基于ICUOWGA-RBF神经网络的装配式建筑施工安全评价

闫帅平，张 杰

(济源职业技术学院建筑工程系，河南 济源 459000)

装配式建筑在提高工程质量、节约资源、保护环境等方面相对于传统建筑更具有优势[1]。但是，目前的施工技术和人员素质难以满足装配式建筑多维作业空间并行施工的安全要求，极易发生安全事故[2]。2016年国务院办公厅在《关于大力发展装配式建筑的指导意见》中指出：“力争用十年左右的时间，使装配式建筑占新建建筑面积的比例达到30%”[3]。该政策的实施将我国装配式建筑产业推向高潮，使得装配式建筑施工的安全管理面临重要的挑战。

目前，国内外学者对装配式建筑施工安全评价方法进行了大量的研究。在国外，Li等[4]借助系统动力学和Vensim 软件确定了装配式建筑施工安全评价指标;Chang等[5]建立了基于层次分析法的装配式建筑施工安全评价模型，但评价结果存在较大的主观性。在国内，传统建筑施工安全评价方法已取得了丰硕的成果[6]，但由于装配式建筑施工与传统建筑施工存在较大的差异，导致传统建筑施工安全评价方法无法直接运用于装配式建筑施工的安全评价中。装配式建筑在最近几年才得到快速发展，目前针对其安全管理的研究较少，现有的装配式建筑施工安全评价方法主要有事故树分析法[7]、系统动力学法[8]、层次分析法和熵权法[9]、可拓学理论[10]、G1-物元分析法[11]、系统动力学[12]。但这些评价方法多是借助决策者主观设定数据的基础上，未同时考虑评价指标的不确定性、随机性和指标间非线性关系且计算过程繁琐，难以满足装配式建筑施工安全评价的要求。鉴于此，本文提出了基于ICUOWGA-RBF神经网络的装配式建筑施工安全评价方法。该方法先参考安全事故致因理论构建装配式建筑施工安全评价指标体系；然后引入模糊语义算子对CUOWGA算子进行改进得到评价指标的权重；最后运用RBF神经网络处理指标的随机性和指标间的非线性关系，输出装配式建筑施工的安全等级。

1 装配式建筑施工安全评价指标体系的构建

装配式建筑施工可划分为构件生产、构件运输、现场吊装、构件安装4个主要过程。与传统建筑工程相比，装配式建筑工程具有高空作业多、吊装难度大、机械化要求高等特点，导致施工不安全因素具有随机性，且现场存在较大的安全隐患。徐峰等[13]研究认为高处坠落、物体打击、坍塌、起重机械伤害是传统建筑施工主要的安全风险因素；文敏等[14]通过对装配式建筑项目进行实地调研，认为高空临边作业、构件吊装及安装、触电、高空坠落、构件装运卸载是装配式建筑施工的主要安全风险。本文在传统建筑施工安全风险因素研究的基础上，从装配式建筑施工安全事故成因的角度出发，反推、归纳出“人员-物-管理-技术-环境”5个二级评价指标、27个三级评价指标，构建了装配式建筑施工安全评价指标体系，具体见表1。

表1 装配式建筑施工安全评价指标体系

2 基于ICUOWGA-RBF神经网络的装配式建筑施工安全评价方法

2.1 评价方法的适用性分析

2.1.1 ICUOWGA算子赋权

常规赋权方法诸如层次分析法、专家调查法、德尔菲法等均是借助专家对指标的认知进行赋值，其结果存在较大的主观不确定性。CUOWGA算子在一定程度上规避了专家决策过程中的主观臆断性，但却存在主观条件已定的缺陷，降低了评价结果的科学性[15]。本文在传统CUOWGA算子的基础上，引入模糊语义量化算子得到ICUOWGA算子，通过模糊区间数确定专家决策数据，构建规范化矩阵，进而得到评价指标的权重，这在一定程度上规避了专家决策的臆断性。

2.1.2 RBF神经网络训练

装配式建筑施工安全评价指标间的关系复杂，并非严格意义的线性关系。传统的模糊数学、灰色理论等方法基本上从线性的角度来解决指标间相互作用对目标的影响。RBF神经网络相对于BP神经网络在逼近能力、学习和收敛速度方面更胜一筹，可以更好地处理系统内部复杂的规律，被广泛应用于风险预测、信息处理等领域[16]。因此，本文利用RBF神经网络训练样本数据，以规避模拟过程陷入局部最小值的缺陷。

