橡膠充氣芯模成孔施工技術(shù)是混凝土填料施工技術(shù)的一種，橡膠充氣芯模(氣囊)可重復(fù)多次使用，具有使用方便，工藝操作簡(jiǎn)單，節(jié)能環(huán)保等優(yōu)點(diǎn)。本文是一篇工程師論文范文，主要論述了橡膠充氣芯模混凝土填料工程工期預(yù)測(cè)研究。

　　摘要： 根據(jù)橡膠充氣芯模混凝土填料施工的特點(diǎn)，詳細(xì)分析了影響其工期的因素，結(jié)合支持向量回歸機(jī)(SVR)和粒子群算法(PSO)的優(yōu)點(diǎn)，建立基于PSO-SVR的橡膠充氣芯模混凝土填料工程工期預(yù)測(cè)模型。通過對(duì)某選煤廠混凝土填料施工的數(shù)據(jù)進(jìn)行仿真，結(jié)果顯示：PSO-SVR模型的預(yù)測(cè)效果優(yōu)于基于交叉驗(yàn)證的支持向量回歸機(jī)(CV-SVR)模型以及基于遺傳算法的支持向量回歸機(jī)(GA-SVR)模型。

　　Abstract： According to the construction characteristics of concrete filling engineering using inflatable rubber mandrel， this paper analyzes the factors affecting project duration and it establishes a duration forecasting model based on PSO-SVR， which integrates the advantages of support vector regression and particle swarm optimization algorithm. Data of the concrete filling construction of a coal preparation plant is simulated. The results show that forecast effect on the PSO-SVR model is better than that of CV-SVR model and GA-SVR model.

　　關(guān)鍵詞： 橡膠充氣芯模,粒子群算法,支持向量回歸機(jī),工期預(yù)測(cè)

　　Key words： inflatable rubber mandrel;Particle swarm optimization algorithm;support vector regression;duration forecast

　　中圖分類號(hào)：TU722 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311(2016)04-0070-03

　　0 引言

　　進(jìn)度是項(xiàng)目管理的主控目標(biāo)之一，編制進(jìn)度計(jì)劃是進(jìn)度管理的重要內(nèi)容，將工期預(yù)測(cè)的結(jié)果作為進(jìn)度計(jì)劃編制的理論依據(jù)，可以提高施工進(jìn)度計(jì)劃的有效性，因此預(yù)測(cè)橡膠充氣芯模混凝土填料工程的工期對(duì)進(jìn)度管理具有重要意義。

　　傳統(tǒng)的工期預(yù)測(cè)方法考慮因素不全面，隨意性較大，而人工智能算法雖然克服了隨意性，但在處理小樣本的非線性問題時(shí)，精度不高。針對(duì)這些問題，本文結(jié)合SVR處理非線性問題的能力及PSO算法的全局優(yōu)化特點(diǎn)，建立基于PSO-SVR的施工工期預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)小樣本的非線性問題快速、精確的預(yù)測(cè)。

　　1 橡膠充氣芯模填料施工工期的影響因素

　　橡膠充氣芯模填料工程是按施工工藝劃分的橋梁、煤倉(cāng)等施工的一個(gè)分項(xiàng)工程，其施工工藝流程：支設(shè)封頭模板→氣囊固定→氣囊充氣→氣囊加固→混凝土澆筑→錨筋安裝→放氣抽芯模→封頭模板拆除，重復(fù)工序至填充料施工完成。本文結(jié)合橡膠充氣芯模混凝土填料工程施工的特點(diǎn)，對(duì)影響其工期的因素進(jìn)行了分析。

　　1.1 影響因素分析

　　1.1.1 填充體積

　　高度和底面積是決定填充體積Q1的重要指標(biāo)。在采用橡膠充氣芯模分層成孔的混凝土填料方案下，上層氣囊的固定、充氣、加固操作需要在下層混凝土達(dá)到一定強(qiáng)度之后進(jìn)行，不同填充高度，施工所分層數(shù)也不同，從而其間歇時(shí)間不同;另外，在施工組織方式相同的情況下，不同長(zhǎng)度或?qū)挾鹊奶畛鋮^(qū)域所需施工工期也會(huì)不同。

