劉震華 張夢歌 姜楠 童滬琨 李建平

摘 要：糧倉建筑的氣密性對于儲糧安全具有重要影響，本研究的目的在于提供一種可以用于在糧倉設(shè)計階段進(jìn)行糧倉氣密性預(yù)測的方法，以方便設(shè)計人員根據(jù)糧倉設(shè)計方案的氣密性預(yù)測結(jié)果優(yōu)化設(shè)計，確保糧倉建成后能夠符合氣密性要求。本研究采用的樣本數(shù)據(jù)集合包括已建成糧倉的建筑特征變量和氣密性檢測結(jié)果，把該樣本集合隨機(jī)劃分為訓(xùn)練集合和測試集合，利用訓(xùn)練數(shù)據(jù)集合訓(xùn)練支持向量機(jī)回歸模型，并采用Bootstrap方法進(jìn)行訓(xùn)練樣本抽樣，從而實現(xiàn)對糧倉氣密性的區(qū)間預(yù)測。測試結(jié)果表明該方法具有良好的性能，為改進(jìn)糧倉設(shè)計方案提供了一種新工具。

關(guān)鍵詞： 糧倉;氣密性;區(qū)間預(yù)測;支持向量機(jī);Bootstrap

文章編號： 2095-2163（2019）03-0089-04?中圖分類號： TP181?文獻(xiàn)標(biāo)志碼： A

0?引?言

糧倉的氣密性是指倉房對氣體的密封性能[1]，糧倉具有良好的氣密性是安全儲糧的重要保證。目前，氣控儲糧是中國的一種重要儲糧措施，氣控儲糧是通過改變儲糧環(huán)境的氣體配比，來達(dá)到殺蟲、抑霉等效果，這就要求糧倉具有良好的氣密性[2]。此外，糧食含水量的變化，糧倉的保溫隔熱性能，環(huán)流熏蒸的實施等都與糧倉的氣密性密切相關(guān)。因此，糧倉的氣密性需滿足一定的要求，以此來保證儲糧效果[3]。

糧倉氣密性的檢測方法有壓力衰減實驗法、示蹤劑濃度衰減實驗法和平衡壓力—流量平衡實驗法，在國內(nèi)外應(yīng)用范圍較廣的是壓力衰減實驗法[4]。

糧倉的氣密性與糧倉易漏氣部位的密封性有很大關(guān)系[5]。倉房的漏氣部位歸納起來，主要包括門窗設(shè)計、墻體設(shè)計、屋面設(shè)計、密封類孔洞等[6]。

為了提高糧倉的氣密性，學(xué)者們進(jìn)行了大量的研究。張來林等人[7]提出從選用合理的倉房結(jié)構(gòu)，嚴(yán)把施工安裝質(zhì)量等方面出發(fā)，注重建設(shè)高質(zhì)量倉房，為氣密性達(dá)標(biāo)的新倉建設(shè)提供了保障。陶金亞等人[8]從選用氣密好的設(shè)計方案入手，通過加強(qiáng)建筑設(shè)計與倉儲工藝的有機(jī)結(jié)合等措施，提高了倉房的氣密性。王薇[9]通過對國內(nèi)現(xiàn)有平房倉氣密性能進(jìn)行調(diào)研分析，利用新材料、新技術(shù)，研制出了一系列行之有效的倉房氣密的新型構(gòu)造措施，在實際工程中得到了很好的應(yīng)用。

上述研究在提高糧倉氣密性方面做出了一定貢獻(xiàn)，但是并沒有分析糧倉氣密性影響因素和氣密性之間的定量關(guān)系。本文提出了一種氣密性評價方法，該方法利用支持向量機(jī)并結(jié)合Bootstrap方法對糧倉建筑設(shè)計方案的氣密性進(jìn)行區(qū)間預(yù)測，通過輸入糧倉的一些設(shè)計參數(shù)值，可以得出糧倉的氣密性區(qū)間預(yù)測結(jié)果，從而為糧倉的設(shè)計提供參考。

