35基于贝叶斯网络的复杂工程安全管理决策支持方法研究

发布时间：2016-11-23 12:36

本文关键词：基于贝叶斯网络的复杂工程安全管理决策支持方法研究，由笔耕文化传播整理发布。

第21卷第6期2011年6月；中国China安全Safety科学Science；基于贝叶斯网络的复杂工程安全管理决策支持方法研究；张立茂；教授；（1华中科技大学土木工程与力学学院，湖北武汉43；2华中科技大学附属中学，湖北武汉430074）；学科分类与代码：6206010（安全管理工程）中；陈虹宇；吴贤国；【摘要】为改进当前复杂工程安全风险管理中普遍存在；【

第21卷第6期2011年6月

中国China安全Safety科学Science学报JournalVol．21No．6Jun．2011

基于贝叶斯网络的复杂工程安全管理决策支持方法研究

张立茂

教授

（1华中科技大学土木工程与力学学院，湖北武汉430074

2华中科技大学附属中学，湖北武汉430074）

学科分类与代码：6206010（安全管理工程）中图分类号：X913.4文献标志码：A资助项目：国家科技支撑计划（2006BAJ18B08－01）；武汉市科技局科研创新项目（200860423194）。

陈虹宇

吴贤国

【摘要】为改进当前复杂工程安全风险管理中普遍存在偏重事前管理、过分依赖专家经验等不足，探讨复杂工程贝叶斯网络（BN）的构建流程，提出基于BN的安全管理辅助决策分析（DSA）方法，并以武汉越江地铁盾构隧道渗漏水事故为例进行实证研究。结果表明：利用BN能够融合多领域专家关于具体工程的实践经验，以有向图形式直观表达安全事故致因变量间的不确定性关系，在事前阶段运用正向推理技术预测事故发生概率以界定警情等级及早防范，事中运用重要度分析辨识关键致险因子以明确过程控制要点，事后运用反向推理技术快速诊断查明最可能致因组合，从而为复杂工程安全事故全过程管理提供实时辅助决策支持。

【关键词】安全管理；决策支持分析（DSA）；贝叶斯网络（BN）；渗漏水；重要度

StudyonDecisionSupportAnalysisofSafetyManagementin

ComplexEngineeringBasedonBN

ZHANGLi-mao1CHENHong-yu2WUXian-guo1

（1SchoolofCivilEngineering＆Mechanics，HuazhongUniversityofScienceandTechnology，

WuhanHubei430074，China2MiddleSchoolAttachedtoHuazhongUniversityof

Science＆Technology，WuhanHubei430074，China）Abstract：Thecurrentsafetymanagementincomplexengineeringhasabiastowardspriormanagement，andreliestoomuchonexpertadvice．ThemodelingprocessofBNincomplexengineeringisdiscussed．AmethodofDSAbasedonBNforsafetymanagementisproposed．AndthenshieldtunnelwaterleakageinWuhanrivertunnelwastakenasanexampleforcasestudy．ResultsshowthatBayesiannetworkscanin-tegratepracticalexperienceaboutspecificprojectsfrommulti-domainsexperts，anddescribetheuncertain-tyofriskfactorsvisuallythroughdirectedgraphs．Usingthismethod，theaccidentprobabilitycanbepre-dictedforpreventionbyforwardreasoningbeforeaccident；duringtheconstruction，thekeyriskfactorscanbeidentifiedbyworthindexinordertostrengthenprocesscontrol；afteraccident，themostlikelycom-binationofaccidentcausescanbediscoveredbybackwardreasoning．Andthereforereal-timedecisionsupportcanbeprovidedforsafetymanagementwiththewholeprocessincomplexengineering．Keywords：safetymanagement；decisionsupportanalysis（DSA）；Bayesiannetworks（BN）；

waterleakage；importancedegree

*文章编号：1003－3033（2011）06－0141－06；收稿日期：2011－03－06；修稿日期：2011－04－30

·142·

中国安全科学ChinaSafetyScience学报

Journal第21卷2011年

0引言

由于复杂工程施工环境复杂多变、致险因子多且关联性强等原因，致使施工过程中安全事故频发。为了避免施工安全事故造成严重的人员伤亡和财产损失，国内外工程人员逐渐重视安全事故的风险管

［1－3］

，理，基于定性或定量评价方法识别潜在风险

对发生可能性较大的风险及早应对防范。然而，，当

前工程事故的风险管理主要偏重于事故发生以前的安全管理，即事前管理。一旦事故发生，往往急于组织专家开展工程会议集中讨论处理方案，这一方面可能会延误工程事故处理的最佳时间，另一方面也表明当前工程安全管理较大依赖专家经验，专家知识尚未集成化管理用于实时安全管理决策支持。因研究复杂工程安全管理辅助决策支持直接关系此，

