基于BP神经网络的建筑工程绿色施工评价

摘 要：通过对绿色施工理论的探讨,构建了建筑工程绿色施工评价的指标体系.基于BP人工神经网络评价方法构建了建筑工程绿色施工评价模型,并运用该模型对一实际工程项目的绿色施工进行了模拟.

Abstract：Thisarticlediscussesthegreenconstructiontheoryandbuildsaconstructionprojectgreenconstructionassesentindexsystem.TheconstructionprojectgreenconstructionassesentmodelisbuiltbasedonBPartificialneuralwork,andthemodelisusedtosimulatethegreenconstructionofapracticalproject.

关 键 词：BP人工神经网络；绿色施工；评价方法

Keywords：BPartificialneuralwork；greenconstruction；assesentmethod

中图分类号：TU71文献标识码：A文章编号：1006-4311（2015）12-0005-04

0引言

随着我国建筑业的快速发展,建筑工程建设消耗自然资源和破坏生态环境的问题,已经引起了社会各界的广泛关注,建筑生产活动中的施工阶段是大规模地改变自然生态环境、消耗自然资源的阶段.针对该阶段进行控制和管理,实施绿色施工,可以有效改善建筑工程能耗大、破坏生态环境等的问题.近年来,绿色施工已经成为建筑工程的施工的主要趋势,我国已经在绿色建筑的评价体系研究方面取得了很多富有价值的研究成果,如建设部住宅产业化促进中心制定的《绿色生态住宅小区建设要点与技术导则》、《现代房地产绿色开发与评价》、《绿色奥运建筑评估体系》等,建设部发布的《绿色施工导则》中给出了绿色施工的定义,指工程施工过程中,在保证质量、安全等基本要求的前提下,通过科学管理和先进技术,最大限度地节约资源与减少对环境负面影响的施工活动,实现节能、节地、节水、节材和环境保护[1].以这些理论背景为基础,构建绿色施工评价指标体系,研究适用于绿色施工的评价方法对于推动绿色施工实践具有十分重要的意义.

人工神经网络,是利用计算机来模拟生物神经网络系统,通过模拟生物神经系统的工作机理,来抽取其活动过程中的可利用部分通过物理器件进行实现,也就是将生物细胞进行了数学化[2].目前比较常用的是BP（BackPropagation）神经网络算法.是一种基于逆传播原理的算法,由于它优秀的自学习、自联想功能,使得BP人工神经网络广泛的应用于非线性建模、函数逼近等方面.本文选择BP神经网络模型研究建筑工程绿色施工评价问题,能够模拟出专家对绿色施工评价的思维过程,大大提高工作效率,减少评价周期,避免评价过程中人为因素及模糊随机性的影响.

1建筑工程绿色施工评价指标

建筑工程绿色施工是一个多种因素相互影响作用的综合系统,建筑工程绿色施工评价工作的进行依赖于绿色施工评价指标的选取的有效性和准确性.本文参考了各位专家学者对绿色施工定义、框架划分及相关文献的研究,并听取了他们的意见建议,从建筑工程绿色施工的本质要求出发,将建筑工程绿色施工评价的总体目标分为施工技术、施工综合管理、各类资源及能源的使用、环境控制这4个指标.并结合对各类资源、能源的节约理念,环境保护目标,可持续发展原则,以人为本的价值观等将这4个一级指标细分为26个二级指标,从而建立了建筑工程评价指标体系,见表1.

2基于BP人工神经网络的建筑工程绿色施工评价模型

2.1BP人工神经网络的基本原理

BP神经网络的学习过程是由正向传播和反向传播两个阶段构成的,若给定一组样本的输入值和期望输出值,通过正向传播过程计算各节点之间的权值和阈值,然后通过将误差通过反向传播计算,实现对权值和阈值的调节,反复以上过程直到使输出值落到最终满意的误差范围内,达到网络训练的目的.其具体的计算过程这里以一个分别包含一个输入层、隐含层和输出层的三层的人工神经网络结构加以说明,如图1所示.

令wir表示输入层节点xi到隐含层节点yr间的连接权值,wrj表示隐含层节点yr到输出层节点zj间的连接权值,θr表示为隐含层节点的阈值,θj为输出层节点的阈值：

①给wir、θr、wrj、θj随机赋一个较小的值,其值一般在0到1之间.

②输入样本,设样本个数为P,样本模式为（A（k）C（k））（K等于1,2,等,P）,即由给定样本的输入值和期望输出值组成的矩阵.将A（k）的值x作为输入层节点的值,逐层按公式（1）、（2）所示依次进行正向的计算：

此处的E表示的是网络训练的目标误差函数（j等于l,2,等,n；k等于1,2,等,p）.

基于上述计算,就能把拟解决问题的特征值反应在权值和阈值上,然后就可以利用这组特定的值来求解实际问题的结果.

