基于關聯規則挖掘的消費者關注的建筑質量通病問題預警及應用分析

梁夢玉，肖 漢，高建義

（深圳瑞捷工程咨詢股份有限公司，廣東 深圳 518129）

0 引言

近年來，由于城市化進程放緩，房屋住宅由增量向存量轉變，住宅市場對品質的要求愈加嚴格。與此同時，工程質量問題頻發，導致小業主對于戶內觀感質量缺陷投訴頻繁。第三方評估作為甲方采取的監管手段之一，通過定期或者不定期檢查，對施工過程中的質量問題進行監督和改進，為工程質量的提升起到了積極作用。但部分工程質量問題發生后的整改工作直接影響到工程進度，造成經濟損失，而目前的評估模式仍局限于“發現問題，解決問題”的“診斷”作用，缺乏預警功能。因此，以提高評估工作的預見性為目的的大數據質量風險動態預警模型具有極高的商業價值。

工程質量的管控是一個由多方協作的復雜過程，對于房屋滲漏、開裂、空鼓等倍受消費者關注的質量通病，涉及到人、機械、材料和環境等多方因素的影響。不可否認，工程施工工藝環環相扣，質量通病問題的發生與前序施工管理過程有密不可分的關系。若能通過對評估大數據質量通病背后的影響因素進行挖掘，研究前序施工工藝與質量通病的密切程度，將起到對質量通病問題進行洞察和預警的作用。

基于大數據挖掘技術的風險預警已經在電子商務、金融、天氣預報等信息化程度很高的領域得到了廣泛的應用。在其他信息化相對不高的農林，工程等領域，也有一定的應用價值。如邱明月利用 Apriori 算法分析草原火災案件的具體特征與影響因素之間的關聯特征，對案件的相關因素與犯罪行為進行關聯規則挖掘，為公安機關提供可參考的辦案思路與建議［1］。許未等基于 Apriori 的關聯規則算法構建出鐵路事故致因網絡，從而探尋各因素之間的復雜關聯關系［2］。

本文利用關聯規則研究和挖掘過程評估中的檢查項分別與揭示開裂、空鼓、滲漏問題的檢查項之間的關聯。針對揭示開裂、空鼓、滲漏問題的檢查項，篩選與其有較強關系的前序施工工藝類型，并將該關系量化。

1 數據挖掘算法

數據挖掘（data mining）是一個跨學科的計算機科學分支。它是用人工智能、機器學習、統計學和數據庫的交叉方法在相對較大型的數據集中發現模式的計算過程。數據挖掘過程的總體目標是從一個數據集中提取信息，并將其轉換成可理解的結構，以進一步使用。

1.1 關聯規則挖掘

關聯規則挖掘是數據挖掘中最活躍的研究方法之一，是一種在大型數據庫中發現變量之間的有趣性關系的方法。它的目的是利用一些有趣性的量度來識別數據庫中發現的強規則。最早是由 Agrawal 等人針對購物籃分析問題提出的，其目的是為了發現交易數據庫中不同商品之間的聯系規則。購物籃子里記錄的是一次交易中商品的類別，通過分析大量的交易數據得出這些商品在每次購買行為中出現的規律。

關聯規則屬于描述性數據挖掘算法，是一種基于無監督學習的算法。與序列挖掘相比，關聯規則學習通常不考慮在事務中、或事務間項目的順序。關聯規則有效性的度量主要有兩個指標，支持度和置信度。支持度是規則能涵蓋的交易次數的百分比，置信度是指基于前項的條件概率的估計。由于算法會產生大量的可能規則，因此通常采用最小支持度和置信度的閾值來篩選有效規則，縮小可選規則的范圍。

關聯規則在交易數據庫中的應用場景與評估得分數據庫很相似。購物籃分析的是每一次交易中的商品數據，而檢查項關聯度分析的是每一個項目中檢查項之間的關系。評估體系中的最細顆粒度－檢查項的評分從各維度、各階段詳細地反應了項目的工程質量水平。因此，分析檢查項之間的關聯關系可以深入洞察工程質量缺陷的內在規律。

1.2 Apriori 算法

Apriori 算法的優點在于基于先驗性質來減少頻繁項集產生時需要探查的候選集的個數。先驗性質主要分為：①若X為頻繁項集，則X的所有子集都是頻繁項集；②若X為非頻繁項集，則X的所有超集均為非頻繁項集。

2 基于 Apriori 算法的關聯規則的評估數據庫應用

2.1 數據集與數據預處理

數據集來源為深圳瑞捷工程咨詢股份有限公司數據倉庫中 2018－2019 年過程評估原始評分數據，包括實測實量和質量風險兩部分。該數據集為將各房企體系的原始評分根據同一標準對照后的數據。從原始數據集里僅選取包括項目 ID，行業指標名稱和指標得分特征這 3 組變量。根據選擇的算法和項目的目標，將指標得分特征下的檢查項類別設置為新的變量特征，得到結構為［項目 ID，檢查項類別 1 得分，檢查項類別 2 得分，…］的數據寬表。每個檢查項類別的得分為質量風險和實測實量根據國標計算后的加權平均分。

