張培培 南江萍 王昭

摘要：為了提高建筑物健康狀態(tài)識別結(jié)果，提出一種基于機器學(xué)習(xí)算法的建筑物健康狀態(tài)檢測方法。首先分析建筑物健康狀態(tài)的識別流程，找到影響建筑物健康狀態(tài)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(tài)識別建模，并引入機器學(xué)習(xí)算法描述建筑物健康狀態(tài)與影響因素之間的內(nèi)在聯(lián)系，建立建筑物健康狀態(tài)識別模型，最后采用具體建筑物健康狀態(tài)識別實例分析了該方法的有效性和優(yōu)越性，對建筑物健康狀態(tài)識別率平均值超過92%，而當(dāng)前經(jīng)典方法的建筑物健康狀態(tài)識別率沒有超過90%，且識別速度更快，具有更好的實際應(yīng)用價值。

關(guān)鍵詞：建筑物;健康狀態(tài)類型;機器學(xué)習(xí)算法;影響因素;應(yīng)用實例

中圖分類號：TP181

文獻標(biāo)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(jīng)濟水平得到了大幅度提升，各大城市出現(xiàn)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(fā)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(tài)識別可以幫助人們及時、客觀、科學(xué)的提前了解建筑物健康狀態(tài)發(fā)生態(tài)勢，根據(jù)建筑物健康狀態(tài)制定相應(yīng)的保護措施，可以減少建筑物倒塌事故發(fā)生機率，因此建筑物健康狀態(tài)識別勢在必行，具有重大的社會經(jīng)濟效益[3]。

為了提高建筑物健康狀態(tài)識別結(jié)果，提出一種基于機器學(xué)習(xí)算法的建筑物健康狀態(tài)檢測方法，并且采用具體建筑物健康狀態(tài)識別實例分析了其有效性和優(yōu)越性。

1建筑物健康狀態(tài)識別的研究進展

上世紀(jì)80年代，一些西方發(fā)達國家就提出了建筑物健康狀態(tài)識別概念，將建筑物健康狀態(tài)識別看作是一個時序數(shù)據(jù)分析問題，對延長建筑物使用壽命起著積極的作用，國內(nèi)對建筑物健康狀態(tài)識別研究相對較晚，但是近年來，隨著我國科技和經(jīng)濟發(fā)展，建筑物健康狀態(tài)識別研究技術(shù)發(fā)展迅猛，已經(jīng)提出了許多有效的建筑物健康狀態(tài)識別方法[46]。當(dāng)前建筑物健康狀態(tài)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(tài)識別方法，另一類是基于分類技術(shù)的建筑物健康狀態(tài)識別方法，其中第一類方法認(rèn)為建筑物健康狀態(tài)在時間上有一定的內(nèi)在關(guān)聯(lián)性，根據(jù)當(dāng)前的建筑物健康狀態(tài)對未來的建筑物健康狀態(tài)進行估計，但是該類方法需要的建筑物健康狀態(tài)歷史數(shù)據(jù)量比較大，如果不能滿足該要求，那么建筑物健康狀態(tài)識別效果極差[79];第二類方法是將建筑物健康狀態(tài)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(tài)，主要有人工神經(jīng)網(wǎng)絡(luò)的建筑物健康狀態(tài)識別方法，但是它們在實際應(yīng)用中存在一定的局限性，如人工神經(jīng)網(wǎng)絡(luò)的收斂速度慢，需要經(jīng)過很多次迭代才能達到穩(wěn)定狀態(tài)，使得建筑物健康狀態(tài)識別結(jié)果不穩(wěn)定，可靠性差，支持向量機的建筑物健康狀態(tài)識別正確率雖然很高，但是建筑物健康狀態(tài)識別過程十分復(fù)雜，計算時間復(fù)雜度高，識別效率極低，無法滿足建筑物健康狀態(tài)識別的在線要求[1012]。

2基于機器學(xué)習(xí)算法的建筑物健康狀態(tài)識別方法

2.1影響建筑物健康狀態(tài)的因素

每一個專家對影響建筑物健康狀態(tài)的因素建立標(biāo)準(zhǔn)是不一樣的，本文從影響因素對建筑物健康狀態(tài)識別的敏感性、敏感程度、狀態(tài)識別能力3個方向?qū)ㄖ锝】禒顟B(tài)的因素體系進行構(gòu)建，具體影響建筑物健康狀態(tài)的因素為：抗震能力、溫度、位移、應(yīng)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(tài)劃分5類，采用專家打分的方式設(shè)定計分標(biāo)準(zhǔn)，如表1所示。

