楊大田，范良宜

（廣州高新工程顧問有限公司，廣東 廣州510640，E-mail：1826589130@qq.com）

混凝土結(jié)構(gòu)工程施工質(zhì)量的優(yōu)劣直接關(guān)系到建筑工程結(jié)構(gòu)的質(zhì)量安全，因此，如何科學(xué)有效地智能控制建筑工程中現(xiàn)澆混凝土結(jié)構(gòu)工程的施工質(zhì)量，是廣大工程建設(shè)者持續(xù)關(guān)注的重要課題。

近些年來，國(guó)內(nèi)許多學(xué)者[1～5]對(duì)混凝土結(jié)構(gòu)工程質(zhì)量缺陷的產(chǎn)生機(jī)理及施工控制進(jìn)行了研究；國(guó)外學(xué)者[6～10]對(duì)施工質(zhì)量的核心管理要素進(jìn)行了探討；龐玉棟[11]應(yīng)用FMEA 工具對(duì)現(xiàn)澆鋼筋混凝土結(jié)構(gòu)施工質(zhì)量控制進(jìn)行了研究，提出了事前、事中、事后的質(zhì)量控制策略。還有一些國(guó)內(nèi)外學(xué)者[12～18]對(duì)支持向量機(jī)（SVM）及其組合模型在建筑、交通及電力等領(lǐng)域的應(yīng)用做了許多研究工作；另外一些學(xué)者[19，20]對(duì)基于MIV-SVM 模型進(jìn)行了專題的分析。然而，結(jié)合對(duì)CNKI 等相關(guān)文獻(xiàn)的研究發(fā)現(xiàn)：近些年來，國(guó)內(nèi)外學(xué)者在混凝土結(jié)構(gòu)損傷機(jī)理及其質(zhì)量控制和智能算法在建筑工程質(zhì)量控制中的應(yīng)用等方面進(jìn)行了大量的研究，而對(duì)有關(guān)SVM 模型在建筑工程質(zhì)量控制方面應(yīng)用的研究文獻(xiàn)卻相對(duì)較少，特別是MIV 算法結(jié)合SVM 的回歸預(yù)測(cè)與敏感性分析模型在混凝土結(jié)構(gòu)工程質(zhì)量控制方面的應(yīng)用研究尚未有文獻(xiàn)涉及。另一方面，由于SVM模型參數(shù)的選擇既要考慮科學(xué)性又要滿足工程實(shí)際的應(yīng)用性等要求，因此，模型參數(shù)的科學(xué)合理選擇將直接影響SVM 模型的應(yīng)用效果。就目前研究來看，應(yīng)用FMEA 技術(shù)與SPSS 軟件結(jié)合AHP 決策方法對(duì)SVM 模型參數(shù)進(jìn)行綜合優(yōu)選方面的研究資料還未有顯示。因此，本文結(jié)合工程實(shí)例，通過MIV-SVM 模型在混凝土結(jié)構(gòu)工程質(zhì)量控制中的應(yīng)用研究，為創(chuàng)建工程質(zhì)量的智能動(dòng)態(tài)管控新模式提供新的思路與方法，對(duì)智能算法模型在建筑工程質(zhì)量控制中的推廣應(yīng)用具有重要的指導(dǎo)與參考價(jià)值。

1 MIV-SVM 模型

1.1 SVM 基本原理

20 世紀(jì)90 年代初，Vapnik 等提出了一種被廣泛應(yīng)用于數(shù)據(jù)分類和模式識(shí)別及回歸預(yù)測(cè)等方面的專門用于解決小樣本和小概率事件的支持向量機(jī)（SVM）學(xué)習(xí)方法。SVM 常用的實(shí)現(xiàn)函數(shù)是RBF核函數(shù)，通過核函數(shù)來處理樣本空間中高度非線性的分類與回歸等難題，核函數(shù)參數(shù)的選擇也將影響SVM 模型的仿真效果。由于SVM 模型具有其學(xué)習(xí)效率高及模型性能好和泛化能力強(qiáng)等良好特性，因此，本文應(yīng)用SVM 模型對(duì)項(xiàng)目混凝土結(jié)構(gòu)工程施工過程質(zhì)量進(jìn)行預(yù)測(cè)分析和研究（見圖1）。

