基于Web-BIM的装配式建筑结构选型智能决策支持方法

王彩雪，

(西安欧亚学院 人居环境学院，陕西 西安 710065)

决策支持技术[1]包含计算机、人工智能以及多媒体网络等多个高新技术，通过辅助支持组织决策活动或业务，实现人工思维与决策计算的相辅相成。飞速发展的通信技术推动决策活动迈入了更新一级的时代格局，在科学化、程序化的阶段中稳步前进，智能决策支持技术油然而生。该项技术凭借定性分析与不定性推理[2]的显著优势，使经验知识得到充分利用，进一步深化了人工思维与决策计算的融合程度，并在各大领域中广泛应用。

文献[3]针对电力领域的变压器，为获取全寿期内工作的理论指导，基于分布式物理架构，利用智能代理技术设计一种全维度智能决策支持系统；文献[4]面向交通领域的铁路运营方面，采用统计分析工具与机器学习，挖掘运营数据，根据列车时空分布模型，完成实时的智能调度决策支持。

国民经济跨越式上升，多样化建筑鳞次栉比，装配式建筑对工业化进程与建筑业发展规划有着一定的影响力，因此本文就装配式建筑结构选型，设计了智能决策支持方法。建筑信息模型是建筑行业中应用价值较高的创新技术之一，由于其多以对软硬件与用户限制性较高的C/S架构为主，阻碍了该项技术的普及度，因此，引入Web端实现建筑模型可视化，满足建筑从业人员的潜在需求。

1 建立用于智能决策支持的Web-BIM平台

装配式建筑的施工过程不仅工艺繁杂而且规模较大，为充分发挥建筑信息模型技术价值，基于Web万维网[5]建立Web-BIM平台，实现全生命周期的信息集成与管理，以及建筑信息与工程数据在云端上的资源共享。

如图1所示，该平台框架由扩展应用模块、平台模块、数据模块、数据源以及有关软件构成，各模块主要作用如下所述。

图1 Web-BIM平台框架示意图

(1)扩展应用模块：该模块是在建筑信息与工程信息数据库的基础上，利用Web浏览器呈现出供用户操作的界面。使用者在门户网站上完成界面登录后，即可不受区域、时间限制，实时获取相关信息。扩展应用模块的作用通过互联网技术与WebGL技术[6]共享工程信息与建筑模型信息。

(2)平台模块：该模块的作用是管理Web三维模块浏览与数据库后台服务。前者利用WebGL技术渲染、呈现建筑信息模型，后者则通过管理资料数据，协调建筑各参与方的工作，实现动态管理。平台模块在构建阶段应着重于三个关键点：降低文件内存，保证Web网页中建筑信息模型的展示质量与操作流畅度；利用标签联立建筑模型构件与工程信息的关系，提升资料检索速度；针对使用者角色提供不同登录账号与管理权限，确保Web-BIM平台上的不同使用者安全地实现信息共享。

(3)数据模块：该模块采用不同的存储管理方式对各个构成数据类型进行管理：结构化建筑模型数据由工业基础类标准[7]数据库管理，非结构化文档数据由文档管理系统存储，组织与过程数据由对应数据库管理。该模块的主要作用是实现基础数据、建筑模型数据与工程信息的储存。

(4)数据源：面向数据库的导入结构要求，在数据源阶段，将多类初始数据转换成工业基础类标准格式，并进行类别划分处理，降低资料查询、共享等功能的实现复杂度。

2 装配式建筑整体结构选型智能决策支持

针对装配式建筑结构的复杂性与工程环境的不确定性，引入具有强大模糊信息处理能力的人工神经网络[8]，实现此类建筑结构选型的智能决策支持。

2.1 后向传播神经网络模型

利用人工神经网络神经元的非线性变换单元，架构如图2所示的三层后向传播神经网络。

图2 后向传播神经网络基本图

其中，隐含层作为关键层，数量需按问题复杂度与精准度需求设定；问题有多少变量或影响因素，输入层就有多少个节点，经网络解决后，该问题有多少个方案，输出层就有多少个节点。各层数量设定、变换函数选取以及样本处理等具体方法如下所述。

(1)隐含层层数：根据待模拟的函数非线性问题复杂程度，明确隐含层层数。通常当隐含层仅有一个时，只要其节点个数足够多，也足以应对相对复杂的问题；若存在两个隐含层，则该网络将不再受复杂度限制，可任意使用。

(2)隐含层节点数量：在问题映射关系复杂等级不变的前提下，隐含层层数与其节点数呈负相关。假设输入层节点有N个，则三层网络的隐含层节点一般为2N+1；四层网络中，输出层的节点数量通常是第二个隐含层的一半。

(3)输入层节点数量：根据待解决问题的关键影响因素个数明确输入层节点数量。

(4)输出层节点数量：极大程度减少需要在一次计算中就完成的问题个数，并将其作为输出层节点数量。

(5)变换函数：选取具备梯度搜索功能的sigmoid函数[9]作为网络变换函数，利用其单调递增的非线性函数曲线来反映神经元饱和属性。如图3所示，其定义域是[0,1]。