2.1.3 基于ICUOWGA-RBF神经网络的装配式建筑施工安全评价

装配式建筑施工安全评价是一个动态的变化过程，施工过程需及时根据实际情况做相应调整，若每次评价均需根据ICUOWGA算子求得的指标权重重新计算，将会导致评价过程繁琐且容易出错，也使该方法失去了可扩展性。故本文通过ICUOWGA算子与RBF神经网络结合，利用训练成熟的网络充分存储专家知识和经验，当进行新的评价时，无需重新训练网络结果，只需调整输入参数，即可得到目标评价值，提高了评价结果的延展性。

2.2 利用ICUOWGA算子计算评价指标的权重

本文引入模糊语义量化算子，通过构建规范化决策矩阵对传统CUOWGA算子进行改进，进一步消除运算过程的主观性，具体步骤如下：

(1) 引入模糊语义量化算子：设评价指标权重矩阵w=(w1,w2,…,wk,…,wn),wk=Q(k/n)-Q[(k-1)/n]

(1)

其中Q为模糊语义量化算子，则有：

(2)

式中：模糊语义算子Q(r)为(a,b)=(0.3,0.8)、(a，b)=(0，0.5)、(a，b)=(0.5,1)，分别表示为“大多数”、“至少半数”、“尽可能多”，a,b,r∈[0,1]。

对于成本型指标为

(3)

对于效益指标为

(4)

(3) 构建可能度矩阵P=(pij)m×n：设a=[aL,aU]、b=[bL,bU]，令la=aU-aL、lb=bU-bL，区间数a≤b的可能度定义为

(5)

对规范化矩阵R=(rij)m×n中数据作两两比较，得到可能度矩阵P=(pij)m×n。

(4) 构建排序向量：利用下式计算互补判断矩阵：

(6)

得到排序向量v=(v1,v2,…,vn)T。

(5) 计算评价指标的权重：按照从大到小的顺序对向量vi中的aij进行重新排序，得到新的一组数据bj，再运用模糊语义量化评价指标权重矩阵w对数据bj进行加权运算，得到ICUOWGA算子：

(7)

通过利用ICUOWA算子对指标进行归范化处理得到评价指标的权重。

2.3 RBF神经网络的样本训练

RBF神经网络作为一种前向反馈型网络，由输入层、隐含层、输出层三部分组成，见图1。在整个RBF神经网络训练过程中需经历非线性和线性两

图1 RBF神经网络训练图Fig.1 RBF neural network training diagram

个阶段，其中从输入层到隐含层为非线性映射，从隐含层到输出层为线性映射，极好地解决了装配式建筑施工安全评价指标间复杂的非线性和线性关系。RBF神经网络理论上可逼近任意函数，通过初始神经逐渐向上迭代，每迭代一次相应增加一个神经元，并寻求最佳权向量，求得目标向量和学习向量的误差平方和，直到满足设定误差时停止训练，输出目标评价值。RBF神经网络的映射关系式为

(8)

(9)

上式中：x为网络的输入样本数据，x=[x1,x2,…,xn];cj为隐含层j节点奇函数的中心参数，cj=[cj1,cj2,…,cjn]；φj为隐含层神经元j的输出；b为网络的宽度向量，b=[b1,b2,…,bm];w为评价指标的权重，w=[w1,w2,…,wm];y为网络的输出，y=[y1,y2,…,yn]。

3 案例分析

本文以郑州某装配式建筑工程施工项目为例，利用上述建立的基于ICUOWGA-RBF神经网络的装配式建筑施工安全评价方法对该项目进行安全评价。

该项目位于郑州市鸿鹄路与新老107连接线的东北部,规划用地面积为206 504.7 m2，建筑面积为726 986.6 m2，绿化率为30.20%，容积率为2.7。本文对装配式建筑施工的安全等级均等划分，即任何安全等级出现的概率是相同的。借鉴建筑业安全综合评定等级标准，并结合RBF神经网络输出结果，将装配式建筑施工安全等级划分为5个级别，分别为高、较高、一般、较低、低，具体详见表2。