2.2面向MATLAB的BP网络评价模型设计

利用计算机软件―MATLAB神经网络工具箱中所具有的函数功能,可以将上诉神经网络的计算过程,通过调用函数来进行实现.

2.2.1样本数据的选取

以表1所示的建筑工程绿色施工评价指标体系为基础,对各定性指标采用专家评判法进行量化,将绿色施工水平从低到高依次划分为五个等级：低（0,0.2）；较低（0.2,0.4）；一般（0.4,0.6）；较高（0.6,0.8）；高（0.8,1）.通过组织专家对国内的15个项目的绿色施工水平进行评定,得到了这15个项目的绿色施工评价指标值,见表2.对表2中的数据进行归纳整理,征求各位专家的意见,得到建筑工程项目的绿色施工评价综合评分表,见表3.

2.2.2模型算法的实现

①确定BP网络结构各层神经元节点数.采用图1所示3层BP网络结构,输入层为各评价指标的评价值,共26个神经元节点,输出层表示对一个建筑工程绿色施工评价的综合结果,即只有一个神经元数值,根据经验公式和反复的迭代试验缺点隐含层神经元节点数目为19个.即本文研究问题的BP神经网络评价模型结构为28×12×1.

②对网络模型进行训练.将表2中前12组数据的专家打分值作为网络的输入节点值输入网络,将表3中的综合评定值作为这12组数据的期望输出值,使用MATLAB软件编程,MATLAB中的语言为：

MATLAB程序语言具体如下：

P等于[]'；

T等于[]；

（输入向量P和目标向量T的矩阵值）

threshold等于[]；

（设定网络输入向量的取值范围矩阵,一般单个输入向量的取值范围为[0,1]）

等于newff（threshold,[15,1],{‘tansig’,‘logsig’},‘traingdx’）；

（此语句创建BP神经网络,训练函数为traingdx函数；权值调节规则函数为learngdm函数；,各层激励函数类型为{‘tansig’,‘logsig’}）

.trainParam.epochs等于1000；

（设置网络的最大训练次数）

.trainParam.goal等于0.00001；

（设置网络的期望误差）

等于train（,P,T）；

（对创建的BP神经网络进行训练）

经学习训练后的网络输出结果见表4,它们与期望输出非常接近,绿色评价等级一致.网络训练结果如图2.

③对网络模型进行检测.将表2中后3组数据作为校验数据输入训练好的神经网络,MATLAB中的程序语言为：

P_test等于[]'；

（输入测试样本的矩阵值）

Y等于sim（,P_test）.

（对网络模型进行仿真）

得到的综合评价结果见表5.

由表5可见由训练好的神经网络得到的检测样本的实际输出值与期望值误差很小,且综合评价结果与专家评价结果一致.说明得到的神经网络所反映的输入与输出之间的关系是正确的,可以有效地应用于其他建筑工程项目的绿色施工评价.

3案例分析

某地区税务局的办公楼工程,规划用地约4300m2,地上九层、地下一层,建筑总高度34.5m,框架结构,建筑面积约为8989.44m2.由于该工程建设初期,建设单位、设计单位、监理单位对工程提出了一部分绿色施工要求,施工单位在建设过程中采用了大量的绿色施工新技术、新机械、新工艺.并针对保护环境采取了一定的技术措施,但由于施工工期安排较紧,人员培训不到位等因素的影响,在工程绿色施工方面还存在个别的问题,在对工程项目资料做了仔细研究和对工程项目相关人员进行了了解的基础上,给出了此工程项目绿色施工评价指标的的分值,见表6.

将表6中的数据输入已经训练成功的神经网络模型中,经网络计算,得到该项目绿色施工的综合评价得分为0.6084,属于绿色评价等级中的较高级别,此类工程项目可以在对施工人员进行培训,控制噪声和废水、废料,节约资源与能源方面做进一步的优化从而提高绿色施工水平.

4结论

本文构建了建筑工程绿色施工评价指标体系,并通过BP人工神经网络法,对建筑工程绿色施工进行了定量化的评价,通过样本的训练和检测验证了模型的有效性,训练好的网络可用于一般建筑工程项目的绿色评价中,可大大提高评价工作的效率,及其准确性、针对性.

[2]施彦,韩力群,廉小亲.神经网络设计方法与实例分析[M].北京：北京邮电大学出版社,2009.

[3]陈建国,闵洲源.基于BP人工神经网络的绿色施工评价方法研究[J].基建优化,2007,10（28）：169-172.

[4]牛建强.基于BP神经网络的超高层建筑绿色施工评价的研究[D].西安建筑科技大学硕士论文.西安：西安建筑科技大学,2011.

[5]李惠玲,李军,钟钦.基于灰色聚类法的绿色施工评价[J].工程管理学报,2012（2）：18-22.