基于机器学习算法的建筑物健康状态识别

张培培 南江萍 王昭

摘要：为了提高建筑物健康状态识别结果，提出一种基于机器学习算法的建筑物健康状态检测方法。首先分析建筑物健康状态的识别流程，找到影响建筑物健康状态识别效果的因素，然后从中选择主要的影响因素进行建筑物健康状态识别建模，并引入机器学习算法描述建筑物健康状态与影响因素之间的内在联系，建立建筑物健康状态识别模型，最后采用具体建筑物健康状态识别实例分析了该方法的有效性和优越性，对建筑物健康状态识别率平均值超过92%，而当前经典方法的建筑物健康状态识别率没有超过90%，且识别速度更快，具有更好的实际应用价值。

关键词：建筑物;健康状态类型;机器学习算法;影响因素;应用实例

中图分类号：TP181

文献标志码：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

隨着改革开放的不断深入，我国国民经济水平得到了大幅度提升，各大城市出现了许多大型建筑物，但是随着建筑物使用寿命的不断延长，以及受到天气、气候、振动、外界力的作用，建筑物倒塌事故时有发生，建筑物的安全问题已成为重大的社会问题[12]。建筑物健康状态识别可以帮助人们及时、客观、科学的提前了解建筑物健康状态发生态势，根据建筑物健康状态制定相应的保护措施，可以减少建筑物倒塌事故发生机率，因此建筑物健康状态识别势在必行，具有重大的社会经济效益[3]。

为了提高建筑物健康状态识别结果，提出一种基于机器学习算法的建筑物健康状态检测方法，并且采用具体建筑物健康状态识别实例分析了其有效性和优越性。

1建筑物健康状态识别的研究进展

上世纪80年代，一些西方发达国家就提出了建筑物健康状态识别概念，将建筑物健康状态识别看作是一个时序数据分析问题，对延长建筑物使用寿命起着积极的作用，国内对建筑物健康状态识别研究相对较晚，但是近年来，随着我国科技和经济发展，建筑物健康状态识别研究技术发展迅猛，已经提出了许多有效的建筑物健康状态识别方法[46]。当前建筑物健康状态识别方法可以划为两类：一类是基于时间序列的建筑物健康状态识别方法，另一类是基于分类技术的建筑物健康状态识别方法，其中第一类方法认为建筑物健康状态在时间上有一定的内在关联性，根据当前的建筑物健康状态对未来的建筑物健康状态进行估计，但是该类方法需要的建筑物健康状态历史数据量比较大，如果不能满足该要求，那么建筑物健康状态识别效果极差[79];第二类方法是将建筑物健康状态识别问题看作是一种多分类问题，即将建筑物健康划为多种状态，主要有人工神经网络的建筑物健康状态识别方法，但是它们在实际应用中存在一定的局限性，如人工神经网络的收敛速度慢，需要经过很多次迭代才能达到稳定状态，使得建筑物健康状态识别结果不稳定，可靠性差，支持向量机的建筑物健康状态识别正确率虽然很高，但是建筑物健康状态识别过程十分复杂，计算时间复杂度高，识别效率极低，无法满足建筑物健康状态识别的在线要求[1012]。

2基于机器学习算法的建筑物健康状态识别方法

2.1影响建筑物健康状态的因素

每一个专家对影响建筑物健康状态的因素建立标准是不一样的，本文从影响因素对建筑物健康状态识别的敏感性、敏感程度、状态识别能力3个方向对建筑物健康状态的因素体系进行构建，具体影响建筑物健康状态的因素为：抗震能力、温度、位移、应变力、挠度、材料老化程序、使用时间、倾斜度等，同时将建筑物健康状态划分5类，采用专家打分的方式设定计分标准，如表1所示。

2.2主要建筑物健康状态影响因素的选择方法

由于每一种建筑物健康状态的影响因素之间有一定的差别，因此本文引入蚁群优化算法对主要的建筑物健康状态影响因素进行选择，设有d个建筑物健康状态影响因素，它们表示蚂蚁初始位置，即：Xi={xi1，xi2，…，xid}，那么初始信息素为：Δτ（i）=exp（-f′（xi）），若f（Xi）>0，Δτ（i）∈（0，1]，若f（Xi）无限大，那么信息素浓度会接近零，所以对其进行修正处理，如式（1）。

f′（Xi）=

f（Xi）/avg，ifavg>avg0

f（Xi），otherwise（1）

当蚂蚁在完成一次搜索后，将信息素浓度最高的位置作为搜索目标，如式（2）。

Xobj=Xj，ifτ（Xi）

Xbest，otherwise（2）

式中，Xbest为当前最优位置。

所有蚂蚁在完成一次搜索后，对信息素进行全局更新，如式（3）。

τ（i+1）=（1-ρ）τ（i）+Δτ（i）（3）

式中，ρ为信息素挥发参数。

2.3机器学习算法

作为一种新型的机器学习，相对于BP神经网络，Elman神经网络的学习能力更强，且学习效率要优于支持向量机，为此本文选择Elman神经网络建立建筑物健康状态识别模型，Elman神经网结构如图1所示。

设u（k）、x（k）、xc（k）、y（k）分别表示输入、隐含层、承接层、输出层节点的向量，Elman神经网络的数学模型可以描述如式（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分别为输入层与隐含层、隐含层到输出层的权重矩阵;f（）和g（）分别为隐含层和输出层的传递函数。