到建筑业可持续发展。

BayesianNet-近年发展起来的贝叶斯网络（BN，works），能够使先验知识和样本数据有机结合，被国推断、内外学者认为是不确定环境中实现知识表示、

［4］［5］

预测等最理想的工具，在生态学、可靠性分等领域得到广泛运用。利用BN能够融合多领域专家关于具体工程的实践经验，为具体安全事故析

的处理提供实时决策支持。通过提出基于BN的工

并以武汉越江地铁盾构程安全管理决策分析方法，

隧道渗漏水事故为例进行实例分析，通过事前概率

预测、事中关键致险因子辨识及事后致因诊断等辅助决策分析，便捷实现复杂环境下工程安全施工全过程一体化管理。

［6］

图1

Fig．1

复杂工程BN建模流程

ModelingprocessofBNincomplexengineering

1．1致险机理分析

在明确某一具体风险事件后，开始着手选择相

关领域的专家对该事件进行致险机理分析，确定导致该风险事件发生的影响因子。1．2

模型设计

BN的模型设计一般包括结构设计与参数设计2个步骤，按设计依据不同主要分为基于样本数据

［9］

或专家知识2种方法。因目前工程领域较为完整的安全事故样本数据难以获得，实际建模过程中多以专家知识为主导，而以样本数据作为辅助手段。1．3

模型调试

1BN及其构建

BN是一种集成因果与概率的知识网络拓扑结

构，可以反映具体问题中复杂变量之间的依赖关系，由代表变量的节点及连接这些节点的有向边构

［7］［8］成，有向边反映变量之间的因果关系。在一个有向图中，如果从节点X到节点Y有一条边，则称X为Y的父节点，而Y为X的子节点。没有父节点的节点称为根节点，没有子节点的节点称为叶节点。

复杂工程BN的构建，是不断深入分析了解具体风险事件的所有致险因子、致险因子之间的影响关系及其条件概率分布的过程。采用结构化系统开发方法，将复杂工程BN构建流程分为以下3个阶段：致险机理分析、模型设计及模型调试，如图1所示

。

为保证模型的正确性，对模型的结构及参数进

行检查，同时使用已知案例的条件作为证据进行推理测试，反复修正模型达到预定目标，即可认为建模成功。

2基于BN辅助决策分析方法

Deci-基于BN的安全管理辅助决策分析（DSA，

第6期张立茂等：基于贝叶斯网络的复杂工程安全管理决策支持方法研究

·143·

sionSupportAnalysis），实际上是将风险事件的形成

连续的过程看待，通过正向与发生当作一个动态的、

推理、重要度分析、反向推理等方式，动态地分析各事中及事后各阶段的相互影响个致险因子在事前、

和彼此制约的关系，以便为事故防范提供科学、有

效、及时的应对决策支持。2．1

事前概率预测

利用BN的正向推理技术，通过联合概率分布，i=1，2，…，n）直接推算n个根节点Xi（致险因子，

故障组合下叶结点T（风险事件）的发生概率。叶结点T发生概率用P（T=1）表示，其计算为

Worth）：评价Xi不发生状况与先验概率分布下T发生

RRW

IRAW（Xi）＞1，概率的大小之比，用I（Xi）表示。说RRW

则Xi为有利因素，明Xi为不利因素；I（Xi）＜1，

其计算如式（3）所示。

IRRW（Xi）=

P（T=1）P（T=1|Xi=0）

i=1，2，…，n

（3）

3）变化衡量重要度（BM，BirmbaumMeasure）：衡量Xi在发生和不发生的情况下T发生概率值的用I变化幅度，

（Xi）表示，其计算如式（4）所示。

IBW（Xi）=max｛P（T=1|Xi=1），P（T=1|Xi=0）｝－min｛P（T=1|Xi=1），

P（T=1|Xi=0）｝

i=1，2，…，n

（4）

上述3项指标一般配合使用并且相互印证，通常选取各项排序结果均较为靠前的根节点作为关键

致险因子，指导施工人员明确日常施工安全管理控制要点，进而最大程度地避免事故发生。2．3

事后致因诊断

事后致因诊断指的是事故发生后诊断并查明事故致因，即反向推理。利用BN的反向推理技术，考察叶节点T（风险事件）发生状态下各个根节点（致险因子）的后验概率分布，第i个根节点Xi的后验i=1，2，…，n，概率用P（Xi|T=1）表示，其计算如式（5）所示。P（Xi|T=1）越高，表明该节点成为事

