高层建筑结构选型发展研究

2010-10-09姜亚梦刘功良

赤峰学院学报·自然科学版 2010年8期

关键词：选型决策神经网络

姜亚梦，刘功良

（1.黑龙江八一农垦大学工程学院，黑龙江大庆 163319；2.大庆石油学院土木建筑工程学院）

高层建筑结构选型发展研究

姜亚梦1，刘功良2

（1.黑龙江八一农垦大学工程学院，黑龙江大庆 163319；2.大庆石油学院土木建筑工程学院）

随着土木工程结构大型化复杂化和多样化的发展，高层建筑结构选型问题显得越来越重要,通过查阅大量文献我们总结出高层建筑结构选型的研究现状、方法并给出其发展的趋势.

结构选型；高层建筑结构；研究方法

随着近年来经济建设的迅速发展和国家整体实力的增强，建造一批更高的建筑物即将成为我国十分现实的需求，这是我国建筑业领域面临的巨大机遇和挑战.由于高层建结构设计问题自身的复杂性，选择余地的增大也意味着选择的结构体系和类型不恰当的可能性也大大增加.因而，结构选型问题在高层建筑结构设计中的重要性空前凸显，高层建筑的结构选型就是根据框架结构体系、剪力墙体系、框架一剪力墙结构体系、筒体结构等各个结构的特点并考虑到影响结构选型的主要因素,例如：环境条件、建筑方案特征、建筑使用功能要求等因素，应用某种方法选择出既经济、又美观、施工方便的建筑结构从而达到结构的优选.但是，在高层建筑结构选型方面国内外尚未对其理论进行充分的研究，这是因为高层建筑结构选型是一个非常复杂的决策问题，具有强烈的综合性，包含大量不确定性(随机性、模糊性和未确知性)信息.下面本文将着重介绍高层建筑结构选型的研究状况及其主要研究方法.

1 高层建筑结构选型的研究状况

高层建筑结构选型的研究工作在国内外都处于起步阶段，以下是国内一些学者的研究成果或思路.

1.1 哈尔滨建筑大学的王光远认为结构选型是对结构功能、社会效益、结构可靠度和造价都有重大影响的决策.他提出了工程项目的“全系统全寿命优化”的概念，指出结构选型的优化目标不仅包括近期的投资和效益，还应包括长远的经济和社会效益，同时，由于结构选型具有强烈的综合性，还包含有大量的不确定性因素，因而可以利用模糊综合评判或模糊随机决策的方法来进行决策[1].

1.2 同济大学的李国强以上海地区三幢功能相同的高层建筑为例，以工程的上部造价、建筑的有效使用面积、地基基础的处理费用及结构施工工期等因素对整体成本的影响作了定量的分析，提出：对于采用何种结构方案，除考虑造价以外，还应从建筑有效使用面积、结构抗震及地基处理、建筑布置灵活性、施工工期及施工对周围环境影响等综合因素作全面、系统的分析，应以其综合经济化为依据[2].

1.3 清华大学刘西拉、李楚舒提出了一个基于神经网络的高层建筑结构体系的选择方法.他们认为，结构体系的选择(即结构选型)是一个涉及面广、综合性强的工作，需要多方面的知识和丰富的经验，因此他们提出一个基于神经网络的专家系统来解决这个问题[3].

1.4 陈章洪认为搞好结构工程的关键在于结构选型，建筑师和结构工程师在建筑方案设计阶段就应该互相配合，与其他工种专业人员协调，通过综合技术经济分析来进行选型决策[4].

1.5 哈尔滨建筑大学的陶忠等指出高层建筑结构选型是受多个因素影响的、综合性的多目标决策问题.在分析了高层建筑结构选型的决策影响因素的基础上，他们提出了计算这些影响因素的权重分配系数和评价矩阵，并利用模糊数学为工具，初步建立了模糊综合评价的数学模型[5].

2 结构选型的主要研究方法

2.1 模糊多属性决策方法

2.1.1 结构选型的多属性决策模型

结构选型的多属性决策问题可以表示为

式中x称为备选方案(决策变量)，F(x)为方案x的属性向量函数.备选方案x一般为离散型受控变量，并且通常是一维的，因此可以用名义标度量化在一维欧式空间E'里，所以有x∈X∈E'.通常称E'为决策变量空间，简称决策空间.属性向量函数F(x)通常由m个单个属性函数fi(x)(i=1,2,……，m)组成，用向量可以表示为

属性向量函数F(x)的取值范围称为值域，记为F(X),单属性函数的值域记为Fi(x)，F(x)亦称为决策空间的点，故有F(x)∈F(X)⊆⊆Em.

2.1.2 结构选型的模糊多属性决策模型

在结构选型的方案评价过程中，决策者对备选方案的属性评价通常是通过模糊语言进行评价的，因此，可以按下式将决策知阵D转变为决策者对备选方案集X关于属性集F的模糊满意度知阵

式中:Sij为决策者对方案xj关于属性F的模糊满意度，对于效益型属性

对于成本型属性

显然，模糊满意度知阵S是规范化知阵，即所有的元素sij，满足0≤sij≤1考虑决策者对各属性的偏好程度，可以将模糊满意度知阵S变换为如下的加权模糊满意度矩阵

式中:vij为考虑决策者对于属性厂的偏好信息ωi,(即权重)的加权模糊满意度，按下式确定

于是多属性决策模型(2)转化为如下基于决策者偏好信息和模糊满意度的模糊多属性决策模型

式中:vi(x)为决策者对方案x关于属性fi并考虑其偏好信息的加权模糊满意度.

2.2 人工神经网络法

神经网络是一个由大量神经元组成的高度复杂的大规模非线性自适应系统，由输入层、若干隐含层及输出层组成.它通过输入层接收评价条件信息，通过各层神经元间的联接、联接强度及神经元的作用函数来接收、处理、传递评价信息，最后由输出层输出评价结果.它能通过一定的学习规则或算法进行学习，能自动地抽取、并以联接权值与神经元阀值的形式存储隐含在评价样本中领域专家的评价知识与方法.将人工神经网络引入结构选型选型中，分析影响结构选型的重要因素和各种神经网络的特点，选着一种最适合的神经网络结构并且确定其网络结构.对其进行训练、优化，经检验训练好的网络模型性能良好达到了智能预测的目的.

2.3 基于专家系统(ES)的智能评价方法

该方法主要是通过收集诸多领域专家进行性能评价时所积累的经验与利用的知识，并用统计、模糊集、隶属函数等形式来处理评价知识的不确定性与模糊性，以产生式规则、框架、谓词或语义网等形式表示存储知识，以正、反向推理方式建立系统的推理机制.该方法具有充分利用专家经验与知识的优点，且系统存储知识的多少及其质量决定了智能评价的有效性.专家经验与知识获取是系统的“瓶颈”，可通过在系统中引入知识发现(KDD)技术及具有自学习功能的神经网络(ANN)技术来解决其“瓶颈”问题.此时，由KDD和ANN获得、收集或存储的信息将作为ES的事实和规则支持ES的性能评价.