图3 sigmoid变换函数

(6)样本选取与归一化处理：针对精准性与代表性两项原则选取样本，保证样本准确无误且具有典型性和说服力较高。为确保变量能够有效输入网络，应将输入变量归一化至[0,1]范围中，还原网络运算后的结果进行输出。sigmoid函数在a、b区间处趋于无穷，产生收敛时间较长或不收敛现象，故尽可能将样本的归一化范围设定在除两区间外的其他定义域部分。

2.2 神经网络模型学习

为确保决策支持智能化，设计双向传播的有监督学习算法。其中的反向传播是通过调整各节点权重来获取期望值。

2.2.1 正向传播有监督学习算法

以四层神经网络为例，其学习算法中的正向传播步骤如下所述：

(1)假设输入层存在N个节点，令任意节点i的输入与输出相等，即

xi=Oi

(1)

式中：xi为输入层节点i的输入；Oi为该节点输出。

(2)如果首个隐含层的节点个数是N′，该层节点j与输入层节点i间的连接权重用wij表示，节点j的阈值是θj，sigmoid型函数用f(·)表示，则第一个隐含层节点j的输入xj与输出Oj表达式如下所示：

(2)

(3)

(3)已知第二个隐含层的节点数量是N″，则对于任意节点k的输入xk与输出Ok，采用下列计算公式解得：

(4)

(5)

式中：两隐含层节点j与k间的连接权重为wjk；节点k的阈值为θk。

(4)将输出层节点数量设定为N‴，层中任意节点l的阈值是θl，其与隐含层节点k间的连接权重为wkl，则节点l的输入xl与输出Ol表达式如下所示：

(6)

(7)

(8)

2.2.2 反向传播有监督学习算法

按照偏差E的负梯度方向，调整网络权阈值，创建下述反向传播学习算法流程：

(9)

(10)

(11)

(12)

(13)

(14)

(15)

利用结构参数、节点特征均已明确且经过学习的神经网络，同步完成网络知识表示与获取，根据网络的取值特点，将决策事实或假设划分成非顺序取值与顺序取值。在影响决策支持的多个因素中，非顺序取值中包括建筑模型结构精细度、知识完整度、结构性能表现、结构创新技术以及结构构件质量、整体施工工艺等，顺序取值中则含有结构施工价格、结构各部分物理参数等影响因素。神经网络的知识处理过程如图4所示。

图4 知识处理过程示意图

3 实验验证

3.1 装配式建筑结构工程概况与结构相关技术参数

从占地面积约为十万平方米的一个建筑项目中，选取一个建筑面积2 165 m2的单体9层装配式建筑结构作为研究对象，此建筑项目建设工期近三年，合同金额约为两个亿。经实地调查后，选取三种主要建筑结构展开智能决策支持方法的有效性验证，即：框架-剪力墙、剪力墙以及钢筋混凝土框架等结构。各结构主要参数如表1所示。

表1 三种建筑结构技术参数

3.2 智能决策支持方法性能研究

将相关建筑信息、项目时间、合同金额以及实地调查结果输入至所提智能决策方法内，经数据处理输入神经网络中训练求解，输出结果为框架-剪力墙结构是最佳方案。为检验本文方法选型结果是否正确，先从结构位移反应验证所提决策支持方法下框架-剪力墙结构抗震性优劣，再结合价值指数加强验证结果的可靠性与说服性。

3.2.1 抗震性分析

图5所示为地震作用下三种结构不同方向上的最大层间位移情况，根据表2所示的不同结构限值规范[10]要求可以看出，三类结构均无薄弱层，符合安全设计理念，但框架-剪力墙结构的层间位移角较其他两种结构远小于规定限值，且最大层间位移量也更低。该实验从结构的抗震角度验证了本文方法选定的框架-剪力墙结构是最佳方案。

图5 三种结构最大层间位移示意图

表2 三种建筑结构对应规范限值

3.2.2 价值指数分析

经分析图6中三类结构全生命周期的价值指数可知，钢筋混凝土框架结构成本系数极高，而且功能系数与价值指数两项指标极低，而框架-剪力墙结构的成本系数虽然不是最低的，但另外两指标数值均为最大值，故从综合角度可知，框架-剪力墙结构为最佳结构。该实验进一步全面性地验证了本文方法决策的准确性。

图6 全生命周期价值指数柱形图

4 结 论

建筑业正朝着绿色化与现代化方向发展转型，作为建筑优化的关键环节，结构选型对建筑整体性能起着规范、控制等重要作用，近年来，装配式建筑也逐渐成为建筑领域的关注焦点。为此，本文面向此类建筑，得到一种具备有效择优能力的智能决策支持方法，其有待完善之处主要有以下几个方面：应深入学习建筑结构的相关知识，获取更全面的决策影响因素，让此方法适用于更多类型建筑；基于Web-BIM平台建立决策支持系统，通过建筑全生命周期信息的追踪功能，满足信息化的技术需求；下一阶段应增加平台交互性，实现建筑模型的移动拆解等功能；针对多种建筑结构展开实验，优化方法性能，拓展其市场应用前景。