基于数据驱动贝叶斯网络的桥梁运营事故风险分析

申建红, 张 静, 张宇馨, 尹 琪

(青岛理工大学 a. 管理工程学院, b. 智慧城市建设管理研究中心, 山东 青岛 266525)

桥梁是交通运输系统的咽喉,发挥着至关重要的作用。1979年,我国仅有公路桥梁12.8万座,根据《2021年交通运输行业发展统计公报》显示,2021年末全国公路桥梁已达96.11万座,比上年末增加4.84万座。住房和城乡建设部发布的数据显示,截止2021年底我国城市桥梁数量为83 673座,其中大桥及特大桥10 769座。不论是桥梁数量,还是桥梁技术,中国桥梁建设事业发展迅速。然而,目前桥梁工程的发展已经从大规模新建逐步转移到桥梁鉴定评估、维修和养护阶段,现役桥梁在运营阶段由于撞击事故、暴雨洪水冲刷河床、超载超限管理不足等人为、自然和管理风险因素,导致结构承载力和耐久性降低,容易引发桥梁安全事故[1]。南方湿热地区降水量大,且雨季长、汛期长,水上交通发达,面临的桥梁运营风险因素更为复杂,发生风险事故的可能性也较大。因此,研究南方地区桥梁运营事故风险对桥梁的安全运营管理和事故预防具有重要的现实意义。

目前,桥梁运营阶段的风险研究吸引了众多学者的广泛关注。Davis-Mcdaniel等[2]通过故障树理论对节段混凝土箱梁桥进行了故障风险分析,并利用该模型分析了某梁桥失效原因;Andri等[3]提出了一种新的将模糊AHP和模糊逻辑结合为一个集成的桥梁在多灾害下的风险评估框架;Salim等[4]参考现有桥梁管理体系的故障机理分类,并基于文献综述,利用事件树方法识别桥梁病害的风险因素;黄侨等[5]基于模糊数学理论建立了一套适用于大跨度桥梁的模糊综合评估方法;项琴等[6]基于模糊贝叶斯网络建立了山区高速铁路桥梁的运营风险评估模型;刘广逊[7]以某大跨铁路桥梁为研究对象,基于其在运营环境中的变化特征,对桥梁结构响应进行了预警方法研究。易仁彦等[8]对近15年国内桥梁的坍塌事故进行了原因统计和风险分析;王枫等[9]统计分析了国内外近3年发生的桥梁坍塌事故原因,并总结了经验教训。

南方地区桥梁在运营阶段所面临的自然环境和社会条件复杂多变,存在众多诱发事故的风险因素,给桥梁的运营风险研究带来了困难。贝叶斯网络是一种基于概率推理的可靠性数学模型,它不仅具有强大的处理不确定性问题的能力,用条件概率表示要素间依赖关系,而且能进行多源信息表达并进行致因推理。基于此,本文引入贝叶斯网络理论,综合收集到的2000—2021年桥梁运营阶段安全事故数据和致因分析,构建南方地区基于数据驱动的桥梁运营事故风险贝叶斯网络,并对其进行定量分析与推理。

1 基本方法概述

1.1 贝叶斯网络分析方法

贝叶斯网络(BN)是一种以贝叶斯公式为基础,并借助图形化表达方式的一种概率模型,适用于解决不确定性和不完整性问题,目前已广泛应用于风险评估研究中[10]。它由节点、弧和条件概率表(CPT)组成,节点表示变量,弧代表节点间的因果关系,CPT量化了父节点对其子节点的影响程度。

1.2 故障树分析法

故障树分析法(FTA)是一种自上而下的系统失效分析法,基于事故资料和事故发生机理,建立事故树进行定性和定量相结合分析。故障树分析法可以对各系统的危险性因素进行识别,分析因素之间的逻辑关系,并且用图形演绎方式将逻辑关系表现出来[11]。故障树中的事件包括基本事件、中间事件和顶事件,各类事件间的关系用逻辑门描述。