將人工智能技術(shù)應(yīng)用于建筑設(shè)計已成為建筑行業(yè)發(fā)展的新趨勢。文獻(xiàn)[10]采用神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法來降低算法的復(fù)雜性，優(yōu)化建筑設(shè)計。文獻(xiàn)[11-12]研究分析了神經(jīng)網(wǎng)絡(luò)在民用建筑設(shè)計工程中的應(yīng)用。同時，支持向量機(jī)被應(yīng)用于預(yù)測建筑能耗[13]。支持向量機(jī)也被用于快速、準(zhǔn)確地預(yù)測工程造價[14]。

由于獲得大量已建成糧倉建筑的氣密性數(shù)據(jù)難度較大，將少量的糧倉建筑氣密性數(shù)據(jù)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，進(jìn)行點預(yù)測會有較大的誤差。本研究采用支持向量機(jī)作為回歸模型，為了能夠估計出氣密性真實值的變動范圍，采用Bootstrap方法進(jìn)行訓(xùn)練樣本有放回抽樣，實現(xiàn)了對糧倉建筑氣密性的區(qū)間預(yù)測。

1?理論基礎(chǔ)

1.1?支持向量機(jī)

支持向量機(jī)是一種基于統(tǒng)計學(xué)的機(jī)器學(xué)習(xí)算法，能夠有效地處理小樣本數(shù)據(jù)，可以避免局部最小值，具有較好的泛化能力[15-16]。支持向量機(jī)可以完成分類、回歸和分布估計等任務(wù)[17]。關(guān)于支持向量機(jī)回歸的標(biāo)準(zhǔn)形式見文獻(xiàn)[17]。

1.2?Bootstrap基本原理和方法

用訓(xùn)練數(shù)據(jù)通過回歸模型預(yù)測結(jié)果變量值的時候，模型輸出值會有一定的隨機(jī)性，如果知道了模型輸出值的概率分布就可以估計出模型輸出值在一定置信概率水平下的波動范圍，這就是區(qū)間預(yù)測。本研究采用Bootstrap方法對糧倉氣密性進(jìn)行區(qū)間預(yù)測，Bootstrap方法由美國統(tǒng)計學(xué)家Efron系統(tǒng)地提出[18]。Bootstrap應(yīng)用了有放回抽樣技術(shù)，可以用于機(jī)器學(xué)習(xí)模型的區(qū)間預(yù)測[19-20]，Bootstrap的基本方法如下：

有一個實際觀測到的數(shù)據(jù)集Φ，含有l(wèi) 條觀測數(shù)據(jù)Φ={（x1，z1），…，（xl，zl）}，其中xi∈Rn是原因變量值，zi∈R1 是結(jié)果變量值。從這個數(shù)據(jù)集中有放回地隨機(jī)抽取l個觀測數(shù)據(jù)組成一個樣本，稱為抽樣樣本。在這個隨機(jī)抽樣中，原始數(shù)據(jù)集中的觀測數(shù)據(jù)有的只被抽到一次，有的超過一次，也有的沒有被抽到。利用抽樣樣本，代入某個統(tǒng)計量計算公式f（·），得到統(tǒng)計量值ki。如此反復(fù)抽樣和計算B次，最后由統(tǒng)計量值組成一個數(shù)據(jù)集，利用這個數(shù)據(jù)集來反映估計值的概率分布和隨機(jī)性特征。

2?評價模型的建立和算法

2.1?數(shù)據(jù)集合

本研究采用的數(shù)據(jù)來自對華南、華中和東北地區(qū)的糧倉的調(diào)查結(jié)果，經(jīng)過整理，共104條數(shù)據(jù)。數(shù)據(jù)集合包括18個原因變量和1個結(jié)果變量。原因變量分別是：墻體結(jié)構(gòu)層厚度、倉型、單倉進(jìn)（卸）糧口個數(shù)、單倉容積、單倉建筑面積、單倉層高、單倉軸流風(fēng)機(jī)口個數(shù)、門窗密封措施、墻體結(jié)構(gòu)層類型、墻體防潮層高度、單倉環(huán)流熏蒸孔個數(shù)、單倉機(jī)械通風(fēng)口個數(shù)、單倉門窗面積、單倉自然通風(fēng)口個數(shù)、倉體通風(fēng)形式、屋頂結(jié)構(gòu)形式、墻體防潮層做法、糧倉地面做法，其中倉型、門窗密封措施、墻體結(jié)構(gòu)層類型、倉體通風(fēng)形式、屋頂結(jié)構(gòu)形式、墻體防潮層做法、糧倉地面做法為種類變量，其他為連續(xù)變量;結(jié)果變量是：500 Pa壓力半衰期，為連續(xù)變量。

