1、以 AHP-RBFNN 评估建筑工程项目的风险 于伟杰 陈大伟 首都经济贸易大学安全与环境工程学院 摘 要： 针对我国建筑工程风险评估技术在工程项目应用较少的现状, 需建立一个合理的风险评价指标体系与一个有效的风险评估模型。本文首先分析了一般的风险评价模型的优缺点, 确定了以层次分析法与径向基函数 (RBF) 神经网络相结合的 AHP-RBFNN 风险评估模型, 其次根据现代化建筑工程项目的特点构建出合理的风险评价指标体系, 并且运用层次分析法确定各指标的综合权重, 然后将各指标作为 RBF 神经网络的输入, 利用 RBF 神经网络的无线逼近能力和快速收敛的特点, 建立了新型建筑工程风险评价模
2、型。MATLAB 仿真结果表明, 此方法能较准确的对建筑工程项目安全进行评估, 为全面评价建筑施工安全状况提供了新的方法与思路。关键词： 建筑工程项目; 风险评估; AHP-RBFNN; 评价指标体系; 风险评价模型; 建筑业依托于新技术的开发与应用解决了很多项目施工技术上的难题, 使得开展的建设项目的规模愈来愈大, 可以完成的建设施工的难度愈来愈高。与此同时, 影响建设工程的众多因素互相交叉, 造成施工过程中容易出现事故, 安全形势十分严峻, 所以进行有效的建筑工程项目风险评估非常必要。风险的评价显得尤为重要1。但是以何种工具来评价最为合适, 已成为一个迫切需要解决的课题。建筑工程项目风险评
3、价指标多、层次复杂, 所涉及到的内容和目标众多, 并且建筑工程项目各评价指标之间以及与评价结果间是一种复杂非线性关系, 因此线性评价方法应用范围受限2。RBFNN (径向基函数神经网络) 是一种性能优良的前馈型神经网络, 借助于 RBF 网络, 可以任意精度逼近任意的非线性函数, 且具有全局逼近能力3。将 RBF 网络与建筑工程安全风险评价工作结合起来, 可以为全面评价建筑施工安全状况提供一种新的方法与思路。1 RBF 神经网络评价法应用原理与传统的评价模型相比, RBF 神经网络具有以下优点。RBF 神经网络可以实现复杂度较高的建模, 而且可以根据训练层与层之间的权重的反向计算, 得到每个评
4、价指标的重要性参数;再次, RBF 神经网络可以模仿大脑的信息处理功能, 整个评价过程因此而具有“智能型”4;最后 RBF 神经网络具有简单的拓扑结构和强大的逼近能力的典型三层前馈网络5。结构, 如图 1。图 1 RBF 反馈网络 下载原图在图 1 中, RBF 神经网络的输出可表示为以下形式式中:yR 和 xR网络的输出和输入, 在建筑工程安全评估模型中分别代表安全值和风险因素指标;Q风险因素指标个数;gi (x, , c i) 神经网络第 i 个隐含层节点的输出, c iR 和 R 分别为中心和宽度;wiR线性输出权值;P隐含层节点个数。RBF 神经网络的隐单元基函数其中表示欧式范数。从式
5、 (1) 可以看出 RBF 神经网络从隐含层到输出层是线性传递。2 建筑工程项目风险评价指标体系的建立2.1 指标体系的建立根据事故致因理论, 建筑工程风险可以分为以下 6 个方面:技术因素、人的风险、施工设备因素、管理因素、环境因素、其它因素6。建立的建筑工程项目风险因素指标体系, 如图 2。图 2 建筑施工项目风险综合评价指标体系 下载原图2.2 评价指标权重的确定层次分析法 (Analytic Hierarchy Process, 简称 AHP) 是将与决策总是有关的元素分解成目标、准则、方案等层次, 在此基础之上进行定性和定量分析的决策方法7。将每一层次的各要素进行两两比较判断, 按照
6、一定的标度理论, 见表 1, 得到其相对重要程度的比较标度, 建立判断矩阵。3 RBF 神经网络评价模型的建立与分析3.1 输入层单元数的确定RBF 神经网络输入的确定实际上就是特征向量的提取8, 在本文中, 特征向量就是各个风险因素, 主要综合考虑各个风险因子和风险高低之间的确定关系。3.2 样本数据的选取本文 RBF 神经网络模型的训练和检测样本选取的是某地区一年内完成的 10 个建筑项目。采用专家评分法得到指标体系的样本数据。向项目经理、生产经理、安全总监、项目工程师、项目技术员和安全员各 1 人 (共 6 人) 通过评分表的形式调查打分, 并根据其职位将权重分别确定为0.15、0.15