进而指导施工人员针对性地故致因的可能性越大，

P（T=1）=

（P（T∑1

=1|X1=x1，X2=x2，…，Xn=

xi∈｛0，1｝

（1）

X2=x2，…，Xn=xn））xn）×P（X1=x1，

1，式中：n表示根节点的个数，每个根节点状态有0，

2个状态分别表示事件发生与不发生，故n个节点共

X2=x2，…，Xn=有2种组合；P（T=1|X1=x1，

xn）表示BN前向传导的条件概率表；P（X1=x1，X2=x2，…，Xn=xn）表示根节点的联合概率。

P（T=1）值的大小表明了风险事件T发生可能性的大小，一般划分为5个级别，见表1，便于施

及早采取措施。工人员在事前阶段界定事故等级，

表1Table1

概率等级概率区间

风险事件发生概率量化等级Probabilitylevelofriskevents

大0.6～0.8

很大＞0.8

很小小中等＜0.20.2～0.40.4～0.6

进行故障诊断，快速查明最可能致因组合。P（Xi=1|T=1）=

P（Xi=1）P（T=1|Xi=1）

P（T=1）

i=1，2，…，n

（5）

2．2事中关键致险因子辨识

利用BN的重要度分析技术，表明第i个根节点

Xi（致险因子）对叶结点T（风险事件）的影响程度，

进而辨识关键致险因子以明确过程控制要点。重要度的求解在BN中非常简单，而且是准确解。重要度指标主要包括：

1）风险促进值重要度（RAW，RiskAchievementWorth）：评价Xi发生与否对T发生概率的影响程度用I大小，

（Xi）表示。IRAW（Xi）值越大，Xi和T之间的关联性越强，其计算如式（2）所示。I

RAW

3实例分析

盾构法日益成为现代城市地下铁道或排水隧道

等施工的主流方法，而盾构法施工的隧道防水是

一项相当复杂而又有一定难度的工作，据统计有一半以上的盾构隧道都不同程度地存在着渗漏水的

［10］

现象。下面以武汉越江地铁盾构隧道为例进行实例分析。

武汉越江地铁盾构隧道全长约3100m，包括左右线2条区间隧道，各采用一台刀盘外径为6.52m的德国海瑞克泥水盾构机由武昌端向汉口端同向推进。越江段工程地质条件复杂，沿线地下水位高，隧

max｛P（T=1|Xi=0），P（T=1|Xi=1）｝

（Xi）=

P（T=1）

i=1，2，…，n

（2）

2）风险降低值重要度（RRW，RiskReduction

·144·

中国安全科学ChinaSafetyScience学报

Journal第21卷2011年

道掘进过程中承受地下水压力及渗入侵害，隧道防水任务相当艰巨。通过深入分析武汉越江盾构隧道渗漏水事故发生机理，结合领域专家和工程师实际

构建盾构隧道渗漏水BN如图2所示，事施工经验，

件对应代码及基本事件先验概率（专家根据历史数

据统计）见表2

。

Fig．2

表2

Table2

图2武汉越江盾构隧道渗漏水BN

BNofshieldleakageofWuhanrivertunnel

事件对应代码及基本事件先验概率

Eventscodeandpriorprobabilityofbasicevents

盾构隧道渗漏水事故的发生是多个致险因子相

运用事前预测、事中控制及事后诊断互作用的结果，

等DSA方法，为地铁盾构施工安全风险防范及应对

提供全过程决策支持。3．1

通过正向推理预测事前风险发生概率

（P（X15=1）=1），这种情况下隧道渗漏水事故发生概率为51.29%，相对较高，施工人员应及时编制专项应

并密切监控隧道渗漏水状况。对措施，

BN的事前预测功能对地铁实际施工具有很重要的指导意义，施工人员只需提前建立贝叶斯事故

网络，然后根据现场情况的实时变化，如地质突变、施工质量问题、设计误差等致险因子的变化状况，在BN中录入致险因子的状态值，即可预测事故发生概率，界定事故警情等级。3．2

通过重要度分析快速辨识关键致险因子明确事中控制要点

在隧道开挖过程中，对于关键点的控制往往过

而采用BN重要度分析分依赖工程师的实践经验，

可以智能辨识关键致险因子。基于图2构建的武汉

越江盾构隧道渗漏水BN，利用式（2）—式（4），计算RAW和BM的指渗漏水事故BN中各根节点RRW，标值如图3所示，可见3项重要度指标排序结果较其中，根节点X9（管片制作养护不合格）、为一致，

X10（管片曲率偏低）、X11（止水条止水性能偏低）、X12（止水条密封性能偏低）等排序最为靠前。它们

RRW值达到1.1以上，的RAW值达到2.26以上，

可以说，它们是导致事故发生的关键致险因子。故

而在日常施工安全管理中，必须高度重视管片及止

在盾构渗漏水发生前，即事前阶段及时知晓事故

发生概率有利于施工人员及时采取措施。基于图2构建的武汉越江盾构隧道渗漏水BN，在根节点Xi的先验概率下（表2），利用式（1）推算得该工程T（渗漏水事故）发生概率为6.43%，相对较低，见表3。

