基于Web-BIM的裝配式建筑結構選型智能決策支持方法

王彩雪，

(西安歐亞學院 人居環境學院，陜西 西安 710065)

決策支持技術[1]包含計算機、人工智能以及多媒體網絡等多個高新技術，通過輔助支持組織決策活動或業務，實現人工思維與決策計算的相輔相成。飛速發展的通信技術推動決策活動邁入了更新一級的時代格局，在科學化、程序化的階段中穩步前進，智能決策支持技術油然而生。該項技術憑借定性分析與不定性推理[2]的顯著優勢，使經驗知識得到充分利用，進一步深化了人工思維與決策計算的融合程度，并在各大領域中廣泛應用。

文獻[3]針對電力領域的變壓器，為獲取全壽期內工作的理論指導，基于分布式物理架構，利用智能代理技術設計一種全維度智能決策支持系統；文獻[4]面向交通領域的鐵路運營方面，采用統計分析工具與機器學習，挖掘運營數據，根據列車時空分布模型，完成實時的智能調度決策支持。

國民經濟跨越式上升，多樣化建筑鱗次櫛比，裝配式建筑對工業化進程與建筑業發展規劃有著一定的影響力，因此本文就裝配式建筑結構選型，設計了智能決策支持方法。建筑信息模型是建筑行業中應用價值較高的創新技術之一，由于其多以對軟硬件與用戶限制性較高的C/S架構為主，阻礙了該項技術的普及度，因此，引入Web端實現建筑模型可視化，滿足建筑從業人員的潛在需求。

1 建立用于智能決策支持的Web-BIM平臺

裝配式建筑的施工過程不僅工藝繁雜而且規模較大，為充分發揮建筑信息模型技術價值，基于Web萬維網[5]建立Web-BIM平臺，實現全生命周期的信息集成與管理，以及建筑信息與工程數據在云端上的資源共享。

如圖1所示，該平臺框架由擴展應用模塊、平臺模塊、數據模塊、數據源以及有關軟件構成，各模塊主要作用如下所述。

圖1 Web-BIM平臺框架示意圖

(1)擴展應用模塊：該模塊是在建筑信息與工程信息數據庫的基礎上，利用Web瀏覽器呈現出供用戶操作的界面。使用者在門戶網站上完成界面登錄后，即可不受區域、時間限制，實時獲取相關信息。擴展應用模塊的作用通過互聯網技術與WebGL技術[6]共享工程信息與建筑模型信息。

(2)平臺模塊：該模塊的作用是管理Web三維模塊瀏覽與數據庫后臺服務。前者利用WebGL技術渲染、呈現建筑信息模型，后者則通過管理資料數據，協調建筑各參與方的工作，實現動態管理。平臺模塊在構建階段應著重于三個關鍵點：降低文件內存，保證Web網頁中建筑信息模型的展示質量與操作流暢度；利用標簽聯立建筑模型構件與工程信息的關系，提升資料檢索速度；針對使用者角色提供不同登錄賬號與管理權限，確保Web-BIM平臺上的不同使用者安全地實現信息共享。

(3)數據模塊：該模塊采用不同的存儲管理方式對各個構成數據類型進行管理：結構化建筑模型數據由工業基礎類標準[7]數據庫管理，非結構化文檔數據由文檔管理系統存儲，組織與過程數據由對應數據庫管理。該模塊的主要作用是實現基礎數據、建筑模型數據與工程信息的儲存。

(4)數據源：面向數據庫的導入結構要求，在數據源階段，將多類初始數據轉換成工業基礎類標準格式，并進行類別劃分處理，降低資料查詢、共享等功能的實現復雜度。

2 裝配式建筑整體結構選型智能決策支持

針對裝配式建筑結構的復雜性與工程環境的不確定性，引入具有強大模糊信息處理能力的人工神經網絡[8]，實現此類建筑結構選型的智能決策支持。

2.1 后向傳播神經網絡模型

利用人工神經網絡神經元的非線性變換單元，架構如圖2所示的三層后向傳播神經網絡。

圖2 后向傳播神經網絡基本圖

其中，隱含層作為關鍵層，數量需按問題復雜度與精準度需求設定；問題有多少變量或影響因素，輸入層就有多少個節點，經網絡解決后，該問題有多少個方案，輸出層就有多少個節點。各層數量設定、變換函數選取以及樣本處理等具體方法如下所述。

(1)隱含層層數：根據待模擬的函數非線性問題復雜程度，明確隱含層層數。通常當隱含層僅有一個時，只要其節點個數足夠多，也足以應對相對復雜的問題；若存在兩個隱含層，則該網絡將不再受復雜度限制，可任意使用。

(2)隱含層節點數量：在問題映射關系復雜等級不變的前提下，隱含層層數與其節點數呈負相關。假設輸入層節點有N個，則三層網絡的隱含層節點一般為2N+1；四層網絡中，輸出層的節點數量通常是第二個隱含層的一半。

(3)輸入層節點數量：根據待解決問題的關鍵影響因素個數明確輸入層節點數量。

(4)輸出層節點數量：極大程度減少需要在一次計算中就完成的問題個數，并將其作為輸出層節點數量。

(5)變換函數：選取具備梯度搜索功能的sigmoid函數[9]作為網絡變換函數，利用其單調遞增的非線性函數曲線來反映神經元飽和屬性。如圖3所示，其定義域是[0,1]。

