Page 127 - 2025年第56卷第1期

准， 通过二者回归模型确定 ＣＶ 值的控制标准 ＣＶ ； 最后计算获得各评价隶属度分配结果。
０
４．３ 基于 Ｄ－Ｓ 证据融合的碾压质量综合评价方法 对比其他方法， Ｄ－Ｓ 证据理论在处理模糊、 随机、
灰色和未确知等不确定性问题时， 表现更加优越 ［２１，３１］ 。 本文综合考虑碾压质量评价指标（干密度和压
实度）和 ＣＶ 值的模糊评价结果， 采用证据理论进行融合， 在不确定性影响下， 实现碾压质量综合评
价。 具体步骤如下：
（１）每个坝面施工仓面的独立网格 ｋ， 存在三个碾压质量评价证据： ＣＶ 值评价隶属度 Ｅ 、 碾压质
ＣＶ
量评价指标的干密度评价隶属度 Ｅ 和压实度评价隶属度 Ｅ 。 采用证据理论融合后， 得到碾压质量综
ｇ ｐ
合评价隶属度 Ｅ ＝ Ｅ Ｅ Ｅ ＝ （ｅ ， ｅ ， ｅ ）， ｅ 、 ｅ 、 ｅ 分别为第 ｋ 个网格土石坝碾压质量模糊
ｋ ｇ ｐ ＣＶ ｋ１ ｋ２ ｋ３ ｋ１ ｋ２ ｋ３
评价合格、 不确定、 不合格隶属函数值。
（２）基于最大隶属度原则 ［３２］ 和上述获得的综合评价隶属度 Ｅ ， 制定综合评价判定步骤如下：
ｋ
①令 ｅ ＝ ｍａｘ｛ｅ ， ｅ ， ｅ ｝， 确定阀值 δ， 若 ｅ ＜δ 则该网格碾压质量视为 “不确定”， 从而避免因
ｋ ｋ１ ｋ２ ｋ３ ｋ
三个碾压质量评价证据的隶属度过近导致无法评价碾压质量的问题。 由于 ｅ ＋ｅ ＋ｅ ＝ １， 参考文献
ｋ１ ｋ２ ｋ３
［１８］， 本文取 δ ＝ ０．６。
②若 ｅ ＞δ， 则碾压质量综合评价结果为 ｅ 、 ｅ 、 ｅ 中最大值代表的评价结果。
ｋ
ｋ３
ｋ１
ｋ２
③按照上述步骤将仓面内网格按评价结果分为 “合格” “不确定” “不合格” 三个类别， 网格数
分别用 Ｋ 、 Ｋ 、 Ｋ 代表， 且三者相加等于 Ｋ。 本文全仓面碾压质量的达标率控制值 ｑ 为 ９０％， 若 Ｋ ∕Ｋ≥
１ ２ ３ １
ｑ， 综合评价结果达标， 否则视为不达标。
５ 工程应用

以规模居世界同类坝型前列的 ＬＨＫ 土石坝水电站为例进行碾压质量分析和反馈控制研究。 本文
采用基于 ＡＣＧＷＯ－ＲＦ 算法的碾压质量评价模型对该土石坝心墙区施工仓面碾压质量进行评价， 验证
模型能够考虑不确定性影响及其在实际工程现场的适用性； 通过和 ＭＬＲ、 ＢＰＮＮｓ 和 ＲＦ 等评价模型进
行模型精度、 泛化能力和鲁棒性等对比分析， 验证该模型具有一致性、 适用性和优越性； 同时采用基
于证据理论的综合评价方法对仓面碾压质量进行客观、 可靠、 准确的评价； 最后运用多级反馈控制机
制保障现场碾压质量。 在该工程心墙区通过碾压监控系统、 试坑试验及气象站获得的 １０１ 组碾压质量

评价指标数据作为研究对象。
５．１ 影响参数和评价结果不确定性分析 信息熵能够量化参数的不确定性。 本文基于熵权理论 ［３３］ ，
获得料源参数和气象参数的熵值如表 ２ 所示， 可以看到料源参数熵值（０．８７７， ０．７７６， ０．７１１， ０．６７６）和气
象参数熵值（０．８５７， ０．９０９）均大于 ０．５， 因此碾压质量影响参数存在不确定性， 其中气象参数的不确定
性明显高于料源参数， 原因在于气象参数在一天内不同时间变化较大； 而在料源参数中， Ｐ５ 含量

（０．８７７）和含水率（０．７７６）的不确定性明显大于曲率系数（０．７１１）和不均匀系数（０．６７６）。
表 ２ 料源参数和气象参数熵值

料源参数 气象参数
参数
Ｐ５ 含量 含水率 曲率系数 不均匀系数 温度 湿度
熵值 ０．８７７ ０．７７６ ０．７１１ ０．６７６ ０．８５７ ０．９０９

５．２ 碾压质量预测结果和精度对比 采用五折交叉验证方法 ［１３］ 评估模型的精度。 图 ３ 为 ＡＣＧＷＯ－ＲＦ

算法预测结果和实测值的对比折线图， 对二者进行相关性分析， 得相关系数 Ｒ 为 ０．８３９， 为显著相关。
通过五折交叉验证获得均方根误差值为 １．２４×１０ ， 平均绝对误差值为 ０．００７， 模型的拟合度优良， 因
－４
此基于 ＡＣＧＷＯ－ＲＦ 算法的碾压质量评价模型通过检验。 为验证基于 ＡＣＧＷＯ－ＲＦ 算法的碾压质量评价
模型的适用性和优越性， 与常用 ＢＰＮＮ、 ＭＬＲ、 ＲＦ 等模型进行预测结果对比分析。 ＡＣＧＷＯ－ＲＦ 与常
用模型评价结果的误差分析如图 ４ 所示， 并通过图 ５ 的四 Ｙ 折线图 ［１３］ 将不同评价模型预测结果与实测

— １ ２ ２ —