基于ANN算法的鋼結(jié)構(gòu)安裝工程質(zhì)量狀態(tài)評(píng)價(jià)

姜浩，鄭亞強(qiáng)*，金治軍，馬慶，董強(qiáng)，鄭德焰，林峰，趙炳武

（1.昆侖數(shù)智科技有限責(zé)任公司，北京 100000；2.中國(guó)石油天然氣第六建設(shè)有限公司，廣西 桂林 541000）

0 引言

鋼結(jié)構(gòu)安裝工程質(zhì)量狀態(tài)評(píng)價(jià)是整個(gè)工程建設(shè)項(xiàng)目的重要組成部分，但在各式各樣的鋼結(jié)構(gòu)中，由于其自身特點(diǎn)，鋼結(jié)構(gòu)安裝工程質(zhì)量問(wèn)題較難控制。本文提出了一種基于ANN算法的鋼結(jié)構(gòu)安裝工程質(zhì)量狀態(tài)評(píng)價(jià)方法，并通過(guò)與前饋型算法模型BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)照試驗(yàn)，證明了此方法的優(yōu)勢(shì)和合理性，通過(guò)模型訓(xùn)練對(duì)各級(jí)權(quán)重系數(shù)進(jìn)行計(jì)算獲取，并結(jié)合工程專(zhuān)家對(duì)各質(zhì)量指標(biāo)的評(píng)分，得出最終評(píng)分方式，評(píng)價(jià)鋼結(jié)構(gòu)安裝工程質(zhì)量狀態(tài)。

1 鋼結(jié)構(gòu)安裝工程質(zhì)量狀態(tài)評(píng)價(jià)指標(biāo)體系

鋼結(jié)構(gòu)安裝工程的質(zhì)量評(píng)價(jià)是建立在具體的鋼結(jié)構(gòu)安裝工程質(zhì)量評(píng)價(jià)指標(biāo)體系之上的，要確保工程項(xiàng)目的質(zhì)量評(píng)價(jià)指標(biāo)體系必須客觀準(zhǔn)確地建立。這一過(guò)程涉及項(xiàng)目的各個(gè)參與方，包括業(yè)主單位、監(jiān)理單位、設(shè)計(jì)單位、施工單位以及政府監(jiān)管等。通過(guò)建立完善的質(zhì)量評(píng)價(jià)指標(biāo)體系，可以對(duì)鋼結(jié)構(gòu)安裝工程進(jìn)行全面、系統(tǒng)評(píng)價(jià)，以確保施工質(zhì)量和項(xiàng)目的安全性[1-3]。但由于各個(gè)單位質(zhì)量評(píng)價(jià)分散且沒(méi)有統(tǒng)一標(biāo)準(zhǔn)，因此本文的鋼結(jié)構(gòu)安裝工程質(zhì)量評(píng)價(jià)將施工單位作為檢驗(yàn)檢測(cè)對(duì)象進(jìn)行。

鋼結(jié)構(gòu)安裝工程可以按照單位工程工序的不同進(jìn)行劃分，分為鋼結(jié)構(gòu)資料質(zhì)量控制、鋼結(jié)構(gòu)材料質(zhì)量控制、鋼結(jié)構(gòu)構(gòu)件制作質(zhì)量控制、鋼結(jié)構(gòu)安裝質(zhì)量控制和鋼結(jié)構(gòu)涂裝質(zhì)量控制等分項(xiàng)工程。每個(gè)分項(xiàng)工程又可以進(jìn)一步細(xì)分為多個(gè)小項(xiàng)，以確保整個(gè)工程過(guò)程中質(zhì)量的控制和保證。例如，鋼結(jié)構(gòu)構(gòu)件制作質(zhì)量控制又分鋼結(jié)構(gòu)預(yù)制切割、鋼結(jié)構(gòu)矯正和成型、鋼結(jié)構(gòu)制孔等小項(xiàng)[4-6]。因此，若將質(zhì)量評(píng)價(jià)指標(biāo)體系劃分為單層次結(jié)構(gòu)，則很難準(zhǔn)確全面把握工程質(zhì)量狀況，故須逐層進(jìn)行質(zhì)量評(píng)價(jià)[3]。將鋼結(jié)構(gòu)安裝工程的各分項(xiàng)工程設(shè)為第一級(jí)指標(biāo)，用A/B/C/D等表示各分項(xiàng)工程指標(biāo)項(xiàng)，各小項(xiàng)為第二級(jí)指標(biāo)，用A1/A2/A3等表示各小項(xiàng)指標(biāo)項(xiàng)，則可得到如表1所示的鋼結(jié)構(gòu)安裝工程質(zhì)量評(píng)價(jià)指標(biāo)體系表。

