基于投影寻踪模型的深基坑内涝风险评估

摘要

由于全球气候变化和城市化的影响，世界范围内涝灾害频繁发生，地势较低的深基坑工程更是雪上加霜。本研究提出一种结合投影寻踪模型、粒子群优化和插值算法的深基坑工程内涝风险评估方法。首先，通过对内涝水循环过程和深基坑工程特点的综合分析，确定并构建了包含11个指标的风险指标体系。然后，利用粒子群优化的投影寻踪模型确定指标权重和评价对象的最佳投影值，并通过插值算法构造最佳投影值与风险水平之间的数学函数。最后，选取了成都地铁11号线三个深基坑工程作为案例研究。结果表明，暴雨频率、降雨强度、应急救援计划的制定以及年长工人的比例对深基坑内涝风险的影响最大。案例研究的风险排序结果与实际情况相符，证明了该方法的客观性和有效性。

1.介绍

近年来，在全球气候变化和城市化的双重影响下，城市暴雨洪水频繁发生，对公共安全构成巨大威胁[1，2］.2016年7月，中国湖北省省会武汉遭受了严重的内涝灾害。这次灾难造成直接经济损失3.51亿元，交通瘫痪[3.］.2020年1月，印度尼西亚首都雅加达发生暴雨和洪水，造成16人死亡，3.56万人撤离。深基坑工程施工场地极低;因此，雨水自然汇集到这些坑中，使它们更容易遭受内涝灾害。因此，对深基坑工程进行内涝风险评估，可以减轻内涝造成的人员伤亡和财产损失。这对深基坑工程项目管理中的防灾、减灾、备灾工作具有最高的指导意义。

内涝风险的评估方式是通过建立的数学模型和评估指标对风险等级进行评估。根据内涝灾害风险的关键影响因素和不同的风险等级，项目经理能够实施不同的防涝、减灾和备涝措施。Scholars对城市内涝风险评估进行了大量研究[4]结合地理信息系统（GIS）和遥感（RS）技术，构建了雨水管理模型。利用该模型模拟了银川市金凤区大尺度范围内，随着降雨强度的增加，淹没范围和累积水深的变化。从灾害科学学科的角度来看，贾等[5]研究了中国河南地级城市的内涝风险水平。结果表明，防灾减灾能力对降雨和内涝风险有着至关重要的影响。Wu等人[6]从政府管理的角度对郑州市洪水灾害脆弱性进行了研究。Yu等人[7]采用最优赋权法和模糊综合评价法研究了地铁车站建设和运营中的内涝风险评价;但该指标体系过于简单，既不能考虑内涝期间的水循环过程，又不能有效反映地铁车站的特征。此外，本研究未纳入评估前可获得的高维数据，降低了模型的应用和推广价值。综上所述，现有的相关研究主要集中在城市和省份等大范围地区，而不是在建项目等小范围地区。据笔者所知，深基坑内涝风险评估的研究尚未见报道。

目前，软计算技术广泛用于风险评估，并取得了良好的研究成果。Mikael等人。[8利用和声搜索算法对铁路隧道的地质灾害进行了有效的评价。Bui等人[9[多元自适应回归分裂和PSO研究了洪水预测。本文指出PSO具有比其他人工智能算法更好的可靠性和准确性。人造蜂殖民地算法还用于评估隧道项目的风险[10.］.

影响深基坑内涝风险的因素很多，因此，内涝风险评估数据是高维的。确定如何有效处理这些高维数据是提高内涝风险评估客观性和有效性的关键。投影寻踪模型（PPM）将高维数据投影到低维空间进行分析。近年来，它在风险评估领域的应用越来越多[11.]及决策[12.]有效评估高维数据。

为了有效分析瓦斯突出预测研究中的复杂指标，Liang [13.]利用遗传算法（GA）优化的PPM建立了预测模型，该模型利用遗传算法计算的一维投影值来指示潜在的瓦斯突出风险，验证了PPM的客观性和有效性[14.]提出了一种基于改进飞蛾-火焰优化(AMFO)算法对高维数据进行改进的PPM，用于地表水水质评价和空间变化规律。实证分析结果表明，所提出的AMFO-PPE稳定可靠。为了有效评估预制件的可持续性，Jiang et al. [15.]采用实数编码加速遗传算法（RAGA）优化的PPM模型，构建了电子商务平台的顾客满意度评价算法[16.].根据以往的研究成果，PPM处理高维数据的关键步骤是确定最佳投影方向，这是一个复杂的非线性优化问题[17.］.目前，大多数研究人员采用遗传算法来解决这一问题，但其存在依赖初始种群选择、收敛速度慢、参数设置过多等缺点[18.，19.］.粒子群算法(particle swarm optimization, PSO)是一种典型的元启发式算法，与遗传算法和蚁群算法相比，具有收敛速度快、参数设置少的特点[20.］.尽管粒子群算法不需要繁琐的数学运算，但它已经被证明能更好地解决大多数优化问题。Dormishi等人[21.]采用多种元启发式算法对选矿领域的切割机性能进行综合评价，研究结果表明，粒子群算法优于差分进化算法。Hasanipanah等人[22.]使用PSO模型和其他方法，分别预测爆炸引起的地面振动;结果还显示PSO模型比其他方法更好。

