含了兩個斷層破碎帶，分別為L1（K244+950～K245+010）和L2（K245+280～K245+320）.在隧道開挖經(jīng)過斷層破碎帶時，極易造成隧道坍塌.因此，迫切需要對該隧道段進行坍塌風險評估，以減少隧道坍塌造成的損失.

2.2 信息預處理

由于不同信息源的組成成分并不相同，很難用同一種評估方法進行處理.本文將對不同信息源分別運用合適的評估方法進行處理.其中，目視檢查數(shù)據(jù)將使用支持向量機進行分析，監(jiān)測數(shù)據(jù)將采用云模型進行評估.

2.2.1 目視檢查數(shù)據(jù)

1）隧道坍塌中的風險因素識別.參考OU等［22］的研究，本研究共選取了13 個風險因素，如表1 所示.同時，將各隧道坍塌風險因素劃分為4個等級.

表1 L1斷層隧道坍塌風險因素Tab.1 Risk factor for tunnel collapse in the L1 fault

2）支持向量機模型構建.為了構建支持向量機模型，本研究收集了72 例山嶺隧道坍塌案例數(shù)據(jù)集［22-23］，按照表1對風險因素進行分類形成隧道坍塌數(shù)據(jù)庫.將數(shù)據(jù)集作為訓練數(shù)據(jù)（風險因素等級作為輸入，坍塌風險值為輸出），利用網(wǎng)格搜索方法找到SVM 模型的最優(yōu)超參數(shù)（C，γ）.由于輸入數(shù)據(jù)有限，采用5 次交叉驗證確定gamma 參數(shù)（γ）和懲罰參數(shù)（C）的最佳值.在SVM 模型中測試不同值的（C，γ）對，其分類準確率結果如圖3所示.最優(yōu)超參數(shù)（C，γ）的搜索范圍為［2-8，28］.當參數(shù)C=4，γ=0.25 時，分類準確率最高.模型構建好后，輸入現(xiàn)場的目視檢查數(shù)據(jù)即可得到隧道的坍塌風險值.

圖3 基于（C，γ）的支持向量機分類準確率Fig.3 Classification accuracy of support vector machine based on（C，γ）

其中圍巖等級根據(jù)我國采用的巖體基本質(zhì)量法（BQ 法）進行分類.及時可靠的監(jiān)測結果可以詳細了解施工各階段圍巖和支護結構的動態(tài)變化.監(jiān)測頻率越高，結果就越可靠和有效.因此，使用頻率監(jiān)控來創(chuàng)建用于監(jiān)控的評估指標.地形、地質(zhì)和施工三種因素造成非均勻荷載作用于隧道斷面，以及隧道支撐結構上的非均勻壓力，導致了支撐結構的剪切破壞，本文從偏壓角度進行考慮.

根據(jù)施工要求，利用綜合地質(zhì)預報系統(tǒng)對L1 斷層進行了探測.TGP 檢測結果如圖4 所示，圖4 顯示了縱波繞射偏移圖像、估計波速以及比速度與隧道里程的關系.根據(jù)TGP探測結果和工程地質(zhì)分析，獲得隧道掌子面（K244+995）前方約150 m 長的地質(zhì)條件.預測斷面整體地質(zhì)情況如下：隧道掌子面巖性為強風化粉砂巖.從（1）區(qū)右界到（2）區(qū)右界，縱波和橫波速度明顯下降（圖4），此外，遷移圖像的色譜是負的.因此，可以推斷該段已被壓碎，發(fā)育的局部裂隙中充滿了巖屑.斷裂構造受構造影響較大，地下水豐富，圍巖穩(wěn)定性差，容易失穩(wěn)坍塌.

圖4 巖石物理性質(zhì)的TGP檢測結果Fig.4 TGP detection results of physical properties of rocks

在上述分析的基礎上，建立了魚塘溪隧道穿越L1 斷層的坍塌風險指數(shù)和風險等級，如表2 所示.開挖過程中發(fā)生了小型坍塌，根據(jù)表1，該段的坍塌風險值為Ⅲ.

