基于关联规则挖掘的消费者关注的建筑质量通病问题预警及应用分析

梁梦玉，肖 汉，高建义

（深圳瑞捷工程咨询股份有限公司，广东 深圳 518129）

0 引言

近年来，由于城市化进程放缓，房屋住宅由增量向存量转变，住宅市场对品质的要求愈加严格。与此同时，工程质量问题频发，导致小业主对于户内观感质量缺陷投诉频繁。第三方评估作为甲方采取的监管手段之一，通过定期或者不定期检查，对施工过程中的质量问题进行监督和改进，为工程质量的提升起到了积极作用。但部分工程质量问题发生后的整改工作直接影响到工程进度，造成经济损失，而目前的评估模式仍局限于“发现问题，解决问题”的“诊断”作用，缺乏预警功能。因此，以提高评估工作的预见性为目的的大数据质量风险动态预警模型具有极高的商业价值。

工程质量的管控是一个由多方协作的复杂过程，对于房屋渗漏、开裂、空鼓等倍受消费者关注的质量通病，涉及到人、机械、材料和环境等多方因素的影响。不可否认，工程施工工艺环环相扣，质量通病问题的发生与前序施工管理过程有密不可分的关系。若能通过对评估大数据质量通病背后的影响因素进行挖掘，研究前序施工工艺与质量通病的密切程度，将起到对质量通病问题进行洞察和预警的作用。

基于大数据挖掘技术的风险预警已经在电子商务、金融、天气预报等信息化程度很高的领域得到了广泛的应用。在其他信息化相对不高的农林，工程等领域，也有一定的应用价值。如邱明月利用 Apriori 算法分析草原火灾案件的具体特征与影响因素之间的关联特征，对案件的相关因素与犯罪行为进行关联规则挖掘，为公安机关提供可参考的办案思路与建议［1］。许未等基于 Apriori 的关联规则算法构建出铁路事故致因网络，从而探寻各因素之间的复杂关联关系［2］。

本文利用关联规则研究和挖掘过程评估中的检查项分别与揭示开裂、空鼓、渗漏问题的检查项之间的关联。针对揭示开裂、空鼓、渗漏问题的检查项，筛选与其有较强关系的前序施工工艺类型，并将该关系量化。

1 数据挖掘算法

数据挖掘（data mining）是一个跨学科的计算机科学分支。它是用人工智能、机器学习、统计学和数据库的交叉方法在相对较大型的数据集中发现模式的计算过程。数据挖掘过程的总体目标是从一个数据集中提取信息，并将其转换成可理解的结构，以进一步使用。

1.1 关联规则挖掘

关联规则挖掘是数据挖掘中最活跃的研究方法之一，是一种在大型数据库中发现变量之间的有趣性关系的方法。它的目的是利用一些有趣性的量度来识别数据库中发现的强规则。最早是由 Agrawal 等人针对购物篮分析问题提出的，其目的是为了发现交易数据库中不同商品之间的联系规则。购物篮子里记录的是一次交易中商品的类别，通过分析大量的交易数据得出这些商品在每次购买行为中出现的规律。

关联规则属于描述性数据挖掘算法，是一种基于无监督学习的算法。与序列挖掘相比，关联规则学习通常不考虑在事务中、或事务间项目的顺序。关联规则有效性的度量主要有两个指标，支持度和置信度。支持度是规则能涵盖的交易次数的百分比，置信度是指基于前项的条件概率的估计。由于算法会产生大量的可能规则，因此通常采用最小支持度和置信度的阈值来筛选有效规则，缩小可选规则的范围。

关联规则在交易数据库中的应用场景与评估得分数据库很相似。购物篮分析的是每一次交易中的商品数据，而检查项关联度分析的是每一个项目中检查项之间的关系。评估体系中的最细颗粒度－检查项的评分从各维度、各阶段详细地反应了项目的工程质量水平。因此，分析检查项之间的关联关系可以深入洞察工程质量缺陷的内在规律。

1.2 Apriori 算法

Apriori 算法的优点在于基于先验性质来减少频繁项集产生时需要探查的候选集的个数。先验性质主要分为：①若X为频繁项集，则X的所有子集都是频繁项集；②若X为非频繁项集，则X的所有超集均为非频繁项集。

2 基于 Apriori 算法的关联规则的评估数据库应用

2.1 数据集与数据预处理

数据集来源为深圳瑞捷工程咨询股份有限公司数据仓库中 2018－2019 年过程评估原始评分数据，包括实测实量和质量风险两部分。该数据集为将各房企体系的原始评分根据同一标准对照后的数据。从原始数据集里仅选取包括项目 ID，行业指标名称和指标得分特征这 3 组变量。根据选择的算法和项目的目标，将指标得分特征下的检查项类别设置为新的变量特征，得到结构为［项目 ID，检查项类别 1 得分，检查项类别 2 得分，…］的数据宽表。每个检查项类别的得分为质量风险和实测实量根据国标计算后的加权平均分。

