張培培 南江萍 王昭

摘要：為了提高建筑物健康狀態(tài)識(shí)別結(jié)果，提出一種基于機(jī)器學(xué)習(xí)算法的建筑物健康狀態(tài)檢測(cè)方法。首先分析建筑物健康狀態(tài)的識(shí)別流程，找到影響建筑物健康狀態(tài)識(shí)別效果的因素，然后從中選擇主要的影響因素進(jìn)行建筑物健康狀態(tài)識(shí)別建模，并引入機(jī)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(shí)別模型，最后采用具體建筑物健康狀態(tài)識(shí)別實(shí)例分析了該方法的有效性和優(yōu)越性，對(duì)建筑物健康狀態(tài)識(shí)別率平均值超過(guò)92%，而當(dāng)前經(jīng)典方法的建筑物健康狀態(tài)識(shí)別率沒(méi)有超過(guò)90%，且識(shí)別速度更快，具有更好的實(shí)際應(yīng)用價(jià)值。

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

中圖分類號(hào)：TP181

文獻(xiàn)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(kāi)放的不斷深入，我國(guó)國(guó)民經(jīng)濟(jì)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(zhǎng)，以及受到天氣、氣候、振動(dòng)、外界力的作用，建筑物倒塌事故時(shí)有發(fā)生，建筑物的安全問(wèn)題已成為重大的社會(huì)問(wèn)題[12]。建筑物健康狀態(tài)識(shí)別可以幫助人們及時(shí)、客觀、科學(xué)的提前了解建筑物健康狀態(tài)發(fā)生態(tài)勢(shì)，根據(jù)建筑物健康狀態(tài)制定相應(yīng)的保護(hù)措施，可以減少建筑物倒塌事故發(fā)生機(jī)率，因此建筑物健康狀態(tài)識(shí)別勢(shì)在必行，具有重大的社會(huì)經(jīng)濟(jì)效益[3]。

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

1建筑物健康狀態(tài)識(shí)別的研究進(jìn)展

上世紀(jì)80年代，一些西方發(fā)達(dá)國(guó)家就提出了建筑物健康狀態(tài)識(shí)別概念，將建筑物健康狀態(tài)識(shí)別看作是一個(gè)時(shí)序數(shù)據(jù)分析問(wèn)題，對(duì)延長(zhǎng)建筑物使用壽命起著積極的作用，國(guó)內(nèi)對(duì)建筑物健康狀態(tài)識(shí)別研究相對(duì)較晚，但是近年來(lái)，隨著我國(guó)科技和經(jīng)濟(jì)發(fā)展，建筑物健康狀態(tài)識(shí)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(shí)別方法[46]。當(dāng)前建筑物健康狀態(tài)識(shí)別方法可以劃為兩類：一類是基于時(shí)間序列的建筑物健康狀態(tài)識(shí)別方法，另一類是基于分類技術(shù)的建筑物健康狀態(tài)識(shí)別方法，其中第一類方法認(rèn)為建筑物健康狀態(tài)在時(shí)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(duì)未來(lái)的建筑物健康狀態(tài)進(jìn)行估計(jì)，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(shí)別效果極差[79];第二類方法是將建筑物健康狀態(tài)識(shí)別問(wèn)題看作是一種多分類問(wèn)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(shí)別方法，但是它們?cè)趯?shí)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(guò)很多次迭代才能達(dá)到穩(wěn)定狀態(tài)，使得建筑物健康狀態(tài)識(shí)別結(jié)果不穩(wěn)定，可靠性差，支持向量機(jī)的建筑物健康狀態(tài)識(shí)別正確率雖然很高，但是建筑物健康狀態(tài)識(shí)別過(guò)程十分復(fù)雜，計(jì)算時(shí)間復(fù)雜度高，識(shí)別效率極低，無(wú)法滿足建筑物健康狀態(tài)識(shí)別的在線要求[1012]。

2基于機(jī)器學(xué)習(xí)算法的建筑物健康狀態(tài)識(shí)別方法

2.1影響建筑物健康狀態(tài)的因素

每一個(gè)專家對(duì)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(duì)建筑物健康狀態(tài)識(shí)別的敏感性、敏感程度、狀態(tài)識(shí)別能力3個(gè)方向?qū)ㄖ锝】禒顟B(tài)的因素體系進(jìn)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(shí)間、傾斜度等，同時(shí)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(jì)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(duì)主要的建筑物健康狀態(tài)影響因素進(jìn)行選擇，設(shè)有d個(gè)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(wú)限大，那么信息素濃度會(huì)接近零，所以對(duì)其進(jìn)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(duì)信息素進(jìn)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(jī)器學(xué)習(xí)算法

作為一種新型的機(jī)器學(xué)習(xí)，相對(duì)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(qiáng)，且學(xué)習(xí)效率要優(yōu)于支持向量機(jī)，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(shí)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(diǎn)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(jī)器學(xué)習(xí)算法的建筑物健康狀態(tài)識(shí)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(duì)建筑物健康狀態(tài)有作用的影響因素?cái)?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(shí)別的訓(xùn)練樣本集合。

Step5：采用Elman神經(jīng)網(wǎng)絡(luò)對(duì)建筑物健康狀態(tài)識(shí)別的訓(xùn)練樣本集合進(jìn)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(shí)別模型。