　　1.1.2 孔隙率

　　孔隙率與澆筑混凝土量的關(guān)系為：p=1-，其中：p，Q2分別為孔隙率和澆筑混凝土量。由上述公式可以看出，孔隙率直接影響澆筑混凝土量，因此孔隙率是影響施工工期的重要因素。

　　1.1.3 工人熟練程度

　　工人操作的熟練程度與施工工期呈負(fù)相關(guān)關(guān)系，在其他條件均相同的前提下，工人操作的熟練程度越高，工期越短。

　　1.1.4 工作環(huán)境

　　天氣、施工工作面等工作環(huán)境影響著施工現(xiàn)場(chǎng)進(jìn)度計(jì)劃的執(zhí)行。例如，對(duì)于采用橡膠充氣芯模技術(shù)進(jìn)行混凝土填料的施工，施工工作面的大小直接影響放置、加固橡膠氣囊的進(jìn)度;另外，在使用水泥品種、摻用外加劑等相同的情況下，環(huán)境的相對(duì)濕度對(duì)所需的混凝土養(yǎng)護(hù)時(shí)間影響較大[5]。

　　1.1.5 組織管理能力

　　組織管理能力是施工項(xiàng)目順利完成的保證，施工人員的部署、材料供應(yīng)情況、機(jī)械設(shè)備的使用安排、與其他相關(guān)方的協(xié)調(diào)溝通能力等，均是施工項(xiàng)目能否按時(shí)完成的影響因素。例如，若混凝土供應(yīng)不及時(shí)將直接導(dǎo)致混凝土填料工期的拖延。

　　1.1.6 氣囊破損率

　　氣囊破損率是影響施工工期的重要指標(biāo)。若氣囊破損，則需采取更換或修補(bǔ)等措施，以保證下道工序的正常進(jìn)行，進(jìn)而影響施工進(jìn)度。

　　1.2 量化處理

　　填充體積、孔隙率和氣囊破損率是按照現(xiàn)場(chǎng)的實(shí)際情況來取值;工人的熟練程度分3個(gè)等級(jí)：高、中、低，其隸屬度分別取0.8、0.5、0.1;工作環(huán)境主要從天氣、施工工作面等方面綜合考慮并將其分為3個(gè)等級(jí)，分別為1、2、3，數(shù)字越大表示工作環(huán)境越惡劣;組織管理能力由現(xiàn)場(chǎng)施工人員打分確定。

　　2 建立PSO-SVR預(yù)測(cè)模型

　　SVR預(yù)測(cè)模型的基本思想是在SVM的基礎(chǔ)上，引入一個(gè)合適的損失函數(shù)，再通過非線性映射?準(zhǔn)，即引入合適的核函數(shù)，實(shí)現(xiàn)空間Rn的非線性問題向高維特征空間H線性問題的轉(zhuǎn)化[6]。 　　2.1 損失函數(shù)

　　常用的損失函數(shù)有：Guass二次函數(shù)、Laplace最小模函數(shù)、Huber函數(shù)和ε-不敏感函數(shù)，不同損失函數(shù)可得到不同的SVR模型，但只有ε-不敏感函數(shù)才能使得到的支持向量(SV)具有稀疏性，其他三種損失函數(shù)得到的支持向量個(gè)數(shù)基本等于樣本個(gè)數(shù)[7]，因此本文采用ε-SVR模型。

　　ε-SVR預(yù)測(cè)問題可以表達(dá)如下：

　　給定訓(xùn)練集：T={(xi，yi)，i=1，2，…，l}，其中(xi，yi)為樣本的輸入輸出對(duì)，xi∈Rn，yi∈R。

　　構(gòu)造回歸預(yù)測(cè)函數(shù)：

　　式中，C為懲罰參數(shù)，反映了算法對(duì)超出ε管道的樣本數(shù)據(jù)的懲罰程度，?孜i，?孜*i為非負(fù)松弛變量。式(3)為線性ε-SVR的凸二次優(yōu)化問題，引入拉格朗日函數(shù)，將其轉(zhuǎn)換為如下的對(duì)偶問題：