表1 鋼結(jié)構(gòu)安裝工程質(zhì)量評(píng)價(jià)指標(biāo)體系表

根據(jù)鋼結(jié)構(gòu)安裝工程質(zhì)量評(píng)價(jià)指標(biāo)體系中的具體因素，通過(guò)數(shù)字化移交的手段到施工現(xiàn)場(chǎng)采集第一手?jǐn)?shù)據(jù)。由于審查、觀察類(lèi)的數(shù)據(jù)指標(biāo)具有一定的主觀性，因此要求該工程的專(zhuān)家直接參與檢驗(yàn)檢測(cè)和評(píng)分，保證數(shù)據(jù)的準(zhǔn)確性和有效性[7-9]。

2 ANN算法評(píng)價(jià)的基本方法

人工神經(jīng)元是ANN算法的基本處理單元，由輸入?yún)?shù)、權(quán)重、求和函數(shù)和激活函數(shù)組成[4]。其中，權(quán)重表示每組輸入數(shù)據(jù)到神經(jīng)元模型后對(duì)應(yīng)的權(quán)值，權(quán)值為正時(shí)則被激活，權(quán)值為負(fù)時(shí)則被抑制；求和函數(shù)是輸入數(shù)據(jù)和權(quán)重的線性相乘求和[10-13]；激活函數(shù)是非線性函數(shù)，表示當(dāng)輸入數(shù)據(jù)的加權(quán)和超過(guò)閾值后，則將輸出控制在一定范圍內(nèi)。神經(jīng)元模型結(jié)構(gòu)如圖1所示。

圖1 神經(jīng)元模型結(jié)構(gòu)

如圖1所示的多輸入單輸出神經(jīng)元模型中，設(shè)輸入信號(hào)為X=(x1,x2,…,xn)T，神經(jīng)元權(quán)重為W=(w1,w2,…,wn)T，加權(quán)和為uk，閾值為bk，激活函數(shù)為φ()·，輸出信號(hào)為yk，則有：

激活函數(shù)φ(·)將輸入數(shù)據(jù)的加權(quán)和進(jìn)行非線性映射，一般要求限制在(0, 1)或者(-1, 1)等一定范圍之間。ANN算法的經(jīng)典設(shè)計(jì)是隱含層采用Sigmoid函數(shù)作為激活函數(shù)，則有：

式中：vk=uk-bk；α為斜率。

Sigmoid函數(shù)又被稱(chēng)為S型函數(shù)，輸出控制在[0，1]之間。

ANN算法隱含層理論表明，單隱層網(wǎng)絡(luò)結(jié)構(gòu)可以映射出所有的連續(xù)函數(shù)，理論上一個(gè)3層的ANN就可以對(duì)任意精度要求的非線性函數(shù)進(jìn)行模擬，因此本文使用單隱層結(jié)構(gòu)足以解決計(jì)算鋼結(jié)構(gòu)安裝工程質(zhì)量指標(biāo)權(quán)重系數(shù)的問(wèn)題[13-16]。

從Sigmoid函數(shù)特性表明，當(dāng)網(wǎng)絡(luò)層數(shù)增加時(shí)能夠提高精度，但會(huì)使網(wǎng)絡(luò)運(yùn)算更加復(fù)雜，延長(zhǎng)ANN模型的訓(xùn)練時(shí)間。因此一般情況下，優(yōu)先考慮增加隱含層神經(jīng)元個(gè)數(shù)來(lái)提高計(jì)算精度。

