喬 亮 王承偉

(1.廣州民航職業(yè)技術(shù)學(xué)院航空港管理學(xué)院，廣東廣州 510403;2.中國建筑業(yè)協(xié)會，北京 100081)

0 引言

隨著機(jī)場設(shè)施建設(shè)規(guī)模的不斷增大，機(jī)場建設(shè)中的工程質(zhì)量問題變得越來越突出。為了保證工程質(zhì)量，人們十分重視對工程質(zhì)量的控制措施，且在不斷探索改進(jìn)工程質(zhì)量管理的有效方法［1］，從而使機(jī)場工程的質(zhì)量水平不斷提高。

現(xiàn)有的質(zhì)量預(yù)控方法較多，常見的有:統(tǒng)計(jì)學(xué)方法、模糊數(shù)學(xué)法等，雖然也能解決一些實(shí)際問題，但由于自身的缺陷，解決的問題難免有所局限［2］。在這種情況下，神經(jīng)網(wǎng)絡(luò)技術(shù)由于其獨(dú)特的優(yōu)點(diǎn)逐漸被人們應(yīng)用到工程施工質(zhì)量控制中。

1 BP神經(jīng)網(wǎng)絡(luò)理論

1.1 經(jīng)典BP神經(jīng)網(wǎng)絡(luò)算法

誤差反向前饋網(wǎng)絡(luò)(Back-Propagation)是典型的前饋網(wǎng)絡(luò)［3］，其算法的基本思想是:誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)是一種具有三層或三層以上的階層神經(jīng)網(wǎng)絡(luò)。典型的BP網(wǎng)絡(luò)是三層，即:輸入層、隱含層和輸出層，各層之間實(shí)行全連接［4］。

1.2 經(jīng)典BP算法缺陷

經(jīng)典BP算法雖然具有廣泛的實(shí)用性，但其由于自身缺陷存在以下幾個問題:

1)容易陷入局部極小點(diǎn)，使算法不能收斂;

2)因反傳修改權(quán)重使收斂速度異常緩慢;

3)隱層數(shù)和隱層節(jié)點(diǎn)數(shù)由于無成熟理論指導(dǎo)而難以確定;

4)學(xué)習(xí)、記憶性較差，添加新記憶模式時要重新訓(xùn)練。

1.3 本文算法的改進(jìn)

針對于BP算法收斂速度慢的缺陷，本文采用對學(xué)習(xí)步長加入動量項(xiàng)的措施加以解決，動量項(xiàng)在每個權(quán)重的調(diào)節(jié)上加上一項(xiàng)正比于前一次權(quán)重的調(diào)節(jié)量的值為:

加入動量項(xiàng)后，使得權(quán)重的調(diào)節(jié)向著底部平均方向變化，即動量項(xiàng)起到緩沖與平緩的作用，這樣就起到了調(diào)節(jié)網(wǎng)絡(luò)的收斂速度。

隱節(jié)點(diǎn)數(shù)的多少對網(wǎng)絡(luò)性能的影響較大，當(dāng)隱節(jié)點(diǎn)數(shù)太多時，會導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)時間過長，甚至不能收斂;而當(dāng)隱節(jié)點(diǎn)數(shù)過小時，網(wǎng)絡(luò)的容錯能力差。利用逐步回歸分析法，并進(jìn)行參數(shù)的顯著性檢驗(yàn)來動態(tài)刪除一些線性相關(guān)的隱節(jié)點(diǎn)。節(jié)點(diǎn)刪除標(biāo)準(zhǔn):當(dāng)由該節(jié)點(diǎn)出發(fā)指向下一層節(jié)點(diǎn)的所有權(quán)值和閥值均落于死區(qū)(通常取±0.1，±0.05等區(qū)間)之中，則該節(jié)點(diǎn)可刪除。最佳隱節(jié)點(diǎn)數(shù)P一般取:

