基于人工智能算法下的木构古建筑寿命预测模型应用分析

夏郡 吴宪静

摘要：文章以某历史房屋建筑为研究对象，在构造网络技术能够应用在木构古建筑寿命预测模型的基础上，通过人工智能技术，建立了三种木构古建筑寿命预测模型，并将其中的两个进行对比分析。旨在为木构古建筑的维护使用提供更多参考支持。

关键词：木构古建筑;寿命预测;Elman模型;BP神经网络模型

耐久性和强度是混凝土的两个基本性能，混凝土结构耐久性分析的目的是对混凝土结构的使用寿命进行综合评估。从发展实际情况来看，建筑工程结构说明精准预测分析对采取有效的措施来延长建筑结构使用寿命起着十分重要的作用。科学预测木构古建筑使用说明对重大木构的管理有着十分重要的意义。但是从发展实际情况来看，由于木构古建筑影响因素比较多，对其使用寿命的评估存在较大的难度，无法精准的使用数学公式来表达描述，在此基础上提出的预测模型也是十分困难的。在数字化技术的发展下文章运用Elman模型和BP神经网络模型在木构古建筑寿命预测中的应用主张，现将具体预测分析结果阐述如下。

1 BP神经网络模型

BP神经网络模型是工程建设中的常用模型之一，具体是一种按照误差逆向传播算法训练的单向传播的多层前馈神经网络，是应用最广泛的神经网络。从基本结构上来看，BP神经网络是典型的多层次网络，具体划分为输入层、隐含层、输出层，各个层之间采取一种全连接的连接方式，彼此之间存在密切的关联。BP神经网络模型的结构参数一般从网络层数、传递函数、各层神经元的个数进行考虑。在理论意义上，任意一个连续的函数都能够和三层神经网络形成一种映射的关系。

木构古建筑寿命BP神经网络模型所涉及到的参数包含荷载参数、环境参数、结构材料参数等，将这三个因素作为网络输入层的重要节点中，对木构建筑的寿命进行综合预测。

2 Elman模型

Elman神经网络是一种典型的动态递归神经网络，它是在BP网络基本结构的基础上，在隐含层增加一个承接层，作为一步延时算子，达到记忆的目的，从而使系统具有适应时变特性的能力，增强了网络的全局稳定性，它比前馈型神经网络具有更强的计算能力，还可以用来解决快速寻优问题。

在Elman模型中输入层和输出层分别对应的是信号的传入和输出，隐含层对应的激活函数能够对信号实施必要的加权处理。在处理数据信息的时候可以采取加权计算方式，也可以采取线性计算方式。

在木构古建筑寿命模型分析的过程中，上下文层的使用作用是记忆隐含层前一个时间段的信号输出，也就是能够接收到隐藏层传递的反馈信号。和木构古建筑寿命BP神经网络模型相比，Elman模型在训练结束之后，T时刻状态层单元接收部分的隐含层反馈输出值会保留在t+1的时刻。

如何将Elman模型网络设置成线性输出和正切S形隐含层传递信号，并经过训练之后能够逼近任意的连续函数，具备反馈模式的Elman模型网络能够产生时间和空间两个模式状态，通过对系数的整合分析来打造出能够体现响应量和因子间函数关系的网络模型。

3 人工蜂群算法

人工蜂群算法是一种仿生类优化算法，被人们广泛的应用在木构古建筑寿命模型分析中。在人工蜂群算法中，会使用一个蜜源代表的函数源，蜜源的质量也充分体现了最优解的优劣，蜜源质量越高，对应解就会越优劣。

在人工蜂群算法中，蜂群由引领蜂、跟随蜂、侦查蜂共同组成，通过这三个蜂群的信息交流、转换能够有效解决木构古建筑寿命模型建设问题。

4 基于以上三种算法的木构古建筑寿命预测模型

文章以某歷史木构古建筑的21个构建模型数据信息作为基本参考，对木构古建筑的使用寿命进行预测分析，经过一系列的预测分析计算获得木构构件的剩余使用寿命，并基于以上几个算法开展木构古建筑寿命预测分析。