2.2.2 監(jiān)測數(shù)據(jù)

監(jiān)測測量數(shù)據(jù)包括淺埋段地表沉降、拱頂位移、水平收斂位移等，這些數(shù)據(jù)可以反映初始襯砌后隧道支護的穩(wěn)定性.在深埋隧道中，往往不需考慮地表沉降的影響，只選取拱頂位移和水平收斂位移進行坍塌風險分析.根據(jù)國家標準《公路隧道施工技術規(guī)范》（JTG∕T 3660—2020）［24］，選取監(jiān)測數(shù)據(jù)的每日沉降速率和累積變形量作為判斷指標.監(jiān)測點距離掌子面越遠，累積位移極限值越大.因此，累積位移極限值需要乘一個因子.根據(jù)這兩個判斷指標將監(jiān)控量測數(shù)據(jù)分為四個層次，如表3所示.

表3 監(jiān)控量測數(shù)據(jù)的分類Tab.3 Classification of monitoring measurement data

其中，累積變形等級指標區(qū)間應根據(jù)測點到掌子面距離（D）乘系數(shù)（ζ），如表4 所示.表4 中的B為開挖隧道的跨度.

表4 累積變形等級指標區(qū)間的系數(shù)（ζ）Tab.4 Coefficient（ζ）for cumulative deformation class indicator intervals

隧道采用臺階法開挖，監(jiān)測點布置如圖5 所示.圍巖位移監(jiān)測早晚各一次，取其平均值作為當天的監(jiān)測值.隨著上下臺階的順序開挖，水平收斂的測點需要水平向下移動.K245+300的監(jiān)測數(shù)據(jù)如圖6所示.

圖5 監(jiān)測點布置示意圖Fig.5 Monitoring point layout diagram

圖6 監(jiān)測數(shù)據(jù)Fig.6 monitoring data

根據(jù)式（10）和表3 得出兩個監(jiān)測指標的云模型參數(shù)值(Ex，En，He)，如表5 所示.收集拱頂位移和水平收斂位移代入式（11）即可求得隧道坍塌各風險等級的BPA值.

表5 兩個監(jiān)控指標的云模型參數(shù)值Tab.5 Cloud model parameter values of two monitoring indicators

根據(jù)每日變形速率和累積沉降量將得到兩組坍塌風險等級概率分配，為了更好地實現(xiàn)安全儲備，本文采用較大的風險等級作為最終風險等級結果.

2.3 多源信息融合

為了解決單一信息源評價結果不可靠的問題，采用證據(jù)推理理論（1.1 節(jié)）對多源數(shù)據(jù)進行融合.該方法綜合了上述三種單源信息評價模型（目視檢查數(shù)據(jù)、拱頂位移、水平收斂位移）的不同結果.根據(jù)ER 規(guī)則通過MATLAB 軟件進行融合.在K242+555～K242+925 開挖段中每隔5 m 選取一個訓練樣本，選取80 個隧道段面作為訓練樣本.根據(jù)式（15）～式（17），三種模型的訓練結果如表6 所示.融合過程中各模型的重要性權重為［0.667；0.648；0.571］.

表6 不同模型的訓練結果Tab.6 Training results of the classifiers

為了說明融合過程，在挖掘斷面K244+900～K244+925 每隔5 m 選取訓練樣本，選取5 個隧道斷面作為測試樣本，并將ER 規(guī)則與D-S 理論的融合結果進行比較，如表7 所示.表7 中E1為SVM 模型，E2為拱頂位移模型，E3為水平收斂位移模型，ER 為ER規(guī)則理論融合結果，D-S 為D-S 證據(jù)理論融合結果.可以得到以下結論：

表7 五個測試樣本的融合結果Tab.7 Fusion results of five test samples

1）該多源信息融合模型具有良好的容錯性.該模型可以根據(jù)分類器正確結果的重要權重和可信度對錯誤分類器結果進行修正.以測試樣本No.4 隧道斷面為例，三個模型得到的坍塌風險概率分別為E1=［0.10，0.20，0.70，0］；E2=［0，0.56，0.44，0］；E3=［0.99，0.01，0，0］.根據(jù)概率決定理論，以最大概率的風險等級作為結果，該結果以帶下劃線的數(shù)據(jù)表示.重要權重w=［0.561；0.648；0.571］；證據(jù)可信度r=［0.422；0.795；0.985］.折減概率值為

根據(jù)式（5）計算得到考慮了可信度和重要性權重的概率分布

利用ER 規(guī)則對三種模型的概率分布進行融合，其融合后的概率值為

其中e（3）表示三項證據(jù)的結合.最后剔除冪集項，坍塌風險概率為

該截面的坍塌風險等級為I（安全）.如表7所示，E1和E2都給出了錯誤的結果，其可信度也較低，E3具有較高的可信度并且給出了正確的預測，ER 融合規(guī)則同時考慮了三種模型的重要性權重和可信度，使得E3的正確預測結果將E1和E2的錯誤結果修正回融合模型中的正確結果.