隱含層神經(jīng)元個(gè)數(shù)是ANN模型中最直接的影響因子，主要由輸入、輸出的節(jié)點(diǎn)個(gè)數(shù)，以及計(jì)算問(wèn)題的復(fù)雜程度共同決定[16-17]。當(dāng)隱含層神經(jīng)元個(gè)數(shù)過(guò)少時(shí)，ANN模型從數(shù)據(jù)樣本中提取信息的能力較差，會(huì)導(dǎo)致模型訓(xùn)練不收斂、精度不高。根據(jù)1987年RobertHechi提出的理論可知，隱含層神經(jīng)元個(gè)數(shù)為2N+1，其中N為輸入層節(jié)點(diǎn)數(shù)。因此本文采用的隱含層神經(jīng)元個(gè)數(shù)M[18]：

式中：N為輸入層節(jié)點(diǎn)數(shù)。

本文思路為用ANN算法模型分析訓(xùn)練鋼結(jié)構(gòu)安裝工程質(zhì)量評(píng)價(jià)第二級(jí)數(shù)據(jù)指標(biāo)得分樣本，從而通過(guò)ANN模型計(jì)算出第二級(jí)指標(biāo)的權(quán)重系數(shù)，經(jīng)過(guò)計(jì)算得到第一級(jí)數(shù)據(jù)指標(biāo)得分樣本；再通過(guò)ANN模型計(jì)算出第一級(jí)指標(biāo)的權(quán)重系數(shù)，給出鋼結(jié)構(gòu)安裝工程質(zhì)量狀態(tài)評(píng)分公式。比較控制點(diǎn)級(jí)別計(jì)算的權(quán)重和ANN算法計(jì)算所得結(jié)果，從而得到結(jié)論。

3 實(shí)例分析

3.1 仿真計(jì)算

本文從某石油煉化廠建設(shè)項(xiàng)目中，對(duì)施工單位進(jìn)行調(diào)研，并完成數(shù)據(jù)采集，從比較可靠的數(shù)據(jù)中隨機(jī)抽取20組二級(jí)指標(biāo)數(shù)據(jù)作為學(xué)習(xí)樣本進(jìn)行ANN模型的訓(xùn)練學(xué)習(xí)[19]，采用的ANN模型為單隱含層網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。由表1可知，相同一級(jí)指標(biāo)的二級(jí)指標(biāo)個(gè)數(shù)最多為5個(gè)，因此輸入層神經(jīng)元個(gè)數(shù)為5個(gè)，輸出層神經(jīng)元個(gè)數(shù)為1個(gè)，隱含層神經(jīng)元個(gè)數(shù)根據(jù)2N+1的公式計(jì)算為11個(gè)。通過(guò)對(duì)模型大量的訓(xùn)練，刪除不起作用的神經(jīng)元，最終得到的隱含層神經(jīng)元個(gè)數(shù)為9個(gè)。

因此本文構(gòu)建ANN模型的參數(shù)設(shè)置為：輸入層神經(jīng)元個(gè)數(shù)為5個(gè)，隱含層神經(jīng)元個(gè)數(shù)為9個(gè)，輸出層神經(jīng)元個(gè)數(shù)為1個(gè)，期望誤差設(shè)置為10-6，訓(xùn)練次數(shù)設(shè)置為8000次。

控制點(diǎn)級(jí)別一般用來(lái)表示指標(biāo)的重要程度，一般在工程施工評(píng)價(jià)完成后由工程專(zhuān)家和監(jiān)理分析得出。根據(jù)控制點(diǎn)級(jí)別A/B/C/D四個(gè)等級(jí)分別換算成4/3/2/1不同分值，結(jié)合總節(jié)點(diǎn)個(gè)數(shù)換算成對(duì)應(yīng)權(quán)重值作為本次訓(xùn)練模型的輸出精度參考對(duì)比。

