基于神经网络的建筑施工质量评价

张敏

摘 要： 基于Bayes判别理论的施工质量评价方法存在施工质量评价精度低、无法直观描述施工质量的优劣情况等弊端，因此，提出基于BP神经网络的建筑施工质量评价方法，设计BP神经网络结构，基于该结构对BP神经网络算法进行推导，得到总量误差。为了避免总量误差出现反向扩散产生运算精度降低的问題，在BP神经网络的算法推导过程中采用误差函数梯度下降法，对神经元实施突出权值修正，主要修正隐含层[J]与输出层[M]权值以及输出层[I]与隐含层[J]的权值，对神经元权值进行修改时考虑到误差曲面的变化影响，提高BP神经网络的运算精度。采用修正后的BP神经网络算法对某建筑施工质量进行实际评价，得出的评价结果与预期结果相符，可实现对建筑施工质量的评价。实验结果说明，所提方法可以提高建筑施工质量评价精度，能准确、直观地反映施工质量的优劣，评价效果佳。

关键词： 建筑施工； 质量评价； BP神经网络； 梯度下降； 施工质量； 神经元权值

中图分类号： TN711?34； TU755 文献标识码： A 文章编号： 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

随着社会经济建设的不断壮大，建筑行业快速发展。建筑施工质量直接关系到人们的生命财产安全，也关系到建筑企业的长远发展，致使人们对建筑施工质量的关注度也越来越高[1]。加强建筑施工的质量管理、提高施工质量是建筑行业发展的基础。传统基于Bayes判别理论的施工质量评价方法存在施工质量评价精度低、无法直观描述施工质量的优劣情况等弊端[2]。针对该种现象，本文提出基于神经网络的建筑施工质量评价方法，提高施工质量评价精度，增强建筑物的整体建设质量，促使建筑企业能够长远发展。

1 基于BP神经网络的建筑施工质量评价方法

1.1 BP神经网络结构设计

由输入层、输出层和隐含层构成的BP神经网络中的隐含层可以为一层或多层结构，图1为一般状况下的BP神经网络结构。

1） 输入层负责BP神经网络变量的输入，输入主要为神经元，且神经元的数量根据具体的实际问题而定，输入变量通常为线性传递函数。

2） 隐含层为神经元间的工作提供场所，其与外界环境无明显关系[3]，但直接决定BP神经网络的输出结果，隐含层对非线性函数进行转化。

3） 输出层采用非线性转化函数将神经网络的输出结果控制在固定范围[4]，本文BP神经网络建筑施工质量评价方法采用双弯曲函数：

式（1）和式（2）表示BP神经网络输出结果的范围，该函数是一种连续的非递减函数，其取值范围在[0，1]和[-1，1]之间。

1.2 BP神经网络算法

标准的BP神经网络算法也称最快下降BP算法，根据图1中BP神经网络结构对BP神经网络算法进行推导，推导过程如下：

本文BP神经网络结构中输入层的神经元有[I]个，其中任意一个神经元用[i]表示；隐含层的神经元有[J]个，其中任意神经元用[j]表示；输出层的神经元有[M]个，且任意神经元用[m]表示。输入层中的神经元[i]与隐含层中的神经元[j]的突出权值用[Wij]表示；神经元[j]输出层[m]的突出权值用[Wjm]表示。

本文为使BP神经网络算法方便推理，对神经元的激励均采用Sigmoid函数。设置建筑施工数据样本输入集合是[Xk=X1，X2，…，XN]，神经元输入用[u]表示；对样本集合中的某个样本[Xk=xk1，xk2，…，xkNT]实施训练[5]，其中[k=1，2，…，N]，数据输出为[Yk=yk1，yk2，…，ykNT]，激励函数输出用[v]表示；期望得到的建筑施工质量评估结果为[dk=dk1，dk2，…，dkNT]。假设迭代次数为[n]，输出结果是与[n]有关的函数。

