基于PSR和BP神经网络的地铁绿色施工评价研究

陈日新 李晓娟 林明超

福建农林大学交通与土木工程学院

0 引言

在大力推进城镇化的背景下，农村人口接连不断向城市转移，这不仅使城市道路拥堵、住房资源紧张，还使公共配套服务难以满足需求。为了缓解日趋严重的城市交通压力，加快城市化的发展，我国很多城市开始加快地铁工程的建设。当前，可持续发展已经成为衡量城市发展的重要指标，房屋建筑施工领域已经出版了绿色施工评价方法，但是目前国内对地铁绿色施工技术及评价方法研究不多，同时施工人员对地铁绿色施工概念比较模糊，基于以上原因，进行地铁绿色施工评价方法的研究具有不容忽视的重要意义。

1994 年，加拿大学者Chris Bmdshaw 首次提出绿色交通理念［1］。之后，Michael Gommers、Jesse H Ausubel和Maria Vredin Johansson等在可持续发展理念的指导下，比较了不同交通方式对环境产生的多种影响，并且强调了在未来城市绿色交通发展中，低排放将会成为主流趋势［2］。M.Hatzopoulou 和E.Miller 提出，涉及交通政策制定原则的重要一环就是可持续发展［3］。Jacco Farla.C、Fusum Ulengin等强调，在绿色地铁的施工方面，重视环境保护与城市化进程相协调，将可持续发展作为导向，才是绿色地铁的真正精髓［4］。

王爽等运用层次分析法模型构建了绿色施工评价指标，并指出构建绿色施工评价指标体系有助于指导和纠正绿色施工的运行［5］。李惠玲等使用灰色聚类法评价绿色施工等级，根据不同等级的隶属度来显示被评价对象的绿色施工水平［6］。郭飞等证明了BP神经网络法在地铁工程绿色施工评价方面的可靠性，进而提供了一种新的绿色施工评价方法［7］。此外，还有一些学者专注于研究不同工程特点的绿色施工评价。这些评价研究旨在检测和提高工程项目的环境可持续性，并可以为实现低碳经济和可持续发展目标做出贡献［8］。如在高等级公路建设中，熊艳、谢旺祥对绿色施工这一新兴概念进行了深入研究［9］。张思祺为了帮助工程师们对不同类型的桩基础进行环保施工的评估和决策，成功建立了一套评价指标体系，用于评估覆盖多种桩型的桩基础绿色施工［10］。杨文武从博弈论角度分析了绿色施工行为，并基于PSR 框架模型，构建了城市深基坑工程绿色施工评价指标体系［11］。

在以上研究中，主要从定性角度对地铁绿色施工进行了评价，然而缺少定量方面的研究，因此引入了PSR 框架模型。该模型指出了构建地铁工程绿色施工指标体系的原则，并结合地铁项目绿色施工实施的要点展开研究。通过统计分析和PSR 框架模型的构建思路，建立了评价指标体系。为了验证此体系的有效性，本文采用BP神经网络评价法，并邀请从事地铁工程施工方面的专家，通过专家咨询来对多个地铁工程项目进行打分，最后训练和验证数据，结合具体的实例进行验证，得出了可行的结论。

1 基于BP 神经网络的地铁工程绿色施工评价模型

1.1 地铁绿色施工评价指标体系构建

1.1.1 PSR（压力—状态—响应）的概念

绿色施工是一种建造和运营建筑物的方法，旨在减少建筑对环境的负面影响，包括资源消耗、能源利用和碳排放［12］。“压力—状态—响应”模型（Pressure-State-Response，简称PSR）是20 世纪80 年代提出的，是被作为反映可持续发展机理的模型框架由经合组织与联合国环境规划署共同提出，被广泛应用于建立指标体系。该模型采用“原因—效应—响应”逻辑思维，展现了人类与环境之间的相互牵连性，因此评价对象不断扩增，其中在绿色施工的评价中也有所涉及。周林飞等运用PSR 模型进行湿地水循环评价指标体系的构建［13］，杨文武运用PSR 模型进行了城市深基坑工程绿色施工指标体系的构建［11］，杨艳飞运用PSR 模型构建了高等级公路绿色施工评价指标体系［14］。总而言之，PSR模型为地铁绿色施工评价提供了一种新的思路。

1.1.2 地铁工程绿色施工评价PSR 框架模型

定量指标可将其表示为百分比。百分比越高，表示该项目的绿色施工水平越高，参见表1 地铁工程绿色施工指标体系表，对部分定量指标的测算作必要的说明：

表1 地铁工程绿色施工评价指标体系框架

1）气、水、声是否达标排放可参照空气质量标准、施工场地噪音极限值、污染的综合排放准则，通过现场或实验室监测，检验其是否达标。达标率=（一个月内达标排放的天数/一个月的总天数）×100%［15］。

