基于機器學習和遺傳算法的混凝土預制構件吊裝序列優化*

張滄海，牛 咪，徐 照

(東南大學土木工程學院，江蘇 南京 211189)

0 引言

裝配序列規劃(assembly sequences planning，ASP)概念來源于制造業，理論體系研究起始于20世紀80年代初。作為裝配過程的核心內容，規定裝配過程中產品及部件裝配順序，對包含幾何、物理、約束等信息的裝配模型，生成可行的裝配序列集，并對序列集進行評價，選出一條最優裝配序列。裝配式建筑作為一種工業化建筑，兼具制造業和建筑業的雙重屬性，在一定程度上可借鑒參考制造業中一些較為成熟的裝配序列規劃理論，合理應用至預制構件裝配領域。

裝配式建筑序列規劃問題一直是國內外學者關注點。蔣紅妍等[1]歸納了裝配整體式剪力墻結構主體工程不同類別構件間的吊裝順序。這種根據施工操作人員個人知識儲備和以往實踐經驗進行吊裝序列規劃的方法相對更適用于預制構件數量較少、吊裝序列方案簡單的項目中。而Faghihi等[2]考慮預制構件間幾何約束關系，通過系列推理規則推理吊裝序列方案，利用BIM系統中檢索的幾何數據信息，并將其轉換為約束矩陣，獲得構件吊裝序列。Liu等[3]利用智能優化算法，提出一種基于BIM的資源約束下的建筑項目綜合調度方法。其使用粒子群算法自動生成優化的活動級施工計劃，通過迭代優化對問題求解，協助項目管理者有效安排現場裝配工作。

預制構件是裝配式建筑基本單位，具有數量大、種類多、質量大、結構復雜、信息量大等特點，因此，對構件信息有效管理已成為保證裝配式項目順利開展的關鍵。Li等[4]、Jeong等[5]提出可從IFC物理文件中有效提取預制構件信息，并對預制構件進行正確分類。通過計算機識別和處理預制構件分類后的編碼，將其與實際意義進行組合，可進行對特定對象的獨特表達。但傳統人工編碼需耗費大量時間和人力資源，并且出錯率較高。一些研究人員探索利用機器學習[6]和自然語言識別技術[7]來進行項目信息自動編碼。與人工編碼方式相比，智能編碼技術可利用算法的高效計算能力和邏輯分析能力，按預先定制的編碼規則和規范對建筑模型信息進行自動編碼。

現有裝配式建筑吊裝序列優化大多集中于裝配式建筑整體調度，只考慮了整個項目施工進度，差異化較小。而吊裝邏輯不明確的同類型預制構件裝配調度問題卻未得到解決。因此，本文將與混凝土預制構件吊裝前識別相關的構件屬性信息進行提取，并利用機器學習技術進行自動分類編碼，在完成構件唯一識別的基礎上，通過對部分混凝土預制構件吊裝相關數據進行加工處理，利用改進遺傳算法，對同類型混凝土預制構件進行吊裝序列優化，得到最優且合理的裝配式構件吊裝序列方案。

1 預制構件信息智能標注

1.1 預制構件信息分類與編碼體系設計

對現有分類方法和編碼系統進行研究和整理，目前國際上主要有ISO 12006-2，UniformatⅡ，Masterformat，OmniClass等標準，國內主要有 GB/T 51269—2017《建筑信息模型分類和編碼標準》、JG/T 151—2015《建筑產品分類與編碼》等。經過對比可知，國外發布的一些編碼體系時間較早，各編碼體系分類原則、編碼結構及應用角度均存在一定差異。而國內目前發布的多為基于國外已有的較成熟體系，結合我國國情和行業規律，將其轉化為適合我國的規范性文件。

信息編碼是賦予編碼對象具有一定規律、含義且能被計算機和人識別處理的符號。本文借鑒OmniClass分類體系，考慮裝配式建筑特點，以預制構件為基本單元，對裝配式建筑吊裝預制構件進行編碼，如圖1所示。