表2 装配式建筑施工安全等级的划分

3.1 利用ICUOWGA算子计算评价指标的权重

本文以二级评价指标环境因素A5下5个三级评价指标为例,计算各评价指标的权重，具体计算过程如下：

首先，邀请5位专家参考装配式建筑施工安全等级划分范围对各评价指标进行打分，为了便于计算，所有打分采用5的倍数形式体现，得到专家的初始决策数据，见表3。

表3 初始决策数据

然后，利用ICUOWGA算子集结处理该初始决策数据，其步骤如下：

(1) 为提升安全等级，默认模糊语义为“尽可能多”，即(a,b)=(0.5，1),参考公式(1)和(2)得到加权向量w=(0.4,0.3,0.2,0.5,0.6)。

(2) 利用公式(3)和(4)对表3初始决策数据进行规范化处理，得到组合决策数据，见表4。

表4 组合决策数据

(3) 根据公式(5)对表4中组合决策数据进行两两比较，构建可能度矩阵p(i):

(4) 根据公式(6)求得关于矩阵p的排序向量：

v(1)=(0.447,0.202,0.422,0.427,0.248);

v(2)=(0.175,0.275,0.454,0.277,0.203);

v(3)=(0.374,0.402,0.274,0.237,0.776);

v(4)=(0.472,0.374,0.147,0.278,0.272);

v(5)=(0.447,0.270,0.486,0.236,0.247).

(5) 根据公式(7)求得ICUOWGA51=[3.67,4.25]。为了提升结果的直观性，取中间数作为评价值，即U51=3.96。同理,求得其他4个三级评价指标ICUOWGA算子的中间数,即U52=3.27，U53=4.16，U54=2.45，U55=2.72。经归一化后求得5个三级评价指标的权重为：η51=0.239，η52=0.197，η53=0.252，η54=0.148，η55=0.164。

同理，可计算得到其他评价指标的权重为：η11=0.125，η12=0.136，η13=0.201，η14=0.185，η15=0.194，η16=0.159；η21=0.138，η22=0.216，η23=0.197，η24=0.205，η25=0.117，η26=0.127；η31=0.126，η32=0.114，η33=0.233，η34=0.217，η35=0.310；η41=0.173，η42=162，η43=0.236，η44=0.245，η45=0.184；η1=0.348，η2=0.234，η3=0.148，η4=0.137，η5=0.133。

3.2 RBF神经网络的样本训练

3.2.1 RBF神经网络训练样本收集

为提高RBF神经网络训练和模拟的能力，参考BP神经网络对样本划分的原则，本文将RBF神经网络样本数量按照3∶1∶1的原则分为训练集、测试集和验证集三个部分,且所有样本随机选择，以确保输出结果的科学性。本次训练共选择样本100组，其中训练样本60组，测试样本20组，验证样本20组。100组样本来自河南省10组、浙江省30组、江苏省20组、深圳市10组、北京市20组、上海市10组，所有数据均来源于当地政府装配式研究协会和装配式建筑网。

3.2.2 RBF神经网络的训练和测试

本文借助Matlab 2014神经网络工具包将27个三级评价指标输入RBF神经网络，输出装配式建筑施工的安全等级。经过多次训练发现如下规律：训练次数达到700次，最小训练速度为0.7，最大允许误差为0.006，迭代次数为750次，训练效果最佳，其训练结果见表5。

由表5可知，学习样本、验证样本的期望输出值与实际输出值非常接近，最大绝对误差值为0.000 5，小于最大允许误差0.006，表明该模型已达到最佳状态，可满足训练精度的要求，输出结果可供参考；样本100的实际输出值为7.942，参照表2判定该装配式建筑工程施工项目的安全等级为较高。另外，结合ICUOWGA算子求得的评价指标权重可知，该装配式建筑工程项目施工过程中应注重对工人专业操作水平、设备定期安全检验、构件吊装安全措施、构件连接节点技术、现场道路情况5个三级指标的安全管理，该结论可为现场的安全管理提供参考。

4 结 论

本文提出了基于ICUOWGA-RBF神经网络的装配式建筑施工安全评价方法。该方法通过引入模糊语义量化算子实现了对传统CUOWGA算子的改进，更加客观地求得了各评价指标的权重，提高了赋权的科学性；同时利用RBF神经网络处理小样本的优势和同时处理指标间线性和非线性关系的能力，根据训练成熟的网络参数，当训练指标变化时可快速重新得到新的评价结果，提高了评价结果的延展性。实例应用表明：该方法可准确输出装配式建筑施工的安全等级，可为装配式建筑施工日常的安全管理提供重要的参考。