ANN在鋁模施工中的應用

(中國建筑科學研究院深圳分院，深圳 518057)

1 引言

鋁模板自1962年在美國誕生以來，已有55年的應用歷史。在美國、加拿大等發達國家，以及像墨西哥、巴西、馬來西亞、韓國、印度這樣的新興工業國家的建筑中，均得到了廣泛的應用。鋁模板在中國發展了僅僅幾年，就已經受到了許多建筑商的青睞，例如萬科、中建集團都在使用鋁模板系統。

人工神經網絡(Artificial Neural Network，即ANN)，是20世紀80 年代以來人工智能領域興起的研究熱點。它從信息處理角度對人腦神經元網絡進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網絡。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。

神經網絡技術與建筑行業各專業領域知識相結合，使得該技術在建筑行業中取得了非常廣泛的應用。已有許多ANN系統應用在建筑行業取得了很好的經濟效益和社會效益。本文利用ANN對鋁模的使用順序進行最優化選擇以達到最優的效果。

2 研究現狀

目前，建筑施工過程中管理現場施工流程時，一般使用甘特圖，這對提供整個流程的總體視圖是有用的。這種方法缺少空間上的總體規劃。但如果要將不同空間內的大量類似的工作分配給同一專業工作團隊執行時，并不能體現調配的方法。這種的規劃方法缺少自動化，以及對缺少對資源的統一調配，不同人員之間的操作沖突導致時間的浪費。

規劃方法是將復雜的工作分解為更簡單的子問題，即工作分解結構(Work Breakdown Structure-WBS)。工作分解結構后的流程使用了計劃評估和審查技術(PERT)和關鍵路徑方法(CPM)[6]。

在工程管理領域，工程管理者有些工具，可以幫助他們確定工作流程，最近研究者已經使用人工智能(AI)技術來管理和建立流程。[8]中使用BIM模型和數據庫運用來自動找到近乎最優的時間安排表； 更進一步，中使用代理模型的來模擬施工[9]； 中使用ANN學習技術來達到這種目的[5]。

這種趨勢正在從反應行為轉變為預測行為模型，以盡早識別工程中存在的風險。而通過模擬施工過程活動中，如果發生了意料之外的情況，這時，就能提出一套可能的預案，以減輕對最終產品(模板的排布效果，乃至桿件甚至建筑的結果)的影響。

3 本文的研究方法

3.1 基于代理的模型(ABM)

在鋁模施工現場的構建是一項復雜的活動。然而，這種復雜性是許多簡單問題的總和。這些問題通常由小的工人團隊解決，在許多情況下，可能由單個工人解決。基于這個原因，基于代理的模型，非常接近真實的現象，可以精確地表達他們之間互動，以及他們和工程內容的互動。工程內容即我們的數據模型(如BIM模型)。

此外在ABM中，計算機中的代理和真實世界中的排模工人之間的對應關系[2]，使他容易并且清晰的表示排模工人和周圍環境，以及他們之間的關系。無論是對刺激反應模式，還是高級的主動反應模式都是有效的。

工程施工管理是一個非常接近ABM建模能力的領域，因為這個領域是一個跨學科的領域，比如社會和人方面的問題，以及不同參與團隊之間的空間和時間交互作用。另一方面，目前的BIM和施工管理工具提供了嵌入式代理推理引擎：當設計者根據模型內含的知識建立數據時，這些工具才能表示工作階段持續時間(BIM4D)或成本(BIM5D)。事實上，這里描述的方法只解決問題的一部分。我們的ABM模型中的代理自動推理算法可以為管理人員提供了工人需要多大的空間來達到他們的目標。

在我們的系統中，每個代理就是一項任務，我們的劃分方法是一個房間排滿模板的結果，有代理指派相關的排模工人參與完成相應的工作。整層的模板排布完成就是我們需要的結果，我們通過ABM建立起了一個神經網絡。網絡得到的最優解，多少個工人參與，排模的順序是什么就是我們接下來要討論的。

3.2 逐步人工神經網絡(GANN)

持續學習是機器學習的一個長期目標，在這種學習中，ABM中代理人不僅學習(記住)一系列的任務，而且有能力從以前的任務中轉移為知識，以提高收斂速度。逐步人工神經網絡將這些需求直接整合到網絡的結構中：通過對每個任務實例化一個新的神經網絡(列神經元)來防止災難性的遺忘的發生[7]。