其中，n為輸入節(jié)點(diǎn)數(shù);m為輸出節(jié)點(diǎn)數(shù);c為介于1～10的常數(shù)。

2 水泥混凝土質(zhì)量預(yù)測模型的建立

2.1 水泥混凝土面層強(qiáng)度指標(biāo)分析

影響混凝土強(qiáng)度的因素包括水泥的強(qiáng)度等級，水灰比，水的用量，水泥用量，粗集料的最大尺寸，骨料體積率，粗集料壓碎值，粗集料中針片狀顆粒含量，砂的細(xì)度模數(shù)，砂率，集灰比(集料與水泥的重量之比)，坍落度，外加劑的用量，外加劑的作用效果，成型條件，養(yǎng)護(hù)條件和測試條件等。其中的成型、養(yǎng)護(hù)和測試條件等3個因素在標(biāo)準(zhǔn)養(yǎng)護(hù)下，須符合規(guī)范要求，可視為不變的量。于是其余的14個因素在混凝土強(qiáng)度的形成中起決定性作用。這些因素和混凝土強(qiáng)度之間存在著復(fù)雜的非線性關(guān)系，利用BP網(wǎng)絡(luò)構(gòu)建預(yù)測模型，就是以14個影響因素分別對應(yīng)BP網(wǎng)絡(luò)輸入層的14個節(jié)點(diǎn)，網(wǎng)絡(luò)的輸出層則有2個節(jié)點(diǎn)，即混凝土28 d的抗折強(qiáng)度和抗壓標(biāo)準(zhǔn)值。

2.2 指標(biāo)體系的優(yōu)化

對于一個質(zhì)量預(yù)控體系來說，初選指標(biāo)的優(yōu)化是一個重要的步驟。選擇一個合理的優(yōu)化方法，能有效解決訓(xùn)練速度過慢及訓(xùn)練過飽和等問題。

本文采用主成分分析法，將樣本輸入數(shù)據(jù)進(jìn)行主成分變換，并通過主成分累計(jì)貢獻(xiàn)率預(yù)設(shè)的臨界值，確定前k個主成分，達(dá)到優(yōu)化目的，可以作為下一步神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本。

2.3 輸入數(shù)據(jù)預(yù)處理

由于在網(wǎng)絡(luò)訓(xùn)練和仿真中使用的傳遞函數(shù)Sigmoid函數(shù)，它對輸入、輸出數(shù)據(jù)的范圍有一定的限制:要求輸入到神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)不能過大或過小，要求輸出數(shù)據(jù)以［0，1］之間的數(shù)據(jù)形式表示，所以要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化或歸一化處理。

本文將采用除以10的整數(shù)倍歸一化方法，由于每個指標(biāo)有不同的量級，用10的整數(shù)倍除以各指標(biāo)數(shù)據(jù)，使其范圍在0～1之間，達(dá)到標(biāo)準(zhǔn)化的目的并避免了約數(shù)的產(chǎn)生:

2.4 網(wǎng)絡(luò)參數(shù)的選取

本文隱含層選取的激活功能函數(shù)為Log-Sigmoid函數(shù)，輸出層功能函數(shù)為Liner函數(shù);算法選用Resilient Backpropagation算法;性能調(diào)節(jié)函數(shù)選取msereg函數(shù);學(xué)習(xí)函數(shù)選取Learngdm函數(shù)。n

2.5 網(wǎng)絡(luò)的訓(xùn)練

已建立的神經(jīng)網(wǎng)絡(luò)模型必須經(jīng)過訓(xùn)練才能應(yīng)用于道面混凝土強(qiáng)度的預(yù)測中，訓(xùn)練的目的就是通過已有的工程施工數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)反復(fù)迭代，讓神經(jīng)網(wǎng)絡(luò)自己學(xué)習(xí)輸入和輸出的學(xué)習(xí)規(guī)則，最終建立所需的映射關(guān)系。

在此，人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)采用改進(jìn)的BP算法，通過改進(jìn)的BP算法對人工神經(jīng)網(wǎng)絡(luò)權(quán)值的優(yōu)化來訓(xùn)練網(wǎng)絡(luò)。

當(dāng)達(dá)到預(yù)先設(shè)定的誤差或訓(xùn)練次數(shù)時，訓(xùn)練會自動停止，賦予各指標(biāo)權(quán)重合適的權(quán)值。

2.6 強(qiáng)度預(yù)測

訓(xùn)練好模型以后，將新的混凝土強(qiáng)度的特征信息經(jīng)預(yù)處理以后輸入到網(wǎng)絡(luò)，得到的結(jié)果即是預(yù)測強(qiáng)度。

3 應(yīng)用實(shí)例分析

3.1 選擇應(yīng)用數(shù)據(jù)

選擇某高等級公路16個有關(guān)指標(biāo)的33組數(shù)據(jù)(略)作為用于網(wǎng)絡(luò)的訓(xùn)練，與此同時，使用天津機(jī)場擴(kuò)建工程第二跑道道面施工中所做配合比試驗(yàn)中的數(shù)據(jù)，用來對訓(xùn)練好的網(wǎng)絡(luò)模型作驗(yàn)證(略)。

3.2 輸入數(shù)據(jù)優(yōu)化分析

將上述所有數(shù)據(jù)合并，在MATLAB上將上述數(shù)據(jù)存入一個38-by-14階的矩陣cement。執(zhí)行命令:

