基于ANN算法的钢结构安装工程质量状态评价

姜浩，郑亚强*，金治军，马庆，董强，郑德焰，林峰，赵炳武

（1.昆仑数智科技有限责任公司，北京 100000；2.中国石油天然气第六建设有限公司，广西 桂林 541000）

0 引言

钢结构安装工程质量状态评价是整个工程建设项目的重要组成部分，但在各式各样的钢结构中，由于其自身特点，钢结构安装工程质量问题较难控制。本文提出了一种基于ANN算法的钢结构安装工程质量状态评价方法，并通过与前馈型算法模型BP神经网络和RBF神经网络进行对照试验，证明了此方法的优势和合理性，通过模型训练对各级权重系数进行计算获取，并结合工程专家对各质量指标的评分，得出最终评分方式，评价钢结构安装工程质量状态。

1 钢结构安装工程质量状态评价指标体系

钢结构安装工程的质量评价是建立在具体的钢结构安装工程质量评价指标体系之上的，要确保工程项目的质量评价指标体系必须客观准确地建立。这一过程涉及项目的各个参与方，包括业主单位、监理单位、设计单位、施工单位以及政府监管等。通过建立完善的质量评价指标体系，可以对钢结构安装工程进行全面、系统评价，以确保施工质量和项目的安全性[1-3]。但由于各个单位质量评价分散且没有统一标准，因此本文的钢结构安装工程质量评价将施工单位作为检验检测对象进行。

钢结构安装工程可以按照单位工程工序的不同进行划分，分为钢结构资料质量控制、钢结构材料质量控制、钢结构构件制作质量控制、钢结构安装质量控制和钢结构涂装质量控制等分项工程。每个分项工程又可以进一步细分为多个小项，以确保整个工程过程中质量的控制和保证。例如，钢结构构件制作质量控制又分钢结构预制切割、钢结构矫正和成型、钢结构制孔等小项[4-6]。因此，若将质量评价指标体系划分为单层次结构，则很难准确全面把握工程质量状况，故须逐层进行质量评价[3]。将钢结构安装工程的各分项工程设为第一级指标，用A/B/C/D等表示各分项工程指标项，各小项为第二级指标，用A1/A2/A3等表示各小项指标项，则可得到如表1所示的钢结构安装工程质量评价指标体系表。

表1 钢结构安装工程质量评价指标体系表

根据钢结构安装工程质量评价指标体系中的具体因素，通过数字化移交的手段到施工现场采集第一手数据。由于审查、观察类的数据指标具有一定的主观性，因此要求该工程的专家直接参与检验检测和评分，保证数据的准确性和有效性[7-9]。

2 ANN算法评价的基本方法

人工神经元是ANN算法的基本处理单元，由输入参数、权重、求和函数和激活函数组成[4]。其中，权重表示每组输入数据到神经元模型后对应的权值，权值为正时则被激活，权值为负时则被抑制；求和函数是输入数据和权重的线性相乘求和[10-13]；激活函数是非线性函数，表示当输入数据的加权和超过阈值后，则将输出控制在一定范围内。神经元模型结构如图1所示。

图1 神经元模型结构

如图1所示的多输入单输出神经元模型中，设输入信号为X=(x1,x2,…,xn)T，神经元权重为W=(w1,w2,…,wn)T，加权和为uk，阈值为bk，激活函数为φ()·，输出信号为yk，则有：

激活函数φ(·)将输入数据的加权和进行非线性映射，一般要求限制在(0, 1)或者(-1, 1)等一定范围之间。ANN算法的经典设计是隐含层采用Sigmoid函数作为激活函数，则有：

式中：vk=uk-bk；α为斜率。

Sigmoid函数又被称为S型函数，输出控制在[0，1]之间。

ANN算法隐含层理论表明，单隐层网络结构可以映射出所有的连续函数，理论上一个3层的ANN就可以对任意精度要求的非线性函数进行模拟，因此本文使用单隐层结构足以解决计算钢结构安装工程质量指标权重系数的问题[13-16]。

从Sigmoid函数特性表明，当网络层数增加时能够提高精度，但会使网络运算更加复杂，延长ANN模型的训练时间。因此一般情况下，优先考虑增加隐含层神经元个数来提高计算精度。

隐含层神经元个数是ANN模型中最直接的影响因子，主要由输入、输出的节点个数，以及计算问题的复杂程度共同决定[16-17]。当隐含层神经元个数过少时，ANN模型从数据样本中提取信息的能力较差，会导致模型训练不收敛、精度不高。根据1987年RobertHechi提出的理论可知，隐含层神经元个数为2N+1，其中N为输入层节点数。因此本文采用的隐含层神经元个数M[18]：