表3Table3类型先验概率给定概率

盾构隧道渗漏水事故预测发生概率

T发生概率/%

6.4322.6851.29

概率等级很小小中等

Forecastprobabilityofshieldtunnelleakage

根节点Xi概率见表2先验概率P（X9=1）=1P（X9=1）=1P（X15=1）=1

当某个节点的状态已确定，即根节点给定概率下亦能快速推算T的发生概率。实际工程中以下情况时有发生，如管片在制作、养护或运输过程中出现裂纹或破损等情况下（P（X9=1）=1），推算得到T（渗漏水事故）发生概率为22.68%；若再加上注浆充填不密实

第6期张立茂等：基于贝叶斯网络的复杂工程安全管理决策支持方法研究

·145·

水条参数设计，严格做好管片和止水条进场前检查，以便最大程度地防范盾构隧道渗漏水事故发生

。

图4Fig．4

图3

盾构隧道渗漏水事故根节点重要度指标Fig．3

Worthindexofrootnodesofshieldtunnelleakage

盾构隧道渗漏水事故诊断分析Accidentdiagnosisanalysisofshieldtunnelleakage

4结论

3．3通过反向推理快速查明事后最可能致因组合

笔者提出基于BN的DSA方法，从事前、事中及事后阶段为复杂工程安全管理提供全过程决策支持，克服了单纯风险管理偏重于事前管理、过分依赖专家经验等不足。并以武汉越江地铁盾构施工典型风险渗漏水事故为例实证分析，进一步验证了BN在复杂工程安全管理决策支持应用中的科学合理性与独特优势：

1）能够实现正向预测推理（根据根节点状态推

在致险因子故障组合下，预测具体理叶节点状态），

风险事件发生概率，提前做好事故预防工作。

2）能够实现致险因子重要度评价，进而辨识关键致险因子，明确复杂工程过程控制要点，尽量减少事故发生。

3）能够实现反向诊断推理（根据叶节点状态推理根节点状态），在事故已经发生的状态下，快速查明最可能的致因组合，减少事故诊断的盲目性，及时阻止事故进一步恶化。

武汉越江盾构隧道施工过程中曾发生较为严重的渗漏水事故（P（T=1）=1），施工人员立即赶赴现场进行事故致因排查。利用BN反向推理技术，根据式（5）计算各根节点的后验概率值如图4白色发现X5（泥水压力偏高）的后验概率值最柱状所示，

P（X5=1）=39%，是最可能导致渗漏水事故发大，

生的诱因。据此施工人员立即对盾构机舱内泥水压力进行检查，结果发现泥水压力确实过高，超过正常值比例较大，即该状态得到确认P（X5=1）=1。此时，一方面施工人员调整泥水压力；另一方面，在事故发生（P（T=1）=1）且泥水压力偏高（P（X5=1）=1）的情况下，再次反向推理计算其他结节的后验概率，如图4灰色柱状所示，发现X9（管片制作养护不合格）、X10（管片曲率偏低）、X11（止水条止水性能偏低）、X12（止水条密封性能偏低）的概率值最大，均为28.21%，X10，X11，X12所则后续的排查工作应主要从X9，对应的基本事件入手，直至事故得到控制

。

参考文献

［1］［2］

LingardHC，RowlinsonS．Behavior-basedsafetymanagementinHongKong'sconstructionindustry［J］．JournalofSafety1997，28（4）：243－256．Research，

［J］．中国安全科学学报，2004，14（12）：9－13．贾嘉陵，王梦恕，张顶立．北京西单立体交通工程施工安全风险模糊分析JIAJia-ling，WANGMeng-shu，ZHANGDing-li．FuzzyanalysisofconstructionriskinXidanhighwaygradeseparationproject［J］．ChinaSafetyScienceJournal，2004，14（12）：9－13．

［3］［4］［5］

StewardM．G．＆MelchersR．E．ProbabilisticRiskAssessmentofEngineeringSystem［M］．London：Chapman＆Hall，1997．

BangsO，WuilleminP-H．Top-downconstructionandrepetitivestructuresrepresentationinBayesiannetworks［A］．Proceed-ingsofthe13thInternationalFloridaArtificialIntelligenceResearchSocietyConference［C］．AAAIPress，2000：282－286．WaltonA，MeidingerD．CapturingexpertknowledgeforecosystemmappingusingBayesiannetworks［J］．CanadianJour-nalofForestResearch，2006，36（12）：3087－3103．

下载地址：35基于贝叶斯网络的复杂工程安全管理决策支持方法研究.Doc

　　【】