張培培 南江萍 王昭
摘要:為了提高建筑物健康狀態識別結果,提出一種基于機器學習算法的建筑物健康狀態檢測方法。首先分析建筑物健康狀態的識別流程,找到影響建筑物健康狀態識別效果的因素,然后從中選擇主要的影響因素進行建筑物健康狀態識別建模,并引入機器學習算法描述建筑物健康狀態與影響因素之間的內在聯系,建立建筑物健康狀態識別模型,最后采用具體建筑物健康狀態識別實例分析了該方法的有效性和優越性,對建筑物健康狀態識別率平均值超過92%,而當前經典方法的建筑物健康狀態識別率沒有超過90%,且識別速度更快,具有更好的實際應用價值。
關鍵詞:建筑物;健康狀態類型;機器學習算法;影響因素;應用實例
中圖分類號:TP181
文獻標志碼:A
BuildingHealthStateRecognitionBasedonMachineLearningAlgorithm
ZHANGPeipei,NANJiangping,WANGZhao
(ZTECommunicationAcademy,XianTrafficEngineeringInstitute,Xian710300,China)
Abstract:Inordertoimprovetheresultsofbuildinghealthstaterecognition,amethodofbuildinghealthstatedetectionbasedonmachinelearningalgorithmisproposed.Firstly,therecognitionprocessofbuildinghealthstatusisintroducedtofindoutthefactorsthataffecttherecognitioneffectofbuildinghealthstatus.Then,severalmainfactorsareselectedfromtheinfluencingfactorsofbuildinghealthstatustomedeltherecognitionofbuildinghealthstatus.Then,machinelearningalgorithmisintroducedtodescribethememoryrelationshipbetweenbuildinghealthstatusandinfluencingfactors,andthebuildinghealthstatusisestablished.Finally,theeffectivenessandsuperiorityofthemethodareanalyzedbyaspecificexampleofbuildinghealthstaterecognition.Theaveragerecognitionrateofbuildinghealthstateofthemethodpreposedinthispaperismorethan92%,whiletherecognitionrateofbuildinghealthstateofthecurrentclassicmethodislessthan90%,andtherecognitionspeedofbuildinghealthstateisfaster,whichhasbetterpracticalapplicationvalue.
Keywords:building;healthstatetype;machinelearningalgorithm;influencingfactors;applicationexamples
0引言
隨著改革開放的不斷深入,我國國民經濟水平得到了大幅度提升,各大城市出現了許多大型建筑物,但是隨著建筑物使用壽命的不斷延長,以及受到天氣、氣候、振動、外界力的作用,建筑物倒塌事故時有發生,建筑物的安全問題已成為重大的社會問題[12]。建筑物健康狀態識別可以幫助人們及時、客觀、科學的提前了解建筑物健康狀態發生態勢,根據建筑物健康狀態制定相應的保護措施,可以減少建筑物倒塌事故發生機率,因此建筑物健康狀態識別勢在必行,具有重大的社會經濟效益[3]。
為了提高建筑物健康狀態識別結果,提出一種基于機器學習算法的建筑物健康狀態檢測方法,并且采用具體建筑物健康狀態識別實例分析了其有效性和優越性。
1建筑物健康狀態識別的研究進展
