Page 126 - 2025年第56卷第1期

图 ２ ＵＣＩ 测试集的模型精度对比分析图

４ 基于证据理论的碾压质量综合评价

针对现有研究中忽略采用有限随机试坑试验数据评价全仓面碾压质量时存在的不确定性， 以及连
续监测指标 ＣＶ 值与碾压质量之间拟合关系存在误差的挑战， 本文旨在考虑影响参数不确定性的影响，
对干密度、 压实度和 ＣＶ 值进行模糊评价， 并结合 Ｄ－Ｓ 证据理论， 构建土石坝碾压质量的综合评价方法。
［２９］
４．１ 坝面碾压质量预测结果合格性模糊评价 Ｌ． Ａ． Ｚａｄｅｈ 于 １９６５ 年提出模糊理论（ Ｆｕｚｚｙ Ｌｏｇｉｃ，
ＦＬ）， 其突破了传统集合理论中只有是与否的概念， 将事物的外延表现为模糊性。 模糊集是表示边界
不确定的具有模糊性概念事物的集合。 其中， 隶属函数 μ （ｕ）的大小反映论域 Ｕ 中的元素 ｕ 对于模糊
Ａ
集合 Ａ 的隶属程度 ［１８］ 。 本文采用梯形隶属度函数来表示碾压质量评价结果和 ＣＶ 值的模糊数， 通过模
糊评价原理和最大隶属度原则， 对其进行综合评价， 其过程详见文献［１８， ３０］。 在 ＬＨＫ 高心墙堆石坝
３
填筑碾压标准中， 干密度（ｇ）和压实度（ｐ）均为碾压质量检测的关键指标， 合格标准要求 ｇ≥２．１８ ｇ∕ｃｍ ，
或者 ｐ≥９８％。 针对采用有限随机试坑试验获取数据评价全仓面碾压质量时， 全仓面干密度和压实度
预测结果存在不确定性的问题， 本文将其作为模糊评价因素， 组成碾压质量关键指标集 Ｓ ＝ ｛ｇ， ｐ｝。
评价集包括 “合格（ｑｕａｌｉｆｉｅｄ）” “不确定（ｕｎｑｕａｌｉｆｉｅｄ）” “不合格（ｕｎｃｅｒｔａｉｎｔｙ）”， 其隶属函数 μ （ｓ）、
ｑｌ
μ （ｓ）、 μ （ｓ）的和等于 １。 基于施工现场碾压质量控制要求， 能够确定碾压质量合格控制标准 ｇ 和
ｕｃ ｕｑ ０
ｐ 。 干密度和压实度两个关键评价指标均是越大越好， 因此， 其隶属函数通过越大越好型半梯形分布
０
形式构造。
基于碾压监控系统获取的碾压参数、 有限随机试坑试验数据随机模拟生成的全仓面料源参数以及
小气象站获取的气象参数， 通过基于 ＡＣＧＷＯ－ＲＦ 算法的评价模型得到预测结果， 构造隶属度函数，
采用模糊综合评判理论 ［１８］ 对评价模型预测结果进行模糊评价。 具体步骤如下： 首先， 将仓面划分为 Ｋ
个网格， 获取每个网格的碾压参数和气象参数， 基于试坑试验得到料源参数数据集的概率密度分布生
成料源参数的随机值； 其次， 采用本文模型对该仓面的碾压质量评价指标干密度和压实度进行预测评
价； 最后， 基于碾压质量评价指标值 ｓ ＝ ｛ｇ ， ｐ ｝， 构建各碾压质量评价指标的隶属函数， 进而确定
ｋ
ｋ
ｋ
评价模型预测结果合格、 不确定、 不合格的隶属度（μ （ｓ）、 μ （ｓ）、 μ （ｓ））。
ｑｌ ｕｃ ｕｑ
４．２ 基于 ＣＶ 值的坝面碾压质量模糊评价 由于坝料料源参数存在不确定性， 无法准确评价全仓面碾
压质量， 因此规范规定需要采用试坑试验随机取样对碾压质量进行抽检， 但该方法耗费人力物力财
力， 且由于随机选择有限试坑点无法反映全仓面碾压质量， 导致存在未确知性等问题， 需要通过在碾
轮安装加速度传感器获取全仓面任意位置碾压质量监测指标值（ＣＶ 值）。 然而， 加速度传感器对噪声
敏感， 存在误差， 导致获取的 ＣＶ 值在评价碾压质量时准确性欠佳 ［１８］ ， 且具体作用机理未知； 因此，

本文对 ＣＶ 值结果进行模糊评价， 并采用证据理论融合碾压质量预测结果评价指标。
将 ＣＶ 值的评价集记为 Ｗ ＝ ｛合格， 不确定， 不合格｝， 为越大越好型分布。 建立碾压质量评价指

标与 ＣＶ 值的回归模型， 确定 ＣＶ 值控制标准， 并构造 ＣＶ 值合格、 不确定及不合格的隶属函数 μ （ＣＶ）、
ｑｌ
μ （ＣＶ）、 μ （ＣＶ）。 通过在土石坝施工现场进行碾压试验， 获取（ＣＶ， ｇ）的样本数据集， 建立二者的
ｕｃ ｕｑ
回归模型； 并基于土石坝工程现场的碾压作业规范控制要求， 得到坝料干密度（或压实度） 的控制标
— １ ２ １ —