基于人工智能算法下的木構古建筑壽命預測模型應用分析

夏郡 吳憲靜

摘要：文章以某歷史房屋建筑為研究對象，在構造網絡技術能夠應用在木構古建筑壽命預測模型的基礎上，通過人工智能技術，建立了三種木構古建筑壽命預測模型，并將其中的兩個進行對比分析。旨在為木構古建筑的維護使用提供更多參考支持。

關鍵詞：木構古建筑;壽命預測;Elman模型;BP神經網絡模型

耐久性和強度是混凝土的兩個基本性能，混凝土結構耐久性分析的目的是對混凝土結構的使用壽命進行綜合評估。從發展實際情況來看，建筑工程結構說明精準預測分析對采取有效的措施來延長建筑結構使用壽命起著十分重要的作用。科學預測木構古建筑使用說明對重大木構的管理有著十分重要的意義。但是從發展實際情況來看，由于木構古建筑影響因素比較多，對其使用壽命的評估存在較大的難度，無法精準的使用數學公式來表達描述，在此基礎上提出的預測模型也是十分困難的。在數字化技術的發展下文章運用Elman模型和BP神經網絡模型在木構古建筑壽命預測中的應用主張，現將具體預測分析結果闡述如下。

1 BP神經網絡模型

BP神經網絡模型是工程建設中的常用模型之一，具體是一種按照誤差逆向傳播算法訓練的單向傳播的多層前饋神經網絡，是應用最廣泛的神經網絡。從基本結構上來看，BP神經網絡是典型的多層次網絡，具體劃分為輸入層、隱含層、輸出層，各個層之間采取一種全連接的連接方式，彼此之間存在密切的關聯。BP神經網絡模型的結構參數一般從網絡層數、傳遞函數、各層神經元的個數進行考慮。在理論意義上，任意一個連續的函數都能夠和三層神經網絡形成一種映射的關系。

木構古建筑壽命BP神經網絡模型所涉及到的參數包含荷載參數、環境參數、結構材料參數等，將這三個因素作為網絡輸入層的重要節點中，對木構建筑的壽命進行綜合預測。

2 Elman模型

Elman神經網絡是一種典型的動態遞歸神經網絡，它是在BP網絡基本結構的基礎上，在隱含層增加一個承接層，作為一步延時算子，達到記憶的目的，從而使系統具有適應時變特性的能力，增強了網絡的全局穩定性，它比前饋型神經網絡具有更強的計算能力，還可以用來解決快速尋優問題。

在Elman模型中輸入層和輸出層分別對應的是信號的傳入和輸出，隱含層對應的激活函數能夠對信號實施必要的加權處理。在處理數據信息的時候可以采取加權計算方式，也可以采取線性計算方式。

在木構古建筑壽命模型分析的過程中，上下文層的使用作用是記憶隱含層前一個時間段的信號輸出，也就是能夠接收到隱藏層傳遞的反饋信號。和木構古建筑壽命BP神經網絡模型相比，Elman模型在訓練結束之后，T時刻狀態層單元接收部分的隱含層反饋輸出值會保留在t+1的時刻。

如何將Elman模型網絡設置成線性輸出和正切S形隱含層傳遞信號，并經過訓練之后能夠逼近任意的連續函數，具備反饋模式的Elman模型網絡能夠產生時間和空間兩個模式狀態，通過對系數的整合分析來打造出能夠體現響應量和因子間函數關系的網絡模型。

3 人工蜂群算法

人工蜂群算法是一種仿生類優化算法，被人們廣泛的應用在木構古建筑壽命模型分析中。在人工蜂群算法中，會使用一個蜜源代表的函數源，蜜源的質量也充分體現了最優解的優劣，蜜源質量越高，對應解就會越優劣。

在人工蜂群算法中，蜂群由引領蜂、跟隨蜂、偵查蜂共同組成，通過這三個蜂群的信息交流、轉換能夠有效解決木構古建筑壽命模型建設問題。

4 基于以上三種算法的木構古建筑壽命預測模型

文章以某歷史木構古建筑的21個構建模型數據信息作為基本參考，對木構古建筑的使用壽命進行預測分析，經過一系列的預測分析計算獲得木構構件的剩余使用壽命，并基于以上幾個算法開展木構古建筑壽命預測分析。