2）通過單一信息源評估坍塌風險時，由于數(shù)據(jù)的不確定性，評估結果往往會出現(xiàn)偏差.本文提出的多源信息融合方法可以綜合考慮所有類型的信息（包括沖突信息），對施工有全面的認識，從而降低數(shù)據(jù)的不確定性以提高評估的準確率.因此與單源信息評估方法相比，多源信息融合結果往往有更高的準確率.

3）當三個單一信息源的風險評估結果不同時（如No.4隧道斷面），ER 規(guī)則的融合結果優(yōu)于D-S 理論.D-S 理論只積累共識支持，如果一個命題被任何證據(jù)反對，盡管它從其他證據(jù)得到支持，它也將被完全拒絕.因此，當三種單一信息評價結果不同時，普通D-S 理論會給出與常識相反的融合結果.然而ER規(guī)則在合并高沖突信息源時充分考慮了模型的重要性權重和可信度，因此能判斷出哪個模型更有可能代表實際情況，給出的結果也能更加貼近實際.

2.4 結果分析

毫無疑問，單源信息評估方法也可以對隧道坍塌風險水平進行評估.但是，單一信息來源并不能完全反映隧道施工環(huán)境，導致評估結果存在一定的偏差，準確性較低.為了比較單源信息評估方法和多源信息融合方法，分別采用單源信息模型和融合模型對坍塌風險進行評估.從魚塘溪隧道中隨機抽取40 個隧道斷面進行風險評估.不同模型的評估結果如圖7 所示.從圖7 可知，單源信息評估方法［圖7（a）、（b）、（c）］的準確率均小于70%，單源信息模型并不能為現(xiàn)場施工提供準確的決策意見.這是由于單一信息源沒有充分考慮導致隧道坍塌的風險因素，且信息存在誤差和不確定性，最終導致坍塌風險評估結果與實際略有偏差.而多源信息融合方法評估的準確率達到了87.5%［圖7（d）］.這是因為所提出的融合方法充分利用了可用信息，并考慮了沖突信息.該多源信息融合模型兼顧了目視檢查和監(jiān)測數(shù)據(jù)，使評估模型更貼近實際情況，提高了評估結果的準確性.

圖7 不同模型的分類結果Fig.7 The classification results of the different model

3 結論

本研究提出了隧道坍塌風險評估的多源信息融合方法，為隧道開挖提供風險評估.通過對多信息源的分析，得到了不同的坍塌風險判斷.通過可信度和重要性權重來估計每個判斷的質(zhì)量.然后將各信息源的結果進行融合，給出總體概率風險評估.通過評價結果的重要性、權重和可信度來量化評價的質(zhì)量.所有這些結果都被納入最終的風險評估，以提高整體評估準確率和魯棒性.本文提出的評估方法具有以下優(yōu)點.

1）綜合多源信息，可以得到更準確的隧道坍塌風險評估結果.由于鉆爆法施工影響因素眾多，隧道坍塌風險評估是一個多屬性決策問題.單源信息評估方法難以充分考慮所有的風險因素，導致評估結果存在偏差.融合模型的性能優(yōu)于單信息源模型，具有較高的精度.

2）與D-S 理論相比，ER 規(guī)則在處理高沖突信息方面更有優(yōu)勢.當三個單一信息源的風險評估結果不一致時，采用ER 規(guī)則進行融合，考慮了評估結果的重要性權重和可信性，提高了最終評估結果的準確性.

本方法的缺點是，所得到的風險評價結果取決于風險指標和分類標準的選擇.因為本研究選取的統(tǒng)計案例為山嶺隧道，本文所采用的風險指數(shù)可能僅適用于山嶺隧道的風險評估.