1.2 MIV 算法

研究顯示，當(dāng)訓(xùn)練好的SVM 模型輸入變量受到干擾時(shí)，其權(quán)值會(huì)產(chǎn)生波動(dòng)，進(jìn)而導(dǎo)致SVM 模型的輸出結(jié)果也將發(fā)生變化，因此，根據(jù)靈敏度分析原理就可以精確地分析這種變化及其影響，從而確定SVM 模型輸入變量對(duì)輸出變量的影響大小。MIV（平均影響值）被應(yīng)用于評(píng)判SVM 模型中輸入變量對(duì)輸出結(jié)果影響力的評(píng)價(jià)指標(biāo)之一，MIV 值的符號(hào)表示相關(guān)方向，絕對(duì)值的大小代表該輸入變量對(duì)SVM模型輸出結(jié)果影響程度的相對(duì)大小。MIV算法的具體分析流程如圖2 所示。

2 質(zhì)量評(píng)價(jià)指標(biāo)體系構(gòu)建方法

2.1 工程質(zhì)量控制點(diǎn)辨識(shí)

應(yīng)用FMEA（故障模式與影響分析）進(jìn)行質(zhì)量控制點(diǎn)辨識(shí)的基本思路是：

（1）對(duì)項(xiàng)目混凝土結(jié)構(gòu)工程進(jìn)行WBS 分解，分析施工工序確定施工流程，并對(duì)施工過程中可能出現(xiàn)的質(zhì)量缺陷進(jìn)行識(shí)別，分析質(zhì)量缺陷產(chǎn)生的影響和后果的嚴(yán)重程度（S），并賦分值1～10。

（2）采用魚骨圖對(duì)潛在質(zhì)量缺陷發(fā)生的原因及機(jī)理進(jìn)行深入分析，將每個(gè)造成質(zhì)量缺陷的起因所衍射出來的控制方式和解決對(duì)策進(jìn)行歸納整理，并對(duì)質(zhì)量缺陷的起因或機(jī)理發(fā)生的頻度（O）進(jìn)行評(píng)分，取值1～10。

（3）根據(jù)現(xiàn)行規(guī)范、規(guī)程等對(duì)質(zhì)量缺陷的檢驗(yàn)方法進(jìn)行分析，并對(duì)反映缺陷檢測(cè)難易程度的檢測(cè)度（D）按檢測(cè)的難度由小到大賦分值1～10。

（4）計(jì)算風(fēng)險(xiǎn)優(yōu)先數(shù)RPN（RPN=S×O×D），RPN值越大，說明質(zhì)量缺陷產(chǎn)生的后果越嚴(yán)重，需要將其視為質(zhì)量的關(guān)鍵控制點(diǎn)，采取相應(yīng)的預(yù)防與控制措施，以盡量減小RPN值，并通過工程質(zhì)量趨勢(shì)的智能預(yù)測(cè)仿真、過程檢查，實(shí)時(shí)更新和完善質(zhì)量風(fēng)險(xiǎn)管控措施知識(shí)庫(kù)等手段，達(dá)到質(zhì)量風(fēng)險(xiǎn)的動(dòng)態(tài)預(yù)控目標(biāo)。

