基于多源信息融合的隧道施工突涌水风险评估方法与流程

1.本发明涉及隧道工程灾害预测技术领域，具体涉及基于多源信息融合的隧道施工突涌水风险评估方法。


背景技术：

2.近年来，随着区域经济发展和交通网络的不断完善，作为区域经济发展和交通网络的关键控制性工程，隧道的建设也得到了迅速发展。隧道施工过程中可能发生各种重大事故灾害。突涌水是可能发生的较为严重的地质灾害之一。现有隧道建设中不乏穿越地质构造复杂的岩溶地区的隧道，导致大量高风险深、长隧道工程的产生。在隧道开挖过程中，会对地下水产生扰动，极易发生突涌水。隧道施工过程中突涌水不仅会造成人员伤亡和经济损失，而且会给隧道施工带来极大的困难。
3.为了保证隧道施工的安全性、避免人员伤亡和减少不必要的经济损失，提前预测突涌水的发生，合理选择预防措施是十分重要的。目前隧道突涌水灾害的预测多侧重于从预报信息，地质条件，水文信息等角度进行分析，其准确率与普适性较差，而隧道突涌水灾害是一个复杂且多因素影响的过程，难以依据单一的信息进行评判划分，因此需要建立基于多个信息源综合反馈的判断标准，仅通过单一信息难以建立精确的隧道突涌水预测模型。


技术实现要素：

4.因此，本发明要解决的技术问题在于克服现有技术中仅依靠单一信息难以建立精确的隧道突涌水预测模型的缺陷，从而提供基于多源信息融合的隧道施工突涌水风险评估方法。
5.基于多源信息融合的隧道施工突涌水风险评估方法，包括如下步骤：
6.s1：对隧道施工现场进行目视检查、监控量测以及综合超前地质预报，根据所得到的数据分别建立对应的单信息源风险评估模型并进行风险评估，得到单信息源的风险评估值；
7.s2：对s1中所得到的三个单信息源风险评估模型进行评价，通过单信息源风险评估模型的准确率得到各个单信息源风险评估模型的重要性权重，通过单信息源风险评估模型的不确定性得到各个单信息源风险评估模型的可信度；
8.s3：通过er证据理论将三个单信息源风险评估模型的风险评估值、重要性权重以及可信度进行融合，得到最终的突涌水风险概率。
9.作为本发明中基于多源信息融合的隧道施工突涌水风险评估方法的一种优选，s1中目视检查单信息源风险评估模型的建立过程包括如下步骤：
10.根据隧道施工现场的实际情况以及已有关于隧道突涌水的案例筛选出若干个目视检查的风险因素，并根据其风险大小划分为四个风险等级；根据风险因素以及风险等级对已有隧道突涌水案例进行分类得到突涌水数据库，将突涌水数据库作为支持向量机的训
练集，利用支持向量机进行学习得到目视检查单信息源风险评估模型，其中支持向量机的判别函数具体形式如下：
[0011][0012]
式中：m为训练数据集的大小；
[0013]
αi为拉格朗日乘子；
[0014]
k(xi，x)为核函数；
[0015]
b为基于训练集的阈值参数。
[0016]
作为本发明中基于多源信息融合的隧道施工突涌水风险评估方法的一种优选，采用如下步骤从支持向量机输出值中提取相关概率：
[0017]
使用sigmoid函数将支持向量机的输出映射到区间[0，1]，具体公式如下：
[0018][0019]
式中：a和b为对一组训练示例进行负对数似然函数最小化计算得到的参数；
[0020][0021]
式中：ti为类的新标签；
[0022]
t
+
为ti+1；
[0023]
t-为t
i-1；
[0024]n+
为属于类1的点数；
[0025]
n-为属于类2的点数。
[0026]
作为本发明中基于多源信息融合的隧道施工突涌水风险评估方法的一种优选，s1中监控量测的数据包括围岩位移、应力和渗透水压力，根据所得到监控量测数据的风险大小将其划分为四个风险等级。
[0027]
作为本发明中基于多源信息融合的隧道施工突涌水风险评估方法的一种优选，监控量测单信息源风险评估模型的建立过程包括如下步骤：
[0028]
通过云模型将监控量测所得到的数据转化为突涌水风险概率值，利用 er证据理论融合所得到的监控量测数据的突涌水风险概率值，得到监控量测单信息源风险评估模型，其中云模型建立过程如下：
[0029]
在决策过程中对各种隧道坍塌风险因素bi进行分析，并进一步将每个风险因素划分为不同的风险状态b
ij
(i＝1，2，
…
，m；j＝1，2，
…
，n)。将每个风险状态对应一个特定的双极限区间，记为[b
ij
(l)，b
ij
(r)]，通过正态云公式(4)将双极限区间[b
ij
(l)，b
ij
(r)]转化为云模型(ex
ij
,en
ij
,he
ij
)
[0030]
[0031][0032]
式中：ex
ij
为期望；
[0033]
en
ij
为ex
ij
的熵；
[0034]
he
ij
为超熵；
[0035]
h为常数，其取值范围为0～en
ij
；