7、、0.15、0.15、0.2、0.2。通过评分表的形式向专家调查打分, 每一指标均分为五个等级:非常不安全、不安全、一般安全、较安全、非常安全。这五个安全等级分别对应于 (0.8, 1 (0.6, 0.8 (0.4, 0.6 (0.2, 0.40, 0.2五个区间内的数值。通过统计后得到了 10 个样本的评价指标体系指标值。分别用差、低、中、良、优来表示, 见表 2、3。表 1 综合权重向量分析结果 下载原表 表 3 建筑工程项目整体安全性 下载原表 3.3 模型的训练本文用 MATLAB 的 newrb 函数生成 RBF 神经网络, 此函数的工作过程是先设定目标误差, 比如这里设 goal=
8、0.001, 按照误差减小的方向逐渐增加隐含层神经元个数, 即初始隐含层节点个数为 0, 后每次增加一个, 直到误差达到设定值。这里经过 5 步训练达到误差设定值, 隐含层节点个数为 5, 充分体现了 RBF 神经网络结构简单, 收敛速度快的特点。样本数据中的前 8 组样本数据作为训练样本, 样本中的评价指标体系指标只作为输入节点, 与之对应的由专家组打分确定的施工现场总体安全值作为输出期望值, 并通过软件编写神经网络仿真程序, 创建神经网络并进行训练。训练输出样本数据:以上建立的 RBF 神经网络通过训练后, 可以得出的训练结果, 如图 3。图 3 RBF 神经网络训练的误差变化曲线 下载原
9、图由图 3 可知, 在网络的训练达到第 5 步时, 神经网络能够达到理想水平, 实际输出与理想结果, 见表 4。表 4 RBF 神经网络实际输出与理想输出值 下载原表 3.4 模型的检测9-10 项目数据作为检测样本, 检测结果, 见表 5。表 5 RBF 神经网络检测结果 下载原表 表 2 建筑工程项目安全评估样本数据 下载原表 4 结论针对非线性的建筑工程项目风险评估问题, 提出一种基于 AHP-RBFNN 的风险评估方法, 并通过仿真实验进行性能测试。MATLAB 结果表明, AHP-RBFNN 采用层次分析法对指标进行重要性排序, 可以帮助工程项目有针对性的采取相应的安全措施, 同时采
10、用非线性逼近能力的 RBF 神经网络对复杂的建筑工程项目进行评价可以提高工程项目评价精度, 有助于对施工安全进行科学的测评认证, 得到的评价结果更具科学性和准确性, 有利于管理者及时发现在建筑工程项目安全上存在的薄弱环节, 调整施工方案与安全策略, 提高建筑施工的安全水平及总体效益。参考文献1贺耀荣, 汪莉, 李祥, 等.基于 BP 网络的建筑安装施工现场安全综合评价的研究J.中国安全科学学报, 2004, 14 (12) :100-103 2李万庆, 裴志全, 孟文清.AHP-RBF 神经网络在煤矿安全风险评价中的应用J.河北工程大学学报 (自然科学版) , 2014, 31 (2) :10
11、1-105 3飞思科技产品研发中心.神经网络理论与 MATLAB 7 实现M.北京:电子工业出版社, 2005 4卫敏, 余乐安.具有最优学习率的 RBF 神经网络及其应用J.管理科学学报, 2012, 15 (4) :50-57 5章华, 李振璧.基于 AHP-RBF 的矿井通风系统可靠性评价模型J.煤矿机械, 2015, 36 (3) :231-233 6胡伍生.神经网络理论及其工程应用M.北京:测绘出版社, 2006 7廖斌.基于 AHP 的模糊综合评价法在建筑施工安全评价中的应用J.中国安全生产科学技术, 2013, 9 (10) :172-176 8王国钟, 黄本笑, 刘恒.项目管理中项目风险识别的综合评价模型及其应用J.物流科技, 2004, 28 (114) :94-97
