WEKA在建筑結構安檢影響因子篩選建模上的應用

楊嘉琳

摘 要：本項目以某工程巖土勘探為背景，通過研究其項目過程勘探中的部分各層土方數據，借助EXCEL對數據源進行預處理，結合WEKA數據分析平臺，分別以貝葉斯網絡、分類規則進行模型建立，為地基土層的沉降評價以及結構安全平臺建立提供數據支持。

關鍵詞：巖土勘探;WEKA;結構安全平臺

1.背景

1.1國內研究現狀

近些年來，工業領域的災害頻頻發生，這種現象在建筑工程中尤為明顯。其中包括各種自然災害的侵害和難以避免的質量事故等導致的建筑結構安全問題，與人們日益增長的建筑功能的需求以及在“十三五”時期倡導創新、協調、綠色、開放、共享發展理念之間的矛盾日益突顯。鑒于以上原因，對現存或者正在建立的建筑結構的安全性能檢測就十分必要。對于建筑結構的安全性能檢測是對其安全性控制過程中的一個重要環節，目前國內針對其研究主要著力于檢測技術的開發研究，采集數據技術的改良以及結構安全狀況評估反饋系統的建立三塊內容。

在建筑結構安全性能檢測技術開發研究方面，孫莉，梁德志，李宏男在《振動、測試與診斷》雜志上發表的《用 FBG傳感器監測框架-剪力墻結構裂縫》中通過開發基于光纖布拉格光柵（FBG）的應變傳感器對振動破壞下的模型結構裂縫發生以及發展過程進行數據采集，來解決在惡劣環境下混凝土結構的健康安全檢測;孫威，閻石，張鶯等在《混凝土》雜志上發表的《基于壓電阻抗技術的混凝土剪力墻裂縫損傷監測》基于壓電阻抗技術提出來一套傳感器的布置策略，用以解決混凝土結構監測過程中常見的技術問題，并驗證其方法的有效性。

在建筑結構安全性能檢測數據改良方面，周智，歐進萍在《傳感器技術》雜志上發表的《土木工程智能健康監測與診斷系統》考慮監測結構參數的多源性對診斷結果的偏差影響，提出了利用多傳感器信息融合技術將多個數據源在時間和空間上進行修補組合，最終建立一個最優化系統達到高效即時反饋的效果;陳保平，蘇木標，樊可清在《石家莊鐵道學院學報》上發表的《大型橋梁健康監測遠程數據采集系統設計》對遠程數據采集系統的設計中涉及的影響因素，分別從現場采集系統、文件傳輸系統以及用戶終端三方面進行考慮，為數據采集技術改良提供理論支持。

在建筑結構安全狀況評估反饋系統方面，王清華，周瑜，劉立輝在《基于時間序列分析法的建筑變形監測技術研究》采用時間序列法建模，利用F檢驗原理對短期結構沉降量進行預測，并繪制相應的沉降過程曲線，等值線分布圖;農秀蓮，劉瓊在《礦山測量》中發表的《基于 MATLAB 自動生成建筑沉降監測圖表》利用MATLAB繪制生成沉降量圖表，提高工作效率。

1.2國外研究現狀

國外對于建筑結構安全性檢測領域中，已經有不少研究結合數據挖掘技術開拓新的思路方向。T.Rivas等通過減少施工工程項目中風險率的途徑，驗證數據挖掘中貝葉斯網絡、決策樹、聯合規則、邏輯回歸等幾種方法最終建立起最優化模型;Shuo Chen等開發了一種能夠利用超聲波翼激發和接受取樣信息的新型無線傳感器，從而減少在結構檢測中過多投入在傳感器的精力和開銷。

1.3總結述評

綜上所述，對于建筑結構的安全性能研究，現國內外研究偏向于檢測技術尤其是傳感器的開發研究，包括利用不同領域技術的融合提高在前期數據信息采集階段的準確性。然而，對于在后期信息處理結構安全狀況的評估的研究不多，尤其是系統進行建筑安全檢測平臺的開發，數據挖掘為其提供了可行的理論支持。

