基于MIV-SVM 的混凝土结构工程质量控制模型应用研究

杨大田，范良宜

（广州高新工程顾问有限公司，广东 广州510640，E-mail：1826589130@qq.com）

混凝土结构工程施工质量的优劣直接关系到建筑工程结构的质量安全，因此，如何科学有效地智能控制建筑工程中现浇混凝土结构工程的施工质量，是广大工程建设者持续关注的重要课题。

近些年来，国内许多学者[1～5]对混凝土结构工程质量缺陷的产生机理及施工控制进行了研究；国外学者[6～10]对施工质量的核心管理要素进行了探讨；庞玉栋[11]应用FMEA 工具对现浇钢筋混凝土结构施工质量控制进行了研究，提出了事前、事中、事后的质量控制策略。还有一些国内外学者[12～18]对支持向量机（SVM）及其组合模型在建筑、交通及电力等领域的应用做了许多研究工作；另外一些学者[19，20]对基于MIV-SVM 模型进行了专题的分析。然而，结合对CNKI 等相关文献的研究发现：近些年来，国内外学者在混凝土结构损伤机理及其质量控制和智能算法在建筑工程质量控制中的应用等方面进行了大量的研究，而对有关SVM 模型在建筑工程质量控制方面应用的研究文献却相对较少，特别是MIV 算法结合SVM 的回归预测与敏感性分析模型在混凝土结构工程质量控制方面的应用研究尚未有文献涉及。另一方面，由于SVM模型参数的选择既要考虑科学性又要满足工程实际的应用性等要求，因此，模型参数的科学合理选择将直接影响SVM 模型的应用效果。就目前研究来看，应用FMEA 技术与SPSS 软件结合AHP 决策方法对SVM 模型参数进行综合优选方面的研究资料还未有显示。因此，本文结合工程实例，通过MIV-SVM 模型在混凝土结构工程质量控制中的应用研究，为创建工程质量的智能动态管控新模式提供新的思路与方法，对智能算法模型在建筑工程质量控制中的推广应用具有重要的指导与参考价值。

1 MIV-SVM 模型

1.1 SVM 基本原理

20 世纪90 年代初，Vapnik 等提出了一种被广泛应用于数据分类和模式识别及回归预测等方面的专门用于解决小样本和小概率事件的支持向量机（SVM）学习方法。SVM 常用的实现函数是RBF核函数，通过核函数来处理样本空间中高度非线性的分类与回归等难题，核函数参数的选择也将影响SVM 模型的仿真效果。由于SVM 模型具有其学习效率高及模型性能好和泛化能力强等良好特性，因此，本文应用SVM 模型对项目混凝土结构工程施工过程质量进行预测分析和研究（见图1）。

1.2 MIV 算法

研究显示，当训练好的SVM 模型输入变量受到干扰时，其权值会产生波动，进而导致SVM 模型的输出结果也将发生变化，因此，根据灵敏度分析原理就可以精确地分析这种变化及其影响，从而确定SVM 模型输入变量对输出变量的影响大小。MIV（平均影响值）被应用于评判SVM 模型中输入变量对输出结果影响力的评价指标之一，MIV 值的符号表示相关方向，绝对值的大小代表该输入变量对SVM模型输出结果影响程度的相对大小。MIV算法的具体分析流程如图2 所示。

2 质量评价指标体系构建方法

2.1 工程质量控制点辨识

应用FMEA（故障模式与影响分析）进行质量控制点辨识的基本思路是：

（1）对项目混凝土结构工程进行WBS 分解，分析施工工序确定施工流程，并对施工过程中可能出现的质量缺陷进行识别，分析质量缺陷产生的影响和后果的严重程度（S），并赋分值1～10。

（2）采用鱼骨图对潜在质量缺陷发生的原因及机理进行深入分析，将每个造成质量缺陷的起因所衍射出来的控制方式和解决对策进行归纳整理，并对质量缺陷的起因或机理发生的频度（O）进行评分，取值1～10。