1.3 故障树向贝叶斯网络映射

在分析系统失效问题时,贝叶斯网络在定量分析方面具有优势,具有处理不确定性信息的能力,但模型构建相对复杂。而故障树分析法虽然逻辑简单,但在定量分析方面具有很大的不准确性[12],两者均可进行事故危险因素分析,将故障树和贝叶斯网络相结合,能够提高模型的描述能力和推理计算能力[13]。

故障树向贝叶斯网络映射可以充分利用历史信息,从而降低贝叶斯网络的建模难度,其映射关系为:

1) 将故障树中的基本事件、中间事件和顶事件分别转化为贝叶斯网络中的根节点、中间节点和叶节点,以故障树表示的逻辑关系为依据,用有向弧连接贝叶斯网络的各个节点;

2) 利用数据驱动思想确定根节点先验概率分布,然后将事故树中的逻辑门对应表达为贝叶斯网络的节点条件概率分布,确定贝叶斯网络的概率参数。

1.4 贝叶斯网络模型构建

贝叶斯网络模型的构建分为2部分:一是通过事故调查报告、历史数据或专家经验等进行结构学习,建立贝叶斯网络拓扑结构;二是对贝叶斯网络节点的相关参数进行学习,这是一个不确定性知识的获取过程。

贝叶斯网络的参数学习有2种方式:一是基于相关专家的历史经验,通过加权计算获取各个节点的条件概率;二是利用数据驱动思想,基于以往的事故数据进行模型训练以进行参数学习[14]。

本文选用数据驱动方法对建立的贝叶斯网络模型进行参数学习,各个影响因素之间并不完全独立,但已有研究也表明这种相互独立的假设并不会显著影响贝叶斯网络建立后各节点的条件概率[15],而朴素贝叶斯网络算法便存在每个特征出现的概率与其他特征独立的假设,所以本文基于朴素贝叶斯网络进行模型构建。

2 基于数据驱动贝叶斯网络的桥梁运营事故风险分析模型

2.1 基于数据驱动贝叶斯的桥梁运营事故风险分析流程

基于贝叶斯理论,借助历史资料和客观统计数据,构建由故障树转化来的BN模型,并进行基于贝叶斯模型的定量分析。本文的桥梁事故是指南方地区桥梁在运营使用阶段,因某种原因导致的结构整体或局部损坏垮塌以及人员伤亡等,不考虑地震灾害引起的桥梁运营事故,利用BN模型对桥梁运营事故进行风险分析的模型构建流程如图1所示。

图1 桥梁运营事故风险分析模型构建流程Fig.1 Flow chart of bridge operation accident risk analysis model construction

2.2 故障树模型构建

在运营阶段,南方地区桥梁的安全作业受到水文条件、交通流量、通行管理、自然灾害等多方面因素的共同影响,基于中华人民共和国应急管理部及安全管理网的事故调查报告、国内桥梁专业论坛及媒体公开报道桥梁事故数据,建立事故数据库,结合文献调研和专家咨询,对桥梁运营安全事故进行致因风险因素辨识和汇总。

依据数据库中案例及调研结果进行运营事故致因分析,最终共提炼出17个与南方地区桥梁运营安全关联较大的风险因素,并按照层次分析法分为3层,综合考虑人为、自然、管理3方面风险因素对南方地区桥梁运营安全的影响,以此作为故障树模型构建的基础,如图2所示。

图2 桥梁运营期风险因素识别Fig.2 Identification of risk factors during bridge operation

本文从人为、自然、管理因素3个角度归纳总结出南方地区桥梁运营阶段事故的可能原因,将南方地区桥梁运营安全风险定为顶事件,分析中间事件和基本事件,对桥梁运营期风险进行分析和评价,文中各节点对应的风险因素如表1所示。构建桥梁运营事故的故障树模型如图3所示,该故障树共包含6个逻辑门,7个中间事件,17个基本事件,通过故障树分析找到桥梁运营事故的致因机理。图3中的人为、自然、管理风险因素都是引发桥梁运营事故的主要原因,其中任意一个事件都有可能导致风险事故的发生,本文假设故障树中所有底事件相互独立,存在是与否两种状态。