結合算法的要求和項目的目的，需要首先對數據進行離散化處理。即，將檢查項的評分值按照臨界值 0.9 處理為兩種類別：“做得好”和“做得差”。由于工程施工的規律和評估業務的特性，此寬表存在大量缺失數據。為避免數據處理給分析過程帶來噪聲，結合業務邏輯，將所有缺失值處理為 0 值。

2.2 算法應用結果展現

將“滲漏”“空鼓”和“開裂”相關的檢查項分別挑選出來進行算法實施，并根據設定的支持度和置信度閾值對 Apriori 的算法結果進行篩選。為了盡可能使得結果涵蓋三個方面的質量通病，算法采用了不同的閾值。同時，為了起到預警的作用，要求所篩選的前項檢查項必須不發生在目標檢查項的施工階段之后。揭示“滲漏”問題的檢查項有 3 項，揭示“空鼓”問題的檢查項有 6 項，揭示“開裂”問題的有 3 項。設定的支持度（計數）和置信度列表如表 1 所示。

表1 算法參數設置

運行算法后得到 241 符合參數要求的規則，并經工程邏輯判定后得到共 47 條有效的強規則。分別挑選部分最強有效規則列表（見表 2）。其中，支持度（support）代表前項檢查項和后項檢查項在數據集所有項目中同時發生問題的概率；置信度（confidence）表示后項基于前項發生問題的條件概率，表示該規則相信程度；提升度（lift）表明前項和后項之間的相關性。若提升度＞1，則表明該規則有效，前項和后項具有正相關性。

由表 2 的關聯規則列表可知，若主體結構施工階段外觀有脹模錯臺現象，且裝修階段的分層抹灰工藝較差，會極大概率導致裝修階段出現抹灰外墻滲漏問題，置信度表明這個條件概率值為 0.48。而提升度等于 3.36 表明，這兩個前項檢查項的發生會正向促進外墻滲漏的發生；若在主體結構的模板搭建階段發現止水螺桿以及排水孔的預留孔洞有問題，那么也會加劇（lift=3.32）裝修階段外墻滲漏的問題發生，此條規則的置信度為 0.48；此外，在砌筑階段若外墻門垛出現裂縫，則也會大概率導致外墻滲漏問題的發生。

表2 部分強關聯規則

與空鼓問題相關的關聯規則同理解析。由所列規則可知，若內墻且地面飾面磚的接縫高低差做的不好，都會有 0.96（置信度=0.958 3）的概率引起內墻飾面磚的空鼓問題。此外，若墻面抹灰有裂縫和飾面磚有接縫高低差同時在一個項目中出現，則這個項目的內墻飾面磚也會有 0.94 的概率（置信度=0.938 1）出現空鼓問題。

青海湖流域位于青藏高原東北部，地處青海省西部柴達木盆地、東部湟水谷地、南部江河源頭與北部祁連山地的樞紐地帶，總面積2.96×104km2。區域海拔3000～5000m ，多年平均氣溫-1.14～1.17℃，降水量253～515mm，水面蒸發量800～1000mm，屬于典型的高寒干旱大陸性氣候[11]。受東南季風、西南季風和西風環流影響，全年降雨集中在夏季，占年降水量的70%～80%。

導致墻面的抹灰裂縫的因素之一——抹灰的砂漿配合比若不合格，則表明墻面易出現抹灰裂縫的概率為 0.75 （置信度=0.75）；若裝修階段抹灰的養護不到位，且灰縫不夠飽滿，則同樣有 0.75 的概率（置信度=0.75）會出現墻面抹灰開裂的問題；此外，同樣是抹灰的養護不到位且基層處理沒做好，也有 0.76 的概率（置信度=0.76）出現墻面抹灰開裂問題。由于提升度均＞1，所以認為這幾項前項因素均對墻面抹灰開裂的問題出現有正向提升作用。

3 質量通病問題的預警分析

3.1 滲漏問題的影響因素

對于外墻抹灰滲漏問題，綜合分析以上數據挖掘成果，從施工工序來看，主體結構施工階段、砌筑階段、裝修階段的質量缺陷均可影響滲漏問題的發生，影響因素主要可以分為以下幾類。

1）主體結構施工質量的影響。①外墻止水螺桿滲漏；②外墻預留排水孔設置不合理或孔洞造成滲漏；③后澆帶施工縫處理不好導致滲漏；④脹模錯臺應鑿平再抹灰，處理不好造成裂縫從而引起滲漏；⑤砌筑階段砌體豎向勾縫不合格導致外墻滲漏。

