建筑工程質量組合評價模型的構建與仿真

肖光華，王清蓮

（1.江蘇城鄉建設職業學院設備工程學院，江蘇常州213147；2.河海大學計算機與信息工程學院，江蘇南京210098；3.常州開放大學終身教育研究中心，江蘇常州213001）

建筑工程質量是國家、社會和人民重點關注的重大民生問題之一，關系到廣大人民群眾自我安全感和幸福感，也關系到建筑企業的長遠發展. 由于建筑工程的復雜性，影響其質量的因素很多，涉及設計招投標、施工組織管理、驗收維護等諸多環節[1]，各環節的評價指標也不同，在現有的管理中，對工程質量評價往往依據實體質量的一部分作為質量好壞的評價標準，導致不同工程之間難以區分優劣，使得一些企業更愿意按照最低標準來建設，這對建筑行業的發展相當不利. 通過建立科學的工程質量評價體系，利用評價結果來區分工程質量的優良程度，可以讓真正優質的工程脫穎而出，促進資源向優秀企業集中，倒逼評價不高的企業反思建設過程中存在的問題，從而促進工程質量的整體提高，最終形成良性循環，達到“良幣”驅逐“劣幣”的狀態.

尋找一種準確、高效、量化的建筑工程質量評價方法成為學者們研究的課題. 李書全[2]等提出一種改進的SVM 模型用于施工項目安全預測評價；彭立新[3]等給出了特定的應用條件下的一種工程質量抽驗方案；張敏[4]運用BP 神經網絡算法來提高工程質量評價的精度；楊全[5]使用AHP-FUZZY 組合模型進行了實證探究；趙明華[6]等將相對熵的模糊評價群決策方法運用在工程質量風險控制中.

根據研究場景和樣本的不同，SVM 和BP 神經網絡算法有著各自的優缺點.SVM 對于非線性的小數據樣本具有較好的泛化能力，但對大規模訓練難以實施，對于多分類問題的解決有一定難度[7].BP神經網絡也可實現非線性映射，有較好的自學能力和推廣概括能力，但訓練過程有可能進入局部最小值出現欠學習或過學習. AHP 作為一種主觀賦權方法需要較大的專家樣本，熵值法的客觀性更強，但對于波動很小或者很大指標有一定的局限性. 綜上所述，在現有研究的基礎上，本文將層次分析法（AHP）和信息熵（Entropy）相結合設計了一套建筑工程質量的量化計算方法，并根據歷史數據樣本分別利用最優參數的支持向量機（SVM）和BP 神經網絡進行檢驗評價，選擇泛化能力最好的模型作為最終決策模型，并對該方法的可行性進行了驗證.

1 評價模型的建立

首先根據已有成果和專家經驗，采用層次分析法方法將人為的定性判斷主觀評價進行量化，確定主觀權重；其次運用熵權法計算各指標對應的客觀權重；最后將兩者進行結合從而提供準確的量化指標.

1.1 基于AHP的計算模型

模型分為三層：目標層、準則層和決策層，通過分析各層之間的相互影響關系，構造目標層矩陣A和準則層矩陣Bi(i=1,2…n)，然后對同一層次的各元素與其所屬的層次要素進行重要性的兩兩比較[8]，為了能將定性的判斷進行量化，AHP 模型對所有結果通過9 個標度來計量，根據不同情況的評比給予數量尺度的評價[9].

用方根法將矩陣B的行向量元素的值相乘得到μij，根據每行元素數量n將結果開方，得到方根向量μi，將矩陣歸一化后即為所求特征向量wi.即：

矩陣A的最大特征根λmax為：

式中(Aw)i表示向量的第i個分量.

計算一致性指標CI：

選取同階數的一致性檢驗指標RI的值，求得一致性比率CR：

只有當CR≤0.1 時，可以認為判斷矩陣的一致性是能夠接受的.

準則層判斷矩陣求解方法同目標層求解方法相同，求得特征向量wB最后，終得到AHP的主觀權重：

由式（7）得出該層要素對于該要素的權重，然后由目標層及其隸屬準則層得到的權重計算出主觀權重.

1.2 基于信息熵的計算模型

相對于AHP 偏于主觀的確定權重的分析方法，信息熵法是偏于客觀的確定權重的方法，它借用信息論中熵的概念. 所謂“熵”，是信息論中衡量信息含量的量化指標，信息量的（概率）分布越趨于一致，其信息攜帶量就越大[10].

由評價方案中n個指標C1,C2,…,Cn，以及它們的m個客觀屬性組成決策矩陣D：

將決策矩陣D進行標準化處理得到決策矩陣R：

這里矩陣R中的元素rij滿足歸一性，即1(j=1,2,3,…,n).

指標屬性Cj的熵Ej為：

式中：j=1,2,…,n；0≤Ej≤1.

若(r1j,…,rmj)=(0,…0,1,0,…)，則Ej=0；總之rij越一致，則Ej越接近1，這樣就越不易區分方案的優劣.所以先計算熵值偏差度：

最終得到指標Cj的權重計算公式為：

1.3 基于聯合賦權的計算模型

結合層次分析法和信息熵各自的優點，采用AHP 方法和信息熵聯合賦權的方式評價工程質量，從而更好地反映工程質量的實際情況.由AHP計算求得的主觀權重w′和熵值法計算求得的客觀權重w′′，確定聯合權重[11]：

1.4 基于SVM和BP神經網絡的專家決策模型

SVM 作為一項數據挖掘的新技術，它以結構風險最小化為原則，通過核函數將非線性可分問題轉化成線性可分問題，最終求得全局最優和唯一的解[12]. BP 算法由于其結構簡單，可調整參數多，操作性好，獲得了非常廣泛的應用，它是前饋神經網絡的核心，也是神經網絡算法中應用最廣泛的算法[13].樣本數據的質量、數量以及數據訓練的先后順序都會對最終的預測精度產生一定影響，利用SVM 和BP網絡各自的特點，選擇泛化能力較好的模型作為最終的決策模型，具體實施步驟如下：

（1）將每個指標的評價度量值（1-10）作為模型的輸入值，依據聯合權重計算得到的評價結果作為模型的輸出值，建立決策模型的學習樣本集.