本項目旨在依據以上現狀，以某工程巖土勘探為背景，通過研究其項目過程勘探中的部分各層土方的樣本類別，建立快速篩選土方類別的優化模型，為地基的土層均勻性進行評價提供數據支持，有助于結構檢測平臺的建立。項目采用數據挖掘的方法，利用WEKA作為數據分析平臺，將數據中潛在信息進行加工處理后再開發，挖掘模型建立關聯因子，由此提高信息利用率，為結構安全檢測平臺的建立提供堅實的保障。

另外盡管數據挖掘在現今“互聯網+”模式下發展迅速，但其在建筑領域中的應用范圍仍舊較為狹隘。本課題研究的內容一定程度上擴展了大數據技術在建筑結構中的應用領域，積極響應創新、協調、綠色、開放、共享發展理念，對生產實踐具有重要的理論和現實意義。

2.建筑安全檢測平臺設計

2.1結構安全關聯因子

建筑的結構可靠度受到不同因素的影響。在結構受力構件中，需要考慮可變荷載與永久荷載的影響，而對于不同結構體系，荷載的影響系數有很大差異。在荷載組合中，可變荷載與永久荷載的主導性直接決定不同的荷載組合方式。永久荷載控制時，可變荷載只需要考慮活荷載標準值，可變荷載控制時，可變荷載還需要考慮組合值。除此以外，結構的受力分析需要考慮構件的極限強度承載能力和正常使用承載能力。在此，我們將以這兩種承載能力為理論支持，分析與土層類別對于地基不均勻沉降的影響，乃至對結構安全性的聯動作用。

2.1.1 極限強度承載能力

結構構件的強度是其自身的一種屬性，取決于構件的尺寸以及材質。一般構件的尺寸可根據不同截面形狀歸類分析其形心位置，由此在不同荷載施加時有不同的形變，而不同的材質抵抗變形的能力不同，彈性模量不同，由此形成的應力應變圖變化規律迥異，最終達到構件的極限強度，構件破壞。

針對這種情況，在檢測結構安全性階段，應在構件強度薄弱處進行應力應變的測試，并將數據以時間為節點保存為表格形式上傳存儲，以便后續匯總分析。數據檢測儀器可采用無線電阻應變式傳感器，其對于環境要求低，測量數據精度高的同時使用時間也相對更長。構件的強度薄弱處可根據彈塑性理論分析結構受力模型，在內力最大處，包括彎矩、拉力、扭矩等最大處位置粘貼電阻應變片。

2.1.2 正常使用承載能力

在日常生活中，一定比例的建筑構件在無法達到其極限強度承載能力前就已經喪失了其使用能力，或者構件使用時存在較大的安全隱患，這種情況下，結構達到其正常使用承載能力。處于這種情況的構件主要可從其外觀、形狀進行辨別，比如出現在梁、結構柱外表面的裂縫，建筑局部的基礎不均勻沉降。

本次項目從分析土層的類別入手，對影響土層分類的因素進行分析，為評價項目地基的均勻性以及建筑不均勻沉降提供技術支持。

2.2 結構安全檢測體系

結構安全檢測體系的建立數據、平臺、用戶三大方面。

首先，數據采集可與相關房屋安全檢測平臺溝通合作，根據現有的危險房屋堅定標準對已有的建筑構件進行系統的檢測，具體通過無線傳感器的設置，對基礎、梁、柱、樓板、屋頂等主要受力構件的關鍵部位（應力最大處）變化情況匯總監測此外，對于既有結構構件，主要又可通過各種儀器比如紅外熱像儀等對內部情況進行勘探。其次對于規劃建筑需要收集的大量數據信息和資源，除了建筑本身結構建模的參數外，還需要通過勘探得到外環境的數據，比如土質情況。

再者，數據獲取后，需要建立篩選、分析、輸出結果的平臺，然后將信息傳遞給用戶，結合實際情況修正數據，反復傳遞給平臺，循環往復。

2.3 WEKA數據分析平臺

WEKA是一個應用廣泛的數據挖掘工作平臺，基本界面如圖1所示。WEAK能夠對數據進行多方面的分析，包括分類、回歸、聚類、關聯等形式。在實際應用中，WEKA平臺能有效分析數據間的關系并對其通過算法進行驗證。WEKA數據挖掘平臺可對文件擴展名為arff和csv等的文件進行處理分析，平臺能夠處理的數據格式是一個二維表格，如下圖2所示。其中橫行和豎行數據分別代表實例和屬性，故需要對待分析的數據在數據分析前期進行初步定性分類，可通過不同軟件對數據源預先進行處理，比如PROCESSING、EXCEL。

