城市地铁车站施工安全风险多尺度评估模型及应用_吴波.pdf

书书书文章编号:1009-6094(2023)03-0633-09城市地铁车站施工安全风险多尺度评估模型及应用*吴波1，2，3，蔡琦1，刘聪1，黄惟4，谢运东5(1 东华理工大学土木与建筑工程学院，南昌 330013;2 广州城建职业学院建筑工程学院，广州 510925;3 宁波工程学院建筑与交通工程学院，浙江宁波 315211;4 中国计量大学质量与安全工程学院，杭州 310018;5 中铁北京工程局集团城市轨道交通工程有限公司，合肥 230088)摘要:地铁车站施工过程中存在诸多风险，且相互存在关联影响，因此，构建以主成分法、灰色关联 TOPSIS 为基础的多尺度综合评估模型，并加以运用。为评估地铁车站施工安全风险，基于主成分分析法建立地铁车站施工安全风险评价指标体系，采用组合赋权确定各评价指标权重，在灰色关联分析的基础上，引入 TOPSIS 方法，计算得到各级指标的相对贴近度，并对风险指标进行综合排序。以广州地铁 13 号线某车站工程为依托进行了案例分析，结果表明基于主成分法、灰色关联 TOPSIS 风险多尺度评价模型能够有效降低主观因素的影响，验证了评价方法的实用性，该方法可为类似工程提供有益参考。关键词:安全工程;地铁车站;主成分分析;TOPSIS;灰色关联分析;风险评估中图分类号:X947文献标志码:ADOI:10.13637/j issn 1009-6094.2021.1873*收稿日期:2021 11 03作者简介:吴波，教授，博士生导师，博士，从事隧道与地下工程技术研究，813792833 qq com;黄惟(通信作者)，讲师，博士，从事隧道与地下工程技术研究，。基金项目:国家自然科学基金项目(52168055);江西省自然科学基金项目(20212ACB204001)0引言现如今，城市化发展迅速，合理开发利用城市地下空间的势头只增不减。地下工程建设是高风险建设工程，不仅投资大、施工周期长，而且施工技术复杂、不可预见风险因素多1。在地铁车站施工过程中，不确定因素众多，周边环境条件复杂，工程自身要求高等，故有必要在地铁车站施工期进行安全风险评估。近年来，国内外学者对地铁车站施工风险评估进行了大量研究，主要包括构建风险评价指标体系以及风险评价模型两部分。在构建地铁车站施工风险评价指标体系方面，相关学者主要通过查阅文献、资料以及结合专家意见，对风险因素进行整理分类2 4，为建立风险评价指标体系奠定基础，但过多地依赖专家经验，使得主观性较强。此外，在此基础上应用较多的为 WBS BS 风险辨识方法5 7，该方法构建的矩阵所包含的影响因素大而全，但可能会产生无意义的数据，将风险扩大化。在构建评价模型方面，国内外学者考虑了风险因素的模糊性，并对此展开研究。2019年，Shen 等8 建立了三阶段的模糊综合评价模型，利用层次分析法确定各阶段风险因素的权重，用模糊集方法确定隶属函数，对地铁基坑施工进行风险评价。Yan 等9 将 vague 集理论与物元理论相结合，构建了一种用于风险评价的 vague-fuzzy 物元模型，采用熵权法确定风险评价指标的权重，根据最大接近原则确定评估风险事项的级别。刘俊伟等10 基于模糊评判理论，利用现场实测数据，对深基坑施工过程中的潜在风险进行评判。此外云模型11、突变级数法12、BP 神经网络13 等也被应用于地铁车站施工安全风险评估。不难发现，在地铁车站施工风险评估的研究中，对风险因素之间的相互关联研究相对较少。2020 年，吴波等14 建立了地铁深基坑施工风险评估体系，将模糊层次分析法与灰色关联分析相结合，对地铁深基坑风险进行了排序。Arsalan等15 基于层次分析法和 TOPSIS 对不同施工阶段的地铁风险进行评估，侧重于评估地铁项目的现有风险，采用多标准决策方法进行分析，确定风险的优先级。显然，目前在地铁车站施工安全风险评价中，风险因素之间的相互关联研究理论还不充分，有待进一步开展。鉴于此，本文构建以主成分法、灰色关联 TOPSIS 为主的多尺度综合评估模型，依托广州地铁13 号线某车站项目，对地铁车站施工期进行安全风险评估，并与其他方法比较分析，验证该模型的准确性，以期得出具有较高的精度的模型。1主成分法构建地铁车站施工安全风险评价指标体系1.1确定风险因素集及评分等级为更加全面地辨识风险因素，在国家现行的地铁工程施工安全评价标准的基础上，参考地铁车站施工风险因素方面的理论研究，与现场工作经验相结合，采用德尔菲法，得到 32 个初始的风险影响因素集 Yp，如表 1 所示。邀请 15 位地铁施工领域的专336第 23 卷第 3 期2023 年 3 月安全 与 环 境 学 报Journal of Safety and EnvironmentVol 23No 3Mar，2023家和相关学者组成专家组，根据各风险指标对地铁车站施工风险管理的影响程度，划分等级，见表 2，并对各风险因素进行赋分，得到原始数据矩阵。15位专家的组成分别为设计单位 3 人，施工单位 5 人，监理单位 2 人，科研单位 5 人。表 1地铁车站施工风险影响因素集Table 1Factors influencing subway station construction riskYp影响因素Yp影响因素Y1安全教育培训不足Y17机械设备老化及磨损Y2安全意识缺乏Y18机械设备配件缺失Y3不良地质Y19机械设备使用缺陷Y4材料加工不当Y20机械设备选取不当Y5材料选择不当Y21机械自动化水平过低Y6材料质量不合格Y22基坑管涌或突涌Y7操作规范性不足Y23降水不当Y8地面沉降风险Y24开挖方式不当Y9地下管线Y25起重吊装作业风险Y10地质勘察资料不足Y26设计方案不合理Y11地连墙渗水Y27施工参数设置不当Y12工作经验不足Y28台风暴雨Y13工作空间狭小Y29物料安置不当Y14工作温度恶劣Y30周围建筑物Y15管理制度不健全Y31专业操作水平低Y16机械设备定期检查与维护Y32组织机构不健全表 2影响程度评分表Table 2Score of impact degree等级低较低中等较高高得分1 23 45 67 89 101.2主成分分析主成分分析法是一种适用于原始变量复杂繁多的多元统计分析方法，对原始指标降维处理，转化为几个综合指标即主成分。