[0036]
公式(4)中，x应满足三个要求，一x∈x，二x是概念b的随机实例化，三x满足公式，x属于概念b的确定度可由如下公式求得
[0037][0038]
作为本发明中基于多源信息融合的隧道施工突涌水风险评估方法的一种优选，得到s1中综合超前地质预报的方法包括长距离探测法、短距离探测法和超前钻孔法，并根据tgp结果将综合超前地质预报划分为四个等级。
[0039]
作为本发明中基于多源信息融合的隧道施工突涌水风险评估方法的一种优选，综合超前地质预报单信息源风险评估模型的建立过程包括如下步骤：
[0040]
通过专家打分法对综合超前地质预报进行分析，得到不同超前地质预报方法的突涌水风险概率值，运用er证据理论对所得到各个超前地质预报方法的突涌水风险概率值进行融合，得到综合超前地质预报单信息源风险评估模型，其中er证据理论公式如下：
[0041][0042]
其中，(θ,p
θ,j
)为一个证据的要素ej，表示证据指向命题θ的概率为p
θ,j
，θ为θ的任意子集。
[0043]
作为本发明中基于多源信息融合的隧道施工突涌水风险评估方法的一种优选，s2中重要性权重通过单信息源风险评估模型的评估准确率获得，其公式如下：
[0044][0045][0046][0047]
式中：为class-wise精确率；
[0048]
为class-wise召回率；
[0049]
为class-wise f1-score；
[0050]
tp为预测准确案例。
[0051]
作为本发明中基于多源信息融合的隧道施工突涌水风险评估方法的一种优选，s2中可信度通过聚合的不确定性获得，其公式如下：
[0052][0053][0054][0055]
式中：为焦点元素θi的信任度；
[0056]
g为归一化因子；
[0057]
n为焦点元素的总数；
[0058]rj
为证据ej的可信度。
[0059]
本发明技术方案，具有如下优点：
[0060]
本发明提出了一种综合考虑现场施工情况、监控量测数据和综合超前地质预测的突涌水风险评价方法，采用不同的风险评估模型对多个信息源进行评价，并采用er证据理论规则融合风险评估值、可信度和重要性权重，得到最终的突涌水风险概率。相较于单一来源的风险评估方法，本发明所提出的风险评估方法充分考虑了隧道建设中影响突涌水的风险因素，具有更好的鲁棒性和准确性。
附图说明
[0061]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0062]
图1为本发明的流程示意图。
具体实施方式
[0063]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0064]
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0065]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是
两个元件内部的连通。对于本领域的普通技术人员而言，可依具体情况理解上述术语在本发明中的具体含义。
[0066]
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
[0067]
实施例1
[0068]
本实施例提供了一种基于多源信息融合的隧道施工突涌水风险评估方法，该方法用于为隧道施工现场提供施工建议，减少突涌水事故的发生，从而减少人员伤亡和经济损失。
[0069]
如图1所示，具体包括如下步骤：
[0070]
s1：对隧道施工现场进行目视检查、监控量测以及综合超前地质预报，根据所得到的数据分别建立对应的单信息源风险评估模型并进行风险评估，得到单信息源的风险评估值。
[0071]
s2：对s1中所得到的三个单信息源风险评估模型进行评价，通过单信息源风险评估模型的准确率得到各个单信息源风险评估模型的重要性权重，通过单信息源风险评估模型的不确定性得到各个单信息源风险评估模型的可信度。
[0072]
s3：通过er证据理论将三个单信息源风险评估模型的风险评估值、重要性权重以及可信度进行融合，得到最终的突涌水风险概率。
[0073]
在本实施例s1目视检查中，根据隧道施工现场的实际情况以及至少80 个关于隧道突涌水的案例筛选出11个目视检查的风险因素，并根据其风险大小划分为四个风险等级，如表1所示；根据风险因素以及风险等级对已有隧道突涌水案例进行分类得到突涌水数据库，将突涌水数据库作为支持向量机的训练集，利用支持向量机进行学习得到目视检查单信息源风险评估模型，其中支持向量机的判别函数具体形式如下：
[0074][0075]
式中：m为训练数据集的大小；
[0076]
αi为拉格朗日乘子；
[0077]
