127
2024.01
|（2）隐藏层：隐藏层是在输入层和输出层之间的一层或多层神经元。
它的主要作用是提取输入数据中的特征，通过非线性变换将输入数据映射
到一个高维特征空间中。（3）输出层：输出层是神经网络的最后一层，负责产生预测结果。输出层的神经元数量取决于问题的类型，比如二分类问题就只有一个输出神经元，多分类问题就有多个输出神经元。
（4）权重和偏置：神经网络中的每个神经元都有一个对应的权重和偏置值，它们控制着神经元之间的连接强度和偏移量。在
图1　BP 神经网络模型结构
128 | CHINA  HOUSING  FACILITIES
训练过程中，网络会自动调整这些权重和偏置值，以使得预测结果与实际结果之间的误差最小。
正则化是结构风险最小化策略的实现
（5）激活函数：激活函数是隐藏层和输出层中的每个神经元使用的非线性函数。它们的作用是将神经元的输入转化为输出。常用的激活函数包括s i g m o i d 、R e L U 、t a n h 等。
（6）损失函数：损失函数是用来衡量预测结果和实际结果之间的误差的函数。常用的损失函数包括均方误差、交叉熵等。
（7）反向传播算法：反向传播算法是B P 神经网络训练的核心算法。它通过计算损失函数对每个权重和偏置的梯度，然后按照梯度的反方向更新网络中的权重和偏置，使得损失函数不断减小，从而达到训练的目的。
（8）正则化：正则化是一种常用的技术，用于避免过拟合。常见的正则化技术包括L 1正则化、L 2正则化等。
（9）计算平均误差：所有测试样本平均误差的计算公式为
n k k 11E E ==∑ （1）经过反复迭代，当误差小于允许值，网络的训练过程即告结束。
2基于BP 神经网络的施工安全评价模型方法
2.1数据来源
在机器学习模型的应用中，数据的来源非常关键。获取合适的数据源是建立高质量、准确的机器学习模型的重要前提。常见的数据来源包括公共数据集、专业数据服务、企业内部数据、开放式数据共享平台等。
文中数据依托于智利科金博医院项目施工过程中的安全评价设计。在智利科金博市L a  C a n t e r a 大道和N u e v a  U n o 路交会处，进行智利科金博医院建设工作，项目总体包含总建筑面积约13.1万m 2，为一所综合性高度复杂程度的现代化医院，辐射科金博地区98万人口，项目包含5个单项工程，分别为：医院大楼、办公楼、护理楼、妇幼楼、设备楼。医院大楼结构7层（含地下1层停车场），计划设置床位605张，包括神经外科、高复杂性创伤学科、皮肤病学科、小儿科重症监护、器官和组织保存，转诊中心，成人精神病学，病理解剖学、神经生理学和睡眠科学等，如图2所示。
医院的工作内容包括：医院的建筑结构、自动化集成控制系统、安保系统、垂直运输系统、气动文件传输系统、场内道路、空调通风系统、电力系统、给排水系统、医疗气体系统、照明及各医疗相关专业系统的设计与施工。
外墙设计概况：通风外墙配合玻璃幕墙为主。
总体设计结构：主体结构7层（含地下1层停车场），局部3-4层。基础采用独立基础，整体为框架结构。底部层高为4.5 m ，住院楼4~7层的层高为4.2m 。
在工程开始前，安全评估的内容包括工程施工方案、工期、工艺流程、施工场地环境、工人技能水平等。
（1）安全管理计划：在评估出潜在风险和危险因素之后，制定了一份安全管理计划。这个计划包括了安全措施、风险控制措施、事故应急措施、人员管理、培训计划等，旨在最大限度地减少安全事故的发生。
（2）安全培训：对所有进入工地的工人进行安全培训，包括施工安全操作规程、危险识别和应对方法等。通过培训，提高了工人的安全意识和应对能力。
（3）安全监控：在施工过程中，安排专人对现场进行监控，及时发现并处理安全隐患。同时，定期对现场进行安全检查和评估，确保施工过程中的安全性。
以上评估方式均耗费大量的人力成本和时间成本，如何借用计算机技术实现，安全等级快速评价是目前研究的重点内容之一。
2.2模型训练及结果分析
施工安全评价指标是衡量施工安全状况的关键因素，通常包括人员伤亡率、物质损失率、环境污染率等多个方面[17]。本文选取了人员伤亡率、事故类型、作业场所等指标作为BP 神经网络的输入参数。在数据搜集方面通常有三种方式：一是通过现场观察搜集数据；二是通过相关部门或机构搜集数据；三是通过问卷调查、访谈等方式搜集数据。本文主要通过现场观察和安全人员打分情况进行数据搜集。通过安
全员定期或不定期地对施工现场进行观察，记录下伤亡情况、事故类型和作业场所等参数特征。对于人员伤亡率，可以计算出每个作业场所的人员伤亡率，以及总体的人员伤亡率；对于事故类型，可以将其分为机械事故、人为失误、安全设施问题等不同类型，以便分析事故的主要原因；对于作业场所，可以根据不同的工种、不同的危险程度等对其进行分类。
