綠色鐵路客站施工管理評價模型構建

楊姝，鮑學英，王起才，馮冰玉

(蘭州交通大學 土木工程學院，甘肅 蘭州 730070)

?

綠色鐵路客站施工管理評價模型構建

楊姝，鮑學英，王起才，馮冰玉

(蘭州交通大學 土木工程學院，甘肅 蘭州 730070)

施工管理貫穿綠色鐵路客站建設過程的始終，需要對施工方的環境保護情況、資源節約情況和施工過程中的管理這3方面進行管理和評價。在現階段的評價方法上，對傳統的打分法進行改進，提出采用主觀動態權重與遺傳算法改進神經網絡相結合的方法，建立新的施工管理評價模型。該模型的特點是能夠通過神經網絡消除個別專家打分的主觀隨意性，最后通過實例驗證此方法，得出該模型具有一定的指導作用。

綠色鐵路客站；施工管理；動態權重；人工神經網絡；遺傳算法

20世紀以來，工業化和城鎮化的推進極大促進了社會經濟的發展，但與此同時，資源過度消耗、生態環境惡化等問題日益突出[1]。鐵路作為國民經濟大動脈，是國家重要的基礎設施和大眾化的交通工具，在現代運輸體系中發揮著中流砥柱的作用[2]。為了適應綠色GDP的發展目標，走可持續發展的道路，我國提出了綠色鐵路這一概念。鐵路客站作為鐵路路網的重要節點，是鐵路運輸的基石和帶動城市發展不可或缺的重要元素，承擔著節能減排和最大效率利用能源資源的重任。因此，在圍繞國家節能減排工作的總原則下，我國以現行綠色建筑評價標準、綠色施工評價標準等為基礎，吸納“四節一環保”的各方面工作經驗，頒布了《綠色鐵路客站評價標準》(TB/T10429—2014)。《綠色鐵路客站評價標準》包含了節地與室外環境、節能與能源利用、節水與水資源利用、節材與材料資源利用以及室內環境質量、施工管理和運行管理7個方面。我國對于綠色鐵路客站評價的研究還處于探索階段，其中王彥[3]認為綠色鐵路客站的建筑設計應以被動設計策略為基礎；任濤[4]等對綠色鐵路客站評價標準中的節地與節水指標進行了研究；黃詠梅[5]等人以武漢站為實例對綠色鐵路客站評價標準中的節能指標進行了研究；鄭健等[6-8]參照國內外的綠色鐵路發展狀況，并結合國內外現有的綠色建筑評價體系，對我國的《綠色鐵路客站評價標準》進行了研究與探討。施工管理貫穿綠色鐵路客站建設過程的始終，根據《綠色鐵路客站評價標準》，施工管理主要有環境保護、資源節約和施工過程管理3項指標，目前我國對綠色鐵路客站施工管理方面的評價使用的是“打分法”，而且采用的是比較簡便的百分制計分，該方法的缺點是隨意性大、干擾性因素較多、各評價因素的權重易受到專家主觀因素影響[9]。在此基礎上，本文通過查閱相關資料，將主觀的動態權重與客觀的遺傳算法改進人工神經網絡相結合，建立科學的施工管理評價模型，并通過對蘭州至中川城際鐵路客站施工管理過程的評估，驗證了該模型對綠色鐵路客站建設的施工管理方面具有指導作用。

1　綠色鐵路客站施工管理GA—BP模型的建立

1.1BP神經網絡模型

BP(Back Propagation)神經網絡是1986年由Rumelhart和McCelland為首的科學家小組提出的一種按誤差逆傳播算法訓練的多層前饋網絡[10]，是目前應用最廣泛的神經網絡模型之一。BP神經網絡能學習并存儲大量的輸入—輸出模式映射關系，其主要特點是信號向前傳遞，誤差反向傳播。BP神經網絡拓撲結構包含輸入層、輸出層和隱含層[11]。