根據(jù)A1～A5、B1～B4、C1～C5、D1～D5、E1～E2的樣本數(shù)據(jù)，通過(guò)ANN模型訓(xùn)練學(xué)習(xí)，分別得到A1～A5、B1～B4、C1～C5、D1～D5、E1～E2的20組權(quán)重值。鋼結(jié)構(gòu)安裝工程二級(jí)指標(biāo)運(yùn)行權(quán)重值如圖2～圖6所示。

圖2 二級(jí)指標(biāo)A權(quán)重系數(shù)

圖3 二級(jí)指標(biāo)B權(quán)重系數(shù)

圖4 二級(jí)指標(biāo)C權(quán)重系數(shù)

圖5 二級(jí)指標(biāo)D權(quán)重系數(shù)

圖6 二級(jí)指標(biāo)E權(quán)重系數(shù)

將鋼結(jié)構(gòu)安裝工程二級(jí)指標(biāo)進(jìn)行加權(quán)求和，得到一級(jí)指標(biāo)樣本，再通過(guò)ANN模型訓(xùn)練學(xué)習(xí)，得到A、B、C、D、E的20組權(quán)重值。根據(jù)控制點(diǎn)換算權(quán)重計(jì)算可知，鋼結(jié)構(gòu)資料質(zhì)量控制A的理論權(quán)重應(yīng)該為0.2666，鋼結(jié)構(gòu)材料質(zhì)量控制B的理論權(quán)重應(yīng)該為0.2000，鋼結(jié)構(gòu)構(gòu)件制作質(zhì)量控制C的理論權(quán)重應(yīng)該為0.1833，鋼結(jié)構(gòu)安裝質(zhì)量控制D的理論權(quán)重應(yīng)該為0.2500，鋼結(jié)構(gòu)涂裝質(zhì)量控制E的理論權(quán)重應(yīng)該為0.1000。對(duì)比理論值和訓(xùn)練值，得到鋼結(jié)構(gòu)安裝工程一級(jí)指標(biāo)權(quán)重對(duì)比曲線如圖7～圖11所示。

圖7 一級(jí)指標(biāo)A權(quán)重對(duì)比曲線

圖8 一級(jí)指標(biāo)B權(quán)重對(duì)比曲線

圖9 一級(jí)指標(biāo)C權(quán)重對(duì)比曲線

圖10 一級(jí)指標(biāo)D權(quán)重對(duì)比曲線

根據(jù)權(quán)重對(duì)比曲線，得到質(zhì)量控制權(quán)重表如表2～表6所示。

表3 鋼結(jié)構(gòu)材料B質(zhì)量控制權(quán)重表

表4 鋼結(jié)構(gòu)構(gòu)件制作C質(zhì)量控制權(quán)重表

表5 鋼結(jié)構(gòu)安裝D質(zhì)量控制權(quán)重表

表6 鋼結(jié)構(gòu)涂裝E質(zhì)量控制權(quán)重表

為了驗(yàn)證基于ANN算法的鋼結(jié)構(gòu)安裝工程質(zhì)量狀態(tài)評(píng)價(jià)的合理性與準(zhǔn)確性，本文將使用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)兩種前饋型神經(jīng)網(wǎng)絡(luò)算法重復(fù)上述實(shí)驗(yàn)過(guò)程進(jìn)行對(duì)比實(shí)驗(yàn)。同時(shí)，對(duì)鋼結(jié)構(gòu)安裝工程一級(jí)指標(biāo)的誤差進(jìn)行迭代對(duì)比分析。