2.2 質(zhì)量評(píng)價(jià)指標(biāo)篩選

為使通過FMEA 分析得出的質(zhì)量控制點(diǎn)更好地符合混凝土結(jié)構(gòu)工程質(zhì)量評(píng)價(jià)的實(shí)際情況，從通過FMEA 分析得到的潛在質(zhì)量缺陷模式按照RPN值從大到小排序，選取若干采取措施后的RPN值排前的潛在質(zhì)量缺陷模式作為質(zhì)量控制點(diǎn)，并將其作為混凝土結(jié)構(gòu)工程質(zhì)量控制效果的初選指標(biāo)；然后，對(duì)各初選指標(biāo)以調(diào)查問卷的形式，通過SPSS統(tǒng)計(jì)分析軟件，應(yīng)用其描述性統(tǒng)計(jì)分析等功能對(duì)初選的指標(biāo)實(shí)施篩選及檢驗(yàn)，以最終建立項(xiàng)目混凝土結(jié)構(gòu)工程的質(zhì)量評(píng)價(jià)指標(biāo)體系。

2.3 指標(biāo)體系構(gòu)建及其指標(biāo)分析

通過對(duì)項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量初選評(píng)價(jià)指標(biāo)的篩選及檢驗(yàn)的分析研究，參照相關(guān)規(guī)范分項(xiàng)工程的劃分思路，以項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量的綜合總體評(píng)價(jià)為總目標(biāo)，根據(jù)AHP 方法原理從上至下按照目標(biāo)層、一級(jí)指標(biāo)層和二級(jí)指標(biāo)層構(gòu)建項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量評(píng)價(jià)指標(biāo)體系的三級(jí)層次分析結(jié)構(gòu)模型，并在進(jìn)行SVM 模型仿真分析應(yīng)用之前，運(yùn)用AHP 多指標(biāo)優(yōu)化決策分析方法對(duì)構(gòu)建的三級(jí)層次分析結(jié)構(gòu)模型中各級(jí)指標(biāo)按照?qǐng)D3 所示的步驟進(jìn)行AHP 分析計(jì)算，最后計(jì)算出指標(biāo)體系中各評(píng)價(jià)指標(biāo)的權(quán)重，為后續(xù)SVM 質(zhì)量預(yù)測(cè)模型的數(shù)值仿真提供樣本數(shù)據(jù)。

圖3 AHP 分析步驟圖

3 實(shí)例應(yīng)用及分析

3.1 項(xiàng)目簡(jiǎn)介

廣州某南沙科研基地項(xiàng)目（一期）工程是省市重點(diǎn)工程。該項(xiàng)目占地約100畝，主要由工程研究中心（1號(hào)樓，19F）、研發(fā)中心（5號(hào)樓，9F）、員工食堂和會(huì)議中心（11號(hào)樓，2F）、地下室（2F）等建筑組成，總建筑面積：7.16萬m2，鋼筋砼框剪或框架結(jié)構(gòu)體系，其中：砼：C30～C55，鋼筋：HPB300、HRB400E。高支模最大高度為12m。

該項(xiàng)目為創(chuàng)省優(yōu)和魯班獎(jiǎng)工程，施工工期短、質(zhì)量要求高，并具有工藝復(fù)雜、工序繁多、交叉作業(yè)面廣，分包協(xié)調(diào)管理內(nèi)容多，以及大跨度、大體積混凝土、高支模施工等特點(diǎn)，同時(shí)，施工期間還經(jīng)歷雨水、臺(tái)風(fēng)季節(jié)，對(duì)施工過程中砼結(jié)構(gòu)工程質(zhì)量的控制非常不利，因此，科學(xué)做好項(xiàng)目混凝土結(jié)構(gòu)工程的質(zhì)量控制工作是實(shí)現(xiàn)工程創(chuàng)優(yōu)質(zhì)量目標(biāo)的關(guān)鍵所在。