計(jì)算結(jié)果發(fā)現(xiàn)，第14個指標(biāo)標(biāo)準(zhǔn)差為0，對混凝土強(qiáng)度沒有任何影響，故刪除之。余下的13個指標(biāo)存入矩陣cement1。

將矩陣cement1中對應(yīng)的每列向量(對應(yīng)每個指標(biāo)的輸入數(shù)據(jù))，除以相應(yīng)的標(biāo)準(zhǔn)差。這主要避免由于量綱的不同，造成的分析差異?？赏ㄟ^執(zhí)行命令:

對變換后的數(shù)據(jù)矩陣sr進(jìn)行主成分分析?？稍贛ATLAB上執(zhí)行如下命令:

在這里，方差貢獻(xiàn)率的大小表示相對應(yīng)的主成分對混凝土強(qiáng)度的反映能力。由優(yōu)化后的結(jié)果可知，后面一些主成分對混凝土強(qiáng)度的反映程度較小，我們選擇累計(jì)方差貢獻(xiàn)率達(dá)到95%為臨界點(diǎn)，則選取前7個主成分為BP網(wǎng)絡(luò)的輸入，即可基本刻畫相應(yīng)的輸出結(jié)果。

3.3 輸出數(shù)據(jù)標(biāo)準(zhǔn)化

由選取的數(shù)據(jù)可知，混凝土抗壓強(qiáng)度數(shù)值范圍為10～50之間，抗折強(qiáng)度為3～6之間，計(jì)抗壓強(qiáng)度為，抗折強(qiáng)度為33)，對輸出數(shù)據(jù)進(jìn)行“壓縮”和作為網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)的樣本。

3.4 模型訓(xùn)練

經(jīng)上述分析可知，確定模型最終輸入節(jié)點(diǎn)為7，輸出節(jié)點(diǎn)為2，隱含層節(jié)點(diǎn)由公式(1)計(jì)算為12。

在MATLAB工具箱中輸入訓(xùn)練數(shù)據(jù)，并且輸入?yún)?shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，經(jīng)過3 000次的訓(xùn)練以后，誤差曲線已經(jīng)平穩(wěn)，說明網(wǎng)絡(luò)模型全局誤差已經(jīng)收斂，網(wǎng)絡(luò)訓(xùn)練結(jié)束后，可以進(jìn)行下一步的預(yù)測。

3.5 模型驗(yàn)證

將表1中的數(shù)據(jù)輸入到訓(xùn)練好了的網(wǎng)絡(luò)中，就可得到預(yù)測混凝土強(qiáng)度值，預(yù)測值與實(shí)測值對照見表1。

表1 實(shí)測和預(yù)測強(qiáng)度對照表 MPa

由表1可以看出，預(yù)測結(jié)果能較好的反映出混凝土28 d的強(qiáng)度，抗折強(qiáng)度的增長與抗壓強(qiáng)度的增長正比關(guān)系不明確，說明影響二者強(qiáng)度的主要因素不完全相同。所以在實(shí)際施工中，我們不能僅通過一種強(qiáng)度的明顯提高，來實(shí)現(xiàn)另一種強(qiáng)度的顯著提高。只有通過合理的材料配合，才能使兩者同時達(dá)到令人滿意的結(jié)果。

4 結(jié)語

混凝土道面作為飛行區(qū)最為重要的設(shè)施之一，其工程質(zhì)量影響著飛機(jī)起降和滑行安全，通過應(yīng)用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型，可以對施工工序和施工方案進(jìn)行預(yù)先評價和檢驗(yàn)，在施工前就能消除各種不利因素，指導(dǎo)技術(shù)和施工人員按照合理的施工工序和施工方案進(jìn)行施工［5］，以提高效率。在今后實(shí)踐中，可不斷的調(diào)整、完善模型，使預(yù)測結(jié)果更加符合實(shí)際情況。

［1］戚振強(qiáng).建設(shè)工程項(xiàng)目質(zhì)量管理［M］.北京:機(jī)械工業(yè)出版社，2004.

［2］George J，Ritz.Total Construction Project Management［J］.Mc Graw-Hill，Inc，1994(5):15-17.

［3］焦李成.神經(jīng)網(wǎng)絡(luò)系統(tǒng)理論［M］.西安:西安電子科技大學(xué)出版社，1990.

［4］王要武.人工神經(jīng)網(wǎng)絡(luò)在建筑管理中的應(yīng)用［J］.哈爾濱建筑大學(xué)學(xué)報，2001，34(5):103-107.

［5］LarS，Serra M.Concrete Strength Prediction by Means of Neural Network［J］.Construction and Building Materials，1997(11):98.