前饋型神經(jīng)網(wǎng)絡(luò)包括了單層感知器、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)三種類(lèi)型，其中單層感知器只能用于解決線性可分的二分類(lèi)問(wèn)題，無(wú)法實(shí)現(xiàn)預(yù)測(cè)功能。因此，本文應(yīng)用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)針對(duì)ANN算法模型進(jìn)行對(duì)照分析。鋼結(jié)構(gòu)安裝工程一級(jí)指標(biāo)的三種算法模型下的誤差性能曲線如圖12～圖16所示。從誤差性能曲線可以看出，3種神經(jīng)網(wǎng)絡(luò)所獲得的預(yù)測(cè)結(jié)果能夠反映實(shí)測(cè)數(shù)據(jù)的變化趨勢(shì)，對(duì)局部細(xì)節(jié)也有所反映。對(duì)3種方法預(yù)測(cè)結(jié)果的量化評(píng)價(jià)主要從均方誤差和平均絕對(duì)誤差來(lái)衡量。而3種方法的預(yù)測(cè)效果隨著預(yù)測(cè)時(shí)長(zhǎng)增加均出現(xiàn)相對(duì)實(shí)測(cè)數(shù)據(jù)的偏離，其中BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果偏離更為顯著，因而容易陷入局部極小值而無(wú)法得到全局最優(yōu)值。BP神經(jīng)網(wǎng)絡(luò)是通過(guò)不斷調(diào)整神經(jīng)元的權(quán)值來(lái)逼近最小誤差，其方式是梯度下降，因此不能將逼近精度做到最小誤差；RBF神經(jīng)網(wǎng)絡(luò)不是通過(guò)不斷調(diào)整權(quán)值來(lái)逼近最小誤差的，而是通過(guò)對(duì)輸入與函數(shù)中心點(diǎn)的距離來(lái)確定權(quán)重，因而在全局逼近的性能上會(huì)存在誤差。而ANN算法能夠充分逼近復(fù)雜的非線性關(guān)系，只有當(dāng)神經(jīng)元對(duì)所有輸入信號(hào)的綜合處理結(jié)果超出某一個(gè)限定值后才能輸出一個(gè)信號(hào)。因此本文采用ANN算法模型對(duì)鋼結(jié)構(gòu)安裝工程一級(jí)指標(biāo)的誤差性能進(jìn)行分析。

圖12 一級(jí)指標(biāo)A誤差性能曲線

圖13 一級(jí)指標(biāo)B誤差性能曲線

圖14 一級(jí)指標(biāo)C誤差性能曲線

圖15 一級(jí)指標(biāo)D誤差性能曲線

圖16 一級(jí)指標(biāo)E誤差性能曲線

由誤差性能曲線圖12～圖16可知：

鋼結(jié)構(gòu)資料質(zhì)量控制A的權(quán)重初始誤差為10-2左右，隨著模型訓(xùn)練不斷迭代，權(quán)重誤差逐漸降低，最后趨近于10-6左右；鋼結(jié)構(gòu)材料質(zhì)量控制B的權(quán)重初始誤差為10-1左右，隨著模型訓(xùn)練不斷迭代，權(quán)重誤差逐漸降低，大約在4500次迭代趨于穩(wěn)定，最后趨近于10-6左右；鋼結(jié)構(gòu)構(gòu)件制作質(zhì)量控制C的權(quán)重初始誤差為10-2左右，隨著模型訓(xùn)練不斷迭代，權(quán)重誤差逐漸降低，大約在6000次迭代趨于穩(wěn)定，最后趨近于10-6左右；鋼結(jié)構(gòu)安裝質(zhì)量控制D的權(quán)重初始誤差為10-2左右，隨著模型訓(xùn)練不斷迭代，權(quán)重誤差逐漸降低，大約在3000次迭代趨于穩(wěn)定，最后趨近于10-6左右；鋼結(jié)構(gòu)涂裝質(zhì)量控制E的權(quán)重初始誤差為10-2左右，隨著模型訓(xùn)練不斷迭代，權(quán)重誤差逐漸降低，大約在2500次迭代趨于穩(wěn)定，最后趨近于10-6左右。