圖1 預制構件編碼結構

在編碼總體設計中，樓棟號和樓層號以兩位數形式表示。構件類別以1位大寫字母表示，通常取構件類別首字母，如L代表梁、Z代表柱、Q代表墻、B代表板等。構件名稱以兩位數形式依次進行編碼，對于墻來說，01表示預制外墻板，02表示預制外墻掛板，03表示預制內墻板。構件分類同樣使用兩位數編碼，對于預制內墻板，01表示預制實心內墻板，02表示預制空心內墻板。流水號代表同類構件序號，通常為兩位數，可根據預制構件實際數量進行相應擴展。例如，預制構件編碼01-18-Q-03-01-06表示1號樓18層第6塊預制實心內墻板。

1.2 基于IFC標準的混凝土預制構件信息提取

混凝土預制構件自動分類編碼前，需先從BIM模型中獲取與分類相關的構件屬性信息。根據IFC標準中構件屬性表達方式，選擇所需的構件屬性，通過IFCOpenShell庫進行快速、準確提取。IFCOpenShell是一個用于處理IFC文件格式的開源軟件庫(LGPL)，其提供了強大API，可直接、方便地檢索IFC實體，再將提取的特征以表格形式呈現出來，用于后續機器學習分類。

1.3 機器學習數據集構建

根據混凝土預制構件不同特征，以墻體構件為例，提取相應屬性，生成特征向量集，用于機器學習分類。根據可用性和范圍，選擇9個BIM模型進行構件屬性信息提取實例驗證，模型類型包括別墅、辦公大樓、公寓等，如圖2所示。模型中墻體實例數量最多且種類豐富便于分類，因此，選擇以IFCWallStandardCase為例，從這些模型中收集墻體實例信息用于訓練和測試。在模型中共收集了 1 718 個墻體實例，使用IFCOpenShell庫提取每個實例Name, ObjectType, Material, MaterialThickness, LoadBearing, External屬性及IFCBuilding實例和IFCBuildingStorey實例的Name屬性等特征。

圖2 BIM模型

將提取結果導出為Excel.xsl格式，并對每個實例進行人工標注。由于實例模型存在一定局限性，無法涵蓋預制構件信息分類的所有類別且略有不同，因此，根據現有模型中墻體構件對構件類別和分類略有改動，根據模型中現有結構類型做了簡單分類且補充了墻體材料信息。在實際工程中也可根據實際項目情況對編碼結構在合理性范圍內進行一定擴展。

在機器學習中，構件分類編碼使用W-AB-XX-YY格式進行分類和注釋。W代表構件名稱為預制墻；A位表示該構件是否承重(0為非承重，1為承重)；B位表示該構件是否在建筑內部(0為內墻，1為外墻)；XX表示類別，01表示基本墻體，02表示填充墻，03表示女兒墻，04表示裝飾性隔墻，05表示幕墻；YY表示墻體材料，01表示砌塊，02表示混凝土，03表示鋁板，04表示波紋板。人工分類標準如圖3所示。

圖3 人工分類標注

2 基于改進遺傳算法的混凝土預制構件吊裝序列計算

通過對混凝土預制構件編碼，在完成構件唯一識別的基礎上，以裝配式混凝土結構建筑為應用場景，通過對混凝土預制構件吊裝過程中的施工順序采用數學語言進行描述，建立混凝土預制構件吊裝序列具體計算模型。遺傳算法具有較好的全局尋優能力，針對混凝土預制構件吊裝施工實際問題，對遺傳算法中的基本步驟進行適應性改進，從而找到合理且最優的裝配式建筑吊裝序列施工方案。

2.1 吊裝序列優化對象選取

對于裝配式混凝土結構建筑，目前國內主要以中高層或高層為主，不同類型裝配式混凝土結構建筑間盡管存在一定差異，但吊裝邏輯順序仍存在較大相似性。如圖4所示，受結構受力、施工安全、建筑穩定性等硬性約束條件的限制，裝配式混凝土預制構件一般先吊裝豎向構件(預制柱、預制墻等)，再吊裝橫向構件(預制梁、預制板等)，最后吊裝裝飾性構件(外墻掛板)。因此，根據GB/T 51231—2016《裝配式混凝土建筑技術標準》中的指導性原則、硬性約束條件及結合項目實踐經驗，即可明確吊裝順序，無需過多優化。