圖3 sigmoid變換函數

(6)樣本選取與歸一化處理：針對精準性與代表性兩項原則選取樣本，保證樣本準確無誤且具有典型性和說服力較高。為確保變量能夠有效輸入網絡，應將輸入變量歸一化至[0,1]范圍中，還原網絡運算后的結果進行輸出。sigmoid函數在a、b區間處趨于無窮，產生收斂時間較長或不收斂現象，故盡可能將樣本的歸一化范圍設定在除兩區間外的其他定義域部分。

2.2 神經網絡模型學習

為確保決策支持智能化，設計雙向傳播的有監督學習算法。其中的反向傳播是通過調整各節點權重來獲取期望值。

2.2.1 正向傳播有監督學習算法

以四層神經網絡為例，其學習算法中的正向傳播步驟如下所述：

(1)假設輸入層存在N個節點，令任意節點i的輸入與輸出相等，即

xi=Oi

(1)

式中：xi為輸入層節點i的輸入；Oi為該節點輸出。

(2)如果首個隱含層的節點個數是N′，該層節點j與輸入層節點i間的連接權重用wij表示，節點j的閾值是θj，sigmoid型函數用f(·)表示，則第一個隱含層節點j的輸入xj與輸出Oj表達式如下所示：

(2)

(3)

(3)已知第二個隱含層的節點數量是N″，則對于任意節點k的輸入xk與輸出Ok，采用下列計算公式解得：

(4)

(5)

式中：兩隱含層節點j與k間的連接權重為wjk；節點k的閾值為θk。

(4)將輸出層節點數量設定為N?，層中任意節點l的閾值是θl，其與隱含層節點k間的連接權重為wkl，則節點l的輸入xl與輸出Ol表達式如下所示：

(6)

(7)

(8)

2.2.2 反向傳播有監督學習算法

按照偏差E的負梯度方向，調整網絡權閾值，創建下述反向傳播學習算法流程：

(9)

(10)

(11)

(12)

(13)

(14)

(15)

利用結構參數、節點特征均已明確且經過學習的神經網絡，同步完成網絡知識表示與獲取，根據網絡的取值特點，將決策事實或假設劃分成非順序取值與順序取值。在影響決策支持的多個因素中，非順序取值中包括建筑模型結構精細度、知識完整度、結構性能表現、結構創新技術以及結構構件質量、整體施工工藝等，順序取值中則含有結構施工價格、結構各部分物理參數等影響因素。神經網絡的知識處理過程如圖4所示。

圖4 知識處理過程示意圖

3 實驗驗證

3.1 裝配式建筑結構工程概況與結構相關技術參數

從占地面積約為十萬平方米的一個建筑項目中，選取一個建筑面積2 165 m2的單體9層裝配式建筑結構作為研究對象，此建筑項目建設工期近三年，合同金額約為兩個億。經實地調查后，選取三種主要建筑結構展開智能決策支持方法的有效性驗證，即：框架-剪力墻、剪力墻以及鋼筋混凝土框架等結構。各結構主要參數如表1所示。

表1 三種建筑結構技術參數

3.2 智能決策支持方法性能研究

將相關建筑信息、項目時間、合同金額以及實地調查結果輸入至所提智能決策方法內，經數據處理輸入神經網絡中訓練求解，輸出結果為框架-剪力墻結構是最佳方案。為檢驗本文方法選型結果是否正確，先從結構位移反應驗證所提決策支持方法下框架-剪力墻結構抗震性優劣，再結合價值指數加強驗證結果的可靠性與說服性。

3.2.1 抗震性分析

圖5所示為地震作用下三種結構不同方向上的最大層間位移情況，根據表2所示的不同結構限值規范[10]要求可以看出，三類結構均無薄弱層，符合安全設計理念，但框架-剪力墻結構的層間位移角較其他兩種結構遠小于規定限值，且最大層間位移量也更低。該實驗從結構的抗震角度驗證了本文方法選定的框架-剪力墻結構是最佳方案。

圖5 三種結構最大層間位移示意圖

表2 三種建筑結構對應規范限值

3.2.2 價值指數分析

經分析圖6中三類結構全生命周期的價值指數可知，鋼筋混凝土框架結構成本系數極高，而且功能系數與價值指數兩項指標極低，而框架-剪力墻結構的成本系數雖然不是最低的，但另外兩指標數值均為最大值，故從綜合角度可知，框架-剪力墻結構為最佳結構。該實驗進一步全面性地驗證了本文方法決策的準確性。

圖6 全生命周期價值指數柱形圖

4 結 論

建筑業正朝著綠色化與現代化方向發展轉型，作為建筑優化的關鍵環節，結構選型對建筑整體性能起著規范、控制等重要作用，近年來，裝配式建筑也逐漸成為建筑領域的關注焦點。為此，本文面向此類建筑，得到一種具備有效擇優能力的智能決策支持方法，其有待完善之處主要有以下幾個方面：應深入學習建筑結構的相關知識，獲取更全面的決策影響因素，讓此方法適用于更多類型建筑；基于Web-BIM平臺建立決策支持系統，通過建筑全生命周期信息的追蹤功能，滿足信息化的技術需求；下一階段應增加平臺交互性，實現建筑模型的移動拆解等功能；針對多種建筑結構展開實驗，優化方法性能，拓展其市場應用前景。