BP神經網絡訓練過程步驟如下：

2)隱含層輸出計算。根據輸入變量X，輸入層和隱含層間連接權值wij以及隱含層閾值a，計算隱含層輸出Hj：

式中：l為隱含層節點數。

3)輸出層輸出計算。根據隱含層輸出Hj，連接權值wij和閾值b計算輸出層輸出Ok：

4)計算誤差。根據網絡預測輸出Ok和期望輸出Y計算網絡預測誤差ek：

ek=Yk-Okj=1,2,…，l

5)權值更新。

i=1,2,…,n;j=1,2,…，l

wjk=wjk+ηHjekj=1,2,…，l;k=1,2,…,m

6)閾值更新。根據網絡預測誤差e更新網絡節點閾值a,b。

bk=bk+ekk=1,2,…,l

7)判斷算法迭代是否結束，若沒有結束，返回步驟2)。

1.2遺傳算法優化BP神經網絡

遺傳算法(Genetic Algorithms)是1962年由美國Michigan大學Holland教授提出的一種將自然界“優勝劣汰，適者生存”的生物進化原理引入優化參數形成的編碼串聯群體中的一種隨機化搜索方法，它按照所選擇的適應度函數通過選擇、交叉和變異操作對個體進行篩選，保留適應度值好的個體，淘汰適應度差的個體，新的群體既繼承了上一代的信息，又優于上一代，這樣反復循環，直至滿足條件[11]。

遺傳算法優化BP神經網絡的基本思想就是對BP神經網絡的初始權值和閾值進行優化，通過選擇、交叉、變異操作尋找最優個體，即BP神經網絡最優的初始權值和閾值。本文利用遺傳算法的全局搜索能力對BP神經網絡進行改進，得到更好的網絡初始權值和閾值，避免陷入局部最優[12]，彌補BP神經網絡的收斂速度較慢以及出現局部最優解的不足，建立合理的施工管理評價模型。

遺傳算法優化BP神經網絡的計算步驟如下：

1)種群初始化。采用實數編碼方法，由輸入層與隱含層連接權值、隱含層閾值、隱含層與輸出層連接權值以及輸出層閾值4部分構成一個實數串，隨機產生N個個體，構成一個群體。

2)將訓練好的BP神經網絡的預測輸出和期望輸出之間的誤差絕對值作為個體適應度，適應度為F。計算每個個體的適應度fi：

式中：n為網絡輸出節點數；yi為神經網絡第i個節點的期望輸出；oi為第i個節點的預測輸出；k為系數。

3)采用輪盤賭法選擇優良的個體，使其有機會作為父代進行下一代繁衍，保證了種群的多樣性。個體被選中的與其適應度函數成正比，每個個體選擇的概率pi為：

4)以概率pc利用單點交叉法對染色體間進行交叉操作得到新的個體：

式中：f為種群中適應度最大的染色體；fm為某一染色體的適應度值；favg為群體的平均適應度值。

5)在種群中隨機選擇個體以變異概率pm進行變異，改變基因中某個數據的值，使其適應度值提高，開拓問題解的新空間：

式中：f為種群中適應度最大的染色體；fm為某一染色體的適應度值；favg為群體的平均適應度值。

6)若找到滿意的個體或達到迭代次數則算法結束，否則返回步驟2)重新計算。

遺傳算法得到的最優值分解為初始權值和閾值賦給BP神經網絡，優化過程見圖1。

圖1　遺傳算法優化BP網絡Fig.1 Genetic algorithm optimize the BP network

2　主觀動態權重與GA-BP相結合的綜合評價模型

2.1施工管理評價指標體系的建立

我國以現行綠色建筑評價標準、綠色施工評價標準等為基礎，頒布了《綠色鐵路客站評價標準》。通過查閱參考文獻和最新頒布的國家標準，首先確定了環境保護、資源節約和施工過程管理3個1級指標，在參照《綠色鐵路客站評價標準》中施工管理方面各項指標的評分規則和指標屬性的基礎上，本文選取了與之相關的9個2級指標來建立3層指標評價體系[13-14]。具體指標結構見表1所示。

表1　綠色鐵路施工管理評價指標體系

2.2綠色鐵路施工管理1級指標的動態權重確定

對于綠色鐵路的施工管理，考慮到想實現的鐵路工程具體目標有所差異，為了保證該工程的基本要求得到滿足，采用專家主觀動態權重[15]確定的方法對1級指標賦權，其過程如下[16]：

1)各位專家獨自按指標所屬級別對每一級指標賦權。

5)將得出的同一級指標權重歸一化處理，得到該級指標最終權重。

2.3主觀動態權重和GA—BP的綜合評價

采用遺傳算法優化BP神經網絡的方法，建立2級指標到一級指標客觀的GA-BP3層網絡模型，2級指標作為神經網絡的輸入端，共9個節點，輸出端為1級指標，共3個節點(環境保護、資源節約、施工過程管理)。利用足夠多的樣本訓練已建好的GA-BP模型，使得實際輸出接近期望輸出值，再經專家采用主觀動態權重法確定一級指標相對于目標層的權重，最后經加權計算得出鐵路客站施工管理評價值。