为了能够提升Elman模型网络收敛速度，避免网络格局陷入比较小的状态，在模型打造的过程中引入人工蜂群算法，借助人工蜂群算法的全局寻优能力对Elman模型的权限数值和阈值进行优化处理，打造人工蜂群-Elman模型，将打造好的人工蜂群—Elman模型应用到木构古建筑寿命预测分析工作中，旨在能够在以往的基础上进一步提升木构古建筑测试结果精准度。

人工蜂群—Elman混合模型的打造步骤如下所示：首先，打造出一个普通的Elman模型神经网络。其次，对人工蜂群模型 数据信息进行初始化处理，初始化过程中需要设定最大迭代次数。再次，引领蜂会通过一系列的搜索来获得新的蜜源，跟随引领蜂分享的蜜源信号找到蜜源。在这个过程中如果蜜源被抛弃，与之对应的引领蜂会转变为侦查蜂，对迭代进行更新处理，在k=k+1的时候判断这个时候的模型是否满足迭代设计要求，如果是满足的状态开始进行下一步的操作，反之则是对人工蜂群的数据信息进行重新初始化处理，设定参数，反复进行引领蜂的引领。最后，在经过一系列的操作之后输出人工蜂群算法最优解，打造人工蜂群—Elman混合模型。

5 人工蜂群—Elman混合模型的误差测试和分析

为了能够更好的描述木构古建筑寿命影响因素对古建筑寿命的影响，选择含荷载参数、环境参数、结构材料参数作为主要影响因素来打造出复合模型，将这些信息作为人工神经网络的输入因子，打造Elman模型、人工蜂群算法模型和神经网络模型。BP神经网络模型可以作为训练数据，包含15组;Elman模型能够对参数进行验证，包含3组;人工蜂群—Elman混合模型用来测试数据信息，评定模型数据应用是否精准。

在模型打造完成之后对比分析三个模型的收敛速度和结果，最终发现人工蜂群—Elman混合模型的收敛速度最快，且打造之后的模型性能最为理想。Elman模型的收敛速度和运行结果都要比BP网络神经模型差。为了能够进一步区分文章所研究所打造模型的优劣性，将各个模型中的各个参数预测结果和实际数值进行比较分析，并将分析数据信息打造出模拟图。

为了能够更好的对比分析三个模型预测精准度，打造出能够研究出各个模型差值的精准性垂直方图。人工蜂群—Elman混合模型预测的绝对误差整体上要小于另外两个模型数值，且绝对误差集中分布在86.28周围。人工蜂群—Elman混合模型在木构古建筑寿命预测问题上显示出良好的应用效果，且和单一性的模型相比，预测分析所获得的数据更加精准，收敛速度也更加明显。

6 总结

综上所述，人工蜂群—Elman混合模型和以往的木构古建筑寿命影响评估操作相比，在木构古建筑寿命影响评估中更具优越性。因此证明，人工蜂群—Elman混合模型函数具备较强的函数逼近能力，能够精准的反映出木构古建筑寿命研究中的各个隐函数关系。将其推广到一系列的古建筑属性预测分析工作中，可以更有效的解决工程实际应用问题。

参考文献：

[1]李鹏珊. 木构古建筑的可靠度评估及剩余寿命预测[D]. 河南大学，2014.

[2]瞿伟廉，王雪亮. 基于DOL强度衰减模型的古建筑木桁架的剩余寿命预测[J]. 土木工程与管理学报，2008，000（003）：1-4，9.

[3]瞿伟廉，王雪亮. 基于DOL强度衰减模型的古建筑木桁架的剩余寿命预测[C]// 全国结构计算理论与工程应用学术会议. 2008.

[4]路志宏，杜劲峰，郭春雨，等. 人工智能视频分析监管系统在工程防灾中的应用探索[C]// 第十六届空间结构学术会议论文集. 中国土木工程学会，2016.