k(xi，x)为核函数；
[0078]
b为基于训练集的阈值参数。
[0079]
然而线性支持向量机只给出一个“是”或“否”的类预测输出。为了从支持向量机输出中提取相关概率，在本实施例中采用platt的方法，该方法使用sigmoid函数将支持向量机的输出映射到区间[0，1]，具体公式如下：
[0080][0081]
式中：a和b为对一组训练示例进行负对数似然函数最小化计算得到的参数；
[0082][0083]
式中：ti为类的新标签；
[0084]
t
+
为ti+1；
[0085]
t-为t
i-1；
[0086]n+
为属于类1的点数；
[0087]
n-为属于类2的点数。
[0088]
表1目视检查风险等级
[0089][0090][0091]
其中，bq代表的是岩体基本质量指标；
[0092]
crd代表的是交叉中隔壁法；
[0093]
cd代表的是单侧壁导坑法；；
[0094]
bench代表的是台阶法；
[0095]
full face代表的是全断面开挖法。
[0096]
在本实施例监控量测中，主要监测的数据包括围岩位移、应力和渗透水压力，根据所得到监控量测数据的风险大小将其划分为四个风险等级，如表2所示。监控量测单信息源风险评估模型的建立过程包括如下步骤：
[0097]
通过云模型将监控量测所得到的数据转化为突涌水风险概率值，利用 er证据理论融合所得到的监控量测数据的突涌水风险概率值，得到监控量测单信息源风险评估模型，其中云模型由正态云公式变形获得，正态云的的定义如下：
[0098]
在给定定量论域x时，若b是x上的一个定性概念，则x满足：1、x∈x； 2、x是概念b的随机实例化；3、x满足公式，x属于概念b的确定度可由公式(6)求得。
[0099][0100][0101]
在决策过程中分析了各种隧道坍塌风险因素bi。为了从多个来源挖掘有用信息，每个风险因素应进一步划分为不同的风险状态b
ij
(i＝1，2，
…
，m；j＝1，2，
…
，n)。每个风险状态可以对应一个特定的双极限区间，记为 [b
ij
(l)，b
ij
(r)]。通过正态云公式(4)将双极限区间[b
ij
(l)，b
ij
(r)]转化为正态云模型(ex
ij
,en
ij
,he
ij
)公式(5)。
[0102][0103]
式中：ex
ij
为期望；
[0104]
en
ij
为ex
ij
的熵；
[0105]
he
ij
为超熵；
[0106]
h为常数，其取值范围为0～en
ij
，适用于反应这些因素的不确定程度，在本实施例中h取0.002。
[0107]
在cm框架中，相关性可以度量因子bi的观测值b
ij
与特定风险状态b
ij
的云模型之间的相对隶属度。影响因素在不同风险状态下的bpa可由公式 (14)得到。
[0108][0109]
式中：mi(bj)为影响因素在不同风险状态下的bpa值；
[0110]
en
′
为满足条件en
′
～n(en，he2)的随机数；
[0111]
mi(φ)为不确定情况下的bpa值，即在bi指标下无法确定的焦点元素，所有元素都
包含在内。
[0112]
表2监控量测数据风险等级
[0113][0114]
其中，σ代表的是钢的设计抗拉和抗压强度。
[0115]
在本实施例综合超前地质预报中，综合超前地质预报方法包括长距离探测法(隧道地震波勘探法)、短距离探测法和超前钻孔法，，并根据tgp 结果将综合超前地质预报划分为四个风险等级如表3所示。综合超前地质预报单信息源风险评估模型的建立过程包括如下步骤：
[0116]
通过专家打分法对综合超前地质预报进行分析，得到不同超前地质预报方法的突涌水风险概率值，运用er证据理论对所得到额各个超前地质预报方法的突涌水风险概率值进行融合，得到综合超前地质预报单信息源风险评估模型，其中er证据理论公式如下：
[0117][0118]
其中，(θ,p
θ,j
)为一个证据的要素ej，表示证据指向命题θ的概率为p
θ,j
，θ为θ的任意子集。
[0119]
在er规则中，定义了证据ej的可信度rj和权重wj。可信度rj代表信息源的能力。证据的可信度是证据的固有属性。证据的权重wj可以用来反映其相对于其他证据的重要性。加权置信分布对可信度的重要性定义如公式 (15)所示。
[0120][0121]
其中衡量ej对θ的支持程度，同时考虑到重要性和可信度，如公式 (16)所示。
[0122][0123]
其中m
θ,j
＝wjp
θ,j
，c
rw,j
＝1/(1+w
j-rj)为归一化因子，并满足并满足wj∈[0,1]是证据ej的重要性权重，rj∈[0,1]是证据ej的可信度。
[0124]
如果两项证据e1和e2相互独立，通过er融合规则得到e1和e2共同支持命题θ的组合
信念度为p
