基于模糊数学与BP神经网络在施工安全评价中应用研究

王 磊（天津路桥建设工程有限公司，天津 300381）

随着工程等相关领域的发展，高层、中高层等多种形式的建筑在市场内得到了广泛应用。但由于其本身的施工特性，导致建筑施工存在着许多潜在安全隐患，此种隐患极易引发危险事故，从而对社会、建筑单位的经济产生极大损害，并对人民的生命和财产安全也产生负面影响。因此，加强施工单位在高层建筑施工中的安全管理，并对其进行有效、合理的安全控制是非常必要的。

对施工单位进行科学、合理的安全评估，能有效提高工程建设的安全水平。运用安全评估理论、科学的数学方法，对高层建筑工程施工中遇到的问题进行有效评估，能使施工单位最大限度减少安全事故和企业损失。

1 工程概况

以某新城小区住宅项目为例，设计建筑施工安全评价方法，该工程基本概况如下：

（1）项目所在地：某城市开发新区；

（2）项目有效占地面积：149659.52m2；

（3）项目等级：二级；

（4）层数：28层；

（5）高度：89.65m；

（6）设计年限：70年；

（7）建筑施工等级：二级；

（8）屋顶防水设计等级：二级；

（9）小区容积率：3.56；

（10）项目施工涵盖内容：1#建筑～5#建筑共5 个独栋民居建筑，建筑所在小区的绿化施工等。

该工程项目的施工配置概况见表1。

表1 新城小区住宅项目主要施工设施配置概况

2 基于模糊数学与BP神经网络在建筑施工安全评价中应用

2.1 建立建筑施工安全评价体系

在建立建筑施工安全评价体系时，先确定体系中各项评价指标的原则，包括：整体性原则、简明性原则、独立性原则和实际性原则[1]。在选取评估指标时，要从全局的观点，综合考虑各种因素和特点对工程安全的影响，以保证评估的全面。在指标的选择上，要做到科学、简练[2]。若指数过低，则整体指标过于粗糙、过于笼统，难以满足评价的需要。但是，当体系规模过大，指标过多时，就会导致工作量增大，忽视了影响因素。因此，在构建指标体系的时候要尽量简洁。指标体系是一组独立而又密切联系的指标，这些指标之间不存在重叠或内在关联[3]。如果两者属性一致，不仅会增加工作量，而且会干扰评价工作，影响评价的科学性和实效性。在遵循上述原则后，结合建筑施工的实际情况，确定建筑施工安全评价体系，见表2。

表2 建筑施工安全评价体系

2.2 基于模糊数学的建筑施工安全评价模型构建

确定评价指标以及完成对评价体系的构建后，依据具体内容对各个指标进行权重确定。根据不同因素对施工安全的影响程度，按照评判依据进行量化。在具体操作中，借助专业打分实现[4]。专家在打分过程中，需要将表3 中的标度作为依据，根据实际情况对评价体系中的指标进行两两比较。

表3 指标重要性打分标度表

在专家打分完毕后，对各个指标的权重进行分配，对指标进行归一化处理，可得到具体权重向量，这一过程见式（1）。

式中Wi-某一安全评价指标的权重向量；

bij-某一评价指标i 与评价指标j 的专家打分对比结果。

通过一致性检验的方式，对评价指标权重划分结果进行检验，见式（2）。

式中C.I.-一致性系数；

λmax-安全评价体系最大特征值；

n-判断矩阵阶数。

引入模糊数学理论，构建建筑施工安全评价模型。假设影响建筑施工的因素共n个，则这n个因素构成因素集，并且各个因素相互之间都存在一定模糊关系。结合权重的具体含义，确定各因素影响程度大小，并进行量化[5]。用a表示模糊集中某一因素的权重，同时，该权重应满足下述归一化要求，见式（3）。

确定评价模型中的评价集，假设存在m 种评价结果，评价集为V，用vi表示各个评价等级的具体结果。通过对各个评价指标因素进行分析，对被评价的施工项目隶属关系确定，并得到评价模型Y的表达式，见式（4）。