根据上述分析，本文提出了一种结合PPM和PSO的内涝风险评估方法。本文的主要贡献如下。(1)首次从环境科学和土木工程的角度，构建了反映深基坑工程小尺度区域特征和建设项目管理的暴雨内涝灾害风险指标体系。(2)利用PPM有效处理高维暴雨内涝灾害风险数据，利用粒子群算法确定PPM的最佳投影方向。(3)首次揭示了暴雨频次、降雨强度、应急救援预案编制、高龄工人比例对深基坑内涝风险的影响最大，是项目管理的关键因素。本文的一系列研究为深基坑工程内涝灾害的预防、缓解和防范提供了科学依据。

本文的其余部分组织如下。第二节详细介绍了研究材料和方法，包括指标选择和风险评估方法。中介绍了案例分析过程和结果讨论第三节，研究结论见第四节．

2。材料和方法

2.1。深基坑灌区涝灾的指标体系

2．1．1．深基坑内涝风险因素的确定

深基坑内涝灾害风险评估是一个复杂的跨学科问题。在环境科学领域，内涝灾害总是省级的；因此，应从深基坑及其周边地区内涝灾害水循环过程的角度考虑内涝风险因素[23.]与周边地区相关的因素反映了大城市地区内涝灾害的特点，而与深基坑相关的因素则反映了内涝灾害的详细过程。然后从土木工程的角度选择能够清楚地反映深基坑工程特点的因素；这些因素自然应反映结构特征和项目管理特征。最后，应从灾害管理等科学领域的角度选择与防灾减灾能力有关的因素。

在深基坑工程的工程管理实践中，采用了许多施工和管理措施来抵御内涝。例如，通常在基坑周围设置挡土墙，防止积水;挡土墙高度越高，洪水进入施工现场越难，发生内涝的风险越小。在深基坑中也经常储存水泵用于排水;水泵越多，水被抽走的速度就越快，发生内涝的风险就越小。此外，深基坑工程的内涝风险与人口结构有关[24.];公民的公共紧急情况超过50，即老年人，受到严重阻碍;因此，在面对紧急情况时，这些人群更脆弱。换句话说，建筑工人比例越来越大50岁，社会对涝灾的脆弱性越大[25.深基坑工程中的渍涝风险较高。

参考以前的研究结果[26.，27.]急诊科急诊科急诊科急诊科急诊科的应急救援计划、应急救援效率、救援人员比例、应急救援物资储备等方面都是防灾减灾的重要因素，应急救援计划是灾害发生和应急处置的基础，更充分的准备。根据应急预案，防灾减灾能力越强。与减灾相关的因素分为两类，即应急救援支持因素和应急救援组织因素。丰富的专业救援人员和充足的救援物资是成功的基础ul应急响应工作。当发生内涝等自然灾害时，应急救援组织越完善，信息沟通越快，应急救援效率越高。

2.1.2。评价指标体系的构建

在充分考虑客观性、系统性、可得性和独立性的情况下，具有代表性的风险指标被确定为所有风险因素第2.1.1节本研究选取了11个风险指标，构建了包括11个风险指标的评价指标体系，如表所示1．

在表格中1X1、X2、X3、X5、X6、X7和X10是定量指标，其数据是通过实地研究和审查当地水资源公告、当地年鉴等获得的。考虑到当前工程实践中部分数据的不可用性，X4、X8、X9和X11都是没有计量单位的定性指标，并且r得分通过问卷调查获得。X1、X2、X3和X7是基于效益的指标；这些指标的数值越大，内涝风险水平越高。其余指标是基于成本的；数值越小，内涝风险水平越高。

2.1.3。内涝风险评估标准

目前，没有统一的标准来评估内涝风险[28.，29.］.为满足深基坑工程管理实践的需要，根据应采取的不同风险应对措施，将本研究的风险评价等级进行分类。将内涝风险划分为低风险(I)、中风险(II)、高风险(III)和极端风险(IV)四个等级。低风险(I)类别表示不需要采取进一步措施，只需要检查现有措施是如何实施的。中度风险(II)表示应制定额外措施来应对内涝风险。高风险(三)是指不需要停止施工作业，但必须立即制定进一步措施，尽快降低内涝风险水平。极端风险(IV)是指必须立即暂停施工任务，项目管理者有义务及时采取措施降低内涝风险水平。

