橡膠充氣芯模成孔施工技術是混凝土填料施工技術的一種，橡膠充氣芯模(氣囊)可重復多次使用，具有使用方便，工藝操作簡單，節能環保等優點。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測研究。

　　摘要： 根據橡膠充氣芯模混凝土填料施工的特點，詳細分析了影響其工期的因素，結合支持向量回歸機(SVR)和粒子群算法(PSO)的優點，建立基于PSO-SVR的橡膠充氣芯模混凝土填料工程工期預測模型。通過對某選煤廠混凝土填料施工的數據進行仿真，結果顯示：PSO-SVR模型的預測效果優于基于交叉驗證的支持向量回歸機(CV-SVR)模型以及基于遺傳算法的支持向量回歸機(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.

　　關鍵詞： 橡膠充氣芯模,粒子群算法,支持向量回歸機,工期預測

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

　　中圖分類號：TU722 文獻標識碼：A 文章編號：1006-4311(2016)04-0070-03

　　0 引言

　　進度是項目管理的主控目標之一，編制進度計劃是進度管理的重要內容，將工期預測的結果作為進度計劃編制的理論依據，可以提高施工進度計劃的有效性，因此預測橡膠充氣芯模混凝土填料工程的工期對進度管理具有重要意義。

　　傳統的工期預測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，精度不高。針對這些問題，本文結合SVR處理非線性問題的能力及PSO算法的全局優化特點，建立基于PSO-SVR的施工工期預測模型，實現了對小樣本的非線性問題快速、精確的預測。

　　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、煤倉等施工的一個分項工程，其施工工藝流程：支設封頭模板→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，重復工序至填充料施工完成。本文結合橡膠充氣芯模混凝土填料工程施工的特點，對影響其工期的因素進行了分析。

　　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。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到一定強度之后進行，不同填充高度，施工所分層數也不同，從而其間歇時間不同;另外，在施工組織方式相同的情況下，不同長度或寬度的填充區域所需施工工期也會不同。

　　1.1.2 孔隙率

　　孔隙率與澆筑混凝土量的關系為：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相關關系，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 工作環境

　　天氣、施工工作面等工作環境影響著施工現場進度計劃的執行。例如，對于采用橡膠充氣芯模技術進行混凝土填料的施工，施工工作面的大小直接影響放置、加固橡膠氣囊的進度;另外，在使用水泥品種、摻用外加劑等相同的情況下，環境的相對濕度對所需的混凝土養護時間影響較大[5]。

　　1.1.5 組織管理能力

　　組織管理能力是施工項目順利完成的保證，施工人員的部署、材料供應情況、機械設備的使用安排、與其他相關方的協調溝通能力等，均是施工項目能否按時完成的影響因素。例如，若混凝土供應不及時將直接導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。若氣囊破損，則需采取更換或修補等措施，以保證下道工序的正常進行，進而影響施工進度。

　　1.2 量化處理

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

　　2 建立PSO-SVR預測模型

　　SVR預測模型的基本思想是在SVM的基礎上，引入一個合適的損失函數，再通過非線性映射?準，即引入合適的核函數，實現空間Rn的非線性問題向高維特征空間H線性問題的轉化[6]。 　　2.1 損失函數

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

　　ε-SVR預測問題可以表達如下：

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

　　構造回歸預測函數：

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

　　2.2 核函數

　　根據Mercer條件存在映射Φ和核函數K(xi，xj)=Φ(xi)×Φ(xj)，通過核函數代替式(5)的內積運算，使空間Rn的非線性問題轉化為高維特征空間H的線性問題，得到回歸預測函數：

　　核函數的選擇直接影響SVR模型的預測效果，常用核函數的類型見表1。

　　根據前人的多項研究和實驗結果表明，選取RBF核函數效果最優[8]。因此本文選擇RBF為核函數，從而得到最終的回歸函數為：

　　2.3 PSO算法進行參數優化

　　PSO算法是由Kenney等人于1995年提出的一種智能優化算法，其具有較強的全局優化能力。采用粒子群算法對SVR模型的(ε、C、?酌)參數進行尋優，可以降低模型的復雜度，提高預測精度[9-10]。優化步驟如下：