3　實例研究

蘭州至中川機場城際鐵路(蘭中城鐵)于2015年9月30日正式開始運營，線路全長63 km，全線設蘭州西站、陳官營、福利區、西固、蘭中新區和中川機場六個車站。其中蘭州西站于2014年12月26日正式啟用，總建筑面積23.3萬m2，其中站房工程面積為10萬m2，共13臺26線，施工過程中遵循綠色建筑的評價標準，現選取鐵路相關方面專家共計8人，對一級指標進行主觀動態權重確定。

3.1評價指標歸一化

2級評價指標量度共有A，B，C，D和E5個標準，分別與0.9，0.7，0.5，0.3和0.1相對應，A表示滿足評價標準90%的要求，為最優狀態；B表示滿足評價標準的70%要求；C表示滿足評價標準的50%要求；D表示滿足評價標準的30%要求；E表示該指標完全不滿足預定要求，為最差狀態。具體情況如表2所示。

表2　評價指標取值量度

評審專家根據綠色鐵路客站施工管理評價2級指標說明對蘭中西站2級指標進行評定，評定結果如表3所示。

表3　2級指標評定結果

3.2GA-BP模型設置

利用Matlab7.0建立具有一個隱含層的BP神經網絡結構，對遺傳算法搜索到的最優解進行訓練，2級指標評定結果作為神經網絡的輸入，蘭州西客站建設前期的工程招標文件等資料作為網絡輸出。選取相似工程施工管理階段的數據共50組，前40組用來訓練BP神經網絡，后10組用來驗證BP神經網絡。

通過Matlab軟件編程實現遺傳算法優化神經網絡的非線性系統擬合[17]，訓練網絡過程中最優個體適應度值變化如表4所示。

表4　部分測試結果誤差分析表

從表4測試結果可以看出，所建模型測試結果與真實結果相比較誤差較小，測試效率較高，說明該GA-BP模型達到了滿意的效果，減少了綠色鐵路客站施工管理評定的工作量。

3.3評審結果

8名評審專家對該項目3個1級指標采用主觀動態權重的方法，確定各指標的權重如表5所示。

表5　1級指標權重值

將遺傳算法優化后的BP神經網絡輸出值與專家評審的1級指標權重值經過加權計算，并將模型評定結果與專家評審進行比較，見表6所示。

表6　綠色鐵路施工評定結果

通過上述實例可以看出，采用主觀動態權重和遺傳算法優化人工神經網絡對蘭州西站施工管理過程進行評定，與采用傳統法進行比較，相對誤差為0.304%，能夠得到滿意的結果。

4　結論

1)通過采用主觀動態權重與遺傳算法優化BP神經網絡相結合的新方法能夠處理施工管理評價過程中存在的不確定性，充分發揮遺傳算法和神經網絡的優勢，科學客觀的對各個指標進行評價。

2)通過實例分析，新方法與傳統方法相比誤差較小。

3)新方法只需專家給出一級指標的權重，利用Matlab軟件編程完成剩余工作，縮短評審周期，減少人為因素，具有很大的實用價值。

[1] 熊風, 楊立中, 羅潔, 等.“綠色鐵路”基礎理論研究及其評價指標體系的建立[J].生態經濟, 2007, 23(6):57-60.

XIONF Feng,YANG Lizhong,LUO Jie,et al.Study on “Green Railwa”basic theory and evaluating indicator system[J].Ecological Economy,2007, 23(6):57-60.

[2] 胡亞東.充分發揮鐵路作用加快發展現代物流[J].鐵道運輸與經濟, 2004, 26(8):1-2.

HU Yadong.Bring full play of railway,speed up the development of modern logistics[J].Railway Transport and Economy,2004,26(8):1-2.

[3] 王彥.綠色鐵路客站建筑方案設計的被動式設計策略應用探討[J].鐵道經濟研究, 2014, 21(3):41-43.

WANG Yan.The design scheme of the green railway stationg building application of passive design strategies[J].Railway Economic Research,2014, 21(3):41-43.

[4] 任濤, 張宬, 楊墨池.綠色鐵路客站評價標準“節地”與“節水”指標研究[J].城市發展研究, 2013, 20(1):144-146.

REN Tao,ZHANG Cheng,YANG Mochi.Research on “Land saving”and “Water saving”of the evaluation standard of green railway station [J].Urban Development Research, 2013, 20(1):22-24.