如表所示1，结合项目经理的专家经验和前人的研究成果，建立了11项指标不同评价层次的标准[30.，31.］.X4、X8、X9、X11四个定性指标的风险等级描述分为两个分量，即定性语言描述和相应的定量评分范围。例如，X8的低风险(I)级别是“完全足够的” ；“充分”是一个定性的语言描述，“90-100”是相应的定量评分范围。如果专家根据经验判断，待评估的X8指数的情况是充分充分的，那么在问卷中得分应该在90 - 100之间。

需要指出的是，据笔者所知，对于X1、X2、X3、X5、X6的上限值还没有研究。为了更好地概括指标体系，这些指标的上限为““在桌子上1．当使用该指标系统进行案例研究时，它们的上限值将合理地与深基础坑工程实践组合，而不是被认为是 ．

2．2．深基坑内涝风险评估方法

2.2.1。投影寻踪模型

PPM是用于处理和分析高维数据的统计方法。该方法最初由弗里德曼和1974年从斯坦福大学的Tukey创作[32.］.其基本思想是将高维数据投影到低维空间。因此，该模型可以有效地消除与数据结构无关的变量干扰。另外，直接根据样本数据的特点计算指标的客观权重[33.在系统评价中的应用。

系统评估中使用的PPM的一般步骤如下。（1)数据标准化

让指示序列是 ，在哪里等于样本数量和为指标个数。

为了消除评价指标的维度影响，保证模型的可泛化性，本研究采用极值归一化方法对数据进行标准化。

基于效益的指标[34.]详情如下: 和基于成本的指标[34.]详情如下: 在哪里表示标准化后的评价指标值，表示指示器的最大值 ，和表示指标的最小值 ．(2)投影指示灯施工

PPM的核心思想是项目获取投影值根据预测指标 [35.]。投影指示器功能为

优化要求分布的特性是这样的:投影点在局部尽可能密集，在整体上尽可能分散。因此，最好的投影方向是通过最大化标准差与局部密度的乘积来确定的。最优投影函数[36.)是 在哪里的标准差是和平均值是多少 ． 在哪里是局部密度 ， 是样本之间的距离，是局部密度的窗口半径，也是PPM中设置的唯一参数。此外，为单位阶跃函数。当 ， ；否则,， ．(3)投影指数函数的优化

当指示器样本集决定,只有投影方向的变化 ．如果投影方向是最佳投影方向 ， 必须处于最大值。在最佳投影方向获得的低维数据可以由原始数据的特征结构来最好地解释[37.］.

在前面分析的基础上，采用求投影指数函数最大值的方法来寻找最佳投影方向。

使目标最大化的功能是[38.] 约束条件是 （4）求解最佳投影方向

方程(6)及(7)通常，大多数学者会使用遗传算法[13.，15.，16.和其他算法求解。但遗传算法存在计算结果对初始种群选择有一定依赖、收敛速度慢、参数设置过多等缺点[18.，19.］.PSO具有收敛速度快、参数设置少等优点[20.- - - - - -22.，39.]; 因此，本研究采用粒子群算法来寻找最佳投影向量 ．

用到(3.)，即投影向量可以解决。

2.2.2. 粒子群优化

粒子群算法(PSO)是一种基于群体的随机搜索算法，通过模拟鸟群的捕食行为而设计。它的基本思想是从一个随机解开始，通过迭代找到最优解，然后通过适应度评估和确定最优解。

在粒子群优化算法的每次迭代中，粒子通过跟踪个体最优解和群体最优解来更新自身的位置，从而不断调整自身位置，逼近最优位置。

设粒子总体大小为 ；粒子的速度更新公式详情如下:

速度更新公式如下: 在哪里为惯性权重因子，和是学习因素，是间隔内的随机数 ， 是个体最优值，和是全局最优值。

在达到一定的迭代终止条件后，得到最佳投影向量由粒子群聚集的位置得到。

2.2.3.施工风险评估方法

该评价方法的流程图如图所示1．

构建基于PPM的风险评估方法的具体步骤如下。第一步。准备数据（1)根据表格1，采用随机抽样的方法生成标准样本集 ，在哪里是通过随机抽样方法获得的标准样品数量。方程式(1)或(2）杠杆化以使其正常化以获得 ．为确保后续插值函数模型的准确性和稳定性，提取数百个标准样本集，因此始终是高维数据。因为标准样本集根据随机采样方法生成，风险等级我们也知道。(2)通过实地调研、理论计算、问卷调查等方法得到研究对象的评价指标集 ．根据每个指标的特征，（1)或(2)进行标准化，从而获得 ．步骤2。通过PPM和PSO计算权重和投影值（1) 和组合成一个计算集 ．投影指数函数是根据(3.).(2)方程(4)及(5)来求最大目标函数 ，利用粒子群算法求解函数 ．(3)当粒子群算法达到收敛条件时，得到最优投影方向是获得。然后计算，在哪里 ．预计价值标准样本集的定义和预计值评价指标集的编制都包括在 ．（4）每个元素的求平方以获得每个指标的客观权重[35.］.第3步。利用插值算法获得评价等级（1)根据标准样本集的投影值及其违约风险水平 ，利用插值方法构建风险评估的数学模型如下[40]： (2)通过引入评价样本集的投影值转化为数学模型 ，计算了各评价样本的内涝风险等级。

从这些步骤中，显然该方法是由数据直接激励的。与功能模式评估方法相比，如模糊综合评价，所提出的方法有效地避免了构建评估指标集和评估水平之间的功能关系的难度。

3.结果与讨论

3.1. 工程背景

成都地铁11号线工程总投资约165亿元，约22亿元 全长公里，包括22个车站项目。本重大项目横穿成都高新区、天府新区和双流区。地形特征主要为平原、台地或少量低山。成都年平均降雨量为879.3 毫米，以及24小时内的最大降雨量 h是167.6 嗯，成都经常发生水旱灾害。

以钓鱼嘴站、天府CBD北站、新川科技园东站深基坑工程为例，三站平台均为两层岛状，深基坑均采用明挖法施工，无不良地质影响和特殊岩土工程但是，在成都地铁11号线的所有22个车站项目中，这三个项目有以下区别。（1)钓鱼嘴站、新川科技园东站的施工公司是中建三局集团有限公司，具有丰富的地铁施工经验;而天府CBD北站使用的施工公司是中铁投资建设有限公司，缺乏地铁建设经验。(2)钓鱼嘴站位于城郊乡村，周边几乎没有城市排水系统，其特点是水渠、高坡等容易发生内涝的环境要素。天府CBD北站位于正在建设的CBD区域，城市排水较发达，不存在不利的环境因素。新川科技园东站位于城郊开发区，区内有鱼塘和大量燃气管道。(3)田嘴站是成都地铁11号线最大的车站，总长度为340.40米，总宽度为21.5米，挖掘深度为16.9-27.3米，所有这些都是三种案例研究站中最大的。新川科技园东站是最小的。

3.2。数据来源

根据成都市及成都地铁11号线22个深基坑工程的水文气象特征，确定X1、X2、X3、X5、X6的上限分别为500、12、3000、2.4、1。

这三个深基坑的定量指标得分是通过查阅《成都水资源公告》、成都地铁11号线项目管理文件和实地调查得出的。他们的分数列在表格中2．通过对10位专家进行问卷调查，得到X4、X8、X9、X11四个定量指标的得分。

10名专家中，3名来自大学，2名来自建筑公司，5名来自地铁施工单位。具有高级工程师及以上职称的专家7人，具有副高级工程师或副教授职称的专家3人。6位专家对建筑安全隐患有充分认识，并进行了相关研究。7位专家熟悉成都地铁11号线的施工，参与了该项目的施工。采用SPSS 22软件对问卷进行信度检验。克朗巴赫的价值α的信度为0.743，符合问卷调查的信度要求[41];因此，本次问卷调查的结果是可靠的。10位专家打分结果的平均值就是这些量化指标的得分。

3.3。与插值算法的数学风险评估模型

根据表格1和图1，采用随机抽样的方法，在每个风险等级中产生100个标准评价对象[39.]因此，为建立风险评估的数学模型，获得了400个标准评估对象。这400个标准评估对象的数据（图中的标准样本数据1)以及3个待评估单元的数据（图中的评估样本数据）1)代入基于MATLAB R2016a软件的自编程序。参考以前的研究结果[42- - - - - -45]，群体规模为200，个人学习系数和全局学习系数均为2，惯性权值从0.9线性减小到0.4，最小接受精度为0.00001，最大迭代次数为1000。虽然在案例分析中，当迭代数达到200次左右时满足了最小精度要求，但在本研究中，为了保证模型能够计算更复杂的问题，将总体数和最大迭代数设置为较大。1000次迭代的收敛曲线如图所示2．

在PSO的优化计算过程之后，第194次迭代和195次迭代之间的误差大于最小接受精度（0.00001），第195次迭代和第196次迭代之间的误差小于最小接受精度阶段的误差。之后，计算结果的误差全部小于0.00001。基于算法的计算终止条件，计算在1000次迭代中被捕，非常小的误差。这些发现表明PSO算法在第196次迭代中找到了最佳投影向量，这两个图都是如图所示2和表格3.．