上世紀80年代,一些西方發達國家就提出了建筑物健康狀態識別概念,將建筑物健康狀態識別看作是一個時序數據分析問題,對延長建筑物使用壽命起著積極的作用,國內對建筑物健康狀態識別研究相對較晚,但是近年來,隨著我國科技和經濟發展,建筑物健康狀態識別研究技術發展迅猛,已經提出了許多有效的建筑物健康狀態識別方法[46]。當前建筑物健康狀態識別方法可以劃為兩類:一類是基于時間序列的建筑物健康狀態識別方法,另一類是基于分類技術的建筑物健康狀態識別方法,其中第一類方法認為建筑物健康狀態在時間上有一定的內在關聯性,根據當前的建筑物健康狀態對未來的建筑物健康狀態進行估計,但是該類方法需要的建筑物健康狀態歷史數據量比較大,如果不能滿足該要求,那么建筑物健康狀態識別效果極差[79];第二類方法是將建筑物健康狀態識別問題看作是一種多分類問題,即將建筑物健康劃為多種狀態,主要有人工神經網絡的建筑物健康狀態識別方法,但是它們在實際應用中存在一定的局限性,如人工神經網絡的收斂速度慢,需要經過很多次迭代才能達到穩定狀態,使得建筑物健康狀態識別結果不穩定,可靠性差,支持向量機的建筑物健康狀態識別正確率雖然很高,但是建筑物健康狀態識別過程十分復雜,計算時間復雜度高,識別效率極低,無法滿足建筑物健康狀態識別的在線要求[1012]。
2基于機器學習算法的建筑物健康狀態識別方法
2.1影響建筑物健康狀態的因素
每一個專家對影響建筑物健康狀態的因素建立標準是不一樣的,本文從影響因素對建筑物健康狀態識別的敏感性、敏感程度、狀態識別能力3個方向對建筑物健康狀態的因素體系進行構建,具體影響建筑物健康狀態的因素為:抗震能力、溫度、位移、應變力、撓度、材料老化程序、使用時間、傾斜度等,同時將建筑物健康狀態劃分5類,采用專家打分的方式設定計分標準,如表1所示。
2.2主要建筑物健康狀態影響因素的選擇方法
由于每一種建筑物健康狀態的影響因素之間有一定的差別,因此本文引入蟻群優化算法對主要的建筑物健康狀態影響因素進行選擇,設有d個建筑物健康狀態影響因素,它們表示螞蟻初始位置,即:Xi={xi1,xi2,…,xid},那么初始信息素為:Δτ(i)=exp(-f′(xi)),若f(Xi)>0,Δτ(i)∈(0,1],若f(Xi)無限大,那么信息素濃度會接近零,所以對其進行修正處理,如式(1)。
f′(Xi)=
f(Xi)/avg,ifavg>avg0
f(Xi),otherwise(1)
當螞蟻在完成一次搜索后,將信息素濃度最高的位置作為搜索目標,如式(2)。
Xobj=Xj,ifτ(Xi) Xbest,otherwise(2) 式中,Xbest為當前最優位置。 所有螞蟻在完成一次搜索后,對信息素進行全局更新,如式(3)。 τ(i+1)=(1-ρ)τ(i)+Δτ(i)(3) 式中,ρ為信息素揮發參數。 2.3機器學習算法 作為一種新型的機器學習,相對于BP神經網絡,Elman神經網絡的學習能力更強,且學習效率要優于支持向量機,為此本文選擇Elman神經網絡建立建筑物健康狀態識別模型,Elman神經網結構如圖1所示。 設u(k)、x(k)、xc(k)、y(k)分別表示輸入、隱含層、承接層、輸出層節點的向量,Elman神經網絡的數學模型可以描述如式(4)—式(6)。 xc(k)=x(k-1)(4) x(k)=f(W1u(k)+xc(k))(5) y(k)=g(W2x(k))(6) 式中,W1和W2分別為輸入層與隱含層、隱含層到輸出層的權重矩陣;f()和g()分別為隱含層和輸出層的傳遞函數。 2.4機器學習算法的建筑物健康狀態識別步驟 Step1:采集建筑物健康狀態的歷史數據。 Step2:采集對建筑物健康狀態有作用的影響因素數據。 Step3:采用蟻群優化算法從建筑物健康狀態的影響因素中選擇一些關鍵的影響因素。 Step4:將關鍵的影響因素和建筑物健康狀態類型組成建筑物健康狀態識別的訓練樣本集合。 Step5:采用Elman神經網絡對建筑物健康狀態識別的訓練樣本集合進行學習,擬合影響因素和建筑物健康狀態類型之間的聯系,建立建筑物健康狀態識別模型。 3機器學習算法的建筑物健康狀態識別性能的實例分析 3.1測試環境的參數設置 為了分析機器學習算法的建筑物健康狀態識別效果,采用具體應用實例進行測試,同時在相同的測試環境下選擇BP神經網絡的建筑物健康狀態識別方法、支持向量機的建筑物健康狀態識別方法進行對照測試,它們的測試環境參數具體設置如表2所示。 3.2建筑物健康狀態的歷史數據 采集5種類型建筑物健康狀態的歷史數據,并對其中的無用數據進行剔除,同時采集影響建筑物健康狀態的影響因素數據,由于幅度有限,文章只列出來5種建筑物健康狀態的歷史數據的數量,具體如表3所示。 