龙空技术网

基于LM-BP神经网络的高烈度区建筑结构经济性评价

公路工程技术 63

前言:

此时同学们对“人工神经网络评价法案例分析题及答案”可能比较讲究,小伙伴们都需要学习一些“人工神经网络评价法案例分析题及答案”的相关知识。那么小编同时在网络上搜集了一些有关“人工神经网络评价法案例分析题及答案””的相关内容,希望朋友们能喜欢,朋友们一起来学习一下吧!

徐文静 王海飙 张连营中建安装集团有限公司 东北林业大学

摘 要:由于传统混凝土结构已不能满足建筑业可持续发展理念,木结构建筑自重轻、绿色环保、抗震性能优越是高烈度区建筑结构的首选,仅因为木结构初始建设成本高于传统混凝土结构,使其发展受到经济因素的制约,为使高烈度区的建筑结构选型决策更加经济、科学,本文从建设成本、建设效益、建筑性能三个方面综合考虑建筑结构经济性能并建立评价指标体系,同时引入LM算法改进BP神经网络模型,对建筑结构经济性评价和结构选型决策进行实例验证。

关键词:高烈度区;建筑结构;经济性评价;LM-BP神经网络;

0引 言

我国抗震设防高烈度区住宅建筑在满足建筑结构安全性能要求上,仅从提高传统的钢筋混凝土结构抗震设计已不能满足绿色环保、可持续发展的理念,采取单一的抗震设计方法提高结构强度、刚度会带来建设成本的增加,而地震造成的土木工程灾害并不能显著减轻[1,2]。从抗震安全、社会环境效益等可持续发展角度分析木结构是高烈度区建筑结构首选,但现有的文献研究中大多学者主要围绕木结构环保性展开,缺少木结构与不同建筑结构的经济性比较[3],为客观地对不同建筑结构的经济性做出合理评价,本文建立评价指标体系并利用LM算法改进传统BP神经网络建立评价模型,为高烈度区建筑结构选型的决策提供新方法,同时为木结构推广提供经济可行性参考[4,5]。

1指标体系构建

建筑结构选型是一项受多种复杂因素影响的决策问题,不同的结构类型在保证结构安全、满足抗震设防的前提下,其经济效益、建筑性能存在一定差异,建设项目决策者通常只专注一次性投资,忽略建筑结构的间接经济效益和社会环境影响[6,7]。本文综合考量不同建筑结构的建设成本和间接效益对建筑结构经济性影响,将抗震韧性和建筑绿色度等作为建筑性能评价指标。选取高烈度区不同建筑结构类型进行数据收集,并邀请行业专家对定性指标进行量化,如表1所示。

表1 建筑结构经济性评价指标体系 导出到EXCEL

目标层

一级指标

二级指标

评价标准

抗震韧性B11

I级(9.5-8.5)II级(8.5-7.5)III级(7.5-6.5)IV级(6.5-5.5)

给定水准下,维持与快速恢复建筑功能的能力

建筑性能A1

建筑绿色度B12

A级(3.5-5.5)AA级(5.5-7.5)AAA级(7.5-9.5)

全生命周期内能源消耗及对环境污染

建筑耐久性B13

以主体结构确定的建筑耐久年限分下列四级:二级耐久年限50~100年适用于一般性建筑;根据现状评估

建筑防火性B14

耐火阻燃值(混凝土结构:钢结构:木结构=1∶1.31∶1.7)

低于混凝土结构(0.5-1);等同于混凝土结构(1-1.3);

高于混凝土结构(1.3-2)

建筑结构经济性评价

主体成本B21

主体结构造价元/m2

装修成本B22

室内装修造价/m2

建筑成本A2

使用成本B23

元/m2·年(供暖费、空调制冷费)

维护费用B24

元/年·m2

拆除费用B25

元/m2

室内环境质量B31

A级(5.5-7)AA级(7-8.5)AAA级(8.5-9.5)