式中W-影响建筑施工安全因素的权重集合；

R-因素集与评价集之间的模糊关系。

在对建筑施工安全判断时，遵循最大隶属度原则，合理得出评价结果，为后续改进提供方向[6]。

2.3 基于BP神经网络的评价模型优化

为进一步提高模型评价精度，利用BP神经网络对模型进行学习训练。在将评价样本带入到上述建立的评价模型前，对样本进行统一处理，确保向BP 神经网络中输入的数据数值均在0～1 范围内[7]。图1 为BP 神经网络基本结构图。

图1 BP神经网络基本结构图

在学习训练过程中，对学习参数合理设置。同时，在BP 神经网络中还需要完成对阈值和连接权值的初始化处理[8]。对训练样本集合当中的每一个训练样本，都需要进行后续步骤处理：对模型在该神经网络结构输出层得到的结果进行计算；根据当前训练样本，逐层正向计算节点实际输出[9]。输出结果见式（5）。

式中H-输出结果；

Wij-隐藏层i节点第j个输出连接权重；

Xj-第j个输出具体数值；

θj-隐藏层i节点阈值。

利用已知误差进行反向传播，直到输出结果与预期结果之间的差值在允许范围内，完成对评价模型的训练，实现对模型的优化，从而提升模型评价结果的精度[10]。

3 实证分析

此次实证分析通过运用AHP 方法，精确地确定各个指标的权重，使评估体系中各个指标的重要性得到合理量化。在分层评价结构中，最高层为目标层，中间层是标准层，最底层是各个指标指数。根据建筑施工安全指标选择的原则，结合对高层建筑的现场调查，设计针对此项目施工的安全性评价指标。

采用专家评分法，用于衡量各指标在评价中的相对重要性，在衡量指标时，应兼顾客观性和精确性等原则，因此，邀请了15名专家进行指标评估。根据1～9标度法，构建指标判断矩阵，见表4。

表4 评价指标判断矩阵

根据构造的评价指标判断矩阵，计算出不同评价指标的具体权重值，见表5。

表5 不同评价指标的具体权重值

使用MATLAB 软件，对各个指标的置信度进行评价，评价步骤如下：

（1）建立用于评价二级指标的神经网络，使用neff专用函数，建立层级指标评价模型；

（2）在建立了网络架构后，为了进行网络训练，应设定网络权重和阈值。通过网络初始化功能和网络参数值设定网络权值，根据设定的权值，进行权限的初始化处理；

（3）通过MATLAB软件的仿真功能，对经过训练的网络进行测试；

（4）根据网络学习的特性，在选择学习样本时，应根据实际情况，为训练过程提供一系列的样本，以检验设计指标的有效性。

对指标置信度的评估表达式进行设计，见式（6）。

由式（6）可知，neff(C)代表指标置信度，当neff(C)取值为1 时，说明该指标为可用指标，即该指标满足评价需求，当neff(C)取值为0时，说明该指标为不可用指标，即该指标不满足评价需求。对C1～C15进行置信评价，评价结果见表6。

表6 C1～C15指标置信度评价结果

根据表6 可以得出，设计的C1～C15 指标符合建筑施工安全评价需求。

对指标进行训练学习，学习过程如图2所示。

图2 训练学习过程

对数值进行训练，达到期望值且稳定后，输出此结果，按照训练结果，对建筑施工过程进行评价。评价结果见表7。

表7 建筑施工安全评价

4 结语

此次研究从建筑的安全问题入手，了解了建筑的基本概况后，设计了针对建筑工程施工的安全评价方法，通过此次研究，基本可以实现对施工引起的各种安全事故有了较为详尽的了解，同时也对其所产生的严重后果有了新的理解。根据研究，认知了在建筑施工过程中，对其进行安全评价等相关工作的重要性，结合上述表格内容，总结此次研究的成果，并得到下述几个方面的结论：

（1）根据表6 中的内容，所有指标的置信度评价结果均为1，证明评价过程中，建立的指标体系与选择的评价指标，符合建筑施工评价工作的具体需要。

（2）根据表7 中的内容，在进行建筑施工安全评价时，期望评价结果与该方法输出评价结果，得到的数值存在偏差，但最终评价等级一致。证实该评价方法得到的评价结果具有可借鉴性。表7中，评价结果取值在0.9 以上，代表现场施工十分安全，取值在0.8～0.9 之间时，代表施工现场较安全。

（3）在未来阶段性工作的实施中，还将继续进行安全评价方法的深化，填充并完善评价指标，为建筑工程领域其他工程项目施工的安全评价提供借鉴。