鋼結(jié)構(gòu)資料質(zhì)量控制運(yùn)行權(quán)重值去除臟數(shù)據(jù)后計(jì)算平均值，得到鋼結(jié)構(gòu)資料質(zhì)量控制A的權(quán)重系數(shù)為0.2663，鋼結(jié)構(gòu)材料質(zhì)量控制B的權(quán)重系數(shù)為0.2000，鋼結(jié)構(gòu)構(gòu)件制作質(zhì)量控制C的權(quán)重系數(shù)為0.1833，鋼結(jié)構(gòu)安裝質(zhì)量控制D的權(quán)重系數(shù)為0.2500，鋼結(jié)構(gòu)涂裝質(zhì)量控制E的權(quán)重系數(shù)為0.0995。

3.2 質(zhì)量狀態(tài)評(píng)價(jià)公式的提出

根據(jù)上述的仿真計(jì)算可以得到鋼結(jié)構(gòu)安裝工程一級(jí)質(zhì)量指標(biāo)系數(shù)權(quán)重值的平均數(shù)，如表7所示。

表7 鋼結(jié)構(gòu)安裝工程一級(jí)指標(biāo)系數(shù)權(quán)重值平均數(shù)

根據(jù)權(quán)重分配，本文將鋼結(jié)構(gòu)安裝工程的各項(xiàng)質(zhì)量控制指標(biāo)分為五個(gè)一級(jí)指標(biāo)，分別為鋼結(jié)構(gòu)資料質(zhì)量控制、鋼結(jié)構(gòu)材料質(zhì)量控制、鋼結(jié)構(gòu)構(gòu)件制作質(zhì)量控制、鋼結(jié)構(gòu)安裝質(zhì)量控制和鋼結(jié)構(gòu)涂裝質(zhì)量控制。而λ1、λ2、λ3、λ4、λ5則是對(duì)應(yīng)于這些一級(jí)指標(biāo)的權(quán)重系數(shù)[8]。根據(jù)GB/T 50375—2006《建筑工程施工質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)》的評(píng)價(jià)規(guī)則，將工程施工質(zhì)量分為優(yōu)、良、合格、不合格四級(jí)[20-24]。最終的評(píng)分結(jié)果在哪一級(jí)區(qū)間內(nèi)，則體現(xiàn)出鋼結(jié)構(gòu)安裝工程質(zhì)量的水平，即給出如下評(píng)分式：

式中：A為鋼結(jié)構(gòu)資料質(zhì)量控制評(píng)分值；B為鋼結(jié)構(gòu)材料質(zhì)量控制評(píng)分值；C為鋼結(jié)構(gòu)構(gòu)件制作質(zhì)量控制評(píng)分值；D為鋼結(jié)構(gòu)安裝質(zhì)量控制評(píng)分值；E為鋼結(jié)構(gòu)涂裝質(zhì)量控制評(píng)分值。

根據(jù)標(biāo)準(zhǔn)規(guī)范規(guī)定和工程實(shí)際要求可知：當(dāng)85＜I≤100時(shí)，質(zhì)量評(píng)價(jià)為優(yōu)；當(dāng)70＜I≤85時(shí)，質(zhì)量評(píng)價(jià)為良；當(dāng)I=70時(shí)，質(zhì)量評(píng)價(jià)為合格；當(dāng)I＜70時(shí)，質(zhì)量評(píng)價(jià)為不合格。

代入表7的權(quán)重系數(shù)，即可得鋼結(jié)構(gòu)安裝工程質(zhì)量評(píng)分公式：

4 基于ANN算法的質(zhì)量狀態(tài)評(píng)價(jià)應(yīng)用

基于ANN算法的質(zhì)量狀態(tài)評(píng)價(jià)方法在石油建設(shè)工程項(xiàng)目和鋼結(jié)構(gòu)安裝工程中有著廣泛應(yīng)用。