式中：N为输入层节点数。

本文思路为用ANN算法模型分析训练钢结构安装工程质量评价第二级数据指标得分样本，从而通过ANN模型计算出第二级指标的权重系数，经过计算得到第一级数据指标得分样本；再通过ANN模型计算出第一级指标的权重系数，给出钢结构安装工程质量状态评分公式。比较控制点级别计算的权重和ANN算法计算所得结果，从而得到结论。

3 实例分析

3.1 仿真计算

本文从某石油炼化厂建设项目中，对施工单位进行调研，并完成数据采集，从比较可靠的数据中随机抽取20组二级指标数据作为学习样本进行ANN模型的训练学习[19]，采用的ANN模型为单隐含层网络拓扑结构。由表1可知，相同一级指标的二级指标个数最多为5个，因此输入层神经元个数为5个，输出层神经元个数为1个，隐含层神经元个数根据2N+1的公式计算为11个。通过对模型大量的训练，删除不起作用的神经元，最终得到的隐含层神经元个数为9个。

因此本文构建ANN模型的参数设置为：输入层神经元个数为5个，隐含层神经元个数为9个，输出层神经元个数为1个，期望误差设置为10-6，训练次数设置为8000次。

控制点级别一般用来表示指标的重要程度，一般在工程施工评价完成后由工程专家和监理分析得出。根据控制点级别A/B/C/D四个等级分别换算成4/3/2/1不同分值，结合总节点个数换算成对应权重值作为本次训练模型的输出精度参考对比。

根据A1～A5、B1～B4、C1～C5、D1～D5、E1～E2的样本数据，通过ANN模型训练学习，分别得到A1～A5、B1～B4、C1～C5、D1～D5、E1～E2的20组权重值。钢结构安装工程二级指标运行权重值如图2～图6所示。

图2 二级指标A权重系数

图3 二级指标B权重系数

图4 二级指标C权重系数

图5 二级指标D权重系数

图6 二级指标E权重系数

将钢结构安装工程二级指标进行加权求和，得到一级指标样本，再通过ANN模型训练学习，得到A、B、C、D、E的20组权重值。根据控制点换算权重计算可知，钢结构资料质量控制A的理论权重应该为0.2666，钢结构材料质量控制B的理论权重应该为0.2000，钢结构构件制作质量控制C的理论权重应该为0.1833，钢结构安装质量控制D的理论权重应该为0.2500，钢结构涂装质量控制E的理论权重应该为0.1000。对比理论值和训练值，得到钢结构安装工程一级指标权重对比曲线如图7～图11所示。

图7 一级指标A权重对比曲线

图8 一级指标B权重对比曲线

图9 一级指标C权重对比曲线

图10 一级指标D权重对比曲线

根据权重对比曲线，得到质量控制权重表如表2～表6所示。

表3 钢结构材料B质量控制权重表

表4 钢结构构件制作C质量控制权重表

表5 钢结构安装D质量控制权重表

表6 钢结构涂装E质量控制权重表

为了验证基于ANN算法的钢结构安装工程质量状态评价的合理性与准确性，本文将使用BP神经网络和RBF神经网络两种前馈型神经网络算法重复上述实验过程进行对比实验。同时，对钢结构安装工程一级指标的误差进行迭代对比分析。

前馈型神经网络包括了单层感知器、BP神经网络和RBF神经网络三种类型，其中单层感知器只能用于解决线性可分的二分类问题，无法实现预测功能。因此，本文应用BP神经网络和RBF神经网络针对ANN算法模型进行对照分析。钢结构安装工程一级指标的三种算法模型下的误差性能曲线如图12～图16所示。从误差性能曲线可以看出，3种神经网络所获得的预测结果能够反映实测数据的变化趋势，对局部细节也有所反映。对3种方法预测结果的量化评价主要从均方误差和平均绝对误差来衡量。而3种方法的预测效果随着预测时长增加均出现相对实测数据的偏离，其中BP神经网络的预测结果偏离更为显著，因而容易陷入局部极小值而无法得到全局最优值。BP神经网络是通过不断调整神经元的权值来逼近最小误差，其方式是梯度下降，因此不能将逼近精度做到最小误差；RBF神经网络不是通过不断调整权值来逼近最小误差的，而是通过对输入与函数中心点的距离来确定权重，因而在全局逼近的性能上会存在误差。而ANN算法能够充分逼近复杂的非线性关系，只有当神经元对所有输入信号的综合处理结果超出某一个限定值后才能输出一个信号。因此本文采用ANN算法模型对钢结构安装工程一级指标的误差性能进行分析。