根据选定的施工安全评价指标，我们建立了一个三层的B P 神经网络模型。输入层包括人员伤亡率、事故类型、作业场所等指标，隐藏层包括若干个神经元，输出层为施工安全评价结果（高、中、低分别对应数字代码1、2、3），安全评价模型如图3所示。
在实际应用中，B P 神经网络模型在施工安全评价中具有广泛的应用前景。与传统的施工安全评价方法相比，B P 神经网络模
型
图2　智利科金博医院设计总图图3　安全评价模型
1292024.01 |具有更强的适应性和泛化能力，可以更好地处理复杂的施工安全评价问题。同时，B P 神经网络模型还具有较高的预测精度和鲁棒性，能够在不同的施工环境下进行准确的施工安全评价。在模型训练过程中，我们还可以通过交叉验证等技术来进一步提高模型的预测能力和泛化能力。在实际应用中，我们可以通过建立在线施工安全监测系统，将B P 神经网络模型与实时数据采集技术相结合，实时监测施工现场的安全情况，及时发现和处理潜在的安全隐患，从而有效地提高施工安全管理水平。
在模型训练过程中，使用了误差反向传播算法来更新权值和阈值。具
体地，将一定量的施工安全数据作为训练集，利用B P 神经网络模型进行训
练，直到模型的输出误差达到一定的收敛程度为止。经过模型训练后，我
们可以使用该模型来预测智利金博医院施工安全评价结果。具体地，首先
将施工现场的实际数据输入到B P 神经网络模型中，得到施工安全评价结果，
如图4所示；然后对结果进行分析和解释，以便于制定相关的安全措施和
管理策略，从而确保施工过程中的安全性。
通过真实现场施工安全评价结果与模型训练所得结果来看，所构建
的模型与真实情况符合度较高，在20个评价样本中，正确评价指标高达
95%，构建的模型可较好地服务于智利金博医院施工安全评价中。
结语
本文提出了一种基于B P 神经网络的智利金博医院施工安全评价模型方
法，可以有效提高施工安全评价的准确性和可靠性。然而，该模型仍然存
在一些局限性，例如需要大量的施工安全数据进行训练，对数据的质量和
准确性要求较高等。因此，我们可以进一步探索其他类型的神经网络模型，以提高施工安全评价的精度和实用性。同时，可以结合其他评价方法，例如层次分析法、模糊综合评价法等，以获得更加全面和准确的施工安全评价结果
。图4　模型评价结果与施工现场评价结果对比
参考文献
[1]张林华.市政管线施工技术与安全评价浅析[J].工程建设与设计,2023(4):232-234.
[2]王海成.水利水电工程的施工安全评价和管理措施[J].黑龙江水利科技,2023,51(2):156-159.
[3]刘紫君，姜吉坤，冯乐.基于改进云模型的装配式建筑吊装施工安全风险评价[J].青岛理工大学学报,2023,44(1):30-38.
[4]江婷婷，姚传勤，童张俊.基于博弈论：可拓理论的地铁车站深基坑施工安全评价[J].华北科技学院学报,2023,20(1):103-110.
[5]姚鹏远.基于层次分析法的跨海钢箱梁顶推施工安全评价体系研究[J].大连交通大学学报,2023,44(1):84-88.
[6]周喆奇.基于模糊理论的建筑混凝土施工安全风险评价方法[J].石材,2023(2):96-99.
[7]王可欣，刘宇.基于PCA-BP 模型的粮食安全体系研究[J].中国科技论文在线精品论文,2023,16(1):128-137.
[8]陆孟瑶，霍正刚，查晓庭.运用BP 神经网络评估校园周边道路安全风险[J].中国高新科技,2022(23):123-125.
[9]王磊.基于模糊数学与BP 神经网络在施工安全评价中应用研究[J].砖瓦,2022(11):117-120.
[10]李继，潘莉.基于多因素的建筑安全GA-BP 神经网络事故预测模型研究[J].建设科技,2021(5):84-90.
[11]黄慧鑫.基于灰神经网络的建筑施工安全事故预测研究[D].哈尔滨：哈尔滨理工大学,2020.
[12]刘鹏.车站建筑环境安全评价分析研究[D].西安：长安大学,2012.
[13]彭晓晓.建筑安全事故预测和预控对策研究[D].青岛：中国海洋大学,2012.
[14]吕景刚，朱孔国.基于GA—BP 神经网络的建筑安全评价[J].计算机系统应用,2011,20(6):243-247.
[15]朱蕊.基于粗糙集与神经网络的建筑安全预测研究[D].天津：天津财经大学,2008.
[16]贾俊妮.建筑工程安全管理及事故预测分析研究[D].合肥：合肥工业大学,2007.
[17]朱桂荣，卫赵斌，马楠.基于粗集：神经网络的建筑安全控制系统研究[J].煤炭经济研究,2005(12):31-33.

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。