图3 桥梁运营风险故障树Fig.3 The fault tree of bridge operation risk

2.3 基于故障树的贝叶斯网络模型构建

故障树的推理过程是逐级分析找出影响系统顶事件的各个底事件,并求最小割集,推理效率不高[16],而贝叶斯网络能对推理要素进行概率描述,考虑到桥梁运营事故场景中不确定因素的影响,本文基于构建的桥梁运营事故风险故障树,通过1.3节所述转换规则将其映射为贝叶斯网络,并利用GENIE2.0软件实现贝叶斯的图形化描述,得到贝叶斯网络如图4所示。

图4 桥梁运营风险贝叶斯网络Fig.4 Bayesian network of bridge operation risk

在实际的桥梁运营使用中,风险因素发生并不一定会导致桥梁运营事故发生,所以将故障树的每个节点一一对应进行转换是不符合实际情况的,有必要对映射得到的贝叶斯网络进行优化调整[10]。例如桥梁日常得到有效评估和维护保养,在发生暴雨洪水自然灾害时,引发桥梁安全事故的概率会相对降低,可通过优化设置这些节点的条件概率来接近实际情况。

2.4 基于数据驱动的贝叶斯网络参数确定

本文收集获取了2000—2021年231起桥梁风险事故数据资料,根据事故原始记录提取事故致因,剔除桥梁在施工期以及桥梁在秦岭淮河以北地区所发生的两类事故数据,共筛选出150起发生在南方多降水地区的桥梁运营事故案例。然后进行离散化处理[17],将事故致因分为人为、自然、管理因素3个方面,运用数据驱动思想,通过计算每个风险因素Xi出现的频次占事故总数的比值,即所引起的桥梁事故数量与样本总数量之比来计算贝叶斯网络各个根节点的先验概率,概率结果见表2。

表2 贝叶斯网络各节点先验概率Table 2 The prior probability of nodes in Bayesian network

中间节点和叶节点的条件概率根据故障树中逻辑门转化规则以及通过调研、专家评审进行的概率优化调整来确定,中间节点的条件概率(以节点A2为例)如表3所示,0表示风险状态发生(Yes),1表示不发生(No)。

表3 节点A2的条件概率表Table 3 Conditional probability table of node A2

按照贝叶斯网络参数的确定方法,依次得到各个节点的条件概率表。本文使用GENIE2.0软件进行参数学习,将25个节点及有向弧输入软件中,并将每个节点的概率值导入到贝叶斯网络模型,更新贝叶斯网络进行正向推理,得到参数学习结果如图5所示。

3 基于贝叶斯网络模型的定量分析

在得到南方地区桥梁运营事故风险的概率分布基础上,还需进一步分析关键风险因素与事故致因链,因此本章对贝叶斯网络模型进行逆向推理、敏感性及影响强度的定量分析。

3.1 贝叶斯网络逆向推理分析

对贝叶斯网络进行逆向推理是一个由下至上的故障诊断过程,当目标节点的发生概率设为1时,可以识别出导致事故发生的关键因素及其概率分布。将桥梁运营事故的叶节点概率设为1,借助GENIE软件的反向推理功能,得到人为、自然和管理3个风险因素的后验概率分别为0.73、0.41、0.50,17个根节点的后验概率如表4所示,软件推理结果如图6所示。