在數(shù)據(jù)預(yù)處理階段，對連續(xù)變量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化計算公式如下：

利用公式（1），將連續(xù)變量數(shù)據(jù)映射到區(qū)間[0，1]。

對于種類變量，采取onehot編碼[21]。

2.2?基于支持向量機(jī)和Bootstrap的區(qū)間預(yù)測方法

基于支持向量機(jī)和Bootstrap的區(qū)間預(yù)測算法如下：

一般來說，在PICP≥μ條件下，PINAW越小越優(yōu);CWC是綜合評價區(qū)間預(yù)測的質(zhì)量的指標(biāo)，CWC越小說明區(qū)間預(yù)測質(zhì)量越好。

如果評價指標(biāo)能夠滿足要求，進(jìn)入Step8，如果不能滿足要求，需要調(diào)整區(qū)間預(yù)測模型。

Step 8?區(qū)間預(yù)測。將待評價的糧倉設(shè)計方案的數(shù)據(jù)x*代入Step4得到的回歸模型fb1（·），…，fbB（·），得到B個點預(yù)測值{z*1，…，z*B}，按照Step6的方法進(jìn)行區(qū)間預(yù)測。如果對糧倉氣密性要求較嚴(yán)格，可以根據(jù)區(qū)間預(yù)測下限判斷是否滿足要求。

3?計算結(jié)果

本研究在104條原始數(shù)據(jù)中，隨機(jī)選取20條數(shù)據(jù)組成測試集合，另外84條數(shù)據(jù)構(gòu)成訓(xùn)練集合，Bootstrap抽樣次數(shù)為1 000次，置信概率為0.9。作為對比，采用同樣的數(shù)據(jù)，將BP神經(jīng)網(wǎng)絡(luò)作為回歸工具，利用上述算法進(jìn)行了區(qū)間預(yù)測。BP神經(jīng)網(wǎng)絡(luò)共3層，輸入層有18個神經(jīng)元，輸出層有1個神經(jīng)元，中間層有10個神經(jīng)元，計算結(jié)果評價指標(biāo)見表1。

由于樣本數(shù)量較少，基于支持向量機(jī)和Bootstrap的區(qū)間預(yù)測方法的表現(xiàn)優(yōu)于基于BP神經(jīng)網(wǎng)絡(luò)和Bootstrap的區(qū)間預(yù)測方法。

4?結(jié)束語

因為獲得大量糧倉氣密性數(shù)據(jù)較為困難，本文采用支持向量機(jī)結(jié)合Bootstrap方法建立了一種區(qū)間預(yù)測方法，該方法可以采用較少的樣本數(shù)據(jù)對糧倉建筑氣密性進(jìn)行區(qū)間預(yù)測，計算結(jié)果表明該方法具有良好的性能，可以為設(shè)計人員改進(jìn)糧倉設(shè)計方案，提高糧倉氣密性提供幫助，從而有助于提高糧食的儲存質(zhì)量，減少糧食產(chǎn)后損失。

參考文獻(xiàn)

[1]?中華人民共和國國家質(zhì)量監(jiān)督檢驗檢疫總局. GB/T25229-2010 糧油儲藏平房倉氣密性要求 [S]. 北京：中國標(biāo)準(zhǔn)出版社，2010.

[2]?李寶升， 李巖峰， 凌才青， 等. 氣調(diào)儲糧技術(shù)的發(fā)展與應(yīng)用研究[J]. 糧食加工， 2015，40（5）：71-74，77.

[3]?陳旭， 張峻嶺. 糧倉氣密性檢測對儲糧安全的重要性分析[J]. 糧油倉儲科技通訊， 2017，33（6）：30-33.