2.2主要建筑物健康狀態(tài)影響因素的選擇方法

由于每一種建筑物健康狀態(tài)的影響因素之間有一定的差別，因此本文引入蟻群優(yōu)化算法對主要的建筑物健康狀態(tài)影響因素進行選擇，設(shè)有d個建筑物健康狀態(tài)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(dāng)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(biāo)，如式（2）。

Xobj=Xj，ifτ（Xi）

Xbest，otherwise（2）

式中，Xbest為當(dāng)前最優(yōu)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?fù)]發(fā)參數(shù)。

2.3機器學(xué)習(xí)算法

作為一種新型的機器學(xué)習(xí)，相對于BP神經(jīng)網(wǎng)絡(luò)，Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力更強，且學(xué)習(xí)效率要優(yōu)于支持向量機，為此本文選擇Elman神經(jīng)網(wǎng)絡(luò)建立建筑物健康狀態(tài)識別模型，Elman神經(jīng)網(wǎng)結(jié)構(gòu)如圖1所示。

設(shè)u（k）、x（k）、xc（k）、y（k）分別表示輸入、隱含層、承接層、輸出層節(jié)點的向量，Elman神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)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(quán)重矩陣;f（）和g（）分別為隱含層和輸出層的傳遞函數(shù)。

2.4機器學(xué)習(xí)算法的建筑物健康狀態(tài)識別步驟

Step1：采集建筑物健康狀態(tài)的歷史數(shù)據(jù)。

Step2：采集對建筑物健康狀態(tài)有作用的影響因素數(shù)據(jù)。

Step3：采用蟻群優(yōu)化算法從建筑物健康狀態(tài)的影響因素中選擇一些關(guān)鍵的影響因素。

Step4：將關(guān)鍵的影響因素和建筑物健康狀態(tài)類型組成建筑物健康狀態(tài)識別的訓(xùn)練樣本集合。

Step5：采用Elman神經(jīng)網(wǎng)絡(luò)對建筑物健康狀態(tài)識別的訓(xùn)練樣本集合進行學(xué)習(xí)，擬合影響因素和建筑物健康狀態(tài)類型之間的聯(lián)系，建立建筑物健康狀態(tài)識別模型。

3機器學(xué)習(xí)算法的建筑物健康狀態(tài)識別性能的實例分析

3.1測試環(huán)境的參數(shù)設(shè)置

為了分析機器學(xué)習(xí)算法的建筑物健康狀態(tài)識別效果，采用具體應(yīng)用實例進行測試，同時在相同的測試環(huán)境下選擇BP神經(jīng)網(wǎng)絡(luò)的建筑物健康狀態(tài)識別方法、支持向量機的建筑物健康狀態(tài)識別方法進行對照測試，它們的測試環(huán)境參數(shù)具體設(shè)置如表2所示。

3.2建筑物健康狀態(tài)的歷史數(shù)據(jù)

采集5種類型建筑物健康狀態(tài)的歷史數(shù)據(jù)，并對其中的無用數(shù)據(jù)進行剔除，同時采集影響建筑物健康狀態(tài)的影響因素數(shù)據(jù)，由于幅度有限，文章只列出來5種建筑物健康狀態(tài)的歷史數(shù)據(jù)的數(shù)量，具體如表3所示。

3.3選擇建筑物健康狀態(tài)的關(guān)鍵影響因素

采用建筑物健康狀態(tài)識別正確率為目標(biāo)，采用蟻群優(yōu)化算法對建筑物健康狀態(tài)的影響因素進行選擇，5個建筑物健康狀態(tài)的關(guān)鍵影響因素數(shù)量如表4所示。

可以看出，不同的建筑物健康狀態(tài)，其關(guān)鍵影響因素不一樣，因此對建筑物健康狀態(tài)影響因素進行選擇是必要的，有利于后續(xù)的建筑物健康狀態(tài)識別建模。

3.4建筑物健康狀態(tài)識別結(jié)果與分析

統(tǒng)計機器學(xué)習(xí)算法、BP神經(jīng)網(wǎng)絡(luò)、支持向量機的建筑物健康狀態(tài)檢測正確率，結(jié)果如圖2所示。

對圖2的建筑物健康狀態(tài)識別結(jié)果進行分析可以得到如下結(jié)論：

（1）BP神經(jīng)網(wǎng)絡(luò)、支持向量機的建筑物健康狀態(tài)識別正確率均低于90%，這表明它們出現(xiàn)許多個建筑物健康狀態(tài)識別樣本點，使得建筑物健康狀態(tài)識別錯誤率高于10%，無法有效的區(qū)別各種建筑物健康狀態(tài)。