表4 根节点后验概率分布Table 4 Posterior probability distribution of root nodes

表4和图6表明,后验概率较高的根节点依次为X8、X6、X14、X16、X17,以上因素分别表示暴雨洪水冲刷河床、撞击事故、严重超载、维修保养不足结构退化、危桥预警管理不到位,说明这些风险因素对南方地区桥梁运营阶段的潜在影响较大。对这些因素进行优先和针对性管控,能有效降低桥梁运营事故风险的发生概率,且这些因素之间的互信息值较小,可以看成是相互独立的因素。

3.2 贝叶斯网络敏感性分析

敏感性分析识别出的关键节点, 其微小变动就能引起目标节点概率出现较大波动[18], 将A1、 A2和A3设置为目标节点进行敏感性分析, 在GENIE2.0软件中得到各因素的敏感值如表5～表7所示。

表5 A1节点敏感性分析结果Table 5 Sensitivity analysis results of node A1

由表5可看出,敏感值较大的节点有X2、X3、X5、X6,分别表示施工质量、结构设计不合理、桥梁火灾、撞击事故,这些节点较小的变化会对人为风险状态产生较大影响。结果表明,桥梁结构设计不合理或施工建设质量不达标,都会给桥梁安全运营埋下重要隐患。另外由于近年我国交通运输量大幅增长,直接增加了撞桥事故发生的概率,运输燃料等原因引起的火灾也会给桥梁带来不同程度的损伤。

由表6可看出,4个根节点X8、X9、X10、X11的敏感值都较大,依次是暴雨洪水冲刷河床、河道挖砂采砂过度、山体滑坡、材料腐蚀,这些节点都会对自然风险的状态产生较大影响。南方地区汛期长,降水量大,持续暴雨易引发洪水,甚至山体滑坡,冲刷河床会致使河床下降、桥梁基底不稳,对桥梁结构造成损伤。另外,过度采挖河砂造成河床涮深,容易造成桥梁基础外露,甚至造成桥梁崩塌,后果严重。

表6 A2节点敏感性分析结果Table 6 Sensitivity analysis results of node A2

由表7可看出,敏感值较大的节点有X14、X16、X17,分别表示严重超载、维修保养不足结构退化、危桥预警管理不到位,这些节点较小的变化会对管理风险因素的状态产生较大影响。当前部分车辆严重超载,且在役桥梁也出现了不同程度的老化,超载问题已成为桥梁安全运营的主要难题之一[19]。结果也表明若不对桥梁进行有效的鉴定评估、维修养护和预警管理工作,运营事故的发生概率会大大增加。

表7 A3节点敏感性分析结果Table 7 Sensitivity analysis results of node A3

3.3 贝叶斯网络致因链分析

在贝叶斯网络模型中, 进行致因链分析的目的是识别出导致事故发生的最可能路径, 在GENIE2.0软件中用节点间有向箭头的粗细表示致因链发生的可能性大小[20], 线条越粗则引发顶事件的可能性越大, 反之则可能性越小, 模型分析结果如图7所示。

图7 桥梁事故最大致因链分析结果Fig.7 Analysis of the maximum cause chain of bridge accident

由图7可以看出,指向叶节点的有向箭头明显加粗的根节点有X1(材料问题)、X2(施工质量)、X5(桥梁火灾)、X6(撞击事故)、X8(暴雨洪水冲刷河床)、X14(严重超载)、X16(维修保养不足结构退化),说明这些节点与叶节点的影响强度较大,联系较为紧密。结合影响强度,同时参照桥梁运营事故的演化历程,能够推断出最容易引发顶事件的7条路径为:材料问题→施工问题→人为风险因素→南方地区桥梁运营事故风险;施工质量→施工问题→人为风险因素→南方地区桥梁运营事故风险;桥梁火灾→外部事故→人为风险因素→南方地区桥梁运营事故风险;撞击事故→外部事故→人为风险因素→南方地区桥梁运营事故风险;暴雨洪水冲刷河床→自然风险因素→南方地区桥梁运营事故风险;严重超载→超载超限管理不足→管理风险因素→南方地区桥梁运营事故风险;维修保养不足结构退化→管理风险因素→南方地区桥梁运营事故风险。

