“十三五”期间我国地铁工程的建设如火如荼, 然而在国内城市地铁大规模建设热潮中, 地铁车站施工安全事故发生较频繁。地铁车站施工出现安全事故的原因很多, 其中比较突出的是施工前安全风险数据采集和传递不及时, 信息分析和利用不充分, 安全风险知识重用和共享不足, 地铁车站施工准备期从安全风险识别到控制的过程实际是一个“黑箱”, 传统基于图纸的人工安全施工风险识别和防控手段已不能适应大规模地铁车站建设的需求。伴随以建筑信息模型为代表的建筑信息技术成为行业主流设计和施工管理平台, 地铁车站施工中的工程构件、内外部环境要素实现了自动提取、存储以及共享, 从建筑信息模型中智能辨识出各类安全风险并加以控制具有可行性。

　　 目前, 关于地铁车站施工安全风险研究的重点是如何进行安全风险评价和预警, 但笔者认为施工前地铁车站施工安全风险识别是排查重大安全隐患的关键, 也为施工期安全风险的评价、预警以及控制打下基础。现有的施工安全风险识别多基于某一方法或模型进行人工识别, 对操作人员的依赖性非常高, 使风险识别的效率不高, 且容易受到主观判断影响, 缺乏可靠性和智能性。因此, 为降低风险识别过程人员依赖性, 实现施工安全风险智能自动识别, 本文基于建筑信息模型的云储存、云共享功能, 深入研究施工前安全风险识别, 提出地铁车站施工安全风险智能识别模型, 建立一套施工准备期间的安全风险识别到防控的安全控制技术体系, 为实现地铁车站安全施工提供参考和支持。

　　 施工安全风险知识获取的简便性, 知识描述的准确性、完备性将直接影响智能识别的准确性和高效性。然而, 这些安全风险知识散布在采用自然语言描述的工程设计施工规范和科技文献中, 或隐含在经验丰富的专家或工程师的脑海中, 成为其隐性知识。如何将这些显性和隐性知识进行表示是构建安全风险知识库的关键。

　　 首先收集得到的现有文献中提到的相关施工项目安全风险知识、相关项目领域经验丰富的专家及工程师根据经验总结得到的风险知识。将这些风险知识进行梳理分析, 分别列出事实词条、规则前提、规则本体、规则结论, 将语言文字转化为计算机表达方式导入建筑信息技术云平台, 构建得到安全风险知识库。如图1为构建安全风险知识库流程。

　　 安全风险识别机制用于描述致险因素的不同组合导致风险发生的可能性, 其内涵是对风险识别不确定知识的一种形式化描述。在地铁车站施工安全风险知识库的支持下, 按规则组号一组组地取出规则进行检索匹配, 将规则前提描述串构造成条件链表形式。将链表中的每一元素与推理工作区中规则前提表中的记录匹配, 获得每一前提条件的可信度取值, 按CF (e) =∑ω_i×CF (e_i) 计算前提组合的可信度, 其中ω_i为第i个致险因素的权重, CF (e_i) 为第i个致险因素的取值可信度。

　　 (1) 第一步, 判断规则前提表中的组合可信度CF (e) 。若组合可信度CF (e) 大于规则限定值 (λ) , 则选择该规则;若组合可信度CF (e) 小于或者等于规则限定值 (λ) , 则舍弃此规则。若定义CF (h, e) 为规则可信度, 定义CF (h) 为结论可信度, 则依据以下公式可得出需要的结论可信度, 进而自动筛选出可靠的结论编码。

　　 (2) 第二步, 结合实际项目情况进行人工调整, 完成最终安全风险识别结果的输出。详细流程如图2所示。

　　 其中, 安全风险因素组合的确定是关键, 需解决两个技术问题: (1) 确定规则前提中包含的各种安全风险因素。 (2) 确定权重, 即安全风险因素导致某一风险事件的权重值。

　　 对于可能导致风险事件的风险因素的确定需完成下列三个步骤: (1) 选取一个风险事件, 通过查阅施工手册和科技文献了解风险事件的定义, 通过人工识别定义中的工程术语和关键词, 可以初步列举出风险因素。 (2) 应用可靠度理论, 构建安全风险事件的极限状态函数。从极限状态函数的自变量入手, 获得风险因素。 (3) 综合步骤 (1) 、 (2) , 结合工程实践和专家经验, 最终形成风险事件的风险因素集。

　　 风险因素权重的含义是该致险因素对于安全风险发生的贡献度, 是一种重要程度的期望值, 通过不同因素间相互关系比较, 取值大小反映了重要程度的不同。主要包括两个步骤: (1) 专家群决策确定权重初始值, (2) 基于参数灵敏度分析修正权重值。