為了能夠提升Elman模型網絡收斂速度，避免網絡格局陷入比較小的狀態，在模型打造的過程中引入人工蜂群算法，借助人工蜂群算法的全局尋優能力對Elman模型的權限數值和閾值進行優化處理，打造人工蜂群-Elman模型，將打造好的人工蜂群—Elman模型應用到木構古建筑壽命預測分析工作中，旨在能夠在以往的基礎上進一步提升木構古建筑測試結果精準度。

人工蜂群—Elman混合模型的打造步驟如下所示：首先，打造出一個普通的Elman模型神經網絡。其次，對人工蜂群模型 數據信息進行初始化處理，初始化過程中需要設定最大迭代次數。再次，引領蜂會通過一系列的搜索來獲得新的蜜源，跟隨引領蜂分享的蜜源信號找到蜜源。在這個過程中如果蜜源被拋棄，與之對應的引領蜂會轉變為偵查蜂，對迭代進行更新處理，在k=k+1的時候判斷這個時候的模型是否滿足迭代設計要求，如果是滿足的狀態開始進行下一步的操作，反之則是對人工蜂群的數據信息進行重新初始化處理，設定參數，反復進行引領蜂的引領。最后，在經過一系列的操作之后輸出人工蜂群算法最優解，打造人工蜂群—Elman混合模型。

5 人工蜂群—Elman混合模型的誤差測試和分析

為了能夠更好的描述木構古建筑壽命影響因素對古建筑壽命的影響，選擇含荷載參數、環境參數、結構材料參數作為主要影響因素來打造出復合模型，將這些信息作為人工神經網絡的輸入因子，打造Elman模型、人工蜂群算法模型和神經網絡模型。BP神經網絡模型可以作為訓練數據，包含15組;Elman模型能夠對參數進行驗證，包含3組;人工蜂群—Elman混合模型用來測試數據信息，評定模型數據應用是否精準。

在模型打造完成之后對比分析三個模型的收斂速度和結果，最終發現人工蜂群—Elman混合模型的收斂速度最快，且打造之后的模型性能最為理想。Elman模型的收斂速度和運行結果都要比BP網絡神經模型差。為了能夠進一步區分文章所研究所打造模型的優劣性，將各個模型中的各個參數預測結果和實際數值進行比較分析，并將分析數據信息打造出模擬圖。

為了能夠更好的對比分析三個模型預測精準度，打造出能夠研究出各個模型差值的精準性垂直方圖。人工蜂群—Elman混合模型預測的絕對誤差整體上要小于另外兩個模型數值，且絕對誤差集中分布在86.28周圍。人工蜂群—Elman混合模型在木構古建筑壽命預測問題上顯示出良好的應用效果，且和單一性的模型相比，預測分析所獲得的數據更加精準，收斂速度也更加明顯。

6 總結

綜上所述，人工蜂群—Elman混合模型和以往的木構古建筑壽命影響評估操作相比，在木構古建筑壽命影響評估中更具優越性。因此證明，人工蜂群—Elman混合模型函數具備較強的函數逼近能力，能夠精準的反映出木構古建筑壽命研究中的各個隱函數關系。將其推廣到一系列的古建筑屬性預測分析工作中，可以更有效的解決工程實際應用問題。

參考文獻：

[1]李鵬珊. 木構古建筑的可靠度評估及剩余壽命預測[D]. 河南大學，2014.

[2]瞿偉廉，王雪亮. 基于DOL強度衰減模型的古建筑木桁架的剩余壽命預測[J]. 土木工程與管理學報，2008，000（003）：1-4，9.

[3]瞿偉廉，王雪亮. 基于DOL強度衰減模型的古建筑木桁架的剩余壽命預測[C]// 全國結構計算理論與工程應用學術會議. 2008.

[4]路志宏，杜勁峰，郭春雨，等. 人工智能視頻分析監管系統在工程防災中的應用探索[C]// 第十六屆空間結構學術會議論文集. 中國土木工程學會，2016.