建設工程安全管理大數據智能評價模型

羅浩 李義興 劉超

1.武漢市建設工程安全監督站 湖北 武漢 430015

2.武漢市城建工程有限公司 湖北 武漢 430015

隨著基礎建設規模不斷擴大，工期緊，任務重，項目的安全管控難度不斷提高，政府安全監管部門面臨的問題越來越多。多年來，政府為加強建設工程安全管控采取了很多措施，如加強企業安全文化氛圍培育、推行建設施工企業安全管理標準化等，但無法實時給政府監管部門提供差異化監管依據。因此，尋找一種能夠對項目安全管理動態作出量化評價，從而對有問題或可能出現問題的項目、參建單位展開重點檢查、差異監管，對降低事故發生概率，提高政府監管部門工作效率，意義重大。

常用的安全評價方法有：安全檢查表法、概率風險評價法、層次分析法、灰色理論評價法等，這些方法對項目進場前風險評價分析效果顯著，但在動態評價上具有較多局限性。隨著信息科學的發展，人工神經網絡已經運用于人工智能、自動控制等各個工程領域，是目前應用最廣泛的模型之一，本文從BP神經網絡算法的角度出發，提出動態建設工程管理大數據安全智能評價模型及算法說明。

1 建設工程管理大數據安全智能評價指標體系的建立

1.1 評價指標的結構與內容

在建設工程施工過程中，安全管理數據具有動態性、實時性，為此采用大數據信息化系統收集管理過程中動態數據，并建立安全智能評價指標。

評價指標包括三大結構：建設單位安全管理行為履職得分指標、監理單位安全管理行為履職得分指標以及施工單位安全管理行為履職得分指標。

（1）建設單位安全管理行為履職得分指標

①建設單位公司領導登錄次數得分（JSGLDC）

通過建設單位領導登陸查看現場數據情況的次數/建設單位領導應登陸次數*100計算得到，其得分反映建設領導對項目現場安全管理的重視程度。

②建設單位現場人員檢查天數得分(JXRJT）

通過建設單位現場人員檢查隱患的天數/建設單位現場應檢查隱患的天數*100計算得到，其得分反映建設單位現場人員對現場隱患了解程度。

（2）監理單位安全管理行為履職得分指標

①監理單位公司領導登陸次數得分(JGLDC）

通過監理單位領導登陸查看現場數據情況的次數/監理單位領導應登陸次數*100計算得到，其得分反映監理領導對項目現場安全管理的重視程度。

②監理單位總監檢查天數得分(JZJT）

通過總監檢查隱患的天數/總監應檢查隱患的天數*100計算得到，其得分反映總監對現場隱患了解程度。

③監理單位監理人員參與率得分(JJC）

通過參與檢查的監理員人數/報備的監理人員*100，其得分反映監理單位監理人員到崗情況。

④監理單位監理人員檢查天數得分(JJJT）

通過監理人員檢查隱患的天數/監理人員應檢查隱患的天數*100計算得到，其得分反映監理人員是否履職。

⑤監理單位復驗及時率得分(JFJ）

通過監理及時復驗的次數/監理應復驗的次數*100計算得到，其得分反映監理對隱患整改的關注狀況。

（3）施工單位安全管理行為履職得分指標

①施工單位公司領導登陸次數得分(SGLDC）

通過施工單位領導登陸查看現場數據情況的次數/施工單位領導應登陸次數*100計算得到，其得分反映施工領導對項目現場安全管理的重視程度。

②施工單位項目經理檢查天數得分(SXJJT）

通過項目經理檢查隱患的天數/項目經理應檢查隱患的天數*100計算得到，其得分反映項目經理對現場隱患了解程度。

③施工單位安全員參與率得分(SAC）

通過參與檢查的施工單位安全員人數/施工單位報備的檢查人數*100，其得分反映施工單位安全員履職情況。

④施工單位安全員檢查天數得分(SAJT）

通過施工單位安全員檢查隱患的天數/檢查人員應檢查隱患的天數*100計算得到，其得分反映檢查人員是否每天在現場履職。

⑤施工單位響應及時率得分(SXJ)

通過施工單位及時響應的次數/施工單位應響應的次數*100計算得到，其得分反映施工對隱患整改的關注狀況。

⑥階段整改率得分(JZ)

通過階段實際整改隱患數量/階段應整改隱患數量*100，其得分反映施工對隱患整改的關注狀況。

⑦前期累計未整改隱患得分(QLWY)

通過100-前期累計未整改隱患個數*10計算得到，安全隱患一直不整改，風險便一直存在，最終導致事故發生的概率增加，其得分反映施工單位對隱患整改的關注狀況。

1.2 評價指標的取值

各評價指標均為定量指標，評價時根據某試點區具體使用情況取值，各評價指標均為0-100的分值，便于后期BP神經網絡歸一化處理。

2 建設工程管理大數據安全智能評價模型設計

2.1 BP神經網絡基本原理

BP 神經網絡由輸入層、隱含層和輸出層組成，由此構建成一種多層前饋神經網絡。BP 神經網絡的層與層之間采用全互連方式，在同一層之間不存在相互連接的現象，隱含層可為一個或多個。

2.2 基于BP神經網絡的評價模型設計

本文所設計的評價指標體系共二級指標14個，根據指標進行數據采集，可形成14個輸入層與各個二級指標一一對應輸入的神經元節點。隱層節點數太多會導致學習時間過長，而隱層節點數太少，容錯性差，識別未經學習的能力樣本低，所以必須綜合多方面的因素進行設計。根據前人經驗，可以參考以下公式進行設計：式中 ： n為隱層節點數； ni為輸入節點數； n0為輸出節點數； a為 1～10之間的常數，本文隱層節點取值8。

圖1 神經網絡結構示意圖

3 建設工程管理大數據安全智能評價模型的實現與驗證

3.1 評價模型的建立

利用 MATLAB2017b的網絡建立命令 newff 建立 BP 神經網絡模型，進行訓練和檢驗。采用 tansig 函數作為隱含層，作為輸出層，采用 traingd函數進行網絡訓練，預設誤差為0.0000001。

3.2 評價模型的訓練

BP 神經網絡各層的初始連接權值具有任意性的特點，需要對BP 神經網絡進行訓練，從而盡可能地使評價結果的實際輸出值能與期望值之間的偏差達到最小。為此，本文采用了某試點區部分項目在不同月份的建管站監管人員安全管理評價數據作為基礎數據進行訓練，部分樣本數據及期望評價結果如下：

?

3.3 評價模型的驗證

本文采用20%樣本的數據作為驗證樣本，在BP網絡訓練完成之后輸入驗證樣本，對模型的評價能力進行檢驗。期望評價結果比較結果見下圖：

圖2 Matlab計算過程

圖4 預測值與期望差值

圖5 預測值與期望差值百分比

由上圖可見，基于BP網絡的建設工程安全管理智能評價模型結果輸出與期望結果除個別點（2/20）誤差在10%左右，其余（18/20）評價結果與期望結果差值百分比均在6%以內，證明了BP網絡神經的建設工程智能安全管理評價模型的可行性和準確性。

4 結束語

目前，建設工程監管信息化已經成為一個重要趨勢，本文提出的建設工程安全管理大數據智能評價模型既能發揮BP網絡的自適應、廣泛化能力，又能充分利用信息化實現現場動態安全管理評價，還可以在其他監管主體（如建設單位）上使用，該安全管理評價模型可為監管部門安全管理提供新的思路。