经过计算，得出最佳投影方向结果为(0.3642、0.3784、0.3225、0.3207、0.1765、0.1887、0.3340、0.3481、0.31860、0.1004、0.3258)。投影值的散点图400个标准评估对象和相应的风险等级如图所示3.．

如图所示3.，最佳投影值和风险水平的散点图为阶梯型，并具有递增曲线特征；预测值越大，内涝风险越大。投影值是聚合的，而不是连续分布的。该图形特征由PPM的基本思想决定。在局部，应尽可能对优化的投影点进行聚类。总的来说，它们应该尽可能广泛地传播。这种聚集现象如图1所示3.与以前的古典文学的结果相当一致[46]，及3.进一步证明本研究中使用的PPM已优化。

低风险（I）水平的最大预测值为0.3818。中等风险（II）水平的最大预测值为0.8562，最小预测值为0.6079。高风险（III）水平的最大预测值为1.4125，最小预测值为1.1010。极端风险水平的最小预测值（四） 水位为1.9991。采用分段线性插值法，建立了深基坑工程内涝风险评估的数学模型：

3.4。分析与讨论

本节详细分析和讨论了权重和风险水平的计算结果。然而，本文提出的内涝风险评价指标体系是从环境科学和土木工程的角度构建的；如果从其他学科的角度进行研究，则权重和风险水平的指标体系和计算结果会有所不同。由于缺乏深基坑工程内涝风险评估的学术研究，本文将计算结果与成都地铁11号线2018年汛期的实际灾害情况进行了初步比较和讨论。此外，在本案例研究中，虽然PSO成功地用于优化PPM，但许多其他优化计算方法可用于优化PPM。根据案例分析的结果，本节还提出了解决深基坑工程内涝风险的详细建议措施。

3.4.1。重量分析

在计算出的最佳投影方向上平衡每个元素[35.，即(0.3642,0.3784,0.3225,0.3207,0.1765,0.1887,0.3340,0.3481,0.31860,0.1004,0.3258)，计算11个指标的客观权重如表所示4．

从桌子上4，可见，X2(风暴频率)和X1(降雨强度)对深基坑工程内涝风险影响最大。这些结果与先前一项研究的计算结果相似[47］.从灾害学角度来看，X1和X2是最大的指标，表明致灾因素对内涝风险的影响最大。

X8的权重排名第三，也是防灾减灾指标中权重最大的。这进一步说明，应急救援计划是应急管理的基础。X7(老年工人比例)的权重排名第四，因此对内涝风险也有很大的影响。值得注意的是，X7的优越重量可能与中国建筑工人近十年的老龄化现象密切相关。

重量分析结果被发现与2018年汛期钓鱼穗站深基坑工程的实际灾害状况一致。2018年7月初，成都的一系列暴雨导致了流入钓鱼穗站深基坑的水。当涝灾发生灾难时，项目经理优先考虑拯救生命，因此建筑工地和起居区的工人首次撤离，导致灾难延迟延迟，从而扩大了灾难损失。

根据这些结果，为项目经理提供了一些建议，就涉及深基坑项目中的水涝灾害有关的风险管理和决策;重点应放在X2（暴风雨频率），X1（降雨强度），X8（应急救援计划的准备）和X7（老年工人的比例），而资源投资X5，X6和X10应该是二次关注。

3.4.2。风险水平分析

钓鱼嘴站、天府CBD北站和新川科技园东站深基坑工程的最佳预测值分别为1.4524、1.3275和1.0644(11.)的风险等级分别为3.0681、3.0000和2.8505。钓鱼嘴站内涝风险等级介于高风险(III)和极端风险(IV)之间。天府CBD站内涝风险处于高风险(III)水平，新川科技园东站内涝风险介于中风险(II)和高风险(III)水平之间。由此得出三个深基坑内涝风险由大到小依次为:钓鱼嘴站>天府CBD北站>新川科技园东站。

2018年成都汛期，钓鱼嘴站是22个站点项目中受损最严重的。天府CBD北站受灾第二，新川科技园东站受灾较轻。因此，三个深基坑工程的实际灾情由大到小依次为:钓鱼嘴站>天府CBD北站>新川科技园东站项目。现场调查得到的这一排名与本研究方法计算的内涝风险结果相一致。一致性证明了该方法的客观性和有效性。