（2）機器學(xué)習(xí)算法的建筑物健康狀態(tài)識別正確率均高于92%，相對于BP神經(jīng)網(wǎng)絡(luò)、支持向量機，機器學(xué)習(xí)算法的建筑物健康狀態(tài)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(tài)識別成功率，能夠有效的區(qū)別各種建筑物健康狀態(tài)，建立了理想的建筑物健康狀態(tài)識別模型。

統(tǒng)計所有方法的建筑物健康狀態(tài)識別時間，結(jié)果如圖3所示。

可以看出，機器學(xué)習(xí)算法的建筑物健康狀態(tài)識別時間平均值為13.25ms;人工神經(jīng)網(wǎng)絡(luò)的建筑物健康狀態(tài)識別時間平均值為28.42ms，支持向量機的建筑物健康狀態(tài)識別時間平均值為16.24ms，由此可見，機器學(xué)習(xí)算法通過引入蟻群優(yōu)化算法選擇了影響建筑物健康狀態(tài)識別的關(guān)鍵影響因素，使得建筑物健康狀態(tài)識別時間得到了減少，建筑物健康狀態(tài)識別速度更快，可以實現(xiàn)建筑物健康狀態(tài)在線識別。

4總結(jié)

健康狀態(tài)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(tài)的因素眾多，當(dāng)前方法無法高精度描述建筑物健康狀態(tài)與影響因素之間的內(nèi)在聯(lián)系，使得建筑物健康狀態(tài)誤識率極高，無法滿足建筑物實際應(yīng)用的需求，針對當(dāng)前建筑物健康狀態(tài)識別效果差的難題，結(jié)合建筑物健康狀態(tài)變化特點，提出了基于機器學(xué)習(xí)算法的建筑物健康狀態(tài)識別方法，并采用相同的數(shù)據(jù)以及測試平臺與其它方法進行了建筑物健康狀態(tài)識別對照測試，結(jié)果表明本文方法的建筑物健康狀態(tài)識別正確率要高于其它方法，不但減少了建筑物健康狀態(tài)識別錯誤率，而且建筑物健康狀態(tài)識別建模過程更加簡單，計算的時間復(fù)雜度明顯降低，加快了識別速度，是一種性能優(yōu)異識別方法，為建筑物健康狀態(tài)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(gòu)件的方法[J].測繪科學(xué)技術(shù)學(xué)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(xué)學(xué)報（自然科學(xué)版），2018，52（5）：750756.

[3]王淋，馬力，于洋.基于復(fù)雜網(wǎng)絡(luò)分析的綠色建筑項目關(guān)鍵風(fēng)險研究[J].土木工程與管理學(xué)報，2018，35（6）：5056.

[4]吳鋒波.城市軌道交通周邊建筑風(fēng)險管控現(xiàn)狀模糊綜合評判[J].桂林理工大學(xué)學(xué)報，2017，37（3）：501507.

[5]汪大洋，魏德敏.風(fēng)振作用下高層建筑結(jié)構(gòu)全壽命總費用的模糊綜合評估研究[J].土木工程學(xué)報，2014，47（12）：98106.

[6]郭艷紅，秦旋，林格.基于全生命周期的建筑節(jié)能多級模糊綜合評價[J].建筑科學(xué)，2009，25（8）：915.

[7]劉定操，尚展壘.利用遙感圖像對震損建筑結(jié)構(gòu)變形檢測的識別研究[J].地震工程學(xué)報，2019，41（5）：13801384.

[8]高英博，顧中煊，羅淑湘，等.能耗預(yù)測導(dǎo)向的建筑能耗異常數(shù)據(jù)識別與修復(fù)[J].科學(xué)技術(shù)與工程，2019，19（35）：298304.

[9]許博鳴，劉曉峰，業(yè)巧林，等.基于卷積神經(jīng)網(wǎng)絡(luò)面向自然場景建筑物識別技術(shù)的移動端應(yīng)用[J].南京師范大學(xué)學(xué)報（工程技術(shù)版），2019，19（3）：3744.

[10]詹森，張景發(fā)，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(xué)技術(shù)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(zhì)，2019，41（5）：12731288.

[12]宋廷強，李繼旭，張信耶.基于深度學(xué)習(xí)的高分辨率遙感圖像建筑物識別[J].計算機工程與應(yīng)用，2020，56（8）：2634.

（收稿日期：2019.10.26）