（3）根据现行规范、规程等对质量缺陷的检验方法进行分析，并对反映缺陷检测难易程度的检测度（D）按检测的难度由小到大赋分值1～10。

（4）计算风险优先数RPN（RPN=S×O×D），RPN值越大，说明质量缺陷产生的后果越严重，需要将其视为质量的关键控制点，采取相应的预防与控制措施，以尽量减小RPN值，并通过工程质量趋势的智能预测仿真、过程检查，实时更新和完善质量风险管控措施知识库等手段，达到质量风险的动态预控目标。

2.2 质量评价指标筛选

为使通过FMEA 分析得出的质量控制点更好地符合混凝土结构工程质量评价的实际情况，从通过FMEA 分析得到的潜在质量缺陷模式按照RPN值从大到小排序，选取若干采取措施后的RPN值排前的潜在质量缺陷模式作为质量控制点，并将其作为混凝土结构工程质量控制效果的初选指标；然后，对各初选指标以调查问卷的形式，通过SPSS统计分析软件，应用其描述性统计分析等功能对初选的指标实施筛选及检验，以最终建立项目混凝土结构工程的质量评价指标体系。

2.3 指标体系构建及其指标分析

通过对项目混凝土结构工程质量初选评价指标的筛选及检验的分析研究，参照相关规范分项工程的划分思路，以项目混凝土结构工程质量的综合总体评价为总目标，根据AHP 方法原理从上至下按照目标层、一级指标层和二级指标层构建项目混凝土结构工程质量评价指标体系的三级层次分析结构模型，并在进行SVM 模型仿真分析应用之前，运用AHP 多指标优化决策分析方法对构建的三级层次分析结构模型中各级指标按照图3 所示的步骤进行AHP 分析计算，最后计算出指标体系中各评价指标的权重，为后续SVM 质量预测模型的数值仿真提供样本数据。

图3 AHP 分析步骤图

3 实例应用及分析

3.1 项目简介

广州某南沙科研基地项目（一期）工程是省市重点工程。该项目占地约100亩，主要由工程研究中心（1号楼，19F）、研发中心（5号楼，9F）、员工食堂和会议中心（11号楼，2F）、地下室（2F）等建筑组成，总建筑面积：7.16万m2，钢筋砼框剪或框架结构体系，其中：砼：C30～C55，钢筋：HPB300、HRB400E。高支模最大高度为12m。

该项目为创省优和鲁班奖工程，施工工期短、质量要求高，并具有工艺复杂、工序繁多、交叉作业面广，分包协调管理内容多，以及大跨度、大体积混凝土、高支模施工等特点，同时，施工期间还经历雨水、台风季节，对施工过程中砼结构工程质量的控制非常不利，因此，科学做好项目混凝土结构工程的质量控制工作是实现工程创优质量目标的关键所在。

3.2 建立质量评价指标体系

3.2.1 工程质量评价指标初选

根据FMEA 分析的方法与原理，本文根据广州某南沙科研基地项目（一期）工程的具体情况，结合类似项目的工程资料，应用FMEA 技术对该项目中混凝土结构工程施工过程可能产生的质量缺陷的机理或原因及影响后果进行分析研究，得到52个潜在质量缺陷模式，从中选取采取措施后的RPN值较大的前20 个潜在质量缺陷模式作为项目混凝土结构工程的质量控制点，并将其作为反映该项目混凝土结构工程质量控制效果的初选评价指标，采取调查问卷的方式通过SPSS 软件对初选的20 个质量评价指标进行筛选检验。即通过项目微信群向群内建设、施工、监理单位的技术与管理专家发出调查问卷130 份，已回收116 份，有效110 份，回收率89.2%，有效率84.6%，说明本次调查问卷的有效性很高。然后应用SPSS22.0 软件对调查问卷进行数据分析，结果如表1 所示。

