基于神經網絡的建筑施工質量評價

張敏

摘 要： 基于Bayes判別理論的施工質量評價方法存在施工質量評價精度低、無法直觀描述施工質量的優劣情況等弊端，因此，提出基于BP神經網絡的建筑施工質量評價方法，設計BP神經網絡結構，基于該結構對BP神經網絡算法進行推導，得到總量誤差。為了避免總量誤差出現反向擴散產生運算精度降低的問題，在BP神經網絡的算法推導過程中采用誤差函數梯度下降法，對神經元實施突出權值修正，主要修正隱含層[J]與輸出層[M]權值以及輸出層[I]與隱含層[J]的權值，對神經元權值進行修改時考慮到誤差曲面的變化影響，提高BP神經網絡的運算精度。采用修正后的BP神經網絡算法對某建筑施工質量進行實際評價，得出的評價結果與預期結果相符，可實現對建筑施工質量的評價。實驗結果說明，所提方法可以提高建筑施工質量評價精度，能準確、直觀地反映施工質量的優劣，評價效果佳。

關鍵詞： 建筑施工； 質量評價； BP神經網絡； 梯度下降； 施工質量； 神經元權值

中圖分類號： TN711?34； TU755 文獻標識碼： A 文章編號： 1004?373X（2018）17?0173?05

Abstract： The traditional construction quality evaluation method based on Bayes discriminant theory has the defect of low construction quality evaluation accuracy， and can′t describe the construction quality intuitively. Therefore， a construction quality evaluation method based on BP neural network is put forward. The structure of BP neural network is designed. And on this basis， the BP neural network algorithm is deduced to get the total error， so as to void the reduction of calculation accuracy caused by back diffusion of total error. The error function gradient descent method is adopted in the algorithm derivation process of BP neural network to correct the special weight of neuron. The weights between the output hidden layer J and layer M， and output layer I and hidden layer J are corrected mainly. The influence of error curve variation is considered in the correction process of neuron weight to improve the calculation accuracy of BP neural network. The corrected BP neural network algorithm is used to evaluate the construction quality of a certain building， and its evaluation results are consistent with the expected results， which can be used to evaluate the construction quality. The experimental results show that the proposed method can improve the evaluation accuracy of building construction quality， reflect the construction quality accurately and intuitively， and has perfect evaluation effect.

Keywords： building construction； quality evaluation； BP neural network； gradient descent； construction quality； neuron weight

0 引 言

隨著社會經濟建設的不斷壯大，建筑行業快速發展。建筑施工質量直接關系到人們的生命財產安全，也關系到建筑企業的長遠發展，致使人們對建筑施工質量的關注度也越來越高[1]。加強建筑施工的質量管理、提高施工質量是建筑行業發展的基礎。傳統基于Bayes判別理論的施工質量評價方法存在施工質量評價精度低、無法直觀描述施工質量的優劣情況等弊端[2]。針對該種現象，本文提出基于神經網絡的建筑施工質量評價方法，提高施工質量評價精度，增強建筑物的整體建設質量，促使建筑企業能夠長遠發展。

1 基于BP神經網絡的建筑施工質量評價方法

1.1 BP神經網絡結構設計

由輸入層、輸出層和隱含層構成的BP神經網絡中的隱含層可以為一層或多層結構，圖1為一般狀況下的BP神經網絡結構。

1） 輸入層負責BP神經網絡變量的輸入，輸入主要為神經元，且神經元的數量根據具體的實際問題而定，輸入變量通常為線性傳遞函數。

2） 隱含層為神經元間的工作提供場所，其與外界環境無明顯關系[3]，但直接決定BP神經網絡的輸出結果，隱含層對非線性函數進行轉化。

3） 輸出層采用非線性轉化函數將神經網絡的輸出結果控制在固定范圍[4]，本文BP神經網絡建筑施工質量評價方法采用雙彎曲函數：

式（1）和式（2）表示BP神經網絡輸出結果的范圍，該函數是一種連續的非遞減函數，其取值范圍在[0，1]和[-1，1]之間。

1.2 BP神經網絡算法

標準的BP神經網絡算法也稱最快下降BP算法，根據圖1中BP神經網絡結構對BP神經網絡算法進行推導，推導過程如下：

本文BP神經網絡結構中輸入層的神經元有[I]個，其中任意一個神經元用[i]表示；隱含層的神經元有[J]個，其中任意神經元用[j]表示；輸出層的神經元有[M]個，且任意神經元用[m]表示。輸入層中的神經元[i]與隱含層中的神經元[j]的突出權值用[Wij]表示；神經元[j]輸出層[m]的突出權值用[Wjm]表示。

本文為使BP神經網絡算法方便推理，對神經元的激勵均采用Sigmoid函數。設置建筑施工數據樣本輸入集合是[Xk=X1，X2，…，XN]，神經元輸入用[u]表示；對樣本集合中的某個樣本[Xk=xk1，xk2，…，xkNT]實施訓練[5]，其中[k=1，2，…，N]，數據輸出為[Yk=yk1，yk2，…，ykNT]，激勵函數輸出用[v]表示；期望得到的建筑施工質量評估結果為[dk=dk1，dk2，…，dkNT]。假設迭代次數為[n]，輸出結果是與[n]有關的函數。

通過對BP神經網絡算法的推導，得到式（15）和式（22）的隱含層[J]與輸出層[M]權值修正結果和輸出層[I]與隱含層[J]的權值修正結果。

本文采用的BP神經網絡算法為標準算法，利用梯度下降函數對神經網絡權值進行控制，采用梯度下降法對梯度方向進行調整，大大降低神經網絡訓練時發生的動蕩概率，提高神經網絡的收斂效率[9]，對建筑施工質量評價的準確度較高。本文方法在對神經網絡權值進行修改時還考慮到誤差曲面的變化影響，對施工質量評價時評價角度也有所增加，因此本文采用修正后的BP神經網絡對建筑施工質量進行評價。