3.4.3。解决深基坑工程内涝风险的措施

（1)为了更好地确保建筑安全性，钓鱼穗站的深基坑项目应根据极端风险（IV）水平应对风险。项目经理应立即暂停施工任务，并采取措施降低风险等级。天府CBD北站和新川科技园东站的建设业务不需要终止，但其项目管理人员应立即制定进一步措施，以解决涝渍风险，并尽快降低水涝危险水平。(2)在深基坑工程施工组织的设计和规划中，应充分调查当地水文气象资料，特别是区域年降雨频次和历史上最大降雨强度的资料。在施工过程中，项目经理应考虑未来的气候变化，并根据天气变化调整内涝风险措施。(3)深基坑工程管理人员应重视应急救援预案的编制。汛期前要进行涝渍应急救援演练，加强救援组织建设，提高应急救援效率。（4）应减少老年工人的比例，以减轻当地人口的脆弱性。然而，在中国，建筑工人的老龄化在过去的十年中变得越来越严重，降低老年员工的比例是一项艰巨的任务。因此，作为替代措施，建议加强应急救援培训。

4。结论

本研究的目的是基于投影寻踪法对深基坑内的渍涝风险进行客观有效的评价。根据水循环过程和深基坑的特点，首次建立了11个指标的评价指标体系。然后，将投影寻踪法、粒子群算法和插值算法相结合，构建了洪涝风险评估方法。该方法采用投影寻踪法处理高维内涝风险评估数据，采用粒子群优化算法求解最优投影向量，具有收敛速度快、收敛性好的特点。通过插值算法构造了最佳投影值与风险水平之间的数学函数。最后，对成都地铁11号线三个典型的深基坑进行了分析，并根据实例分析结果提出了一些风险应对策略。结果表明，暴雨频率、降雨强度、应急救援预案的编制、急诊科老年人的比例对深基坑的渍涝风险影响最大。这四个因素也是钓鱼嘴站2018年汛期内涝灾害的关键因素，项目管理人员在未来的内涝风险管理和决策中应重点关注这四个因素。用该方法计算的三个典型深基坑的渍涝风险排序结果与2018汛期的灾情基本一致。因此，可以得出这样的结论：所提出的基于投影寻踪方法的方法是客观有效的。今后的研究重点将是建立统一的内涝风险评价指标体系，采用更软的计算方法进行内涝风险评价。