在得到原始数据矩阵后，经 SPSS 25.0 软件处理得到相关系数矩阵 的相关参数，见表 3。确定主成分时，根据特征值 1 的标准选取，如表 3 所示，前 7 个主成分的特征值 1，此时累计方差贡献率达 90%以上，已涵盖原始指标的绝大部分信息。主成分表达式为Fi=ui，1Y1+ui，2Y2+ui，32Y32i=1，2，7(1)式中Yp(p=1，2，32)表示原始指标，也即初始风险影响因素，ui，p表示主成分 Fi中原始指标 Yp所对应的相关系数。对于某一主成分，某指标特征向量的绝对值越大，表明该指标与主成分的相关性越大16。通过SPSS 25.0 软件计算得到的相关系数矩阵的特征向量见表4。根据表3 可进一步对影响因素分类，从而分析得出各主成分分别反映的风险:主成分 F1中，Y16、Y17、Y18、Y20的相关系数的绝对值较大，分别为0.219、0.233、0.228、0.217，故 Y16、Y17、Y18、Y20可作为主成分 F1的主要指标，这 4 个指标所对应的影响因素分别为机械设备定期检查与维护、设备老化及磨损、机械设备配件缺失、机械设备选取不当，反映了机械设备管理方面的风险。以此类推，其他主成分分别反映了材料管理、施工技术、施工环境、人员操作水平、组织管理机制、人员安全意识。表 3相关系数矩阵 的特征值、方差贡献率、累计方差贡献率Table 3Eigenvalue，variance contribution rate andcumulative variance contribution rateof correlation coefficient matrix 主成分特征值方差贡献率/%累计方差贡献率/%113.20841.27541.27524.88715.27256.54734.32913.52770.07542.3427.31877.39351.8015.62983.02161.5794.93687.95771.1573.61691.5731.3构建地铁车站施工安全风险评价指标体系在前文主成分分析的基础上，与工程实际情况相结合，将各主成分信息合并归类整理。F1和 F2为机械设备和材料风险，记为 B1;F3为施工技术风险，记为 B2;F4为施工环境风险，记为 B3;F5、F6、F7为人员管理风险，记为 B4。同时对各主成分中的原始指标即所对应的影响因素整理归纳，可得到最底层的评价指标。为构建科学全面、合理客观的评价指标体系，进一步调整指标，最终得到地铁车站施工安全风险评价指标体系，见图 1。2地铁车站施工安全风险灰色关联 TOPSIS 评价模型TOPSIS 是通过计算评价对象与理想解的距离进行排序的方法，从而对评价对象进行相对优劣的评价。本文引入 TOPSIS 与灰色关联度分析相结合，将风险指436Vol 23No 3安全 与 环 境 学 报第 23 卷第 3 期表 4相关系数矩阵 特征向量Table 4Correlation coefficient matrix eigenvectorYiu1，pu2，pu3，pu4，pu5，pu6，pu7，pY10.1020.2620.2760.1580.2150.3890.324Y20.1050.2320.2140.2750.0050.2050.530Y30.0070.0490.1310.3500.0080.0790.290Y40.1730.3000.0190.1470.1140.0220.101Y50.1680.3020.0300.0670.2240.0970.092Y60.1820.2980.0060.0470.0540.1470.113Y70.1950.0500.0800.1480.4260.1300.017Y80.1710.0440.3170.0050.1360.1820.068Y90.1100.2620.0040.3560.1230.1730.157Y100.1210.0860.1000.1400.0820.0300.022Y110.1460.0480.3280.0630.0480.2160.173Y120.1490.0320.3120.1930.0400.0590.323Y130.2130.0860.1810.1320.2140.0680.185Y140.1900.0860.2420.1590.2300.1030.122Y150.0740.2230.1750.1130.1000.3210.187Y160.2190.0830.0340.0600.1890.1460.093Y170.2330.1090.1780.0350.0670.0030.134Y180.2280.2090.0560.0270.1500.0190.053Y190.2120.2580.0080.0320.0900.1120.011Y200.2170.2450.0590.0060.0120.0480.132Y210.2100.0010.0590.0340.2090.1160.038Y220.2080.0590.2170.1040.1120.1490.036Y230.1710.0210.3160.1690.0140.1130.097Y240.1870.1050.2780.0170.2600.2220.131Y250.1690.2250.0920.1240.0560.1780.050Y260.1810.1490.2590.0020.1210.1220.040Y270.2020.1120.1330.1550.3450.1220.054Y280.1010.2600.0600.2450.1880.1770.245Y290.2130.0510.