建设效益A3

回收利用率B32

拆除后回收利用占比

业主满意度B33

低于混凝土结构(0.5-1)等同于混凝土结构(1-1.5)高于混凝土结构(1.5-2)

得房率B34

实际使用面积占比

2LM-BP神经网络评价模型构建(1)样本收集与数据处理

样本数据的选取是模型训练的关键,样本数据应反应出不同建筑结构类型的内在规律,以我国8°~9°抗震设防地区不同类型建筑结构来统计信息,对定性指标通过邀请专家打分进行量化,样本中评价结果依据Delphi Method得出[8,9],有效样本数据一共51份,其中训练样本占88%,测试样本和验证样本各占6%,样本中包括传统的混凝土框架、剪力墙结构、木结构、组合结构等。由于评价指标具有不同的量纲和数量级,首先要对所有指标进行归一化处理,将输入层评价指标的属性值固定在一定范围内,使每一项影响因素在神经网络中具有相同的影响趋势,为加快LM-BP神经网络的收敛速度,输入层指标属性值范围为[0,1],归一化处理如下:评价方案中指标有成本型和效益型,令m1,Mi分别表示各样本中同一指标值的最值,为指标值的论域宽度,中点值M(di)=mi+Mi/2

则效益型:(10)

成本型: (11)

所建指标中建筑成本为成本型指标,归一化后指标值越小方案越优,其他为效益型指标,指标值越大方案越优。样本数据如表3所示。

(2)设定网络结构

由评价指标确定输入层13个节点,输出层1个节点,隐含层节点数根据经验公式(12)其中j, i分别为输入、输出节点数量,a为区间[0,10]的自然数,则隐含层节点数c取值范围为[4,14],输出结果等级划分如表2所示。

表2 神经网络输出结果等级划分 导出到EXCEL

评价等级

输出结果

4.5~3.5

3.5~2.5

2.5~1.5

1.5~0.5

表3 部分样本数据 导出到EXCEL

样本

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

X13

评价结果

1

7.5

5

50

1

800

750

38

3

26

5.5

10%

1

82%

1.55

2

7.6

5.5

50

1

950

750

38

3

26

6.5

10%

1

85%

1.7

3

7.7

5.8

50

1

977

765

36.5

3

26

6.6

10%

1

82%

1.8

4

7.8

5.8

50

1

1 000

800

37

3

26

6.7

10%

1

85%

1.8

5

7.9

5.8

50

1

1 100

750

36

3

26

7

10%

1

85%

1.85

6

7.7

5.8

50

1

985

770

37

3

26

6.5

10%

1

85%

1.65

7

8

6.5

60

1

1 100

750

36.8

3

38

6.5

10%

1

80%

2.52

8

8

6.5

60

1

1 155

780

36.6

3

38

6.5

10%

1

82%

2.55

3()