图12 一级指标A误差性能曲线

图13 一级指标B误差性能曲线

图14 一级指标C误差性能曲线

图15 一级指标D误差性能曲线

图16 一级指标E误差性能曲线

由误差性能曲线图12～图16可知：

钢结构资料质量控制A的权重初始误差为10-2左右，随着模型训练不断迭代，权重误差逐渐降低，最后趋近于10-6左右；钢结构材料质量控制B的权重初始误差为10-1左右，随着模型训练不断迭代，权重误差逐渐降低，大约在4500次迭代趋于稳定，最后趋近于10-6左右；钢结构构件制作质量控制C的权重初始误差为10-2左右，随着模型训练不断迭代，权重误差逐渐降低，大约在6000次迭代趋于稳定，最后趋近于10-6左右；钢结构安装质量控制D的权重初始误差为10-2左右，随着模型训练不断迭代，权重误差逐渐降低，大约在3000次迭代趋于稳定，最后趋近于10-6左右；钢结构涂装质量控制E的权重初始误差为10-2左右，随着模型训练不断迭代，权重误差逐渐降低，大约在2500次迭代趋于稳定，最后趋近于10-6左右。

钢结构资料质量控制运行权重值去除脏数据后计算平均值，得到钢结构资料质量控制A的权重系数为0.2663，钢结构材料质量控制B的权重系数为0.2000，钢结构构件制作质量控制C的权重系数为0.1833，钢结构安装质量控制D的权重系数为0.2500，钢结构涂装质量控制E的权重系数为0.0995。

3.2 质量状态评价公式的提出

根据上述的仿真计算可以得到钢结构安装工程一级质量指标系数权重值的平均数，如表7所示。

表7 钢结构安装工程一级指标系数权重值平均数

根据权重分配，本文将钢结构安装工程的各项质量控制指标分为五个一级指标，分别为钢结构资料质量控制、钢结构材料质量控制、钢结构构件制作质量控制、钢结构安装质量控制和钢结构涂装质量控制。而λ1、λ2、λ3、λ4、λ5则是对应于这些一级指标的权重系数[8]。根据GB/T 50375—2006《建筑工程施工质量评价标准》的评价规则，将工程施工质量分为优、良、合格、不合格四级[20-24]。最终的评分结果在哪一级区间内，则体现出钢结构安装工程质量的水平，即给出如下评分式：

式中：A为钢结构资料质量控制评分值；B为钢结构材料质量控制评分值；C为钢结构构件制作质量控制评分值；D为钢结构安装质量控制评分值；E为钢结构涂装质量控制评分值。

根据标准规范规定和工程实际要求可知：当85＜I≤100时，质量评价为优；当70＜I≤85时，质量评价为良；当I=70时，质量评价为合格；当I＜70时，质量评价为不合格。

代入表7的权重系数，即可得钢结构安装工程质量评分公式：

4 基于ANN算法的质量状态评价应用

基于ANN算法的质量状态评价方法在石油建设工程项目和钢结构安装工程中有着广泛应用。

(1)施工现场质量监控。在石油建设工程项目或钢结构安装工程的施工现场，可以利用ANN算法对质量状态进行评价。通过实时采集施工过程中的数据，包括材料质量、施工环境、施工质量等，输入到ANN模型中进行处理和分析，得出当前施工质量的评分，从而对施工现场的质量进行有效的监控和评估。

(2)质量控制与改进。通过ANN算法对历史施工项目的数据进行分析，得出各个质量评价指标的权重系数，从而找出影响工程质量的关键因素。根据这些关键因素，制定针对性的质量控制措施，例如改善施工工艺、加强材料管理等，以提高工程的质量水平。

(3)质量检测与评估。在石油建设工程项目或钢结构安装工程的质量检测与评估中，ANN算法可以用于建立检测模型，对检测数据进行快速、准确分析。该模型可以根据输入的质量检测数据，自动计算出工程的质量状况，为评估工程质量提供科学依据。

(4)预测与决策支持。ANN算法可以用于预测未来的工程质量状况，为决策提供支持。通过输入以往的施工数据和工程质量评价结果，ANN模型可以预测出未来可能的质量状况，帮助决策者制定科学的工程质量管理策略。

5 结语

本文对钢结构安装工程质量状态评价提出了一个实用的量化评分方法。评价过程采用ANN算法模型、BP算法模型和RBF算法模型对钢结构安装工程质量评价指标系数进行计算，对计算结果进行对照分析，并对权重计算值和理论值进行误差分析，结果表明，ANN算法模型得出的评价结果更为合理，从而提出钢结构安装工程质量评分公式。该方法不仅考虑了质量评价的权值影响因素，还保存了各级评价的全部信息，为工程施工质量相关评价提供了一定参考。在实际工程中，应用ANN算法模型进行钢结构安装工程质量评价，能够提高工程质量水平。该研究方法具有广泛的适用性，不仅可以应用于钢结构安装工程领域，还可以扩展到其他工程项目质量评价中。因此，本文的研究成果可以为工程领域的质量评价提供有益参考，有助于推动工程质量管理水平的提升。