2）外門窗施工質量的影響。①門窗塞縫發泡膠的施工質量問題；②外門的門垛裂縫；③門窗的安全玻璃質量問題；④門窗洞口的尺寸誤差；⑤由于門窗外排水坡道設置不合理引起窗臺積水等。

3）墻面抹灰施工質量的影響。①抹灰效果不好造成裂縫；②抹灰起砂等抹灰未達要求的情況；③砂漿配合比不合理引起砂漿開裂等。

根據上文針對挖掘結果的因素分析，滲漏現象被發現往往是在裝修甚至交付階段，事后進行補救往往事倍功半。但根據關聯規則建立的數學模型，最早可在主體結構施工階段就對滲漏問題進行預警。從主體結構施工階段，到砌筑階段再到裝修階段，每一階段都有若干項關鍵指標。當發現項目這幾項關鍵指標出現問題后，再根據關聯規則的評價參數對項目滲漏問題發生的風險概率進行預警，對滲漏事件發生的可能性以及類型進行預警。

3.2 空鼓開裂問題的影響因素

本文分析的空鼓開裂主要包括的內容為飾面磚的空鼓，以及墻面抹灰的空鼓開裂。飾面磚的空鼓主要和接縫高低差有強關聯。地面飾面磚的空鼓也會預示墻面飾面磚空鼓的發生，反之亦然。從施工管理的角度解釋，在同一項目中，墻面和地面飾面磚多由同一施工隊伍承包，地磚和墻磚鋪設質量基本一致。

1）砌體的質量問題和抹灰的質量問題引起的墻面抹灰的空鼓開裂。墻面抹灰的空鼓開裂問題主要歸因于砌體的質量問題和抹灰的質量問題。在砌筑階段，若構造柱的混凝土振搗不密實，或者模板安裝不牢固，引起漲模問題，都會導致空鼓開裂。另外，砌體出現透縫，也會引起相應部位的抹灰出現空鼓開裂問題。抹灰的質量缺陷也是墻面空鼓開裂的重要成因。數據指出，抹灰的養護做得不到位，造成起砂或者基層處理不干凈或不平整都會導致墻面空鼓開裂問題。

2）抹灰的質量缺陷引起的墻面抹灰開裂。墻面抹灰開裂問題同理也與抹灰的施工工藝息息相關：抹灰的砂漿配合比不合理可能導致砂漿產生收縮性裂縫；抹灰保溫保濕養護不到位或方法不對導致產生收縮裂縫；基層處理不干凈、不平整可能導致抹灰產生裂縫；孔洞封堵質量差，不同材料伸縮系數不同，導致不同材料結合處容易產生裂縫；一般在不同結構交接處掛網，不同結構伸縮性不同，不掛網可能引起裂縫。

3）砌體的質量缺陷引起的墻面抹灰開裂。砌體的質量缺陷同樣會引起墻面抹灰開裂問題：墻頂補砌補塞不飽滿可能導致抹灰裂縫；過梁的固定長度不夠，導致過梁沉降過大從而使得拉裂抹灰面；灰縫不飽滿會引起抹灰厚度不一樣，可能產生裂縫；豎向通縫導致砌體整體性差，容易導致通縫處抹灰面被拉裂。

根據以上分析，數據挖掘的結果所展示的墻面空鼓開裂和飾面磚空鼓問題，大概率是由于抹灰和砌體自身的問題導致的，這也與工程邏輯相符。因此在砌筑階段應該格外關注與空鼓開裂相關的關鍵指標，在裝修階段確保抹灰施工工藝達到質量標準，對防范空鼓開裂具有重要作用。

4 結語

本文利用了數據挖掘算法 Apriori 分析出評估數據庫中與消費者關注度高的滲漏、空鼓和開裂問題有強關聯的施工工藝，并將該關系量化，基于項目的現狀形成多條規則，得以動態地，準確地預測質量缺陷問題的發生概率。由于所有的變量均來自于評估數據庫，因此該結果具有隨著數據庫的不斷更新的特性，但是符合工程邏輯的因果關系基本不會改變。本次挖掘得出的關鍵因素可以作為統計學模型的自變量，為下一步建立預測消費者關注項的質量好壞程度的機器學習模型打下基礎。

由于評估業務的不連續性導致數據集存在大量的缺失值是本次工作不完善的地方。此外，評價施工工藝的好壞的標準可以根據實際需求進行調整，如本文采用評分 0.9 作為閾值，若降低閾值，挖掘出的有效規則或會更少，提高閾值，產生的強關聯規則覆蓋的檢查項或會更多。

綜上，雖然本文結果由于數據質量問題存在不完善的地方，但是依然具有較高的工程應用價值。如可結合目前智慧工地系統，利用信息化工具對項目的工程質量進行動態預警，這項工作對于推動工程質量管理的信息化、數據化轉型有重要意義。Q