表1 质量评价指标调查问卷描述性统计分析结果

表1 中，均值越大表示专家对初选评价指标的重要性评分越高，而变异系数越小说明专家对初选评价指标的重要性评价意见越一致。因此，“模板刚度及严密性”“钢筋成品保护”和“不同强度等级混凝土浇捣”“混凝土施工缝处理”的均值小于3，且变异系数均大于0.25，说明专家对上述4 项指标的评价意见分歧较大，初选指标不符合适用性。结合专家的意见，将表1 中均值大于3，变异系数小于0.25 的16 个初选指标最终确定为项目混凝土结构工程质量的评价指标。另外，通过表1 可知，平均值大于3.5 的评价指标占所有评价指标的比重为87.5%，说明表1 中的初选指标能够有效地评价项目混凝土结构工程施工质量的控制情况，初选指标的筛选结果可信度大。

为确保调查问卷结果的可靠及稳定性，本文通过SPSS22.0 计算Cronbach’s α 系数为0.880>0.7，说明调查问卷真实可靠；通过计算KMO=0.843>0.7、Bartlett 检验Sig.=0.000，表明调查问卷效度很好。

3.2.2 建立指标体系及指标分析

经过上述初选确定的16 个评价指标，参照混凝土结构工程相关施工规范中分项工程的划分思路，本文按照模板、钢筋及混凝土（含现浇结构）工程和技术管理4 个维度构建混凝土结构工程质量评价指标体系三级层次分析结构模型，并参照混凝土结构工程质量评价的相关标准，邀请项目负责人及技术负责人和项目总监及项目建设、施工、监理单位及政府监督部门中10 名具有类似项目工作经验的技术专家，根据构建的项目混凝土结构工程质量评价指标三级层次分析结构模型构造的判断矩阵，按照1～9 标度法两两比较对判断矩阵赋值，并按图3 所示步骤进行AHP 分析。为实现AHP 分析计算，本文把专家对各判断矩阵评价指标数据输入到通过Matlab 平台编制好的计算程序中，计算各指标权重，并完成一致性验证。

通过图4 所示的程序计算，就可以得出如表2所示的项目混凝土结构工程质量评价指标的单权重（单排序权重）及总权重（总排序权重）。

图4 Matlab 主程序界面截图

3.3 学习样本

本文根据表2 所示项目混凝土结构工程质量评价指标体系中各指标的权重制定《混凝土结构工程质量评价指标评分标准》，并邀请5 位建筑工程专业技术专家对表2中项目混凝土结构工程质量的16个二级评价指标进行量化评分（各项评价指标评分取5 位专家平均值作为最终评分结果），并按权重计算出项目混凝土结构工程质量量化考核的最终综合总评分，以形成项目混凝土结构工程质量的量化考核评分数据库。然后，选取项目混凝土结构工程质量量化考核评分中的80 组指标评价数据作为学习样本数据，用于MIV-SVM 预测模型的仿真分析研究。

表2 单排序及总排序权重计算结果

3.4 MIV-SVM 模型数值仿真

3.4.1 SVM 模型训练与验证

为消除样本数据的差异性影响，本文从80 组样本数据随机选60 组作为训练样本，余下20 组为测试样本，通过Matlab 平台应用libsvm 软件，将16 个混凝土结构工程质量二级评价指标（C1～C16）数据作为支持向量机SVM 模型的输入变量，计算得到的项目质量考核综合总评分值作为输出变量，建立SVM 模型，采用RBF 核函数进行模型仿真，其结果如图5 所示。

图5 SVM 模型仿真结果

从图5 可以观察到，SVM 模型中混凝土结构工程质量的预测值在实际评价结果的真实值之间跳动，其预测结果观察值基本与真实值重合，因此，模型的训练集样本和测试集样本的混凝土结构工程质量的预测值与实际值之间拟合效果良好，表明本文构建的SVM模型具有良好的训练和测试性能；图5 中均方差为mse=0.0023733，说明模型训练数据集拟合较好；而模型测试样本模拟的均方差mse=0.0061917，表明预测结果与真实值比较一致。另外，从图5 的模型训练结果中R2为0.99083，测试结果中R2为0.95156 知，相关系数（R2）均大于0.8，说明模型拟合度高，精度好。