通过对BP神经网络算法的推导，得到式（15）和式（22）的隐含层[J]与输出层[M]权值修正结果和输出层[I]与隐含层[J]的权值修正结果。

本文采用的BP神经网络算法为标准算法，利用梯度下降函数对神经网络权值进行控制，采用梯度下降法对梯度方向进行调整，大大降低神经网络训练时发生的动荡概率，提高神经网络的收敛效率[9]，对建筑施工质量评价的准确度较高。本文方法在对神经网络权值进行修改时还考虑到误差曲面的变化影响，对施工质量评价时评价角度也有所增加，因此本文采用修正后的BP神经网络对建筑施工质量进行评价。

1.3 基于神经网络的建筑施工質量评价

本文采用上述修正的BP神经网络方法对某建筑公司收集的25个民用住宅进行建筑工程质量评价，[U]表示对建筑物进行施工质量评价的节点，表1为建筑中的混凝土质量评价数据，设置BP神经网络的学习系数是[η=0.85]，采用本文方法经过4 000次的计算，通过Borlan C++ 语言编程，得到该建筑公司混凝土质量评估结果，如表2所示。为了便于数据处理，设置评估结果优为1.1，良为0.9，中为0.7以下，从表2输入、输出对照结果可以看出，实际输出结果与期望结果差别较小，说明本文BP神经网络具有较好的学习能力，对输入数据的处理结果较准确，可以进行建筑施工质量评价[10]。采用本文方法得出的建筑施工质量评价结果与预期结果相符，说明本文方法对建筑施工质量具有准确的评估能力。

2 实验分析

2.1 施工质量评价准确性

实验采用本文方法对某建筑工程质量进行仿真评价，以验证本文算法对建筑施工质量评价的准确性。工程1和2均为同一个小区的工程，因此工程规模、建筑结构和训练样本大小情况一致，工程1得分0.1即为施工质量合格，工程2施工质量为优时得分为0.5，实验收集工程1和工程2的相关数据如表3所示。

将从表3得到的归一化的数据处理结果转换为矩阵，并将矩阵输入本文神经网络中，将工程1和工程2的处理结果保存为数据1和数据2，利用训练好的network1进行实验仿真，仿真结果如图2所示。

点击仿真界面中的Simulate Network对工程1和工程2中的数据1和数据2进行仿真，输出结果保存为Network?outputs1和Network?outputs2，得到工程1和工程2的仿真结果。能够看出，本文方法对工程1的评价仿真结果为[0.091 523]，与施工质量标准0.1的差为[（0.1-0.091 523）0.1=]8.477%；本文方法对工程2仿真结果为0.482 643，与施工质量标准0.5的差值为[（0.5-0.482 643）0.5=]3.471 4%。由仿真结果可知，本文方法对该建筑工程质量实施评估的实验值与实际值相差较小，能够满足建筑施工的精度需求，且反映出该类型建筑的工程质量规律。

2.2 施工质量评价

实验采用本文方法以朝阳雅园为例进行各项部分施工质量评价，表4为采用本文方法的施工质量各项评分汇总结果。

从图3可以清晰地得出，采用本文方法的各项建筑施工质量评分结果均达到60分以上，说明采用本文方法能对建筑施工的各方面进行有效评分。从图4可以看出，采用本文方法得到的建筑施工综合评价结果和一级指标的评价结果均要高于预期的分数，证明本文方法可以整体从不同方面对建筑进行施工质量评价，且评价效果也比较突出。采用BP神经网络对建筑施工质量进行评价，对建筑物不同层面进行评价，能准确、直观地反映施工质量的优劣，有利于提高建筑工程整体的建设质量。

3 结 论

本文设计了基于神经网络的建筑施工质量评价方法能够提高施工质量评价精度，增强对建筑物的综合质量评价效果，实现高效率的建筑施工质量评价。

参考文献

[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神经网络的手写数字识别的算法[J].自动化技术与应用，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] 伍华丽，任心怡.基于模糊约束的数据库特定数据挖掘算法[J].计算机仿真，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] 许金普.基于MMSE谱减算法的农产品市场信息语音识别技术[J].河南农业科学，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.