数据可用性

用于支持本研究结果的MATLAB程序和案例分析数据可根据要求提供相应的作者。

的利益冲突

作者声明，本论文的发表不存在利益冲突。

致谢

国家重点研发计划项目(no . 2018YFC0704301);武汉市城乡建设局科技计划项目(no . 201943)。

参考文献

1. S.Tei，T.Morozumi，S.Nagai等人，“西伯利亚东北部因迪吉尔卡河流域大雪造成的极端洪水，”水文过程第34卷第3期3，pp。522-537,2020。浏览：出版商网站|谷歌学术搜索
2. 刘士林，林明男，李春林，“河流网络结构和城市化对高密度城市内涝的影响分析——以上海浦东新区为例”国际环境研究与公共卫生杂志，第16卷，第5期。18、2019年第3306条。浏览：出版商网站|谷歌学术搜索
3. H.Wu，“武汉城市内涝研究与讨论，”给排水，第53卷，第1期，第117-119页，2017年。浏览：谷歌学术搜索
4. Hou和Du，“基于水累积扩散算法的暴雨-内涝空间模拟，”地理信息学、自然灾害和风险，第11卷，第5期。1, pp. 71-87, 2020。浏览：出版商网站|谷歌学术搜索
5. J. X.Jia，X. Y. Wang，N.A.M.Hersi等，“基于分析层次处理和模糊变量理论的洪水风险分区”自然危险评论，卷。20，没有。3，2019年第04019006号。浏览：出版商网站|谷歌学术搜索
6. 吴振南，沈艳霞，王海林，“基于文本数据的城市洪水灾害脆弱性评估——以郑州市为例”，持续性，第11卷，第5期。第十七条2019年第4548条。浏览：出版商网站|谷歌学术搜索
7. 余海云，梁超，李鹏等，“城市地铁车站内涝风险评估，”土木工程进展，第5393171,2019。浏览：谷歌学术搜索
8. R.Mikaeil、S.Shaffiee Haghshenas、Y.Shirvand、M.Valizadeh Hasanluy和V.Roshanaei，“利用和谐搜索算法对隧道工程中的地质灾害进行风险评估（案例研究：Ardabil-Mianeh铁路隧道），”土木工程杂志，第2卷，第2期10, pp. 546-554, 2016。浏览：出版商网站|谷歌学术搜索
9. D.T.Bui，N. D. Hoang，T. D.Pham等，“基于GIS的多变量自适应回归样条和成群质型优化的一种新的智能方法，以预测高频热带台风地区的闪蒸易感区域”，“《水文，第575卷，第314-326页，2019。浏览：谷歌学术搜索
10. R.Mikaeil，M.Beigmohammadi，E.Bakhtavar等人，“使用人工蜂群算法评估伊朗隧道工程的风险，”SN应用科学， vol. 1, no. 1第十二条，2019年第1711条。浏览：出版商网站|谷歌学术搜索
11. P. Wei，F.强，L. Dong等，“评估三江平原的农业干旱脆弱性，基于改进的投影追求模型，”自然灾害，第82卷，第1期，第683-701页，2016年。浏览：出版商网站|谷歌学术搜索
12. “基于投影寻踪模型的跨界流域水资源优化配置集成模型—灰狼优化方法”，《水文，卷。559，PP。156-165,2018。浏览：出版商网站|谷歌学术搜索
13. Y.梁，D.郭，Z.Huang和X.江，“煤气突出方法采用遗传投影追求方法的预测模型，”国际石油，天然气和煤炭技术杂志，第16卷，第3期，第271-282页，2017年。浏览：出版商网站|谷歌学术搜索
14. D.Liu，G.D.Zhang和H.Li，“基于改进的蛾焰优化算法的区域地表水环境投影寻踪评价模型，”生态指标，第107卷，第2期1、Article ID 105674, 2019。浏览：出版商网站|谷歌学术搜索
15. 江永胜，赵丹，王德东等，“模块化预制在建筑施工阶段的可持续性能:比较研究”，持续性，第11卷，第20号，第5658条，2019年。浏览：出版商网站|谷歌学术搜索
16. S. Li，C.江和A. Li，“中国知名电子商务企业创新能力基于真实评价”国际计算科学与数学杂志，第11卷，第5期。1，页54-62,2020。浏览：出版商网站|谷歌学术搜索
17. W. J. Zhang，F. Wei，R. Zhou等，“基于投影追求模型的棉纺纺织企业工作环境的风险评估”中国安全科学杂志第28卷第2期4, pp. 103-108, 2018。浏览：谷歌学术搜索
18. A. Kukker和R. Sharma，“遗传算法 - 优化模糊Lyapunov加固学习，为非线性系统，”阿拉伯科学与工程学报第45卷第5期3, pp. 1629-1638, 2020。浏览：出版商网站|谷歌学术搜索
19. R. Bendaoud，H. Amiry，M.Benhmida等，“提取PV发电机物理参数的新方法，组合实现的遗传算法和模拟退火算法，”太阳能，第194卷，239-247页，2019。浏览：出版商网站|谷歌学术搜索
20. R. Mikaeil, S. Shaffiee Haghshenas，和Z. Sedaghati，“使用优化技术进行隧道工程的岩土风险评估(案例研究:Emamzade Hashem隧道的第二部分)，”自然灾害第97卷第1期3, pp. 1099-1113, 2019。浏览：出版商网站|谷歌学术搜索
21. A. R. Dormishi, M. Ataei, R. K. Kakaie等，“使用混合anfi - de和混合anfi - pso算法的组锯性能评估，”矿业与环境学报，第10卷，第2期，第543-557页，2019年。浏览：谷歌学术搜索
22. M. Hasanipanah, R. Naderi, J. Kashir, S. A. Noorani，和A. Zeynali Aaq Qaleh，“利用粒子群优化预测爆破产生的地面振动”，与计算机工程，第33卷，第2期，第173-179页，2017年。浏览：出版商网站|谷歌学术搜索