圖4 裝配式混凝土結構建筑吊裝邏輯

而對于同類混凝土預制構件，如同一樓層或同一施工區域的內墻，則缺乏硬性約束條件。當構件數量較多時，吊裝邏輯順序不明確。因此，可通過建立柔性約束進行吊裝序列優化。選取某一樓層或某一施工區域內同類構件為基本對象研究混凝土預制構件吊裝序列優化。

2.2 混凝土預制構件吊裝序列規劃模型創建

吊裝序列規劃不僅要生成規則上可行的吊裝順序，更是為了獲取符合裝配式混凝土結構建筑施工實際要求且吊裝成本最低的裝配序列[8]。因此，需根據混凝土預制構件吊裝影響因素建立吊裝序列方案評價指標體系，確定目標函數，對可行的吊裝序列按一定標準進行評價和選擇，并采用改進遺傳算法對最優吊裝序列方案進行求解。

2.2.1吊裝序列方案評價指標識別與量化

吊裝過程可簡單描述為預制構件吊運和安裝，首先采用起重設備將正確識別后的目標預制構件吊運至指定空間位置，再對目標預制構件進行安裝、校正工作。通?？赏ㄟ^分析吊裝時間、吊裝難度對吊裝序列方案進行評估[9]，如表1所示。

表1 吊裝序列方案評價指標體系

1)吊裝時間

為盡量避免安裝工人不必要的來回移動從而減少移動總路程，可通過預制構件安裝位置間的距離關系最短來表示，如式(1)所示：

(1)

式中：dij為預制構件i到預制構件j之間的最小距離，實際工程中應考慮施工人員實際移動路線的可行性，dij= 0則表示緊前吊裝的預制構件與緊后吊裝的預制構件在設計上存在連接關系；v0為施工人員移動速度。

2)吊裝難度

吊裝難度可由吊裝強度和可行性兩部分來決定。吊裝強度是指受構件質量、尺寸等因素導致吊裝的難易程度；吊裝可行性是指在預制構件吊裝過程中，可能會受到其他已吊裝構件的阻礙，其上下、左右、前后自由移動的方向受到干涉，導致該預制構件不易、甚至無法安裝的情況出現。存在干涉的方向越多，則安裝難度越大，實際工程中還應考慮干涉對預制構件安裝的影響問題。

預制構件所占空間的量化描述引入懲罰值[10]原理，按預制構件所占空間大者優先吊裝的原則，當緊后預制構件尺寸所占空間大于緊前預制構件所占空間時，則產生1個懲罰值，從而阻止違背吊裝原則情況的發生。懲罰值可按緊后預制構件所占空間與緊前預制構件所占空間的比值確定，當比值<1時，懲罰值設為0，如式(2)所示：

(2)

式中：B為同一樓層或施工區域中同類型預制構件間所有可能的懲罰值；bij為預制構件i，j產生的懲罰值；xi為預制構件i所占空間；xj為預制構件j所占空間。

預制構件間的干涉關系量化由受干涉的安裝方向表示，如式(3)所示：

(3)

式中：Ci為構件安裝的受干涉程度，取值為0～1，當Ci= 1時表示所有安裝方向均發生干涉，該構件無法進行吊裝，Ci越小說明構件受干涉程度越低；gi為可能發生干涉的自由移動方向數量；fi為無其他預制構件干涉下的可安裝方向數量。

2.2.2吊裝序列方案評價目標函數構建

建立吊裝序列評價的目標函數，需同時考慮各種影響因素。綜合式(1)～(3)，構建裝配式混凝土結構某一樓層或某一施工區域內的同類別預制構件吊裝序列綜合目標函數，如式(4)所示：

min(F)=w1T+w2B+w3C

(4)

式中：w1為構件間距離權重系數；w2為構件所占空間權重系數；w3為構件間干涉關系權重系數。

按各指標重要程度確定權重系數，且w1+w2+w3=1?？梢钥闯?，預制構件吊裝序列的時間越短、構件所占空間的懲罰值越小、構件之間受干涉程度越低，則目標函數值越小，即目標函數值與評價指標量化值呈正相關關系。