3.2 建立質(zhì)量評(píng)價(jià)指標(biāo)體系

3.2.1 工程質(zhì)量評(píng)價(jià)指標(biāo)初選

根據(jù)FMEA 分析的方法與原理，本文根據(jù)廣州某南沙科研基地項(xiàng)目（一期）工程的具體情況，結(jié)合類似項(xiàng)目的工程資料，應(yīng)用FMEA 技術(shù)對(duì)該項(xiàng)目中混凝土結(jié)構(gòu)工程施工過程可能產(chǎn)生的質(zhì)量缺陷的機(jī)理或原因及影響后果進(jìn)行分析研究，得到52個(gè)潛在質(zhì)量缺陷模式，從中選取采取措施后的RPN值較大的前20 個(gè)潛在質(zhì)量缺陷模式作為項(xiàng)目混凝土結(jié)構(gòu)工程的質(zhì)量控制點(diǎn)，并將其作為反映該項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量控制效果的初選評(píng)價(jià)指標(biāo)，采取調(diào)查問卷的方式通過SPSS 軟件對(duì)初選的20 個(gè)質(zhì)量評(píng)價(jià)指標(biāo)進(jìn)行篩選檢驗(yàn)。即通過項(xiàng)目微信群向群內(nèi)建設(shè)、施工、監(jiān)理單位的技術(shù)與管理專家發(fā)出調(diào)查問卷130 份，已回收116 份，有效110 份，回收率89.2%，有效率84.6%，說明本次調(diào)查問卷的有效性很高。然后應(yīng)用SPSS22.0 軟件對(duì)調(diào)查問卷進(jìn)行數(shù)據(jù)分析，結(jié)果如表1 所示。

表1 質(zhì)量評(píng)價(jià)指標(biāo)調(diào)查問卷描述性統(tǒng)計(jì)分析結(jié)果

表1 中，均值越大表示專家對(duì)初選評(píng)價(jià)指標(biāo)的重要性評(píng)分越高，而變異系數(shù)越小說明專家對(duì)初選評(píng)價(jià)指標(biāo)的重要性評(píng)價(jià)意見越一致。因此，“模板剛度及嚴(yán)密性”“鋼筋成品保護(hù)”和“不同強(qiáng)度等級(jí)混凝土澆搗”“混凝土施工縫處理”的均值小于3，且變異系數(shù)均大于0.25，說明專家對(duì)上述4 項(xiàng)指標(biāo)的評(píng)價(jià)意見分歧較大，初選指標(biāo)不符合適用性。結(jié)合專家的意見，將表1 中均值大于3，變異系數(shù)小于0.25 的16 個(gè)初選指標(biāo)最終確定為項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量的評(píng)價(jià)指標(biāo)。另外，通過表1 可知，平均值大于3.5 的評(píng)價(jià)指標(biāo)占所有評(píng)價(jià)指標(biāo)的比重為87.5%，說明表1 中的初選指標(biāo)能夠有效地評(píng)價(jià)項(xiàng)目混凝土結(jié)構(gòu)工程施工質(zhì)量的控制情況，初選指標(biāo)的篩選結(jié)果可信度大。

為確保調(diào)查問卷結(jié)果的可靠及穩(wěn)定性，本文通過SPSS22.0 計(jì)算Cronbach’s α 系數(shù)為0.880>0.7，說明調(diào)查問卷真實(shí)可靠；通過計(jì)算KMO=0.843>0.7、Bartlett 檢驗(yàn)Sig.=0.000，表明調(diào)查問卷效度很好。