基于代理的系統以及相關的信息，可以被認為是這樣一種人工神經網絡，每個代理代表一個神經元和代理間交換的信息可以認為是神經元之間的突軸[1]。

嵌入到“神經—參與者”中的信息頻度和選擇的統計因子可以描述為通過神經網絡獲取的“經驗”。在使用過程中，如果設計者認為選中的參數是有效的，這個網絡的結果就會被分類到正確的結果庫中。

當設計者或BIM環境要求對網絡的結果進行改善時，這個網絡的結果就會被分類到錯誤的結果庫中。當決策者采用的施工方案接近過去錯誤結果庫中的結果時，網絡將警告決策者。

網絡的訓練方法，即調整突軸的因子值，以及結束的標志，是使用分布約束優化，以及其變種算法確定。

3.3 分布約束優化DCOP

在多代理系統中，協調起著基礎性的作用，因為協調率度量表示的是代理有多像一個統一整體。為此，管理代理的活動之間的內部依賴性是非常必要的。

代理的協調策略有許多種方法。一般是轉化為約束滿足問題(CSP)，采用深度優先算法來搜索代理之間的最優路徑[4]。在我們的系統中采用的技術，是由分布式約束優化DCOP[17]算法啟發的異步DCOP算法(Adopt)[3]。

為了優化模型的目標函數，參與者(排模工人)必須協調他們的選擇。每個代理都知道影響它的約束并異步地進行操作。這個問題要求，全局目標函數，即逐步神經網絡的輸出，為帶約束的值的集合。算法返回的在范圍內的一組值，而非0或者1。

3.4 模擬方法

兩個系統(ABM和BIM)能夠正確地通信，實現本算法地基本要求。代理們同時動作得到的計算結果要在建筑模型中更新。

由于我們的系統是異步訪問建筑信息模型系統(BIM)的，有可能會在修改時，出現訪問沖突。為了避免這些沖突情況，ABM和BIM之間的通信采用BIM事件管理器(BEM)來進行。當需要新增，修改，刪除的BIM中的對象時，BEM就會產生一個事件。

BIM系統的空轉(Idling)對事件的處理起著主要的作用。BIM在用戶的互動的間隔就會產生空轉事件，出現在外部系統成功的訪問完模型之后。

BEM首先產生一個特殊的代理系統稱為主參與者(Master Actor-MA)。MA廣播或者時給特定的參與者發送相關的消息。

代理系統的每個修改活動都由(MA)來激活并記錄，記錄方式是先進先出(FIFO)的隊列來處理。如果是查詢的信息，我們通過BEM系統直接用，而繞過MA。

在我們的模擬過程首先用BEM系統產生一個MA，然后產生已有的任務(Agent)，通過MA來廣播消息再由參與者接到任務后到處理完成。然后參與者去接下一個任務，直至整層的任務完成。這時，模擬整層的配模任務就完成了，我們采用異步分布式約束優化，找出最優的完成順序，以及參與的人數。這些信息將以逐步人工神經網絡的形式存儲我們的系統中。在模擬過程中，如果設計者認為這個過程(網絡中的參數)是否有效，并分別存儲到庫中。并在以后的施工過程中指導排模。

當最終選定了排模方案后，排模的順序已經確定，我們可以生成排模的虛擬三維動畫讓設計者對整個工作有更直觀的了解。

4 結束語

我們的設計的系統是一個主動持續學習地ANN系統，它使得設計人員在設計的初期階段就可以動態選擇最優的施工方案。該方案減少時間的浪費，并促進施工的可持續性。

為了設計師能按照已定義好的、可靠的調度計劃來完成鋁模裝配的施工任務，本文提出的將WBS定義為一個多代理系統相互作用的結果，它能動態確定最合適的施工順序。

在設計過程中我們的系統和設計師一起，評估施工時間最有的情況下，所需要的參與者類型和數量選擇帶來的結果，同時，確保團隊工作的連續性以及所需資源的恰當性。

未來可以考慮將我們的系統和模板采購，以及后面運維等活動聯系起來，以期得到更好的效果。