1.3 基于神經網絡的建筑施工質量評價

本文采用上述修正的BP神經網絡方法對某建筑公司收集的25個民用住宅進行建筑工程質量評價，[U]表示對建筑物進行施工質量評價的節點，表1為建筑中的混凝土質量評價數據，設置BP神經網絡的學習系數是[η=0.85]，采用本文方法經過4 000次的計算，通過Borlan C++ 語言編程，得到該建筑公司混凝土質量評估結果，如表2所示。為了便于數據處理，設置評估結果優為1.1，良為0.9，中為0.7以下，從表2輸入、輸出對照結果可以看出，實際輸出結果與期望結果差別較小，說明本文BP神經網絡具有較好的學習能力，對輸入數據的處理結果較準確，可以進行建筑施工質量評價[10]。采用本文方法得出的建筑施工質量評價結果與預期結果相符，說明本文方法對建筑施工質量具有準確的評估能力。

2 實驗分析

2.1 施工質量評價準確性

實驗采用本文方法對某建筑工程質量進行仿真評價，以驗證本文算法對建筑施工質量評價的準確性。工程1和2均為同一個小區的工程，因此工程規模、建筑結構和訓練樣本大小情況一致，工程1得分0.1即為施工質量合格，工程2施工質量為優時得分為0.5，實驗收集工程1和工程2的相關數據如表3所示。

將從表3得到的歸一化的數據處理結果轉換為矩陣，并將矩陣輸入本文神經網絡中，將工程1和工程2的處理結果保存為數據1和數據2，利用訓練好的network1進行實驗仿真，仿真結果如圖2所示。

點擊仿真界面中的Simulate Network對工程1和工程2中的數據1和數據2進行仿真，輸出結果保存為Network?outputs1和Network?outputs2，得到工程1和工程2的仿真結果。能夠看出，本文方法對工程1的評價仿真結果為[0.091 523]，與施工質量標準0.1的差為[（0.1-0.091 523）0.1=]8.477%；本文方法對工程2仿真結果為0.482 643，與施工質量標準0.5的差值為[（0.5-0.482 643）0.5=]3.471 4%。由仿真結果可知，本文方法對該建筑工程質量實施評估的實驗值與實際值相差較小，能夠滿足建筑施工的精度需求，且反映出該類型建筑的工程質量規律。

2.2 施工質量評價

實驗采用本文方法以朝陽雅園為例進行各項部分施工質量評價，表4為采用本文方法的施工質量各項評分匯總結果。

從圖3可以清晰地得出，采用本文方法的各項建筑施工質量評分結果均達到60分以上，說明采用本文方法能對建筑施工的各方面進行有效評分。從圖4可以看出，采用本文方法得到的建筑施工綜合評價結果和一級指標的評價結果均要高于預期的分數，證明本文方法可以整體從不同方面對建筑進行施工質量評價，且評價效果也比較突出。采用BP神經網絡對建筑施工質量進行評價，對建筑物不同層面進行評價，能準確、直觀地反映施工質量的優劣，有利于提高建筑工程整體的建設質量。

3 結 論

本文設計了基于神經網絡的建筑施工質量評價方法能夠提高施工質量評價精度，增強對建筑物的綜合質量評價效果，實現高效率的建筑施工質量評價。

參考文獻

[1] AKIMOTO T， SUENAGA Y， WALLACE R S. Automatic creation of 3D facial models [J]. IEEE computer graphics and applications， 1993， 13（5）： 16?22.

[2] YANG J， ZHANG D， FRANGI F. Two?dimensional PCA： a new approach to appearance?based face representation and recognition [J]. IEEE transactions on pattern analysis and machine intelligence， 2004， 26（1）： 131?137.

[3] HUMAN D R， PARENT R E. Obtaining complex behavior form simple rules [J]. The visual computer， 1998， 23（4）： 332?347.

[4] YAO J F S A. Texture mapping approach to 3?D facial image synthesis [J]. Computer graphics forum， 1988， 7（2）： 129?134.

[5] 王璇，薛瑞.基于BP神經網絡的手寫數字識別的算法[J].自動化技術與應用，2014，33（5）：5?10.

WANG Xuan， XUE Rui. The algorithm of handwritten digit recognition based on BP neural network [J]. Techniques of automation and applications， 2014， 33（5）： 5?10.

[7] YOU X， CAO X. Study of liquid lithium coolant interaction based on BP neural network optimized by genetic algorithm [J]. Journal of fusion energy， 2015， 34（4）： 918?924.

[8] 伍華麗，任心怡.基于模糊約束的數據庫特定數據挖掘算法[J].計算機仿真，2016，33（10）：240?243.

WU Huali， REN Xinyi. Specific data mining algorithm based on fuzzy constraint database [J]. Computer simulation， 2016， 33（10）： 240?243.

[9] 許金普.基于MMSE譜減算法的農產品市場信息語音識別技術[J].河南農業科學，2015，44（5）：156?160.

XU Jinpu. Speech recognition of agricultural market information based on MMSE spectral subtraction [J]. Journal of Henan agricultural sciences， 2015， 44（5）： 156?160.

[10] GLYDE H， BUCHHOLZ J M， NIELSEN L， et al. Effect of audibility on spatial release from speech?on?speech masking [J]. Journal of the Acoustical Society of America， 2015， 138（5）： 3311?3319.