基于AHP-人工神经网络的城市水环境治理绿色施工评价研究

李 新，李 维，雷 文，王友辉，罗 宁，樊海元

(1.江苏建筑职业技术学院，江苏 徐州 221116；2.徐州市铜山区城区水利工程管理所，江苏 徐州 221112；3.中国水利水电第七工程局有限公司，成都 610081；4.中国水利水电第十六工程局有限公司，福州 350003；5.中国水电建设集团十五工程局有限公司，西安 710065)

0 引 言

党的十九大以来，生态文明建设被提到了前所未有的高度，在推动绿色发展和建设“美丽中国”的新形势下，如何提高节能环保管理水平、改善施工环境、节约施工能耗、提升绿色施工水平已经成为各行业发展过程中的重要内容[1]。为避免绿色施工只停留在定义上，必须对绿色施工进行评价[2]。

关于绿色施工评价的研究，黄喜兵[3]对某工程项目开展了绿色施工的模糊综合评价；董娜[4]对地铁项目提出了基于组合赋权和集对分析的绿色施工评价；朱厚宏[5]则对绿色施工评价指标与影响因素进行了研究；曾环求[6]提出了基于层次分析法(AHP)、模糊综合评价的高速公路绿色施工评价模型；苏伟泽[7]提出了基于价值工程的基坑工程绿色施工评价；李英攀[8]基于BP人工神经网络对武汉某高层建筑项目进行了绿色施工评价研究。总结起来，对绿色施工评价的方法，主要包括层次分析法、模糊综合评价法、灰色关联综合评价法等，这些方法主要针对地铁、公路、房建等项目开展绿色施工评价。对于城市水环境治理绿色施工评价的研究还比较少，还缺少相对完整的水环境治理绿色施工评价体系为工程应用提供参考和指导。

本文基于人工神经网络BP模型所具有的自适应及泛化能力，以及AHP法所具有的定性分析与定量分析相结合的优点，针对城市水环境治理绿色施工开展AHP-人工神经网络相耦合的绿色施工评价研究，以期为类似工程提供参考和借鉴。

1 AHP法评价理论及应用

1.1 AHP评价方法

层次分析法(Analytic Hierarchy Process，简称AHP法)，是指将与决策总是有关的元素分解成目标、准则、方案等层次[9]，是一种定性和定量分析相结合的、系统的、层次化的评价方法，可将无法量化的因素、行动、方案、项目指标等排出大小顺序，将其区别开来，对难以完全定量的复杂系统作出决策和评价。由于城市水环境治理涉及的点多、范围广，施工工序多，与周边环境交叉多，因此要对绿色施工开展有效评价，得出科学合理的结论，可采用AHP法对主要指标进行分解，通过两两比较各因素的重要性，进而开展综合评价。

1.2 绿色施工评价层次结构

由于城市水环境治理项目施工的复杂性，为系统梳理和评价项目绿色施工水平，采用层次结构对评价指标进行分类。以绿色施工最大化为目标，以施工综合管理、绿色施工技术、施工资源利用、施工环境保护为4大控制准则，构建包括绿色施工管理体系、施工现场管控、绿色施工新技术推广及应用等为具体措施的方案要素，具体包括15个要素。评价指标及层次结构见表1。

表1 评价指标及层次结构

1.3 构造判断矩阵及一致性检验

建立好城市水环境治理绿色施工的层次结构后，需要评价者结合相关的知识、经验，从准则层开始向下，确定各层因素相对上一层因素的权重。在确定各因素权重时，通常采用Santy九标度法，两两比较得到矩阵中一个因素相对另一个因素的重要性数值。

在判断矩阵构造完成后，可采用下述步骤计算各指标权重：

第一步，将判断矩阵各列作归一化处理：

(1)

第二步，将经归一化后的矩阵各列按行相加：

(2)

第三步，将向量M=(M1，M2，…，Mn)T归一化：

(3)

式中：aij为各指标的标度值；n为判断矩阵的阶数；i为判断矩阵的行序号；j为判断矩阵的列序号。

为了检验判断矩阵的合理性，需要采用一致性指标CI进行验证，计算公式如下：

(4)

(5)

式中：Aw为各标度与对应特征向量各权重乘积之和；λmax为判断矩阵的最大特征值。

根据一致性指标CI，可计算得到一致性比例CR，计算公式如下：

(6)