　　 某地铁车站为地下二层车站, 岛式站台设计, 车站主体结构形式为两层三跨框架结构, 采用明挖法施工, 车站总长216米, 地下一层为站厅层, 地下二层为站台层, 站台宽12米。围护结构采用钻孔灌注桩、旋喷桩相结合的施工工艺。此外, 3座高层建筑紧邻该车站的基坑开挖工程。

　　 第一步, 查询收集国内目前已出台的地铁设计施工规范、技术手册以及国内外100余篇科技论文文献中相关安全风险知识, 即收集得到地铁车站施工项目中已发生的安全事故如基坑坍塌等, 以及现有文献中识别得到的各种导致安全事故的风险源, 如基坑坍塌的风险源可能为水文地质风险。

　　 进一步地, 采用对地铁车站施工项目经验丰富的专家或工程师进行问卷调查或访谈的方式, 对已梳理的安全风险知识进行精炼或扩展。例如, 对地质水文风险进行扩展, 包括相关风险事故、致险因素描述 (表1) , 以及对导致风险产生的规则描述, 表2为其中一个致险因素——基坑底软弱地层致险的规则描述。

　　 第二步, 将风险知识转化为计算机表达方式。通过语义分析, 采用扩展产生式对风险知识规则进行表示。从而构建包含事实词条、规则前提、规则本体、规则结论等信息表的安全风险知识库, 覆盖地铁施工涉及的主要安全风险, 包括:项目特征风险因素、施工技术风险因素、地质水文风险因素和施工环境风险因素。

　　 风险识别规则用自然语言描述为:如果 (存在……条件) 那么 (可能产生……风险) , 因此, 采用扩展的产生式表示为:If e Then h (CF (h, e) , λ) , 其中e为可能导致某一安全风险的致险因素的组合, CF (e) 为安全风险可信度, λ为阈值。

　　 第三步, 基于建筑信息技术的云存储机制, 完成地铁车站施工安全风险知识库的构建, 实现知识库的积累和共享。可通过在云端处理、更新地铁设计施工标准规范、手册、法律法规、解决方案等实现, 共享、实时更新地铁车站施工安全风险知识。

　　 第一步, 根据已构建地铁车站安全风险知识库, 对地铁车站BIM模型中的工程构件 (地层剖面、地质溶洞、隧道底板结构等) 进行智能提取, 读取此地铁车站各类风险对应规则前提的工程技术参数, 包括项目特征风险因素、施工技术风险因素、地质水文风险因素和施工环境风险因素四类。

　　 第二步, 采用可信度组合分析法制定智能识别规则, 其中前提条件e为可能发生风险的风险因素的组合, 表示为e₁ (ω₁) ∧e₂ (ω₂) ∧e₃ (ω₃) ……的形式。假设任意安全风险因素e_i都含有权重值ω_i, 并且可以得出可信度CF (e_i) 的值。表3为基于此地铁车站BIM模型, 采用可信度组合分析法进行风险智能识别的结果。

　　 以施工技术风险因素中的R1-2“基坑底流土流砂”为例, 其具体智能识别关联如图3所示。

　　 最后, 结合该项目实际情况, 集中安全风险专家及现场施工领导小组共同确认结果, 完成最终安全风险识别结果的输出。如施工技术风险因素中的R1-2, 其可信度0.7小于阈值0.8, 表明可能地铁车站施工可能会出现管涌流砂, 经过地铁车站施工安全现场专家及现场领导小组的讨论, 确定存在基坑底流土流砂风险。

　　 根据安全风险识别结果, 可能出现的风险有基坑钢结构不稳定、基坑围护结构不稳定、基坑底流土流砂、有害地质条件以及地下管道渗漏和开裂, 施工队采取了一系列有效的防范措施。在正式施工前对基坑底土质进行加固, 以防止流土流砂发生, 并且对基坑的钢结构和围护结构进行了反复检查, 此外, 对有危害安全的地质条件进行确认, 进一步对地下管道质量进行了严格把关。现场成立应急团队, 各种应急设备提前布置到场。整个地铁车站施工安全有序地施工, 取得了良好实施效果。

　　 (1) 构建了地铁车站施工安全风险知识库。对安全风险知识进行梳理, 借助建筑信息技术的云存储机制, 采用扩展产生式对风险知识规则进行表示, 构建包含事实词条、规则前提、规则本体、规则结论等信息表的安全风险知识库。

　　 (2) 提出地铁车站施工安全风险识别模型。研发地铁车站施工安全风险识别模型, 基于工程项目BIM模型实现由工程信息到施工安全风险的智能输出。

　　 (3) 实例分析论证了智能风险识别模型的可行性。将此模型实际应用于地铁车站, 依据识别结果采取合适风险防控措施, 有效降低施工安全风险事故发生, 安全实现了地铁车站安全施工的目的。