(1)施工現(xiàn)場(chǎng)質(zhì)量監(jiān)控。在石油建設(shè)工程項(xiàng)目或鋼結(jié)構(gòu)安裝工程的施工現(xiàn)場(chǎng)，可以利用ANN算法對(duì)質(zhì)量狀態(tài)進(jìn)行評(píng)價(jià)。通過(guò)實(shí)時(shí)采集施工過(guò)程中的數(shù)據(jù)，包括材料質(zhì)量、施工環(huán)境、施工質(zhì)量等，輸入到ANN模型中進(jìn)行處理和分析，得出當(dāng)前施工質(zhì)量的評(píng)分，從而對(duì)施工現(xiàn)場(chǎng)的質(zhì)量進(jìn)行有效的監(jiān)控和評(píng)估。

(2)質(zhì)量控制與改進(jìn)。通過(guò)ANN算法對(duì)歷史施工項(xiàng)目的數(shù)據(jù)進(jìn)行分析，得出各個(gè)質(zhì)量評(píng)價(jià)指標(biāo)的權(quán)重系數(shù)，從而找出影響工程質(zhì)量的關(guān)鍵因素。根據(jù)這些關(guān)鍵因素，制定針對(duì)性的質(zhì)量控制措施，例如改善施工工藝、加強(qiáng)材料管理等，以提高工程的質(zhì)量水平。

(3)質(zhì)量檢測(cè)與評(píng)估。在石油建設(shè)工程項(xiàng)目或鋼結(jié)構(gòu)安裝工程的質(zhì)量檢測(cè)與評(píng)估中，ANN算法可以用于建立檢測(cè)模型，對(duì)檢測(cè)數(shù)據(jù)進(jìn)行快速、準(zhǔn)確分析。該模型可以根據(jù)輸入的質(zhì)量檢測(cè)數(shù)據(jù)，自動(dòng)計(jì)算出工程的質(zhì)量狀況，為評(píng)估工程質(zhì)量提供科學(xué)依據(jù)。

(4)預(yù)測(cè)與決策支持。ANN算法可以用于預(yù)測(cè)未來(lái)的工程質(zhì)量狀況，為決策提供支持。通過(guò)輸入以往的施工數(shù)據(jù)和工程質(zhì)量評(píng)價(jià)結(jié)果，ANN模型可以預(yù)測(cè)出未來(lái)可能的質(zhì)量狀況，幫助決策者制定科學(xué)的工程質(zhì)量管理策略。

5 結(jié)語(yǔ)

本文對(duì)鋼結(jié)構(gòu)安裝工程質(zhì)量狀態(tài)評(píng)價(jià)提出了一個(gè)實(shí)用的量化評(píng)分方法。評(píng)價(jià)過(guò)程采用ANN算法模型、BP算法模型和RBF算法模型對(duì)鋼結(jié)構(gòu)安裝工程質(zhì)量評(píng)價(jià)指標(biāo)系數(shù)進(jìn)行計(jì)算，對(duì)計(jì)算結(jié)果進(jìn)行對(duì)照分析，并對(duì)權(quán)重計(jì)算值和理論值進(jìn)行誤差分析，結(jié)果表明，ANN算法模型得出的評(píng)價(jià)結(jié)果更為合理，從而提出鋼結(jié)構(gòu)安裝工程質(zhì)量評(píng)分公式。該方法不僅考慮了質(zhì)量評(píng)價(jià)的權(quán)值影響因素，還保存了各級(jí)評(píng)價(jià)的全部信息，為工程施工質(zhì)量相關(guān)評(píng)價(jià)提供了一定參考。在實(shí)際工程中，應(yīng)用ANN算法模型進(jìn)行鋼結(jié)構(gòu)安裝工程質(zhì)量評(píng)價(jià)，能夠提高工程質(zhì)量水平。該研究方法具有廣泛的適用性，不僅可以應(yīng)用于鋼結(jié)構(gòu)安裝工程領(lǐng)域，還可以擴(kuò)展到其他工程項(xiàng)目質(zhì)量評(píng)價(jià)中。因此，本文的研究成果可以為工程領(lǐng)域的質(zhì)量評(píng)價(jià)提供有益參考，有助于推動(dòng)工程質(zhì)量管理水平的提升。