3.2.2 建立指標(biāo)體系及指標(biāo)分析

經(jīng)過上述初選確定的16 個(gè)評(píng)價(jià)指標(biāo)，參照混凝土結(jié)構(gòu)工程相關(guān)施工規(guī)范中分項(xiàng)工程的劃分思路，本文按照模板、鋼筋及混凝土（含現(xiàn)澆結(jié)構(gòu)）工程和技術(shù)管理4 個(gè)維度構(gòu)建混凝土結(jié)構(gòu)工程質(zhì)量評(píng)價(jià)指標(biāo)體系三級(jí)層次分析結(jié)構(gòu)模型，并參照混凝土結(jié)構(gòu)工程質(zhì)量評(píng)價(jià)的相關(guān)標(biāo)準(zhǔn)，邀請(qǐng)項(xiàng)目負(fù)責(zé)人及技術(shù)負(fù)責(zé)人和項(xiàng)目總監(jiān)及項(xiàng)目建設(shè)、施工、監(jiān)理單位及政府監(jiān)督部門中10 名具有類似項(xiàng)目工作經(jīng)驗(yàn)的技術(shù)專家，根據(jù)構(gòu)建的項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量評(píng)價(jià)指標(biāo)三級(jí)層次分析結(jié)構(gòu)模型構(gòu)造的判斷矩陣，按照1～9 標(biāo)度法兩兩比較對(duì)判斷矩陣賦值，并按圖3 所示步驟進(jìn)行AHP 分析。為實(shí)現(xiàn)AHP 分析計(jì)算，本文把專家對(duì)各判斷矩陣評(píng)價(jià)指標(biāo)數(shù)據(jù)輸入到通過Matlab 平臺(tái)編制好的計(jì)算程序中，計(jì)算各指標(biāo)權(quán)重，并完成一致性驗(yàn)證。

通過圖4 所示的程序計(jì)算，就可以得出如表2所示的項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量評(píng)價(jià)指標(biāo)的單權(quán)重（單排序權(quán)重）及總權(quán)重（總排序權(quán)重）。

圖4 Matlab 主程序界面截圖

3.3 學(xué)習(xí)樣本

本文根據(jù)表2 所示項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量評(píng)價(jià)指標(biāo)體系中各指標(biāo)的權(quán)重制定《混凝土結(jié)構(gòu)工程質(zhì)量評(píng)價(jià)指標(biāo)評(píng)分標(biāo)準(zhǔn)》，并邀請(qǐng)5 位建筑工程專業(yè)技術(shù)專家對(duì)表2中項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量的16個(gè)二級(jí)評(píng)價(jià)指標(biāo)進(jìn)行量化評(píng)分（各項(xiàng)評(píng)價(jià)指標(biāo)評(píng)分取5 位專家平均值作為最終評(píng)分結(jié)果），并按權(quán)重計(jì)算出項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量量化考核的最終綜合總評(píng)分，以形成項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量的量化考核評(píng)分?jǐn)?shù)據(jù)庫(kù)。然后，選取項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量量化考核評(píng)分中的80 組指標(biāo)評(píng)價(jià)數(shù)據(jù)作為學(xué)習(xí)樣本數(shù)據(jù)，用于MIV-SVM 預(yù)測(cè)模型的仿真分析研究。

表2 單排序及總排序權(quán)重計(jì)算結(jié)果

3.4 MIV-SVM 模型數(shù)值仿真

3.4.1 SVM 模型訓(xùn)練與驗(yàn)證

為消除樣本數(shù)據(jù)的差異性影響，本文從80 組樣本數(shù)據(jù)隨機(jī)選60 組作為訓(xùn)練樣本，余下20 組為測(cè)試樣本，通過Matlab 平臺(tái)應(yīng)用libsvm 軟件，將16 個(gè)混凝土結(jié)構(gòu)工程質(zhì)量二級(jí)評(píng)價(jià)指標(biāo)（C1～C16）數(shù)據(jù)作為支持向量機(jī)SVM 模型的輸入變量，計(jì)算得到的項(xiàng)目質(zhì)量考核綜合總評(píng)分值作為輸出變量，建立SVM 模型，采用RBF 核函數(shù)進(jìn)行模型仿真，其結(jié)果如圖5 所示。

