基于机器学习的现浇钢筋混凝土结构质量评价.pdfVIP

摘要

近年来我国工程建设行业不断发展，但工程质量问题仍时有发生，不但会

造成经济损失，严重的工程质量问题甚至会危及群众生命安全。由于影响工程

质量的不确定因素较多，影响机制复杂，传统的工程质量评价方式往往需要大

量专家连续实地跟踪监督、收集数据、参与检查评分，其评价过程效率较低，

过程中对结果预测精确度不高，时间和人力成本耗费非常大。

机器学习可以有效利用过去以来企业积累的大量工程质量评价数据，直接

挖掘数据内部的映射关系，从而建立精确、稳定的工程质量评价模型，达到提

高效率、降低成本的目的。本文的最终目标即是以现浇钢筋混凝土结构为例，

利用机器学习设计一种精准、高效、节约的质量评价方法。

本文的主要工作可以归纳为下几点：首先，以对建设工程中最常见也是最

基础的现浇钢筋混凝土结构进行质量评价作为示例，以根据“4M1E”五大质量

影响因素选取的评价指标为模型参数输入，以国家现行建设工程施工质量评价

标准得出的工程实体质量评分为模型期望输出，设计出了一种基于机器学习的

现浇钢筋混凝土结构质量评价方法；然后，为了降低由于不同机器学习方法对

不同数据适应性存在差异导致在工程实际应用中引起的误差，分别利用随机森

林、支持向量机、极端梯度提升三种机器学习方法进行工程质量评价模型训练，

通过网格搜索和10折交叉验证法调整各模型超参数，以此为基础比选出最佳工

程质量评价模型，并且通过了模型测试。最后，使用SHAP方法对比选出的最

优机器学习模型进行解释，给出了该模型在全样本数据下的特征重要性排序和

SHAP分布，以及个体样本数据的不同特征对于工程质量评价的正负方向影响

和影响程度大小，在一定程度上解决了常规机器学习模型的“黑盒子”问题，

提高了模型评价结果的可理解性和可信性。

结果表明：经过验证，基于机器学习的现浇钢筋混凝土结构质量评价模型

能够快速有效的对工程实体质量评分做出预测，在三种机器学习方法训练调试

比较后，极端梯度提升方法表现最优，预测值的相对偏差绝对值小于5%，可以

应用到实际工程质量评价工作中去；同时，利用SHAP方法对极端梯度模型的

预测结果进行解释，能够在全局的特征影响趋势和单个样本的特征定量贡献两

方面进行分析，可以为工程管理者提供更为直观与可信的管理优化对策建议。

关键词：现浇钢筋混凝土，机器学习，质量评价，质量预测

ABSTRACT

Inrecentyears,Chinasengineeringconstructionindustryhasbeendeveloping

continuously,butengineeringqualityproblemsstilloccurfromtimetotime,whichwill

notonlycauseeconomiclosses,butalsocauseseriousengineeringqualityproblems

andevenendangerthelivesofthemasses.Becausetherearemanyuncertainfactors

affectingtheprojectqualityandtheimpactmechanismiscomplex,thetraditional

projectqualityevaluationmethodoftenrequiresalargenumberofexpertsto

continuouslytrackandsupervise,collectdata,andparticipateintheinspectionand

scoring.Theevaluationprocessisinefficient,theaccuracyofthepredictionofthe

resultsisnothigh,andthecostoftimeandmanpowerisveryhigh.

Machinelearningcaneffectivelyusealargeamountofproject