2）建材、燃油、电量、水资源的节约率=［（定额消耗量-实际消耗量）/定额消耗量］×100%［15］。

3）临时占地面积节约率=［（规划临时占地面积-实际临时占地面积）/规划临时占地面积］×100%［15］。

4）建筑垃圾的有效处理率=［实际有效处理的建筑垃圾（主要指建筑垃圾合理的处理，如需要经过有资质的单位进行的垃圾处理、可以再次利用的碎石、土石方用于地基或路基等）/主要的建筑垃圾总量（指施工过程中所产生的弃土、弃料及其它废弃物主要包括石渣、废混凝土、钢筋头、废油等）］×100%［15］。

5）环保资金的投入率=(环保投资金额/建设项目投资总额)×100%,环保投资金额=环保设备投资+绿化投资，环保设备主要包括废水处理设备、废气处理设备、噪声处理与监测设备、固废处理设备等［15］。

6）资源再利用率=（实际回收利用的资源量/可回收再利用的资源量）×100%［15］。

为确保定性指标与定量指标的一致性，绿色建设水平将从低到高分为五个等级，以与量化指标中的百分比表示保持一致：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］。根据定性指标等级标准和范围的划分，对指标体系中的定性指标分别进行等级和分值的细化（见表2）。

1.2 地铁绿色施工评价模型构建

1.2.1 地铁绿色施工评价方法选择

本文对以下主要用于多因子定性与定量相结合的科学评价方法进行比较分析，以期探索适合地铁工程绿色施工的评价方法。BP 人工神经网络评价法是通过模拟专家评价，利用神经网络的训练函数和传输函数，运用反向传播原理，对评价模型的权值和阈值不断极小化，直至能够较好地反映变量与目标之间的非线性规律，使评价结果更客观［7］。

绿色建筑评价的理论研究由于还不成熟，并且地铁工程的评价更加复杂，专家从不同的角度对地铁站有不同的评价思路和标准。如何从各种专家的想法中提取精华部分且科学地处理原始数据成为重中之重。BP 神经网络强大的容错能力很好地解决了这个问题。BP神经网络具有自学习的特点，通过对训练样本的不断学习，不断修改各网络的权重和阈值，可以实现地铁绿色建设的评估。

1.2.2 BP人工神经网络模型的基本原理

本文选用三层的网络拓扑结构，图1中：n代表输入层，即评价指标数目；m代表隐含层节点数；每个样本的评价指标向量，记为χp=｛χp1，χp2，……，χpn｝；ωiк（i=1，2，…，n；k=1，2，…，m）为输入层第i 节点到隐含层第k 节点的连接权值，уpk（k=1，2，…，m）为样本p的隐含层第k节点的输出；ωк（k=1，2，…，m）为隐含层第k节点到输出层的连接权值，bp 为样本p 的输出。用Sigmoid传输函数来表示节点之间输入和输出之间非线性关系，即

图1 三层BP神经网络结构图

隐含层样本p 的输出值按式（2）计算，式中θk 表示隐含层节点k 的偏置值。

输出层样本p 的输出值按式（3）计算，式中θ表示输出层输出节点的偏置值。

BP神经网络学习与建立的过程，即为误差反向传播与修正的过程，设定各个样本的实际输出与期望输出的总误差函数为（4）。

BP 神经网络的工作原理就是利用反向传播原理，选择适当的训练函数与传输函数使误差极小化的过程。首先输入训练样本，按照所出现的公式进行计算每一层神经元的输出，若结果不满足精度要求时，那么再从输出层向输入层进行计算，修正连接权值和阈值，正逆交替，反复进行迭代，直至达到设定的精度要求。

2 地铁绿色施工BP神经网络评价

2.1 样本数据的获取

根据表3所示的地铁工程绿色施工评价指标体系为基础，评判在建或已建的15个地铁的绿色施工水平。定量指标根据实地技术专家访问获得所需数据，定性指标按照上一章说明的测算方法进行评定。为了方便数据统计，定性指标评分取各区间的平均值，如施工现场空气质量一般，指标评判值取0.5。由此得到了15组输入层样本数据（见表3）。

表3 专家数据评估表

2.2 综合评价得分的获取

对数据进行归纳整理，通过征求专家的意见，按照《建筑工程绿色施工评价标准》（GB/T 50460-2010）进行综合评价形成相应分值，其评价流程见图2，绿色施工评价体系各要素指标项的数量统计以及赋分方法见表4至表9。

图2 绿色施工评价流程图

表4 绿色施工评价控制项、一般项、优选项数量统计

表5 控制项评价方法

表7 优选项加分标准

表8 批次评价要素权重系数表

表9 单位工程要素权重系数表

经要素、批次、阶段和单位工程评分计算，得到15 个地铁工程项目绿色施工综合评分（见表10）。

表10 项目综合评分表

2.3 网络评价模型算法

1）确定BP神经网络结构

采用图3 所示3 层BP 网络结构。经过反复的迭代试验，确定两个隐含层，节点数分别为10、10。输出层为绿色施工综合评价结果，为1个神经元，输出范围为［0，1］，得分越高就表示该项目的绿色施工水平越高。