3.3選擇建筑物健康狀態的關鍵影響因素 采用建筑物健康狀態識別正確率為目標,采用蟻群優化算法對建筑物健康狀態的影響因素進行選擇,5個建筑物健康狀態的關鍵影響因素數量如表4所示。 可以看出,不同的建筑物健康狀態,其關鍵影響因素不一樣,因此對建筑物健康狀態影響因素進行選擇是必要的,有利于后續的建筑物健康狀態識別建模。 3.4建筑物健康狀態識別結果與分析 統計機器學習算法、BP神經網絡、支持向量機的建筑物健康狀態檢測正確率,結果如圖2所示。 對圖2的建筑物健康狀態識別結果進行分析可以得到如下結論: (1)BP神經網絡、支持向量機的建筑物健康狀態識別正確率均低于90%,這表明它們出現許多個建筑物健康狀態識別樣本點,使得建筑物健康狀態識別錯誤率高于10%,無法有效的區別各種建筑物健康狀態。 (2)機器學習算法的建筑物健康狀態識別正確率均高于92%,相對于BP神經網絡、支持向量機,機器學習算法的建筑物健康狀態檢測正確率得到了不同程度的提升,提高了建筑物健康狀態識別成功率,能夠有效的區別各種建筑物健康狀態,建立了理想的建筑物健康狀態識別模型。 統計所有方法的建筑物健康狀態識別時間,結果如圖3所示。 可以看出,機器學習算法的建筑物健康狀態識別時間平均值為13.25ms;人工神經網絡的建筑物健康狀態識別時間平均值為28.42ms,支持向量機的建筑物健康狀態識別時間平均值為16.24ms,由此可見,機器學習算法通過引入蟻群優化算法選擇了影響建筑物健康狀態識別的關鍵影響因素,使得建筑物健康狀態識別時間得到了減少,建筑物健康狀態識別速度更快,可以實現建筑物健康狀態在線識別。 4總結 健康狀態識別對延長建筑物的使用壽命十分重要,而影響建筑物健康狀態的因素眾多,當前方法無法高精度描述建筑物健康狀態與影響因素之間的內在聯系,使得建筑物健康狀態誤識率極高,無法滿足建筑物實際應用的需求,針對當前建筑物健康狀態識別效果差的難題,結合建筑物健康狀態變化特點,提出了基于機器學習算法的建筑物健康狀態識別方法,并采用相同的數據以及測試平臺與其它方法進行了建筑物健康狀態識別對照測試,結果表明本文方法的建筑物健康狀態識別正確率要高于其它方法,不但減少了建筑物健康狀態識別錯誤率,而且建筑物健康狀態識別建模過程更加簡單,計算的時間復雜度明顯降低,加快了識別速度,是一種性能優異識別方法,為建筑物健康狀態識別建模提供了一種有效的工具。 參考文獻 [1]馬焜陽,成毅,葛文,等.利用FasterRCNN自動識別建筑平面圖功能構件的方法[J].測繪科學技術學報,2019,36(3):311317. [2]劉鵬程,林文輝,許小峰.一種傅立葉描述子支持下的建筑群模式識別方法[J].華中師范大學學報(自然科學版),2018,52(5):750756. [3]王淋,馬力,于洋.基于復雜網絡分析的綠色建筑項目關鍵風險研究[J].土木工程與管理學報,2018,35(6):5056. [4]吳鋒波.城市軌道交通周邊建筑風險管控現狀模糊綜合評判[J].桂林理工大學學報,2017,37(3):501507. [5]汪大洋,魏德敏.風振作用下高層建筑結構全壽命總費用的模糊綜合評估研究[J].土木工程學報,2014,47(12):98106. [6]郭艷紅,秦旋,林格.基于全生命周期的建筑節能多級模糊綜合評價[J].建筑科學,2009,25(8):915. [7]劉定操,尚展壘.利用遙感圖像對震損建筑結構變形檢測的識別研究[J].地震工程學報,2019,41(5):13801384. [8]高英博,顧中煊,羅淑湘,等.能耗預測導向的建筑能耗異常數據識別與修復[J].科學技術與工程,2019,19(35):298304. [9]許博鳴,劉曉峰,業巧林,等.基于卷積神經網絡面向自然場景建筑物識別技術的移動端應用[J].南京師范大學學報(工程技術版),2019,19(3):3744. [10]詹森,張景發,龔麗霞,等.基于紋理特征的高分辨率合成孔徑雷達影像單體建筑物震害信息識別[J].科學技術與工程,2019,19(31):4754. [11]張凌,譚璇,宋冬梅,等.基于馬爾科夫隨機場的單時相震害影像受損建筑物識別方法[J].地震地質,2019,41(5):12731288. [12]宋廷強,李繼旭,張信耶.基于深度學習的高分辨率遙感圖像建筑物識別[J].計算機工程與應用,2020,56(8):2634. (收稿日期:2019.10.26)