4 桥梁运营事故风险预防策略

基于贝叶斯网络模型的定量分析结果,识别出南方地区桥梁运营阶段的关键风险因素和事故最大致因链,因此本文针对以上分析结果,对人为、自然和管理风险方面的关键因素提出针对性风险预防管控措施。

4.1 规范桥梁工程设计和施工

应从桥梁设计开始,综合交通流量、桥梁类型、水文要素等多方风险因素,增强桥梁基底稳固性,选择最优设计方案,提高桥梁设计的科学性。桥梁施工质量也是项目的关键,需逐步完善桥梁工程质量控制体系,通过质量严格控制、专业素质培养等方式来进一步提升桥梁建设质量的可靠性。

4.2 自然灾害事故预防

面对频发的自然灾害,应提前建立各种灾害应急管理制度和办法,在灾害多发季节要加强对桥梁的巡查和监测工作,汛期来临前对桥梁进行水毁安全隐患的排查并采取预防措施,同时应保证应对自然灾害的设备和材料储备充足。对于桥梁本身的抗震阻尼器等灾害预防设施,平时应加强维修和保养工作,预防为主,防治结合,最大限度降低灾害风险和损失。

4.3 加强超载超限车辆的管控

在桥梁运营阶段,由于车辆超载超限造成的事故数量不在少数,应加强对上桥车辆载荷的交通管理,定期通过正确有效方法和专家评审核查桥梁极限负荷,对其能否满足当前交通流量运输情况作出评估,预防出现桥梁长期超负载工作的情况。面对当前大幅增长的交通运输量,相关单位也应持续关注和更新相应的桥梁负荷设计,以适应持续发展的交通流量情况。

4.4 加大桥梁养护力度

目前我国只有少数桥梁建立了健康监测系统,这明显是不够的。为有效降低桥梁运营安全事故,平时应加强对桥梁结构状态的健康监测,基础措施是定期对桥梁进行安全检查和评估,同时还要建立和完善桥梁的鉴定、养护和维修记录,持续关注桥梁病害问题。

4.5 建立桥梁数据库

近年来我国桥梁数量保有量在增加,每座桥梁的结构、承载力、交通流量、维修保养状况等信息都不尽相同,应当建立一个包括各地主要桥梁的实时状况数据库,以便对桥梁的健康状况进行监测和运营风险评估。若发现某座桥梁存在风险致因信号,可以及时鉴定评估、提前预防,根据最新安全评估结果制定应对策略,最大限度降低桥梁运营风险和运营成本。

5 结 论

1) 本文构建了故障树和贝叶斯网络相结合的南方地区桥梁运营事故风险分析模型。基于筛选出的2000—2021年的桥梁运营事故统计分析和运营事故在南方地区的风险特征,建立桥梁运营事故的故障树,并使用GENIE 2.0软件得到故障树转化来的贝叶斯网络模型,提高了风险因素的描述能力和推理计算能力。

2) 将南方地区桥梁运营事故风险划分为人为、自然和管理因素3方面,逆向推理得到对顶事件的贡献率分别为0.73、0.41、0.50,根据后验概率排序得到最容易引发顶事件的5个风险因素,对人为、自然、管理风险因素进行敏感性分析,得到诱发事故的高敏感因素,该模型还能识别出桥梁运营事故风险的最大致因链,有利于准确推理事故的发生机理。

3) 针对贝叶斯模型分析结果,结合关键风险因素、敏感性因素和最大致因路径提出了5点风险预防和管控策略,给南方地区桥梁运营阶段的风险管控提供参考。

4) 本文在事故统计中更多关注的是事故诊断报告中的表层因素,后续可考虑综合更多的桥梁本身和事故数据进行深入分析,与更完善的数据学习方法结合,提高分析结果的准确性。