结合算法的要求和项目的目的，需要首先对数据进行离散化处理。即，将检查项的评分值按照临界值 0.9 处理为两种类别：“做得好”和“做得差”。由于工程施工的规律和评估业务的特性，此宽表存在大量缺失数据。为避免数据处理给分析过程带来噪声，结合业务逻辑，将所有缺失值处理为 0 值。

2.2 算法应用结果展现

将“渗漏”“空鼓”和“开裂”相关的检查项分别挑选出来进行算法实施，并根据设定的支持度和置信度阈值对 Apriori 的算法结果进行筛选。为了尽可能使得结果涵盖三个方面的质量通病，算法采用了不同的阈值。同时，为了起到预警的作用，要求所筛选的前项检查项必须不发生在目标检查项的施工阶段之后。揭示“渗漏”问题的检查项有 3 项，揭示“空鼓”问题的检查项有 6 项，揭示“开裂”问题的有 3 项。设定的支持度（计数）和置信度列表如表 1 所示。

表1 算法参数设置

运行算法后得到 241 符合参数要求的规则，并经工程逻辑判定后得到共 47 条有效的强规则。分别挑选部分最强有效规则列表（见表 2）。其中，支持度（support）代表前项检查项和后项检查项在数据集所有项目中同时发生问题的概率；置信度（confidence）表示后项基于前项发生问题的条件概率，表示该规则相信程度；提升度（lift）表明前项和后项之间的相关性。若提升度＞1，则表明该规则有效，前项和后项具有正相关性。

由表 2 的关联规则列表可知，若主体结构施工阶段外观有胀模错台现象，且装修阶段的分层抹灰工艺较差，会极大概率导致装修阶段出现抹灰外墙渗漏问题，置信度表明这个条件概率值为 0.48。而提升度等于 3.36 表明，这两个前项检查项的发生会正向促进外墙渗漏的发生；若在主体结构的模板搭建阶段发现止水螺杆以及排水孔的预留孔洞有问题，那么也会加剧（lift=3.32）装修阶段外墙渗漏的问题发生，此条规则的置信度为 0.48；此外，在砌筑阶段若外墙门垛出现裂缝，则也会大概率导致外墙渗漏问题的发生。

表2 部分强关联规则

与空鼓问题相关的关联规则同理解析。由所列规则可知，若内墙且地面饰面砖的接缝高低差做的不好，都会有 0.96（置信度=0.958 3）的概率引起内墙饰面砖的空鼓问题。此外，若墙面抹灰有裂缝和饰面砖有接缝高低差同时在一个项目中出现，则这个项目的内墙饰面砖也会有 0.94 的概率（置信度=0.938 1）出现空鼓问题。

青海湖流域位于青藏高原东北部，地处青海省西部柴达木盆地、东部湟水谷地、南部江河源头与北部祁连山地的枢纽地带，总面积2.96×104km2。区域海拔3000～5000m ，多年平均气温-1.14～1.17℃，降水量253～515mm，水面蒸发量800～1000mm，属于典型的高寒干旱大陆性气候[11]。受东南季风、西南季风和西风环流影响，全年降雨集中在夏季，占年降水量的70%～80%。

导致墙面的抹灰裂缝的因素之一——抹灰的砂浆配合比若不合格，则表明墙面易出现抹灰裂缝的概率为 0.75 （置信度=0.75）；若装修阶段抹灰的养护不到位，且灰缝不够饱满，则同样有 0.75 的概率（置信度=0.75）会出现墙面抹灰开裂的问题；此外，同样是抹灰的养护不到位且基层处理没做好，也有 0.76 的概率（置信度=0.76）出现墙面抹灰开裂问题。由于提升度均＞1，所以认为这几项前项因素均对墙面抹灰开裂的问题出现有正向提升作用。

3 质量通病问题的预警分析

3.1 渗漏问题的影响因素

对于外墙抹灰渗漏问题，综合分析以上数据挖掘成果，从施工工序来看，主体结构施工阶段、砌筑阶段、装修阶段的质量缺陷均可影响渗漏问题的发生，影响因素主要可以分为以下几类。

1）主体结构施工质量的影响。①外墙止水螺杆渗漏；②外墙预留排水孔设置不合理或孔洞造成渗漏；③后浇带施工缝处理不好导致渗漏；④胀模错台应凿平再抹灰，处理不好造成裂缝从而引起渗漏；⑤砌筑阶段砌体竖向勾缝不合格导致外墙渗漏。