　　2.2 核函數(shù)

　　根據(jù)Mercer條件存在映射Φ和核函數(shù)K(xi，xj)=Φ(xi)×Φ(xj)，通過核函數(shù)代替式(5)的內(nèi)積運(yùn)算，使空間Rn的非線性問題轉(zhuǎn)化為高維特征空間H的線性問題，得到回歸預(yù)測(cè)函數(shù)：

　　核函數(shù)的選擇直接影響SVR模型的預(yù)測(cè)效果，常用核函數(shù)的類型見表1。

　　根據(jù)前人的多項(xiàng)研究和實(shí)驗(yàn)結(jié)果表明，選取RBF核函數(shù)效果最優(yōu)[8]。因此本文選擇RBF為核函數(shù)，從而得到最終的回歸函數(shù)為：

　　2.3 PSO算法進(jìn)行參數(shù)優(yōu)化

　　PSO算法是由Kenney等人于1995年提出的一種智能優(yōu)化算法，其具有較強(qiáng)的全局優(yōu)化能力。采用粒子群算法對(duì)SVR模型的(ε、C、?酌)參數(shù)進(jìn)行尋優(yōu)，可以降低模型的復(fù)雜度，提高預(yù)測(cè)精度[9-10]。優(yōu)化步驟如下：

　　①初始化粒子群(ε，C，?酌)，確定群體規(guī)模，設(shè)定加速常數(shù)c1和c2，最大迭代次數(shù)Gmax，并將當(dāng)前進(jìn)化代數(shù)置為t=1。

　　②每個(gè)粒子的個(gè)體極值Pbest設(shè)置為其當(dāng)前位置，計(jì)算出其適應(yīng)度，記適應(yīng)度最好的粒子為最初全局極值Gbest。

　　③用公式(8)對(duì)每一個(gè)粒子的速度和位置進(jìn)行更新，產(chǎn)生新種群。

　　④評(píng)價(jià)每個(gè)粒子的適應(yīng)度，如果當(dāng)前值比Pbest更優(yōu)，則將當(dāng)前值設(shè)置為該粒子的個(gè)體極值。比較更新后所有的Pbest與種群最優(yōu)值Gbest，若存在Pbest優(yōu)于Gbest，則將其設(shè)置為全局極值。

　　⑤檢驗(yàn)是否滿足終止條件。若達(dá)到了最大迭代次數(shù)或解不再更新，則停止迭代，尋優(yōu)結(jié)束;否則，轉(zhuǎn)至③。

　　3 實(shí)例分析

　　某選煤廠煤倉(cāng)廊道間的填充，以及漏斗找坡時(shí)均采用了橡膠充氣芯模成孔施工工藝，本文收集了其施工數(shù)據(jù)作為樣本進(jìn)行了預(yù)測(cè)，樣本原始數(shù)據(jù)見表2。

　　3.1 數(shù)據(jù)的預(yù)處理

　　由于原始數(shù)據(jù)的大小差距較大，為了提高預(yù)測(cè)的精度，需要進(jìn)行數(shù)據(jù)的預(yù)處理，本文通過公式0.7+0.15，對(duì)數(shù)據(jù)進(jìn)行歸一化處理[11]。

　　3.2 PSO-SVR預(yù)測(cè)

　　將PSO-SVR預(yù)測(cè)模型在MATLAB(2010b)平臺(tái)上實(shí)現(xiàn)，以前10組數(shù)據(jù)為訓(xùn)練集，后5組數(shù)據(jù)為測(cè)試集進(jìn)行預(yù)測(cè)，并對(duì)比CV-SVR、GA-SVR預(yù)測(cè)結(jié)果，預(yù)測(cè)情況如圖1和表3所示。

　　3.3 預(yù)測(cè)結(jié)果分析

　　通過圖1和表3可以看出：

　　①PSO-SVR模型、CV-SVR模型以及GA-SVR模型的擬合和預(yù)測(cè)能力均良好，且各模型訓(xùn)練集平均誤差均小于測(cè)試集平均誤差，表明其擬合能力均優(yōu)于預(yù)測(cè)能力。