2.4机器学习算法的建筑物健康状态识别步骤

Step1：采集建筑物健康状态的历史数据。

Step2：采集对建筑物健康状态有作用的影响因素数据。

Step3：采用蚁群优化算法从建筑物健康状态的影响因素中选择一些关键的影响因素。

Step4：将关键的影响因素和建筑物健康状态类型组成建筑物健康状态识别的训练样本集合。

Step5：采用Elman神经网络对建筑物健康状态识别的训练样本集合进行学习，拟合影响因素和建筑物健康状态类型之间的联系，建立建筑物健康状态识别模型。

3机器学习算法的建筑物健康状态识别性能的实例分析

3.1测试环境的参数设置

为了分析机器学习算法的建筑物健康状态识别效果，采用具体应用实例进行测试，同时在相同的测试环境下选择BP神经网络的建筑物健康状态识别方法、支持向量机的建筑物健康状态识别方法进行对照测试，它们的测试环境参数具体设置如表2所示。

3.2建筑物健康状态的历史数据

采集5种类型建筑物健康状态的历史数据，并对其中的无用数据进行剔除，同时采集影响建筑物健康状态的影响因素数据，由于幅度有限，文章只列出来5种建筑物健康状态的历史数据的数量，具体如表3所示。

3.3选择建筑物健康状态的关键影响因素

采用建筑物健康状态识别正确率为目标，采用蚁群优化算法对建筑物健康状态的影响因素进行选择，5个建筑物健康状态的关键影响因素数量如表4所示。

可以看出，不同的建筑物健康状态，其关键影响因素不一样，因此对建筑物健康状态影响因素进行选择是必要的，有利于后续的建筑物健康状态识别建模。

3.4建筑物健康状态识别结果与分析

统计机器学习算法、BP神经网络、支持向量机的建筑物健康状态检测正确率，结果如图2所示。

对图2的建筑物健康状态识别结果进行分析可以得到如下结论：

（1）BP神经网络、支持向量机的建筑物健康状态识别正确率均低于90%，这表明它们出现许多个建筑物健康状态识别样本点，使得建筑物健康状态识别错误率高于10%，无法有效的区别各种建筑物健康状态。

（2）机器学习算法的建筑物健康状态识别正确率均高于92%，相对于BP神经网络、支持向量机，机器学习算法的建筑物健康状态检测正确率得到了不同程度的提升，提高了建筑物健康状态识别成功率，能够有效的区别各种建筑物健康状态，建立了理想的建筑物健康状态识别模型。

统计所有方法的建筑物健康状态识别时间，结果如图3所示。

可以看出，机器学习算法的建筑物健康状态识别时间平均值为13.25ms;人工神经网络的建筑物健康状态识别时间平均值为28.42ms，支持向量机的建筑物健康状态识别时间平均值为16.24ms，由此可见，机器学习算法通过引入蚁群优化算法选择了影响建筑物健康状态识别的关键影响因素，使得建筑物健康状态识别时间得到了减少，建筑物健康状态识别速度更快，可以实现建筑物健康状态在线识别。

4总结

健康状态识别对延长建筑物的使用寿命十分重要，而影响建筑物健康状态的因素众多，当前方法无法高精度描述建筑物健康状态与影响因素之间的内在联系，使得建筑物健康状态误识率极高，无法满足建筑物实际应用的需求，针对当前建筑物健康状态识別效果差的难题，结合建筑物健康状态变化特点，提出了基于机器学习算法的建筑物健康状态识别方法，并采用相同的数据以及测试平台与其它方法进行了建筑物健康状态识别对照测试，结果表明本文方法的建筑物健康状态识别正确率要高于其它方法，不但减少了建筑物健康状态识别错误率，而且建筑物健康状态识别建模过程更加简单，计算的时间复杂度明显降低，加快了识别速度，是一种性能优异识别方法，为建筑物健康状态识别建模提供了一种有效的工具。

参考文献

[1]马焜阳，成毅，葛文，等.利用FasterRCNN自动识别建筑平面图功能构件的方法[J].测绘科学技术学报，2019，36（3）：311317.

[2]刘鹏程，林文辉，许小峰.一种傅立叶描述子支持下的建筑群模式识别方法[J].华中师范大学学报（自然科学版），2018，52（5）：750756.

[3]王淋，马力，于洋.基于复杂网络分析的绿色建筑项目关键风险研究[J].土木工程与管理学报，2018，35（6）：5056.

[4]吴锋波.城市轨道交通周边建筑风险管控现状模糊综合评判[J].桂林理工大学学报，2017，37（3）：501507.

[5]汪大洋，魏德敏.风振作用下高层建筑结构全寿命总费用的模糊综合评估研究[J].土木工程学报，2014，47（12）：98106.

[6]郭艳红，秦旋，林格.基于全生命周期的建筑节能多级模糊综合评价[J].建筑科学，2009，25（8）：915.

[7]刘定操，尚展垒.利用遥感图像对震损建筑结构变形检测的识别研究[J].地震工程学报，2019，41（5）：13801384.

[8]高英博，顾中煊，罗淑湘，等.能耗预测导向的建筑能耗异常数据识别与修复[J].科学技术与工程，2019，19（35）：298304.

[9]许博鸣，刘晓峰，业巧林，等.基于卷积神经网络面向自然场景建筑物识别技术的移动端应用[J].南京师范大学学报（工程技术版），2019，19（3）：3744.

[10]詹森，张景发，龚丽霞，等.基于纹理特征的高分辨率合成孔径雷达影像单体建筑物震害信息识别[J].科学技术与工程，2019，19（31）：4754.

[11]张凌，谭璇，宋冬梅，等.基于马尔科夫随机场的单时相震害影像受损建筑物识别方法[J].地震地质，2019，41（5）：12731288.

[12]宋廷强，李继旭，张信耶.基于深度学习的高分辨率遥感图像建筑物识别[J].计算机工程与应用，2020，56（8）：2634.

（收稿日期：2019.10.26）