式中：RI为平均随机一致性指标，可查表得到。

在(6)式中，当CR<0.1时，可以认为判断矩阵符合一致性要求；当CR>0.1时，说明判断矩阵不符合要求，需要重新修正。

以B1指标为例，可得其下一层各指标的判断矩阵，并计算得到各指标权重、最大特征值、一致性比例，详见表2。由表2可见，B1下一层各指标的判断矩阵CR=0.0372<0.1，符合要求。

表2 B1层绿色施工评价判断矩阵及权重

1.4 综合评价结果

采用AHP法对绿色施工层次结构中的各项指标开展评价，可得各指标的权重，见表3。

表3 绿色施工评价各指标权重

2 BP人工神经网络评估模型

2.1 评价网络模型

人工神经网络是在对大脑神经网络认知的基础上，为实现某种功能而人工构造的网络模型，可开展大规模并行计算，并具有自行组织、自我适应、自主学习的能力。BP网络是人工神经网络中应用最广泛的模型，包含输入层、隐含层、输出层，其示意图见图1。

图1 BP网络模型

相对于隐含层，输入层节点的值为：

netj=∑wjioi

(7)

式中：oi为上一层节点i的输出；wji为上一层节点i与当前层节点j间的连接权重；节点j的输出值为：

oj=f(netj)

(8)

式中：f(·)为与节点j相关的激励函数。对于BP网络，可选取Sigmoid函数，其形式为：

(9)

式中：θ为网络中各神经元阈值。

2.2 样本选择

基于前文中AHP法所得的绿色施工层次结构，组织专家对20个典型水环境治理项目所涉及的评价指标进行打分，分值1、2、3、4、5分别表示该项绿色施工指标等级为差、较差、一般、较好、好5个等级。将每项指标的得分与表2所对应的赋值权重相乘，即得该项目的绿色施工得分及绿色等级。通过编程，将评价所得的20×15矩阵作为模型的输入样本，绿色施工得分的20组数据作为输出样本，作为BP神经网络的训练样本。其中，16组数据作为训练样本，3组数据作为验证样本，1组数据作为测试样本，便可训练得到神经网络。训练样本及输出结果见表4。经训练后，样本的拟合关系见图2、图3。训练后的拟合度均超过0.95，说明经训练后的神经网络具有较高的拟合度，可作为评价网络。

表4 绿色施工评价得分

续表4

图2 BP训练后拟合关系(训练样本)

图3 BP训练后拟合关系(所有样本)

3 案例分析

3.1 工程概况

某市区河道水环境综合治理工程，项目内容包括河道清淤约5.4 km，调蓄池1座，DN2000截污主管道5.5 km，对河道沿岸现状污水管道进行检测及非开挖修复，新、改建雨水管道24处，并设雨水排放口净化设施，生态化改造现有老驳岸8.7 km等。由于施工地点位于城市繁华区域，在工程建设初期，提出了一系列针对性的绿色施工措施，包括采用“新材料、新工艺、新设备、新技术”等施工针对性措施，防止噪音、扬尘、渣土运输等对周边环境的影响，同时采用BIM技术开展精细化施工管理、“互联网+”施工监测等技术手段。

3.2 绿色施工评价

基于AHP-人工神经网络评价理论，经对项目的绿色施工情况进行打分，各指标得分详见表5。采用训练好的BP神经网络评价得出综合得分为3.39，说明项目的绿色施工水平一般。经与该项目施工单位及监理单位主要负责人确认，该评价结果与项目的实际情况基本相符。进一步分析原因发现，由于在施工过程中工期较紧，抢抓工程进度，部分施工结束后，未及时清除建筑垃圾并平整，恢复植被等，造成绿色施工评价得分不高。由于城市水环境治理项目施工的复杂性，需要对工程进度、质量、安全、费用等统筹考虑，加之绿色施工对节能、环保等指标的要求较高，需在工程建设中找到一个平衡点，在实现绿色施工目标最大化的同时，有效推动工程开展。

表5 绿色施工评价得分

4 结 论

针对城市水环境治理项目，可采用基于AHP-人工神经网络的方法开展绿色施工评价，通过层次结构进行分类，以城市水环境治理绿色施工为目标，构建绿色施工评价指标，并采用AHP法得到相应权重。结合AHP法得到的指标权重，将典型水环境治理项目评价所得到的样本，经BP神经网络训练后，可得到拟合度较高的评价网络。实际应用表明，由于城市水环境治理项目施工的复杂性，需要对工程进度、质量、安全、费用等统筹考虑，加之绿色施工对节能、环保等指标的要求较高，需在工程建设中找到一个平衡点，在实现绿色施工目标最大化的同时，有效推动工程开展。