[4]?張峻嶺，陳旭，孫慧男.論糧倉氣密性對儲糧安全的重要性[J]. 現(xiàn)代食品，2017（18）：22-26.

[5]?張來林， 李超彬， 趙英杰. 糧倉的氣密性測試與氣密改造[J]. 糧食儲藏， 2003，32（4）：15-18.

[6]?劉佳， 戴春景， 許雋， 等. 糧食平房倉氣密性影響因素及改進(jìn)措施[J]. 糧食與食品工業(yè)， 2010，17（4）：33-35.

[7]?張來林， 趙英杰， 狄彥芳， 等. 糧食倉房氣密性測試與CM系列倉用密封門窗應(yīng)用報告[J]. 糧食儲藏， 2000，29（6）：18-24.

[8]?陶金亞， 張來林， 黃浙文， 等. 糧食倉房的氣密性分析[J]. 現(xiàn)代食品， 2016（16）：26-30.

[9]?王薇. 糧食倉房的保溫隔熱、氣密性技術(shù)措施研究及應(yīng)用[D]. 天津：天津大學(xué)， 2009.

[10]黨向盈， 姜代紅. 神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法在建筑優(yōu)化設(shè)計中的應(yīng)用[J]. 徐州工程學(xué)院學(xué)報（自然科學(xué)版）， 2017，32（02）：66-71.

[11]孫國明， 楊佳欣. 神經(jīng)網(wǎng)絡(luò)在民用建筑設(shè)計工程中的應(yīng)用[J]. 工程建設(shè)與設(shè)計， 2012（10）：138-140.

[12]賴鑫生. 神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法優(yōu)化應(yīng)用[J]. 貴州大學(xué)學(xué)報（自然科學(xué)版）， 2004，21（2）：179-184.

[13]李建， 陳烈， 茅林明. 支持向量機(jī)在建筑能耗預(yù)測中的應(yīng)用[J]. 建筑節(jié)能， 2014，42（12）：77-80.

[14]李杰. 改進(jìn)粒子群算法優(yōu)化支持向量機(jī)的工程造價預(yù)測[J]. 計算機(jī)系統(tǒng)應(yīng)用， 2016， 25（6）：202-206.

[15]ZHOU Ying ， SU Wanjun ， DING Lieyun ， et al. Predicting safety risks in deep foundation pits in subway infrastructure projects： Support Vector Machine approach[J]. Journal of Computing in Civil Engineering， 2017， 31（5）：04017052.

[16]SAMUI P. Support vector machine applied to settlement of shallow foundations on cohesionless soils[J]. Computers and Geotechnics， 2008，35（3）：419-427.

[17]CHANG C C， LIN C J. LIBSVM： A library for support vector machines[J]. ACM Transactions on Internet Systems and Technology， 2011，2：1-27.

[18]謝益輝， 朱鈺. Bootstrap方法的歷史發(fā)展和前沿研究[J]. 統(tǒng)計與信息論壇， 2008，23（2）：90-96.

[19]趙玉，祁春節(jié). 大宗農(nóng)產(chǎn)品價格風(fēng)險評估—基于小波神經(jīng)網(wǎng)絡(luò)-Bootstrap方法的實證研究[J]. 技術(shù)經(jīng)濟(jì)， 2014，33（3）：75-79.

[20]陳嬌娜， 張翔， 張生瑞. 高速公路行程時間Bootstrap-KNN區(qū)間預(yù)測分析與實證[J]. 控制與決策， 2018，33（11）：2080-2086.

[21]NEGNEVITSKY M. Artificial intelligence： A guide to intelligent systems [M]. 3rd ed. Harlow： Pearson Education Limited， 2001.

[22]EFRON B R， TIBSHIRANI J. An introduction to the Bootstrap[M]. London： Chapman and Hall/CRC，1993.

[23]KHOSRAVI A， NAHAVANDI S， SRINIVASAN D， et al. Constructing optimal prediction intervals by using neural networks and bootstrap method [J]. IEEE Transactions on Neural Networks and Learning Systems， 2015，26（8）：1810-1815.