θ,e(2)
，如公式(17)和公式(18)所示。
[0125][0126][0127]
其中d为所有子集；b和c为两项独立的证据。
[0128]
表3综合超前地质预报指标分类表
[0129][0130]
在本实施例多源信息融合方法中，对三种单信息源风险评估模型评估质量进行评价，每项评估模型质量由重要性权重和可信度来评价，通过单信息源风险评估模型的准确率得到各个单信息源风险评估模型的重要性权重，通过单信息源风险评估模型的不确定性得到各个单信息源风险评估模型的可信度。然后通过er证据理论将三个单信息源风险评估模型的风险评估值、重要性权重以及可信度进行融合，得到最终的突涌水风险概率。其中，判断评估模型的重要性权重和可信度的公式如下：
[0131]
重要性权重：在本实施例中，选择0.01的阈值来维持每一个选定的证据的存在。最低的“class-wise f1-score”来限制低质量证据的贡献。最后，将评估模型中每个证据的重要性权重设置为max{min{class-wisef1-scores}，0.01}。“class-wise f1-score”是结合了精确率和召回率的指标。
[0132][0133][0134][0135]
式中：为class-wise精确率；
[0136]
为class-wise召回率；
[0137]
为class-wise f1-score；
[0138]
tp为预测准确案例。
[0139]
可信度：在本实施例中采用聚合不确定性(aggregate-uncertainty，au) 计算从
概率分类模型中学习到的每个证据体的信度水平。
[0140][0141][0142][0143]
式中：为焦点元素θi的信任度；
[0144]
g为归一化因子；
[0145]
n为焦点元素的总数；
[0146]rj
为证据ej的可信度。
[0147]
在本实施例中，利用er规则对上述三种单信息源风险评估模型得到的不同风险评估值、重要性图权重以及可信度进行融合。通过规则 (min{class-wise f1-scores})根据每个模型的精度选择重要权重。由于一开始没有案例，所以各模型的重要权重是一致的(w＝[0.333；0.333；0.333])。随着隧道建设的推进，案例不断积累。每个模型的重要性权重根据规则 (min{class-wise f1-scores})不断修改。从而对融合模型进行优化，提高评价的准确性。
[0148]
实施例2
[0149]
本实施例选取了5个隧道端面作为试验样本，比较了er规则与d-s 理论的融合结果(如图1所示，e1、e2、e3分别为目视检查模型、监控量测模型、综合超前地质预报模型的置信度)，如表4所示，表中加粗数字为相应预测模型所得到的风险等级。可以得到以下结论
[0150]
(1)以隧道段dk203+050为例，三个模型的基本概率分配分别为e1＝ [0.43,0.57,0,0]；e2＝[0.01,0.99,0,0]；e3＝[0,0.72,0.28,0]。重要性权重为 w＝[0.314；0.433；0.627]；模型的可信度为r＝[0.507；0.960；0.572]。折减概率值为对应的幂集为归一化因子为根据公式(18)得到考虑了可信度和重要性权重的概率分布
[0151]
利用er规则对三种模型的概率分布进行融合，其融合后的概率值为其中e(3)表示三项证据的结合。最后剔除幂集项，坍塌风险概率为
该截面的坍塌风险等级为“ii
”ꢀ
(渗水)。
[0152]
(2)本实施例所提出的多信息融合方法可以提高突涌水风险评估的精度，降低不确定性。多源信息融合评估技术比单一信息源风险评估技术具有更高的准确性。
[0153]
(3)随着案例的积累，融合模型通过修正重要权重来不断提高模型的精度。以no.3隧道段为例，不同的信息源给出不同的评价结果。一开始，融合模型的结果与实际不符。随着案例的积累，重要性权重的值被修正(w＝ [0.314；0.433；0.627])。改进后的融合模型计算结果与现场实际情况基本一致。
[0154]
(4)当三个不同信息源的评价结果不一致时(如隧道截面no.2)，er 规则的融合结果优于d-s理论。d-s理论只积累共识支持，如果一个命题被任何证据反对，尽管它从其他证据得到支持，它都将被完全拒绝。因此，当三种单一信息评价结果不同时，普通d-s理论会给出与常识相反的融合结果。然而er规则在合并高冲突信息源时充分考虑了模型的重要性权重和可信度，因此能判断出哪个模型更有可能代表实际情况，给出的结果也能更加贴近实际。
[0155]
表4五个测试样本的融合结果
[0156]
[0157]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。