[5] 黃詠梅.從綠色鐵路客站角度議武漢站自然采光設計[J].城市建筑, 2013, 10(8):248-249.

HUANG Yongmei.The design of Wuhan railway station netural lighting from the perspective of green railway station [J].City Building,2013, 10(8):248-249.

[6] 鄭健.綠色鐵路客站評價標準研究[J].中國工程科學, 2012, 17(12):41-47.

ZHENG Jian.Research on the evaluation creteria of green railway sataion[J].Scientific Research of China, 2012, 17(12):41-47.

[7] 盛暉, 李傳成.綠色鐵路旅客站建筑設計探討[J].鐵道經濟研究, 2010, 17(1):24-30.

SHENG Hui,LI Chuancheng.Discussion on construction design of green railway passenger station[J].Railway Economics Research, 2010, 17(1):24-30.

[8] 李傳成, 陳川.綠色鐵路旅客站評價標準研究探討[J].武漢理工大學學報, 2010, 32(21):68-70.

LI Chuangcheng,CHEN Chuan.Research on the evaluation standard for green railway station[J].Journal of Wuhan University of Technology, 2010, 32(21):68-70.

[9] Rashvand P, Majid M Z A, Pinto J K.Contractor management performance evaluation model at prequalification stage[J].Expert Systems with Applications, 2015, 42(12):5087-5101.

[10] 劉冰,郭海霞.Mat lab神經網絡超級學習手冊[M].北京:人民郵電出版社, 2014:163-164.

LIU Bing,GUO Haixia.Matlab neural network super learning manual[M].Beijing:People Posts and Telecommunications Press, 2014:163-164.

[11] 王小川,史峰,郁磊.MATLAB神經網絡43個案例分析[M].北京：北京航天航空大學出版社, 2013:13-18.

WANG Xiaochuan,SHI Feng,YU Lei.43 cases analysis of MATLAB neural network[M].Beijing:Beihang Universuty Press, 2013:13-18.

[12] Yang Y, Wang G, Yang Y.Parameters optimization of polygonal fuzzy neural networks based on GA-BP hybrid algorithm[J].International Journal of Machine Learning and Cybernetics, 2014, 5(5):815-822.

[13] Huang W H, Tserng H P, Jaselskis E J, et al.Dynamic threshold cash flow-based structural model for contractor financial prequalification[J].Journal of Construction Engineering and Management, 2014, 140(10):890-914.

[14] Jeffrey S Russell.Model for owner prequalification of contractors[J].Journal of Management in Engineering, 1990, 6(1):59-75.

[15] 李東印, 周英, 李化敏, 等.基于主觀動態權重的科學采礦評價模型構建[J].采礦與安全工程學報, 2012, 29(2):173-177.

LI Dongyin, ZHOU Ying, LI Huamin, et al.Construction of scientific mining evaluation model based on subjective dynamic weight[J].Journal of Mining and Safety Engineering, 2012, 29(2):173-177.

[16] 朱由創.探討基于主觀動態權重的科學采礦評價模型構建[J].內蒙古煤炭經濟, 2015, 31(5):41-42.

ZHU Youchuang.The construction of scientific mining evaluation model based on subjective dynamic weightt[J].Inner Mongolia Coal Economy,2105, 31(5):41-42.

[17] Osama Hosny, Khaled Nassar, Yasser Esmaiel.Prequalification of egyptian construction contractors using fuzzy-AHP models[J].Engineering, Construction and Architectural Management, 2013, 20(4):381-405.

Construction management evaluation model of green railway station

YANG Shu, BAO Xueying, WANG Qicai, FENG Bingyu

(School of Civil Engineering ,Lanzhou Jiaotong University, Lanzhou 730070, China )

Construction management runs through the construction process of green railway station from the beginning to the end, it needs the management and evaluation of the environmental protection, resource saving and construction process management of construction side. Based on the present evaluation method, this paper improved the traditional scoring method. The subjective dynamic weighting combined with neural network improved genetic algorithm was put forward, and a new construction management model was estabilished. The advantage of the model is that it is able to eliminate the subjective randomness of individual experts by using neural network. Finally,this method is verified by an example,and the method has a certain guiding role.

green railway station; construction management; dynamic weight; artificial neural network; genetic algorithms

2015-11-16

長江學者和創新團隊發展計劃項目(IRT1139)

鮑學英(1974-)，女，寧夏中衛人，教授，從事綠色建筑、建設項目管理及經濟評價研究；E-mail:813257032@qq.com

TU528

A

1672-7029(2016)08-1636-06