基于優化人工神經網絡和TOPSIS的水利工程質量評價

徐 超，李 雁

(1.杭州富陽水利建設投資有限公司，浙江 杭州 311400；2.杭州市富陽區農業農村局，浙江 杭州 311400)

隨著國內經濟的快速發展，水利工程建設同樣得到了快速的發展，我國水利工程的建設水平和建設質量同樣得到了顯著提高[1- 2]。由于水利工程相較于傳統建筑工程有著施工周期長、投資大、影響廣泛的問題，所以現如今水利工程的質量仍然存在較多問題，同時建設管理單位隨著項目投資和周期的增大、工程低于跨度的增大，對水利工程的質量把控往往無法完全到位[3- 4]。因此，如何構建合理的水利工程質量評價體系，采用合理的方法對水利工程質量進行綜合評價是保證水利工程質量的重要途徑。

在以往的研究中，常采用主觀打分、模糊評價等手段來綜合評價工程質量。李玉紅[5]基于模糊評價理論對農田水利工程建設質量進行了評價，基于層析分析法分析了不同影響因素的重要性，并構建了農田水利工程質量綜合評價模型；楊大魁[6]基于模糊識別理論對水利工程質量進行了綜合評定，通過計算不同指標權重，判定了水利工程綜合等級為優良；張景奎、劉長順[7]基于專家打分的層次分析法和模糊評價理論對小型渠系水利工程進行了評價，并驗證了該方法的可行性。

隨著現代信息技術的不斷發展，一些機器學習算法已被廣泛應用于工程綜合評價中[8- 9]。但傳統的機器學習模型參數尋優過程較慢，且易產生局部極值，導致對最終評價結果有所影響，需采用相關算法對模型參數迭代過程進行優化[10]。本文以人工神經網絡模型(ANN)為基礎，基于布谷鳥算法(CSA)、鯨魚算法(WOA)和蝙蝠算法(BA)進行優化，實現評價體系不同層次指標自適應評價，基于TOPSIS模型實現水利工程質量總體評價，為水利工程日常管理提供理論指導。

1 評價體系構建

由于影響水利工程質量的因素眾多，在選取評價指標時應遵循系統、科學和可操作性的原則。水利工程質量評價體系主要包括項目操作質量、項目管理質量和項目監理監督指標3個方面，具體評價指標體系見表1。

2 研究方法

2.1 人工神經網絡模型

人工神經網絡模型(ANN)已被廣泛應用于事件評價中[11- 12]。ANN模型結構原理類似于人腦組織，由輸入層、隱藏層和輸出層組成，可經過數據收集、學習、適應、模式識別和定位5個步驟完成模型計算。本文采用反向傳播算法來訓練模型[13]。

2.2 蝙蝠優化算法

蝙蝠優化算法(BA)基于蝙蝠覓食行為原理，首先生成初始種群，對于第i個個體，其行為更新如下[14]：

表1 水利工程質量評價體系

fi=fmin+(fmax-fmin)β

(1)

式中，β—常數，取值范圍為[0，1]。

(2)

(3)

式中，x*—所求個體的最優適應度值。

重復上述步驟，當模型達到最大迭代次數時，對所有適應度值進行排序，得到當前最優適應度和關聯的位置。

2.3 布谷鳥優化算法

布谷鳥優化算法(CSA)從杜鵑算法中提出，基本原理為：每只杜鵑可以繁殖一顆蛋，然后隨機放在一個巢里，這表示一個解。布谷鳥接管了腐爛的蛋，并保留了更好的解為下一代。CSA算法可自主消除最壞的解決方案，保留最優方案[15]。

將t時刻第i只布谷鳥的新解定義為：

(4)

式中，∞—模型步長；⊕—矩陣乘法。

2.4 鯨魚優化算法

鯨魚優化算法(WOA)基于鯨魚覓食的原理實現模型優化[16]。鯨魚在運行迭代t(Xt)時，在最佳解(X*)的目標獵物周圍的潛在位置表示為：

(5)

(6)

(7)

2.5 TOPSIS模型

基于TOPSIS模型對水利工程質量評價體系進行綜合評價[17]，首先計算不同指標正、負理想解距離計算，具體公式如下：

(8)

(9)

式中，Si+、Si-—各指標與正、負理想解的距離；xi+、xi-—各指標集的正、負理想解。

通過計算相對貼近度εi，作為水利工程質量評估的依據，具體公式如下：

(10)

3 結果與分析

3.1 模型算法選擇

由于不同機器學習模型計算的精度不同，本文基于3種優化算法優化ANN模型，計算了不同年份模型對評價指標的模擬精度箱線圖，同時將算法結果與梯度提升樹(XGB)、隨機森林(RF)、廣義回歸神經網絡(GRNN)、小波神經網絡(WNN)、極限學習機(ELM)、BP神經網絡共6種傳統機器學習模型進行對比，結果如圖1所示。圖1中反映了不同模型決定系數R2和模型效率系數Ens的數值，由圖中可以看出，經優化后的ANN模型精度高于其余模型，同時，CSA-ANN模型精度最高。

3.2 模型參數選擇

CSA-ANN模型在不同年份模型精度最高的最優隱含層個數如圖2所示。由圖2中可以看出，當模型所選取的隱含層節點個數不同時，模型精度存在明顯差異。當模型隱含層節點個數分別取23、26、4、5時，模型在4個年份的精度最高。

圖1 不同算法效果比較箱線圖

圖2 不同年份CSA-ANN模型最優隱含層個數選擇

3.3 水利工程質量綜合評價

根據水利工程質量評價體系，結合2017—2020年的實際統計數據，總結了4年指標數據的相對隸屬度矩陣，結果見表2。基于CSA-ANN模型，可得出不同年份下層評價結果，結果如圖3所示。由圖3中可以看出，從3個準側層方面來看，項目操作質量、項目管理質量和項目監理監督質量均表現為2020年分值最高，2019年分值次之，表明隨著年份的增加，水利工程質量基本呈上升趨勢。

結合下層指標自適應評價結果，基于TOPSIS模型，得出水利工程質量在不同年份的綜合評價結果，結果見表3。表3中比較了本文方法與傳統層次分析法、模糊綜合評價法的結果，由表中可以看出，本文方法評價結果與傳統的層次分析法和模糊綜合評價法基本一致，均表現為2020年水利工程質量最高。但不同方法的建模時間不同，本文方法的運算時間僅需15.12s左右，而層次分析法和模糊評價法的運算時間分別為1000s和1200s左右，表明本文方法可在保證精度的同時，提高運算效率。

圖3 不同年份下層指標自適應評價

表3 不同方法綜合得分對比

4 結論

本文構建了水利工程質量綜合評價體系，同時基于CSA-ANN模型和TOPSIS模型對水利工程質量進行了綜合評價，指出在比較不同模型精度時，CSA-ANN模型精度最高，其決定系數R2和Ens均在0.90以上，精度明顯高于BA-ANN、WOA-ANN及其余傳統機器學習模型。本文基于CSA-ANN模型對下層指標進行自適應評價，基于TOPSIS模型對整個評價體系進行綜合評價，確定了在2017—2020年不同年份模型的最優隱含層節點個數，同時將評價結果與傳統層次分析法和模糊綜合評價法進行了比較，證明了該方法的科學性。

本文基于布谷鳥優化人工神經網絡模型構建了水利工程質量綜合評價模型，在今后的研究中可將該模型應用于建筑工程、水利工程投資風險評價等多項研究中，進一步討論該方法的科學性。