2.3 基于改進遺傳算法的吊裝序列優化求解

遺傳算法編碼與解碼實現了序列優化問題的變量與生物染色體轉換的過程，采用實數編碼形式[11]，將預制構件吊裝序列表達成基因型的串結構數據。染色體由按一定順序的多基因組成，不同基因順序的染色體對應不同吊裝序列方案。如圖5所示，吊裝序列為123456789，則表示同一樓層或同一施工區域內同類型預制構件吊裝順序依次為1號構件→2號構件→…→9號構件。

圖5 染色體結構

適應度函數具有非負性且與目標函數相關，根據式(4)，建立適應度函數，如式(5)所示：

(5)

式中：f為適應度函數值，最大適應度函數值對應的染色體代表最優吊裝序列方案。

種群中每個個體依次通過選擇、交叉、變異等遺傳操作來實現下一代種群的產生。對于預制構件吊裝序列規劃，遺傳操作產生的子染色體中的基因值不能重復且形成的新個體代表的吊裝序列要符合預制構件間硬性約束條件，因此，采用輪盤賭選擇法選擇優秀個體，選擇部分映射交叉算子作為實施染色體交叉操作的方法，并采用交換變異的方法進行變異操作。

采用設定迭代次數的方法終止遺傳算法計算。通過反復迭代多次進化逐漸逼近最優解，當目前種群平均適應度逐漸收斂保持不變，說明遺傳算法已迭代完成。

3 實例驗證

3.1 基于RF的構件自動分類與編碼

對隨機森林(RF)、支持向量機(SVM)和K-鄰近(KNN)等分類算法性能進行比較，根據分類精度(見表2)，選擇自動分類編碼最佳算法。

表2 不同機器學習模型分類結果

原始樣本集由多類預制墻基本構件數據構成，將原始樣本集按8∶2的比例分為訓練集和測試集，使用網格搜索法來確定學習機器最佳參數。下面的核心代碼實現了隨機森林的最佳數量和最大深度的參數搜索，決策樹數量從20到100個搜索，最大深度從2到20個搜索。

from sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import GridSearchCVparam_grid = [{’n_estimators’:range(20,100),’max_depth’:range(2,20)}]forest_clf = RandomForestClassifier()grid_search = GridSearchCV(forest_clf,param_grid,cv=10,scoring=’accuracy’)grid_search.fit(X,Y)

隨機森林算法最佳參數為69棵決策樹，最大深度為16。同理，使用相同方法可得到SVM算法和KNN算法的最佳參數，并得到最佳分類精度。不同機器學習分類結果如表2所示。在包含343個實例的測試集上進行驗證，隨機森林模型的F1值為0.99，相比SVM，KNN算法更有優勢，因此，最終選擇RF算法對混凝土預制構件進行分類。

經過機器學習將構件分類后，即可獲得構件類別、名稱和分類碼段編號，再將樓棟、樓層信息賦予編碼，流水號根據檢索出的同類構件按順序依次賦予編號。通過以上流程，即可完成對混凝土預制構件自動分類編碼。

3.2 吊裝序列優化

以某高層住宅裝配式混凝土剪力墻結構建筑中的內墻板構件為例，對采用遺傳算法計算混凝土預制構件吊裝序列的方法進行實例驗證。裝配式混凝土剪力墻結構建筑某一預制標準層部分結構平面如圖6所示。對于同類構件，預制內墻板一般按順時針或逆時針順序逐塊吊裝，在這種情況下邏輯順序更明確且可避免施工人員間不必要的移動距離和構件間的互相干涉問題，只需考慮所占空間對吊裝序列方案的影響即可。