WEKA平臺有多種數據分析的形式，以上四大類又可細分為決策樹分類、貝葉斯分類、神經網絡、聚類分析等。在數據挖掘前期，首先對挖掘算法進行選擇，再經過比較不同模型之間的結果差距，確認算法和模型有效性。本次數據試驗處理通過交叉驗證對模型進行檢驗。

3.案例分析應用

本項目以某工程巖土勘探為背景，在擬建建筑場地進行土質鉆孔取樣，對其勘探過程中74個土樣進行分類測試，實驗數據包括以下19個屬性：soil sample NO、moisture content、wet density、dry density、proportion、void ratio、saturability、iquid limit、plastic limit、plasticity index、liquidity index、coefficient of compressibility、modulus of compression、cohesion 1、internal friction angle 1、cohesion 2、internal friction angle 2、free swell ratio、class。其中soil sample NO與class為文本型，其余均為比例數值型屬性。數據實際分類有14個粉質黏土、60個粘土。本實驗通過classify對樣本數據進行兩類算法的處理分析。

3.1 實驗過程

本實驗采用WEKA中的EXPLORER界面，對74個進行分類算法測試。測試前先對數據源預處理，并且保存為土方試驗.csv格式。本次數據預處理的方法為通過EXCEL表格對以上19個屬性進行整理編輯轉化，確保所有數據屬性不包含中文字符。具體試驗過程為首先在WEKA平臺中進入EXPLORER界面，并在preprocess界面中導入土方試驗.csv數據，其中選擇classify選項卡，先后選擇NaiveBayes樸素貝葉斯分類和ZeroR分類器，如圖3所示，并對兩種算法均設置10次交叉驗證，其余算法參數均保持不變，完成后單擊start開始運行試驗數據，分別得到兩組算法的試驗結果。

3.2 數據分析

NaiveBayes樸素貝葉斯數據分析結果如圖4所示，ZeroR運行結果如圖5所示。結果顯示，所有土方試驗樣本被分為兩類，其中對于樸素貝葉斯算法，錯分實例為15個，占總數的20.3%。數據顯示，confusion matrix（混淆矩陣）中a代表粉質黏土，B代表粘土，NaiveBayes算法中14個實際類別為粉質黏土的實例被誤分類成粘土，1個實際類別為粘土的實例被誤分類成粉質黏土，分類正確率為80%。ZeroR算法中，錯分實例為14個，占總數的19%，分類正確率為81%，其中兩種算法對于粘土的分類與實際情況均較為符合，誤差小，而對于粉質黏土的分類精確度低。簡而言之，以上兩種算法均能對其中一類數據進行較為準確的分類，但對于另外數據處理能力弱，分析其原因推斷出數據源中參數的相關性分析在前期預處理中存在紕漏，仍需要在數據降噪中反復修剪處理，以便提高分類的準確度與精準性。

結合以上試驗結果分析，以及依照土方試樣實際樣本分類，兩種分類算法均能夠較好分析出粘土類別的樣本，但對于粉質黏土的樣本識別度低。在兩類算法運行過程中，誤判率保持在20%上下，運行時間均較短。

4.結論

本項目通過WEKA數據挖掘工具對土方試樣進行分類的數據分析，采用NaiveBayes樸素貝葉斯算法以及ZeroR分類算法進行實驗分析。試驗結果表明，對于土方數據能準確篩選出“粘土”類數據，運行時間短，與實際類別吻合度高，但對于“粉質黏土”識別度低，需要在預處理階段對該類別的屬性進行降嘈處理，添加有效屬性，刪減無效屬性。

通過此次試驗得出，經過有效的數據預處理，可采用classify算法對于土方識別進行模型建立，快速識別具有特定參數的土方類別，提高工作效率，為地基沉降監測平臺的建立提供數據支持。

參考文獻

[1]孫 麗，梁德志，李宏男.用 FBG傳感器監測框架-剪力墻結構裂縫[J].振動、測試與診斷，2010，30（5）：496-499

[2]孫 威，閻 石，張 鶯，吳金國.基于壓電阻抗技術的混凝土剪力墻裂縫損傷監測[J].實用技術，2011，7（42）：125-128

（作者單位：寧波城市職業技術學院）