3機(jī)器學(xué)習(xí)算法的建筑物健康狀態(tài)識(shí)別性能的實(shí)例分析

3.1測(cè)試環(huán)境的參數(shù)設(shè)置

為了分析機(jī)器學(xué)習(xí)算法的建筑物健康狀態(tài)識(shí)別效果，采用具體應(yīng)用實(shí)例進(jìn)行測(cè)試，同時(shí)在相同的測(cè)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(shí)別方法、支持向量機(jī)的建筑物健康狀態(tài)識(shí)別方法進(jìn)行對(duì)照測(cè)試，它們的測(cè)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(duì)其中的無(wú)用數(shù)據(jù)進(jìn)行剔除，同時(shí)采集影響建筑物健康狀態(tài)的影響因素?cái)?shù)據(jù)，由于幅度有限，文章只列出來(lái)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(shí)別正確率為目標(biāo)，采用蟻群優(yōu)化算法對(duì)建筑物健康狀態(tài)的影響因素進(jìn)行選擇，5個(gè)建筑物健康狀態(tài)的關(guān)鍵影響因素?cái)?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(duì)建筑物健康狀態(tài)影響因素進(jìn)行選擇是必要的，有利于后續(xù)的建筑物健康狀態(tài)識(shí)別建模。

3.4建筑物健康狀態(tài)識(shí)別結(jié)果與分析

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

對(duì)圖2的建筑物健康狀態(tài)識(shí)別結(jié)果進(jìn)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(jī)的建筑物健康狀態(tài)識(shí)別正確率均低于90%，這表明它們出現(xiàn)許多個(gè)建筑物健康狀態(tài)識(shí)別樣本點(diǎn)，使得建筑物健康狀態(tài)識(shí)別錯(cuò)誤率高于10%，無(wú)法有效的區(qū)別各種建筑物健康狀態(tài)。

（2）機(jī)器學(xué)習(xí)算法的建筑物健康狀態(tài)識(shí)別正確率均高于92%，相對(duì)于BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)，機(jī)器學(xué)習(xí)算法的建筑物健康狀態(tài)檢測(cè)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(shí)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(shí)別模型。

統(tǒng)計(jì)所有方法的建筑物健康狀態(tài)識(shí)別時(shí)間，結(jié)果如圖3所示。

可以看出，機(jī)器學(xué)習(xí)算法的建筑物健康狀態(tài)識(shí)別時(shí)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(shí)別時(shí)間平均值為28.42ms，支持向量機(jī)的建筑物健康狀態(tài)識(shí)別時(shí)間平均值為16.24ms，由此可見(jiàn)，機(jī)器學(xué)習(xí)算法通過(guò)引入蟻群優(yōu)化算法選擇了影響建筑物健康狀態(tài)識(shí)別的關(guān)鍵影響因素，使得建筑物健康狀態(tài)識(shí)別時(shí)間得到了減少，建筑物健康狀態(tài)識(shí)別速度更快，可以實(shí)現(xiàn)建筑物健康狀態(tài)在線識(shí)別。

4總結(jié)

健康狀態(tài)識(shí)別對(duì)延長(zhǎng)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(wú)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(shí)率極高，無(wú)法滿足建筑物實(shí)際應(yīng)用的需求，針對(duì)當(dāng)前建筑物健康狀態(tài)識(shí)別效果差的難題，結(jié)合建筑物健康狀態(tài)變化特點(diǎn)，提出了基于機(jī)器學(xué)習(xí)算法的建筑物健康狀態(tài)識(shí)別方法，并采用相同的數(shù)據(jù)以及測(cè)試平臺(tái)與其它方法進(jìn)行了建筑物健康狀態(tài)識(shí)別對(duì)照測(cè)試，結(jié)果表明本文方法的建筑物健康狀態(tài)識(shí)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(shí)別錯(cuò)誤率，而且建筑物健康狀態(tài)識(shí)別建模過(guò)程更加簡(jiǎn)單，計(jì)算的時(shí)間復(fù)雜度明顯降低，加快了識(shí)別速度，是一種性能優(yōu)異識(shí)別方法，為建筑物健康狀態(tài)識(shí)別建模提供了一種有效的工具。

參考文獻(xiàn)

[1]馬焜陽(yáng)，成毅，葛文，等.利用FasterRCNN自動(dòng)識(shí)別建筑平面圖功能構(gòu)件的方法[J].測(cè)繪科學(xué)技術(shù)學(xué)報(bào)，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(shí)別方法[J].華中師范大學(xué)學(xué)報(bào)（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(xiàng)目關(guān)鍵風(fēng)險(xiǎn)研究[J].土木工程與管理學(xué)報(bào)，2018，35（6）：5056.

[4]吳鋒波.城市軌道交通周邊建筑風(fēng)險(xiǎn)管控現(xiàn)狀模糊綜合評(píng)判[J].桂林理工大學(xué)學(xué)報(bào)，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(fèi)用的模糊綜合評(píng)估研究[J].土木工程學(xué)報(bào)，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(jí)模糊綜合評(píng)價(jià)[J].建筑科學(xué)，2009，25（8）：915.

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

[8]高英博，顧中煊，羅淑湘，等.能耗預(yù)測(cè)導(dǎo)向的建筑能耗異常數(shù)據(jù)識(shí)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(chǎng)景建筑物識(shí)別技術(shù)的移動(dòng)端應(yīng)用[J].南京師范大學(xué)學(xué)報(bào)（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(dá)影像單體建筑物震害信息識(shí)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(jī)場(chǎng)的單時(shí)相震害影像受損建筑物識(shí)別方法[J].地震地質(zhì)，2019，41（5）：12731288.

[12]宋廷強(qiáng)，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(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2020，56（8）：2634.

（收稿日期：2019.10.26）