圖6 某一預制標準層部分結構平面

預制內墻板間的布局較雜亂無章，且當內墻板數量較多時可通過排列組合隨機形成眾多吊裝序列方案，不同方案間的指標關系也有所差異，因此，更有必要對其吊裝邏輯做進一步規劃。預制內墻板Q1，Q2，Q3，Q4，Q5，Q6，Q7，Q8，Q9評價指標相關數據信息如表3所示。對于圖7中不存在連接關系的預制內墻板(如Q2，Q3)，混凝土預制構件間的距離按構件間最靠近部分的距離計算；對于存在連接關系的預制內墻板(如Q1，Q2)，安裝間距默認為0?；炷令A制構件所占空間按內墻板實際尺寸，相互比較得到所占空間懲罰值?；炷令A制構件間干涉關系在同一樓層或同一施工區域內僅考慮在水平面內的前、后、左、右4個方向上的移動，采用發生干涉方向數量與無干涉下的預制內墻板可安裝方向數量比值來表示預制內墻板受干涉程度，受干涉程度最大的為預制內墻板Q5，Q8。Q8兩端夾在Q7，Q9中間，雖然Q8仍有2個方向可自由移動，但由于預制混凝土內墻板質量和體積較大，實際安裝過程中當有2個方向發生干涉，其在另外2個自由移動方向上的移動也將變得十分困難，Q5同理。當只有1個方向發生干涉，有3個方向可自由移動時，對吊裝施工影響較小，且為避免約束條件太多而導致可行的吊裝序列方案過少造成遺傳算法過早收斂，在吊裝序列方案中僅考慮避免Q3，Q4先于Q5安裝及Q9，Q7先于Q8安裝的情況。

表3 預制內墻板評價指標相關數據信息

為避免構件間距離和所占空間指標絕對值降低指標間的可對比性從而對算法優化結果產生影響，對指標屬性值進行規范化處理，如式(6)，(7)所示：

(6)

(7)

規范化處理后，T′，B′數值分別如表4，5所示。使用MatlabR2021b對上述遺傳算法進行求解計算，程序運行環境為Win10/64位，12GB內存。遺傳算法各參數設置如表6所示。

表4 T′ 數值

表5 B′數值

表6 遺傳算法參數設置

最終計算結果為：預制內墻板吊裝序列為Q1，Q2，Q3，Q5，Q4，Q6，Q7，Q8，Q9。最優個體出現在第133代，最優適應度值為1.72。遺傳算法在預制內墻板吊裝序列規劃求解過程中每代最優解變化情況如圖7所示，展現了迭代次數與平均適應度的關系。由圖7可知，在迭代開始初期，解的優化效率較高，能較快趨近于最優吊裝序列，隨著迭代次數增加，種群平均適應度變化趨向平穩，逐漸收斂，說明遺傳算法達到成熟。由計算結果可知，預制內墻板吊裝序列方案具有一定合理性，符合混凝土預制構件通常沿1個方向依次吊裝的吊裝原則。且經過多次運算測試，所得的最優吊裝序列方案始終為相近混凝土預制構件前后順序相連，確保了混凝土預制構件內墻板就近安裝及所需的安裝空間。因此，此優化算法達到了預期吊裝序列規劃的目的。

圖7 遺傳算法計算結果

4 結語

在裝配式建筑發展的大背景下，對預制構件智能化管理、裝配施工精準化控制的要求不斷提高。圍繞裝配式建筑吊裝信息智能標注與序列優化進行了研究，首先實現對混凝土預制構件智能標注，在BIM技術基礎上，通過機器學習對構件信息實現自動化編碼，為目標混凝土預制構件吊裝前的身份識別提供了標注基礎。在混凝土預制構件吊裝施工準備階段，提出混凝土預制構件吊裝序列規劃模型，運用遺傳算法對構件吊裝序列進行規劃，但仍有不足。

1)提出的基于IFC標準和隨機森林的構件自動分類編碼，僅針對IFCWall墻體實例進行屬性提取和隨機森林模型訓練驗證，未包括其他類型預制構件。

2)在預制構件吊裝序列規劃中使用的改進遺傳算法，求解計算的初始種群為全局隨機搜索，當裝配式建筑某一層或某一施工區域需規劃序列同類別預制構件數量較多時，可能會錯過最優解或延長求解時間。

因此，擴充數據集預制構件類型和解決全局隨機搜索的不足，將是今后的研究重點。