　　②PSO-SVR模型的均方差分別比GA-SVR模型與CV-SVR模型小0.002和0.0076，表明PSO-SVR模型預(yù)測(cè)值與實(shí)際值的偏差小于GA-SVR模型與CV-SVR模型;PSO-SVR模型的相關(guān)系數(shù)均比GA-SVR模型與CV-SVR模型高0.0084和0.0164，表明PSO-SVR模型預(yù)測(cè)值與實(shí)際值的關(guān)聯(lián)程度高于GA-SVR模型與CV-SVR模型;PSO-SVR模型的平均誤差均比GA-SVR模型與CV-SVR模型小2.44%和5.9%，表明PSO-SVR模型的預(yù)測(cè)精度高于GA-SVR模型與CV-SVR模型。因此，PSO-SVR模型預(yù)測(cè)效果優(yōu)于GA-SVR與CV-SVR模型。

　　4 結(jié)論

　　本文結(jié)合SVR算法的非線性處理能力和PSO算法的參數(shù)優(yōu)化能力，建立基于PSO-SVR的工期預(yù)測(cè)模型。實(shí)例表明，該模型的預(yù)測(cè)效果從預(yù)測(cè)偏差、關(guān)聯(lián)程度、預(yù)測(cè)精度三個(gè)方面均優(yōu)于GA-SVR與CV-SVR模型，是進(jìn)行工期預(yù)測(cè)的有效方法。本文的研究為橡膠充氣芯模混凝土填料工程的工期預(yù)測(cè)提供了一種方法，有助于現(xiàn)場(chǎng)施工進(jìn)度計(jì)劃的編制，促進(jìn)今后類似工程項(xiàng)目的有效管理。

　　參考文獻(xiàn)：

　　[1]謝利紅，李景芳.充氣橡膠芯模在高架橋施工中的應(yīng)用[J]. 建筑技術(shù)，2000，08：546-547.

　　[2]Demiroluk， Sami，Ozbay， Kaan.Adaptive learning in bayesian networks for incident duration prediction[J].Transportation Research Record 2014：77-85.

　　[3]宋晶光.工程項(xiàng)目工期預(yù)測(cè)的未確知模型[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2012，20：1-6.

　　[4]單汨源，汪玉，吳娟.基于雙重優(yōu)化GM(1.1)模型的MC多項(xiàng)目進(jìn)度預(yù)測(cè)研究[J].科學(xué)技術(shù)與工程，2007，19：4980-4984.

　　[5]丁德勝，劉興斌，李明，周成偉.先張法預(yù)應(yīng)力空心板制作工藝與質(zhì)量控制[J].工業(yè)建筑，2011，S1：902-906.

　　[6]陳培友，劉璐.基于PSO-SVR模型的能源需求預(yù)測(cè)[J].經(jīng)營(yíng)與管理，2014，03：85-87.

　　[7]楊虞微，左洪福，陳果.支持向量機(jī)時(shí)間序列預(yù)測(cè)模型的參數(shù)影響分析與自適應(yīng)優(yōu)化[J].航空動(dòng)力學(xué)報(bào)，2006，04：767-772.

　　工程師論文發(fā)表期刊推薦《內(nèi)江科技》創(chuàng)刊于1980年，是經(jīng)國(guó)家新聞出版總署和國(guó)家科技部批準(zhǔn)國(guó)內(nèi)外公開發(fā)行的綜合性科技雜志。本刊的作者主要為高校教師、科研機(jī)構(gòu)人員和大中型企業(yè)科技人員等。本刊堅(jiān)持“弘揚(yáng)學(xué)術(shù)，傳播文化，創(chuàng)新理論，服務(wù)社會(huì)”的辦刊宗旨，緊隨時(shí)代潮流，引領(lǐng)理論前沿，啟迪學(xué)術(shù)新知，服務(wù)經(jīng)濟(jì)與社會(huì)發(fā)展。