2）外门窗施工质量的影响。①门窗塞缝发泡胶的施工质量问题；②外门的门垛裂缝；③门窗的安全玻璃质量问题；④门窗洞口的尺寸误差；⑤由于门窗外排水坡道设置不合理引起窗台积水等。

3）墙面抹灰施工质量的影响。①抹灰效果不好造成裂缝；②抹灰起砂等抹灰未达要求的情况；③砂浆配合比不合理引起砂浆开裂等。

根据上文针对挖掘结果的因素分析，渗漏现象被发现往往是在装修甚至交付阶段，事后进行补救往往事倍功半。但根据关联规则建立的数学模型，最早可在主体结构施工阶段就对渗漏问题进行预警。从主体结构施工阶段，到砌筑阶段再到装修阶段，每一阶段都有若干项关键指标。当发现项目这几项关键指标出现问题后，再根据关联规则的评价参数对项目渗漏问题发生的风险概率进行预警，对渗漏事件发生的可能性以及类型进行预警。

3.2 空鼓开裂问题的影响因素

本文分析的空鼓开裂主要包括的内容为饰面砖的空鼓，以及墙面抹灰的空鼓开裂。饰面砖的空鼓主要和接缝高低差有强关联。地面饰面砖的空鼓也会预示墙面饰面砖空鼓的发生，反之亦然。从施工管理的角度解释，在同一项目中，墙面和地面饰面砖多由同一施工队伍承包，地砖和墙砖铺设质量基本一致。

1）砌体的质量问题和抹灰的质量问题引起的墙面抹灰的空鼓开裂。墙面抹灰的空鼓开裂问题主要归因于砌体的质量问题和抹灰的质量问题。在砌筑阶段，若构造柱的混凝土振捣不密实，或者模板安装不牢固，引起涨模问题，都会导致空鼓开裂。另外，砌体出现透缝，也会引起相应部位的抹灰出现空鼓开裂问题。抹灰的质量缺陷也是墙面空鼓开裂的重要成因。数据指出，抹灰的养护做得不到位，造成起砂或者基层处理不干净或不平整都会导致墙面空鼓开裂问题。

2）抹灰的质量缺陷引起的墙面抹灰开裂。墙面抹灰开裂问题同理也与抹灰的施工工艺息息相关：抹灰的砂浆配合比不合理可能导致砂浆产生收缩性裂缝；抹灰保温保湿养护不到位或方法不对导致产生收缩裂缝；基层处理不干净、不平整可能导致抹灰产生裂缝；孔洞封堵质量差，不同材料伸缩系数不同，导致不同材料结合处容易产生裂缝；一般在不同结构交接处挂网，不同结构伸缩性不同，不挂网可能引起裂缝。

3）砌体的质量缺陷引起的墙面抹灰开裂。砌体的质量缺陷同样会引起墙面抹灰开裂问题：墙顶补砌补塞不饱满可能导致抹灰裂缝；过梁的固定长度不够，导致过梁沉降过大从而使得拉裂抹灰面；灰缝不饱满会引起抹灰厚度不一样，可能产生裂缝；竖向通缝导致砌体整体性差，容易导致通缝处抹灰面被拉裂。

根据以上分析，数据挖掘的结果所展示的墙面空鼓开裂和饰面砖空鼓问题，大概率是由于抹灰和砌体自身的问题导致的，这也与工程逻辑相符。因此在砌筑阶段应该格外关注与空鼓开裂相关的关键指标，在装修阶段确保抹灰施工工艺达到质量标准，对防范空鼓开裂具有重要作用。

4 结语

本文利用了数据挖掘算法 Apriori 分析出评估数据库中与消费者关注度高的渗漏、空鼓和开裂问题有强关联的施工工艺，并将该关系量化，基于项目的现状形成多条规则，得以动态地，准确地预测质量缺陷问题的发生概率。由于所有的变量均来自于评估数据库，因此该结果具有随着数据库的不断更新的特性，但是符合工程逻辑的因果关系基本不会改变。本次挖掘得出的关键因素可以作为统计学模型的自变量，为下一步建立预测消费者关注项的质量好坏程度的机器学习模型打下基础。

由于评估业务的不连续性导致数据集存在大量的缺失值是本次工作不完善的地方。此外，评价施工工艺的好坏的标准可以根据实际需求进行调整，如本文采用评分 0.9 作为阈值，若降低阈值，挖掘出的有效规则或会更少，提高阈值，产生的强关联规则覆盖的检查项或会更多。

综上，虽然本文结果由于数据质量问题存在不完善的地方，但是依然具有较高的工程应用价值。如可结合目前智慧工地系统，利用信息化工具对项目的工程质量进行动态预警，这项工作对于推动工程质量管理的信息化、数据化转型有重要意义。Q