23. P.Ronco，V.Gallina，S.Torresan等人，“水相关自然灾害的文化旅游区域风险评估方法——第1部分：物理环境评估，”水文与地球系统科学，第18卷，第12期，第5399-5414页，2014年。浏览：出版商网站|谷歌学术搜索
24. 崔鹏，李丹，“基于首都视角的ANP-FCE方法对城市社区灾害恢复力的测度”，社会科学季刊号，第100卷。6，第2059-2077页，2019。浏览：出版商网站|谷歌学术搜索
25. 周耀民、李新民、吴文华和吴俊杰，“中国省级自然灾害社会脆弱性评估，”自然灾害，卷。71，没有。3，pp。2165-2186,2014。浏览：出版商网站|谷歌学术搜索
26. Y.Wei和O. Linet，“灾害反应活动疏散和支持动态物流协调模型”欧洲运筹学研究杂志，第179卷，第3期，第1177-1193页，2007年。浏览：出版商网站|谷歌学术搜索
27. M.-S。Chang杨绍明。关铭曾和J.-W。“不确定条件下洪水应急物流准备问题的情景规划方法”，运输研究E部分：物流与运输综述号，第43卷。第6页，737-754页，2007。浏览：出版商网站|谷歌学术搜索
28. “基于ceres -玉米模型的吉林省中西部地区玉米内涝灾害动态风险评估，”自然灾害，第83卷，第83期3, pp. 1747-1761, 2016。浏览：出版商网站|谷歌学术搜索
29. X.Liu和H.Chen，“中国东南部广东省多种灾害生态风险综合评估，”地理信息学、自然灾害和风险，第10卷，第5期。1, pp. 2069-2093, 2019。浏览：出版商网站|谷歌学术搜索
30. 梁玉龙，王玉龙，赵永杰等，“中国洪水灾害分析与预测，”水，第11卷，第5期，文章编号102220019。浏览：出版商网站|谷歌学术搜索
31. 马敏，王浩，贾平等，“1950 - 2010年福州市山洪暴发和城市内涝灾害的诱因和防御研究，”自然灾害第91卷第1期2，第803-818页，2018。浏览：出版商网站|谷歌学术搜索
32. 刘东，刘超，傅强等，“基于改进鸡群优化算法的区域地表水环境投影寻踪评价模型”，水资源管理，第32卷，第4期，第1325-1342页，2018年。浏览：出版商网站|谷歌学术搜索
33. 赵军，金建军，郭强，刘磊，陈颖，潘梅，“基于投影追踪聚类的洪水灾害动态风险评估模型及其应用，”随机环境研究与风险评估第28卷第2期8, pp. 2175-2183, 2014。浏览：出版商网站|谷歌学术搜索
34. S. Wang，X. Zhang，Z. yang，J. Ding和Z. Shen，“基于遗传算法的投影追求集群模型及其在岩溶水污染评估中的应用”，国际环境与污染杂志第28卷第2期3/4，pp。253-260,2006。浏览：出版商网站|谷歌学术搜索
35. 刘丹，冯建平，李辉等，“基于风力驱动优化算法的区域洪水灾害恢复能力时空变化分析”，清洁生产杂志，第241卷，第118406条，2019年。浏览：出版商网站|谷歌学术搜索
36. X.Huang和H.Bai，“基于风险熵的农村公共安全环境承载力风险预测，”自然灾害，第90卷，第5期。1, pp. 157-171, 2018。浏览：出版商网站|谷歌学术搜索
37. 兰竹、黄明，“基于约束最大熵投影寻根模型的海堤安全性评价”，自然灾害，第91卷，第3期，第1165-1178页，2018年。浏览：出版商网站|谷歌学术搜索
38. J. H.元和C.B.LI，“基于前景Chenet Integral Operator和灰色投影追踪动态集群的”直觉梯形模糊组决策“工程中的数学问题， vol. 2017, Article ID 2902506, 13页，2017。浏览：出版商网站|谷歌学术搜索
39. 陈青等，“基于神经网络和粒子群算法的胶结充填体无侧限抗压强度预测，”建筑材料，第159卷，第473-478页，2018。浏览：出版商网站|谷歌学术搜索
40. 杨晓华，杨志峰，沈志勇等，“基于投影寻踪的洪水灾害评估插值模型，”灾害科学，第4卷，第3-8页，2004年。浏览：谷歌学术搜索
41. J.E.Ware、M.Kosinski和S.D.Keller，“12项简式健康调查，”医疗保健第34卷第3期3，页220 - 233,1996。浏览：出版商网站|谷歌学术搜索
42. J. J. Liang，A.K. Qin，P. N. Suganthan和S. Baskar，“全球优化多式化函数的全面学习粒子群优化器”，IEEE进化计算交易，第10卷，第5期。3，页281-295,2006。浏览：出版商网站|谷歌学术搜索
43. N.Lynn和P.N.Suganthan，“具有增强探索和开发的异构综合学习粒子群优化，”群和进化计算，第24卷，第11-24页，2015年。浏览：出版商网站|谷歌学术搜索
44. Z. H. Zhan，J. Zhang，Y. Li，H. S.-h。钟，“自适应粒子群优化，”系统男人和控制论零件B-Cyber​​netics的IEEE交易，卷。39，没有。6，PP。1362-1381,2009。浏览：出版商网站|谷歌学术搜索
45. A. Berro，S. Larabi Marie-Sainte和A. Ruiz-Gazen，“遗传算法和探讨投影追求的粒子群优化”，“数学和人工智能，第60卷，第2期1-2，页153-178,2010。浏览：出版商网站|谷歌学术搜索
46. R. J. Bolton和W. J. Krzanowski，“探索性数据分析的投影追踪聚类”，计算和图形统计杂志，第12卷，第1期，第121-142页，2003年。浏览：出版商网站|谷歌学术搜索
47. A.I.Gorshkov，H.M.Hassan和O.V.Novikova，“孕震节点（M≥ 5.0）以及对地震危险性评估的影响，”纯粹与应用地球物理学，第176卷，第2期，第593-610页，2019年。浏览：出版商网站|谷歌学术搜索

版权

版权所有©2020吴晗、王俊武。这是一篇发布在知识共享署名许可协议，允许在任何媒介中不受限制地使用、分发和复制，前提是原作被正确引用。