圖5 SVM 模型仿真結(jié)果

從圖5 可以觀察到，SVM 模型中混凝土結(jié)構(gòu)工程質(zhì)量的預(yù)測(cè)值在實(shí)際評(píng)價(jià)結(jié)果的真實(shí)值之間跳動(dòng)，其預(yù)測(cè)結(jié)果觀察值基本與真實(shí)值重合，因此，模型的訓(xùn)練集樣本和測(cè)試集樣本的混凝土結(jié)構(gòu)工程質(zhì)量的預(yù)測(cè)值與實(shí)際值之間擬合效果良好，表明本文構(gòu)建的SVM模型具有良好的訓(xùn)練和測(cè)試性能；圖5 中均方差為mse=0.0023733，說明模型訓(xùn)練數(shù)據(jù)集擬合較好；而模型測(cè)試樣本模擬的均方差mse=0.0061917，表明預(yù)測(cè)結(jié)果與真實(shí)值比較一致。另外，從圖5 的模型訓(xùn)練結(jié)果中R2為0.99083，測(cè)試結(jié)果中R2為0.95156 知，相關(guān)系數(shù)（R2）均大于0.8，說明模型擬合度高，精度好。

為了對(duì)SVM 的模型性能進(jìn)行評(píng)價(jià)，以確定SVM 模型是否較其他智能算法模型在混凝土結(jié)構(gòu)工程質(zhì)量預(yù)測(cè)方面更具有優(yōu)越性，本文選擇SVM模型與目前在工程中被廣泛成熟應(yīng)用的BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模型性能的評(píng)價(jià)，從圖5（b）與圖6 的SVM 與BP 模型的測(cè)試集預(yù)測(cè)結(jié)果得出：SVM 模型mse=0.0061917BP 神經(jīng)網(wǎng)絡(luò)R2=0.82784，因此，SVM 和BP 兩種模型都具有良好的泛化能力，且預(yù)測(cè)精度誤差均滿足工程要求，但從考察兩模型回歸預(yù)測(cè)效果的均方差和相關(guān)系數(shù)兩參數(shù)來看，SVM 模型的預(yù)測(cè)效果更優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)模型。

圖6 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

通過以上SVM質(zhì)量預(yù)測(cè)模型的仿真分析表明：應(yīng)用“基于風(fēng)險(xiǎn)思維的FMEA 技術(shù)確定工程質(zhì)量評(píng)價(jià)的初選指標(biāo)→采取調(diào)查問卷，通過SPSS 軟件進(jìn)行篩選→運(yùn)用AHP 對(duì)構(gòu)建的混凝土結(jié)構(gòu)工程質(zhì)量評(píng)價(jià)指標(biāo)體系進(jìn)行多指標(biāo)優(yōu)化決策”的綜合優(yōu)選方法確定的SVM 模型參數(shù)，能夠合理有效地反映混凝土結(jié)構(gòu)工程施工過程質(zhì)量控制特征及輸入輸出關(guān)系，為智能算法模型參數(shù)的科學(xué)合理選擇和提高模型的預(yù)測(cè)效果提供了新的技術(shù)路徑。同時(shí)，基于SVM 智能算法的混凝土結(jié)構(gòu)工程質(zhì)量智能控制模型，可以快速追蹤及動(dòng)態(tài)控制工程施工質(zhì)量，對(duì)提高工程質(zhì)量的預(yù)控能力、降低質(zhì)量風(fēng)險(xiǎn)等方面都具有重要的指導(dǎo)意義和應(yīng)用價(jià)值。

3.4.2 MIV 敏感性分析

按照MIV 的分析流程，應(yīng)用MIV 算法將已經(jīng)訓(xùn)練好的SVM 模型中各敏感性輸入指標(biāo)（即二級(jí)評(píng)價(jià)指標(biāo)C1～C16）的每個(gè)評(píng)價(jià)指標(biāo)數(shù)據(jù)值，分別增加或減少10%，形成2 組新的學(xué)習(xí)訓(xùn)練樣本，通過Matlab R2018b 平臺(tái)編程進(jìn)行計(jì)算分析，就可以得到SVM 模型各敏感性輸入指標(biāo)的MIV 計(jì)算值及重要性排序，其計(jì)算結(jié)果如表3 所示。