　　①初始化粒子群(ε，C，?酌)，確定群體規模，設定加速常數c1和c2，最大迭代次數Gmax，并將當前進化代數置為t=1。

　　②每個粒子的個體極值Pbest設置為其當前位置，計算出其適應度，記適應度最好的粒子為最初全局極值Gbest。

　　③用公式(8)對每一個粒子的速度和位置進行更新，產生新種群。

　　④評價每個粒子的適應度，如果當前值比Pbest更優，則將當前值設置為該粒子的個體極值。比較更新后所有的Pbest與種群最優值Gbest，若存在Pbest優于Gbest，則將其設置為全局極值。

　　⑤檢驗是否滿足終止條件。若達到了最大迭代次數或解不再更新，則停止迭代，尋優結束;否則，轉至③。

　　3 實例分析

　　某選煤廠煤倉廊道間的填充，以及漏斗找坡時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據作為樣本進行了預測，樣本原始數據見表2。

　　3.1 數據的預處理

　　由于原始數據的大小差距較大，為了提高預測的精度，需要進行數據的預處理，本文通過公式0.7+0.15，對數據進行歸一化處理[11]。

　　3.2 PSO-SVR預測

　　將PSO-SVR預測模型在MATLAB(2010b)平臺上實現，以前10組數據為訓練集，后5組數據為測試集進行預測，并對比CV-SVR、GA-SVR預測結果，預測情況如圖1和表3所示。

　　3.3 預測結果分析

　　通過圖1和表3可以看出：

　　①PSO-SVR模型、CV-SVR模型以及GA-SVR模型的擬合和預測能力均良好，且各模型訓練集平均誤差均小于測試集平均誤差，表明其擬合能力均優于預測能力。

　　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模型預測值與實際值的偏差小于GA-SVR模型與CV-SVR模型;PSO-SVR模型的相關系數均比GA-SVR模型與CV-SVR模型高0.0084和0.0164，表明PSO-SVR模型預測值與實際值的關聯程度高于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模型的預測精度高于GA-SVR模型與CV-SVR模型。因此，PSO-SVR模型預測效果優于GA-SVR與CV-SVR模型。

　　4 結論

　　本文結合SVR算法的非線性處理能力和PSO算法的參數優化能力，建立基于PSO-SVR的工期預測模型。實例表明，該模型的預測效果從預測偏差、關聯程度、預測精度三個方面均優于GA-SVR與CV-SVR模型，是進行工期預測的有效方法。本文的研究為橡膠充氣芯模混凝土填料工程的工期預測提供了一種方法，有助于現場施工進度計劃的編制，促進今后類似工程項目的有效管理。

　　參考文獻：

　　[1]謝利紅，李景芳.充氣橡膠芯模在高架橋施工中的應用[J]. 建筑技術，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.工程項目工期預測的未確知模型[J].數學的實踐與認識，2012，20：1-6.

　　[4]單汨源，汪玉，吳娟.基于雙重優化GM(1.1)模型的MC多項目進度預測研究[J].科學技術與工程，2007，19：4980-4984.

　　[5]丁德勝，劉興斌，李明，周成偉.先張法預應力空心板制作工藝與質量控制[J].工業建筑，2011，S1：902-906.

　　[6]陳培友，劉璐.基于PSO-SVR模型的能源需求預測[J].經營與管理，2014，03：85-87.

　　[7]楊虞微，左洪福，陳果.支持向量機時間序列預測模型的參數影響分析與自適應優化[J].航空動力學報，2006，04：767-772.

　　工程師論文發表期刊推薦《內江科技》創刊于1980年，是經國家新聞出版總署和國家科技部批準國內外公開發行的綜合性科技雜志。本刊的作者主要為高校教師、科研機構人員和大中型企業科技人員等。本刊堅持“弘揚學術，傳播文化，創新理論，服務社會”的辦刊宗旨，緊隨時代潮流，引領理論前沿，啟迪學術新知，服務經濟與社會發展。