图3 MATLAB仿真BP神经网络结构图

2）对网络模型进行训练

本文决定选择MATLAB作为工具，然后再决定选用trainscg训练函数，通过运算得出初始化网络的权值和阈值。另外，为了预防网络的超量训练，将迭代次数确定为1 000 步，学习精度为10-5。将表3中前12组样本数据作为网络的训练学习样本，通过不断的迭代，对各个网络的权值和阈值进行调整，使学习精度满足要求，通过学习训练之后的网络输出结果见表11。

表11 训练样本期望输出与实际输出对比表

3）验证网络模型

将表3中后3组数据作为检验数据输入训练好的神经网络，得到验证数据的BP 预计值与表10 中后3 组专家评价值的对比图（如图4），对比训练结果，进行预测与检验。检测样本实际输出值与期望输出对比（见表12）。

图4 验证数据的BP预计值与专家评价值的对比图

表12 检验样本期望输出与实际输出对比图

从图4 和表12 可以看出综合评价结果与专家评价结果基本相同，说明此评价模型BP 神经网络的自我学习、组织、训练的模式，能够对各个网络的权值和阈值进行不断修正，调整输入与输出关系，对各个指标之间的关系作出较强的容错能力调整，从而模拟出输入层与输出层之间的非线性规律，体现出了BP网络评价方法，简单灵活、可操作性更强的特性。

3 案例分析

3.1 项目概况

厦门地铁1 号线是厦门首条地铁线路，由厦门轨道交通集团有限公司负责运营。该线于2013年11 月13 日部分开工，2014 年4 月全面开工，到2017年3月全线贯通，并于2017年12月31日开始试运营。厦门地铁1 号线全长30.3 km，共设24 座车站，其中一般车站17座，换乘站5座。厦门地铁1号线起点是思明区南部镇海路站，整条铁路把思明区、湖里区、集美区等几个重要群体连接起来，终点站设在集美区后溪镇岩内。厦门地铁1号线是由厦门岛向北延伸形成的跨越海的快速连接通道的骨干线路，其中高崎停车场是唯一的1 个车辆段。本文以莲花路口站作为主要研究对象。莲花路口站坐落在厦门市莲岳路和嘉禾路的交叉路口向北面，沿着嘉禾路向北方向延展铺设。

3.2 项目的绿色施工措施

1）空气污染控制措施

时刻保持适当的洒水，防止造成扬尘等空气污染。

2）水环境保护措施

施工废水不乱排乱放，制定合理排放方案。

3）固体废弃物处理措施

分类存放废弃物，可以利用的原地利用，不可以利用的妥善销毁。

4）减轻社会环境影响措施

施工之前做好一切必要的准备工作。

3.3 地铁工程绿色施工综合评价

3.3.1 绿色施工指标的得分

经过对该项目进行实际考察调研以及采访施工单位技术负责人，熟悉了项目的施工流程和技术措施，明确了项目施工中的技术特点，随后邀请该项目的技术负责人对所制定的绿色评价指标体系中的指标项进行了打分（见表13）。

表13 厦门地铁1号线的绿色施工评价指标值

3.3.2 案例的绿色施工评价结果与分析

将得到的得分经过运算，其综合评价预测结果的得分X=0.605，这一结果表明该项目绿色施工程度较高。为了保障模型的正确性，再次邀请专家对项目依据《建筑工程绿色施工评价标准》进行项目综合评分，得到其项目实际得分为0.663。计算得出两者的相对误差为-8.7%，预测值与专家评价值基本一致，这表明通过模型评价结果符合项目绿色施工的实际情况。

4 结论

目前，从事地铁施工特点绿色评价研究的学者数量极少，对于地铁工程的绿色施工评价研究更是寥寥无几。本文在现有研究之上，融合多个学科的理论和技术进行了探究，基于PSR概念模型框架构建地铁工程绿色施工评价指标体系，并且尝试对其进行了实例评价与验证。

本文的主要研究结论和建议如下：

1）本文基于PSR 概念模型框架构建地铁工程绿色施工评价指标体系，围绕“压力—状态—响应”三者之间的关系，通过进一步完善指标体系，创建地铁工程绿色施工评价指标体系框架模型，总计得到22个指标项。

2）将本文的绿色施工评价方法应用于厦门地铁1 号线项目的实际评价中，证明了PSR 概念用于地铁工程绿色施工评价的科学性和可行性，给地铁工程以及建筑工程绿色施工评价提供了新的领域和平台。

3）地铁工程绿色施工研究相对空白，构建的绿色施工评价体系及评价模型，通过用于工程实例的评价，为将来的《地铁工程绿色施工评价标准》提供了有益参考。