（2）將模型學習樣本集分成兩部分，隨機抽取其中一部分的樣本數據組作訓練集，剩余的樣本數據組作為檢驗集.

（3）將訓練集數據和訓練參數代入到SVM 和BP 網絡模型中進行訓練，通過迭代學習、訓練結果評價和訓練參數優化等一系列步驟，得到最終檢驗結果，選擇預測結果中均方誤差（MSE）較小，測定系數（R2）更接近于1的模型作為最終決策模型.

2 實驗分析

評價建筑工程質量的好壞需要綜合各方面因素的考量，為科學、全面地評價建筑工程質量等級，在查閱大量相關文獻的基礎上，結合江蘇某建筑企業歷年工程項目實施及驗收數據，由該公司組成的專家組遴選了12 個質量因素指標，其模型結構及其相互關系如圖1所示.

2.1 AHP主觀權重計算

根據AHP 結構模型不同層次之間的關聯關系，應用1-9 標度法量化目標層A、準則層B 以及決策層C的判斷矩陣，由式（1）-（7）計算相應矩陣.表1-4分別為各層之間判斷矩陣的特征向量wi值，表5為一致性檢驗相關參數，CR均小于0.1，則判斷矩陣的一致性是能夠接受的，各指標所占權重如表6所示.

圖1 建筑工程質量評價體系

表1 目標層A和準則層B判斷矩陣

表2 目標層B1和準則層C判斷矩陣

表3 目標層B2和準則層C判斷矩陣

表4 目標層B3和準則層C判斷矩陣

表5 參數值一致性驗證

表6 AHP主觀權重計算表

2.2 信息熵客觀權重計算

信息熵是通過一個工程周期（從評估立項到交付使用再到后期維保）所付出的人力成本、購入固定資產折舊以及生產支出這三個維度來描述決策層的12 個指標，每個維度單位成本越高，則表明該指標對質量影響越大. 經無量綱處理后得到表7，由式（9）-（11）計算每項評價指標客觀權重，如表8所示.

表7 信息熵決策矩陣

表8 信息熵客觀權重表

2.3 聯合評價指標權重計算

運用AHP 方法計算各層次特征向量并求得主觀權重，運用熵值法求得決策層每項指標的客觀權重，最終將主觀權重w′與客觀權重w′′按照式（12）計算得到聯合評價指標權重w，如表9所示.

表9 聯合評價指標權重

3 模型仿真

專家通過對指標進行賦分（1 ～10）計算出建筑工程質量的綜合評價值，依據某建筑企業歷史工程數據，專家組提供了60份樣本數據.按照1.4節的步驟在MATLAB R2016a 下實施模型仿真，隨機抽取50 份數據作為訓練樣本，剩余的10 份作為檢驗樣本，然后進行模型精度的比較，選取最終決策模型.

3.1 SVM模型

經計算比較，選用徑向基RBF 函數（Radial Basis Function）作為SVM 的核函數，通過交叉驗證方法找到最優參數c（懲罰因子）和g（RBF 核函數的方差），得到c= 64，g= 0.0014. 其訓練集的結果和檢驗集的結果比對如圖2和圖3所示.

圖2 SVM訓練集結果比對

圖3 SVM檢驗集結果比對（MSE=1.3248E-4,R2=0.99954）

3.2 BP神經網絡模型

經參數優化，設置BP神經網絡最多循環次數為1 000，目標誤差小于0.001，學習率設定為為0.1，隱含神經元設為5，采用誤差函數梯度下降法，其訓練集結果和檢驗集結果比對如圖4和圖5所示.

圖4 BP神經網絡訓練集結果比對（MSE=1.4168E-3,R2=0.99184）

圖5 BP神經網絡檢驗集結果比對（MSE=4.0809E-3,R2=0.96277）

3.3 結果比較

通過計算兩種模型均方誤差MSE和決定系數R2，由表10 可知，兩種模型都具有良好的泛化能力，測試結果誤差也都在可接受的限度內，而SVM 檢驗效果更優. 將訓練好的模型進行保存，當再進行同類工程質量評價時，只要輸入待評價指標數據，啟動訓練好的模型，就可以得到工程質量的綜合評價值.

表10 兩種模型檢驗集精度對比

4 結語

本文針對建筑工程質量評價中存在的問題，提出了一套新的評價指標量化方法，將AHP 方法和信息熵相結合，從主、客觀角度量化對比建筑工程質量的優劣程度. 采用SVM 和BP 神經網絡構建建筑工程質量的評價模型，經實驗證明，評價指標計算方法合理，模型檢驗精度令人滿意，對形成建筑工程質量評價大數據大有裨益，從而能促進建筑企業的良性發展. 當然，建筑工程質量的評價是一個非常復雜的非線性問題，本文只是初步的探索，對于樣本數據的獲得，樣本數據對模型泛化能力的影響以及模型算法的改進是未來需要更深入研究和探討的.