导出到EXCEL

样本

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

X13

评价结果

9

8

6.5

60

1.1

1 189

770

36.2

3

38

6.7

10%

1

80%

2.5

10

8

6.5

60

1.2

1 221

772

36

3

38

7.4

10%

1

80%

1.9

11

8

6.5

60

1.1

1 178

768

36.5

3

38

7.1

10%

1

81%

2.53

12

8

6.5

60

1.2

1 208

802

36

3

38

7.3

10%

1

80%

1.88

13

6.5

5.5

50

0.7

600

700

37.5

3

28

5.6

8%

0.5

80%

0.6

14

6.8

6

50

0.7

660

720

37.3

3

28

5.7

8%

0.5

80%

1.58

15

6.5

6

50

0.7

676

760

37.2

3

28

5.8

8%

0.5

82%

0.8

16

6.8

6

50

0.7

686

770

37

3

28

5.9

8%

0.5

82%

1.6

17

6

5.5

50

0.7

599

705

37.7

3

28

5.4

8%

0.5

80%

0.55

18

6.5

5.8

50

0.7

655

750

37.4

3

28

5.6

8%

0.5

80%

1.1

19

8.2

7.5

60

1.3

2 800

720

35

5

16

7.2

50%

1.2

85%

1.8

20

8.2

7.5

60

1.3

2 885

720

35

5

16

7.3

50%

1.2

85%

1.75

2.3 实例分析

基于Matlab2016对LM-BP建筑结构经济性评价模型进行网络训练及仿真,选用trainscg训练函数、初始化网络权值、阈值,网络学习精度设置为10-4。训练后得到如图1所示的LM-BP神经网络训练样本、测试样本和验证样本的误差曲线图,三种样本的误差曲线在开始阶段下降速度较快,表明该模型泛化能力较强。为避免网络进入过拟合状态,该模型设定误差连续5步上升就停止训练。从图中可知确认样本、验证样本误差在第9-14步开始增大,而训练样本误差在9-14步之间仍继续降低,模型出现过拟合现象即停止仿真。图2中可以看出测试样本的输出值与实际值十分接近,预测相对误差如表4所示。

表4 预测相对误差 导出到EXCEL

相对误差

0.92%

1.19%

0.86%

测试样本实际输出

1.897 3

1.770 8

3.618 7

测试样本期望结果

1.88

1.75

3.65

3结 论

根据建设成本与建设效益、建筑性能之间的相关性,科学地选取了具有代表性的二级指标,在专家评价以及实例调查的数据基础上运用数据挖掘建立了基于LM-BP神经网络的建筑结构经济性评价模型,从测试样本结果来看本文构建的LM-BP神经网络模型精确度较高,为高烈度区建筑结构选型经济合理性评价提供了智能化评价新方法。实例研究表明木-混合结构建筑优于传统混凝土建筑结构经济性,应深入对木结构以及木混合结构的成本与效益评价分析。

图1 3种样本误差曲线 下载原图

图2 网络输出结果与真实值 下载原图

参考文献

[1] Omoregie,Alohan;English,Mark.Housing infrastructure:contemporary issues in timber adoption.proceedings of the institution of civil engineers-municipal engineer,2017,170:4,205-220.

[2] 莫庸,金建民,杜永峰,等.高烈度地震区建筑结构选型问题的初步探讨——5.12汶川大地震陇南地区建筑结构震害考察中结构选型问题的思考[J].工程抗震与加固改造,2008(4):50-55.

[3] 王超亮.基于抗震烈度的高层住宅结构选型及经济性分析[D].中国石油大学(华东),2015.

[4] 喻伟,李百战,杨明宇,等.基于人工神经网络的建筑多目标预测模型[J].中南大学学报(自然科学版),2012,43(12):4949-4955.

[5] 王全凤,郑浩.基于径向基函数神经网络的高层建筑结构选型[J].四川建筑科学研究,2010,36(5):18-21.

[6] 贡金鑫,王幻.经济发展与建筑结构的安全性[J].工业建筑,2013,43(7):110-114.

[7] 肖启荣.基于全寿命周期成本的超高层建筑结构经济性研究[J].建筑技术,2017,48(8):889-892.

[8] 马庆涛,尚国琲,焦新颖.基于BP神经网络的智慧城市建设水平评价研究[J].数学的实践与认识,2018,48(14):64-72.

[9] 董爱华,闵洲源.基于BP人工神经网络的建筑废料管理评价方法[J].同济大学学报(自然科学版),2010,38(1):146-150.

声明:我们尊重原创,也注重分享。有部分内容来自互联网,版权归原作者所有,仅供学习参考之用,禁止用于商业用途,如无意中侵犯了哪个媒体、公司、企业或个人等的知识产权,请联系删除(邮箱:glyhzx@126.com),另本头条号推送内容仅代表作者观点,与头条号运营方无关,内容真伪请读者自行鉴别,本头条号不承担任何责任。

标签: #人工神经网络评价法案例分析题及答案 #人工神经网络评价法案例分析题及答案第四章