为了对SVM 的模型性能进行评价，以确定SVM 模型是否较其他智能算法模型在混凝土结构工程质量预测方面更具有优越性，本文选择SVM模型与目前在工程中被广泛成熟应用的BP 神经网络模型进行模型性能的评价，从图5（b）与图6 的SVM 与BP 模型的测试集预测结果得出：SVM 模型mse=0.0061917BP 神经网络R2=0.82784，因此，SVM 和BP 两种模型都具有良好的泛化能力，且预测精度误差均满足工程要求，但从考察两模型回归预测效果的均方差和相关系数两参数来看，SVM 模型的预测效果更优于BP 神经网络模型。

图6 BP 神经网络预测结果

通过以上SVM质量预测模型的仿真分析表明：应用“基于风险思维的FMEA 技术确定工程质量评价的初选指标→采取调查问卷，通过SPSS 软件进行筛选→运用AHP 对构建的混凝土结构工程质量评价指标体系进行多指标优化决策”的综合优选方法确定的SVM 模型参数，能够合理有效地反映混凝土结构工程施工过程质量控制特征及输入输出关系，为智能算法模型参数的科学合理选择和提高模型的预测效果提供了新的技术路径。同时，基于SVM 智能算法的混凝土结构工程质量智能控制模型，可以快速追踪及动态控制工程施工质量，对提高工程质量的预控能力、降低质量风险等方面都具有重要的指导意义和应用价值。

3.4.2 MIV 敏感性分析

按照MIV 的分析流程，应用MIV 算法将已经训练好的SVM 模型中各敏感性输入指标（即二级评价指标C1～C16）的每个评价指标数据值，分别增加或减少10%，形成2 组新的学习训练样本，通过Matlab R2018b 平台编程进行计算分析，就可以得到SVM 模型各敏感性输入指标的MIV 计算值及重要性排序，其计算结果如表3 所示。

表3 各敏感性输入指标MIV 值及排序表

从表3 中各敏感性输入指标的MIV 绝对值由大到小的排序结果可以看出：影响混凝土结构工程质量的前10 个敏感性评价指标分别是：C9、C4、C11、C5、C8、C13、C1、C10、C12、C7，即以上10个关键质量控制点是影响混凝土结构工程施工质量的主要环节。所以，在项目混凝土结构工程的质量控制过程中，需对这10 个关键环节进行重点控制，有目的地制定科学精准的具体控制措施，以确保混凝土结构工程的施工质量，提高质量控制的效果。

另外，还可以按照敏感性分析方法，对混凝土结构工程质量进行动态敏感性分析。其方法是：通过动态采集项目混凝土结构工程质量评价指标的量化评价数据，实时调整基于MIV-SVM 的敏感性分析模型的输入指标参数，从而得到动态的仿真结果，就可以直观地观测和分析影响混凝土结构工程质量的各敏感性输入指标的大小及方向，进而对混凝土结构工程质量实施动态控制与管理。

综上研究，通过基于MIV-SVM 模型的敏感性分析得出的模型输入指标的MIV 绝对值排序，为项目混凝土结构工程合理地选择关键质量控制点提供了数据支持，同时，也有效地解决了主观盲目选择混凝土结构工程施工过程关键质量控制点的问题，使得在混凝土结构工程质量控制过程中，能够针对性地对这些关键质量控制点制定科学有效的控制措施，实施精准的预控管理。同时，应用基于SVM 模型的动态敏感性分析技术，还可以及时准确地对混凝土结构工程质量实施动态智能控制。

4 结语

本文阐述的应用FMEA-SPSS-AHP组合工具建立的综合优选方法为智能算法模型参数的科学合理选择提供了新的方法，同时，通过智能算法模型与工程质量控制理论的融合集成，拓展了工程质量控制技术的应用研究领域，丰富了混凝土结构工程质量控制的理论体系。基于MIV-SVM 算法构建的以智能控制为核心的混凝土结构工程质量控制模型的应用，对工程质量实施智能化预控管理、创建工程质量智能动态管控新模式、降低混凝土结构工程质量风险，提升工程质量的控制效能等方面都具有现实的应用价值。