表3 各敏感性輸入指標(biāo)MIV 值及排序表

從表3 中各敏感性輸入指標(biāo)的MIV 絕對(duì)值由大到小的排序結(jié)果可以看出：影響混凝土結(jié)構(gòu)工程質(zhì)量的前10 個(gè)敏感性評(píng)價(jià)指標(biāo)分別是：C9、C4、C11、C5、C8、C13、C1、C10、C12、C7，即以上10個(gè)關(guān)鍵質(zhì)量控制點(diǎn)是影響混凝土結(jié)構(gòu)工程施工質(zhì)量的主要環(huán)節(jié)。所以，在項(xiàng)目混凝土結(jié)構(gòu)工程的質(zhì)量控制過程中，需對(duì)這10 個(gè)關(guān)鍵環(huán)節(jié)進(jìn)行重點(diǎn)控制，有目的地制定科學(xué)精準(zhǔn)的具體控制措施，以確?；炷两Y(jié)構(gòu)工程的施工質(zhì)量，提高質(zhì)量控制的效果。

另外，還可以按照敏感性分析方法，對(duì)混凝土結(jié)構(gòu)工程質(zhì)量進(jìn)行動(dòng)態(tài)敏感性分析。其方法是：通過動(dòng)態(tài)采集項(xiàng)目混凝土結(jié)構(gòu)工程質(zhì)量評(píng)價(jià)指標(biāo)的量化評(píng)價(jià)數(shù)據(jù)，實(shí)時(shí)調(diào)整基于MIV-SVM 的敏感性分析模型的輸入指標(biāo)參數(shù)，從而得到動(dòng)態(tài)的仿真結(jié)果，就可以直觀地觀測(cè)和分析影響混凝土結(jié)構(gòu)工程質(zhì)量的各敏感性輸入指標(biāo)的大小及方向，進(jìn)而對(duì)混凝土結(jié)構(gòu)工程質(zhì)量實(shí)施動(dòng)態(tài)控制與管理。

綜上研究，通過基于MIV-SVM 模型的敏感性分析得出的模型輸入指標(biāo)的MIV 絕對(duì)值排序，為項(xiàng)目混凝土結(jié)構(gòu)工程合理地選擇關(guān)鍵質(zhì)量控制點(diǎn)提供了數(shù)據(jù)支持，同時(shí)，也有效地解決了主觀盲目選擇混凝土結(jié)構(gòu)工程施工過程關(guān)鍵質(zhì)量控制點(diǎn)的問題，使得在混凝土結(jié)構(gòu)工程質(zhì)量控制過程中，能夠針對(duì)性地對(duì)這些關(guān)鍵質(zhì)量控制點(diǎn)制定科學(xué)有效的控制措施，實(shí)施精準(zhǔn)的預(yù)控管理。同時(shí)，應(yīng)用基于SVM 模型的動(dòng)態(tài)敏感性分析技術(shù)，還可以及時(shí)準(zhǔn)確地對(duì)混凝土結(jié)構(gòu)工程質(zhì)量實(shí)施動(dòng)態(tài)智能控制。

4 結(jié)語(yǔ)

本文闡述的應(yīng)用FMEA-SPSS-AHP組合工具建立的綜合優(yōu)選方法為智能算法模型參數(shù)的科學(xué)合理選擇提供了新的方法，同時(shí)，通過智能算法模型與工程質(zhì)量控制理論的融合集成，拓展了工程質(zhì)量控制技術(shù)的應(yīng)用研究領(lǐng)域，豐富了混凝土結(jié)構(gòu)工程質(zhì)量控制的理論體系?；贛IV-SVM 算法構(gòu)建的以智能控制為核心的混凝土結(jié)構(gòu)工程質(zhì)量控制模型的應(yīng)用，對(duì)工程質(zhì)量實(shí)施智能化預(yù)控管理、創(chuàng)建工程質(zhì)量智能動(dòng)態(tài)管控新模式、降低混凝土結(jié)構(gòu)工程質(zhì)量風(fēng)險(xiǎn)，提升工程質(zhì)量的控制效能等方面都具有現(xiàn)實(shí)的應(yīng)用價(jià)值。