CN113505997B - 一种基于机器学习的建筑墙面渗漏水风险等级评估方法 - Google Patents

Abstract

本发明涉及一种基于机器学习的建筑墙面渗漏水风险等级评估方法，具体包括以下步骤：S1、根据影响渗漏水病害分级的特征属性，获取特征属性的属性值；S2、对特征属性的属性值进行分割，生成多叉决策树模型；S3、计算每个特征属性的信息增益度，得到最优特征属性来进行训练；S4、通过k折交叉验证算法计算多叉决策树的模型的识别精度，验证准确度，若高于准确度阈值，转至步骤S5；S5、通过计算机视觉技术识别当前建筑墙面的基础信息，输入到多叉决策树模型中；S6、输出当前建筑墙面的渗漏水病害等级以及相应的墙面修补提示信息。与现有技术相比，本发明具有提升建筑墙面评估的处理效率，提高建筑墙面渗漏水等级评估结果的准确性等优点。

Description

一种基于机器学习的建筑墙面渗漏水风险等级评估方法

技术领域

本发明涉及建筑结构风险评估技术领域，尤其是涉及一种基于机器学习的建筑墙面渗漏水风险等级评估方法。

背景技术

随着我国建筑行业的快速发展，建筑物总量增加，建筑老化问题逐渐明显，病害的检测与分级处理处理被提上日程，自动化、智能化分级评价方法的研究逐渐增多。而建筑墙面渗漏水作为一种建筑立面墙壁中较为常见的病害引起了越来越多的关注。若不及时对渗漏水病害区域加以修补，将会严重锈蚀墙面内部的钢筋等金属结构，且无法有效阻止雨水、雪水侵入墙体，造成墙面的抗冻融、耐高低温、承受风荷载等性能的降低。

在国内外公路隧道渗漏水病害分级基础上，考虑不同渗漏部位、渗漏形式、渗漏程度及对行车安全的影响，改进的隧道衬砌单个渗漏水病害可分为B、1A、2A、3A四个等级，其中对于边墙位置渗漏形式分为三种，为点渗漏、线渗漏(三缝渗漏、衬砌裂缝渗漏)、面渗漏。渗漏程度可分为涌、流、滴、渗四种，如表1所示：

表1隧道衬砌渗漏水分级

根据路面渗漏水的状态，路面的单个渗漏水病害可分为1A、2A、3A三个等级，分别对应的渗漏状态分别为路面潮湿、大面积渗水、路面冒水和路面积水且损毁，如表2所示：

表2路面渗漏水的病害等级划分

渗漏状态	路面潮湿	大面积渗水	路面冒水	路面积水且损毁
					等级	1A	2A	3A	B

在进行隧道渗漏水总体等级划分时，公路隧道渗漏水病害的治理通常按区段进行，并需确定治理方案，即大、中、小修。因此，有必要对区段内渗漏水等级进行整体评价。按照病害对隧道结构、交通安全的影响程度进行隧道渗漏水整体等级评价，应主要考虑区段内病害数量、渗漏形式(点渗漏、线渗漏、面渗漏)，及渗漏位置等因素。具体评价方法如下：(1)区段长度：考虑施工便利，确定区段长度为10m，即沿隧道里程每10m为一个统计单位。(2)病害数量N：统计L范围内渗漏水病害总数N，并按照表1和表2明确其单点渗漏等级。(3)赋值：对区段内每一病害赋予分值f_i。对上述分值进行求和得到R，并求其均值S。当N_3A≤10时，计算公式如下所示：

当N_3A≥10时，计算公式如下所示：

其中，N为区段内病害总数；N_3A为3A级病害总数；f_i-3A为3A级病害分值；γ为单点病害等级对隧道渗漏水整体评价影响因子；β为3A级病害数量对隧道渗漏水整体评价影响因子，当N_3A≤20时，取值为1.0，当N_3A>20时，取值为1.1。

在进行整体评价与修补建议选择时，依据上述步骤求取的S值对隧道渗漏水进行整体评价，根据S的值将隧道整体的渗漏水等级分为三级，分别为一般(S≤60)、较差(60<S≤80)、极差(S>80)，分别进行小修、中修、大修。(1)大修：隧道拱墙部位渗漏点密集，以大面积涌流为主，路面积水和冒水严重，对隧道结构承载力影响大，需要对拱墙进行套拱补强加固或拆除置换原有防水结构，对路面进行翻修，必要时还需降低地下水位；(2)中修：隧道拱墙部位渗漏点较密集，渗水量较大，以面渗和线渗为主，路面大面积渗水，对隧道结构承载力有一定影响，需要采取对拱墙进行衬砌背后注浆、衬砌内表面喷射防水材料等防水处理措施，并对路基下进行压注浆液，以防止路基下沉；(3)小修：隧道拱墙部位渗漏点较稀疏，渗水量较小，以点线渗漏为主，路面积水少，对结构承载力影响小，需要对拱墙进行导水和充填止水，对路面少量积水进行清理。

决策树方法在分类、预测等领域有广泛的应用，在ID3算法提出之后，决策树在机器学习、数据挖掘领域得到极大的发展。该算法是以信息论为基础，以信息熵和信息增益为衡量标准，从而实现对数据的归纳分类。根据信息论理论，采用划分后样本集的不确定性作为衡量划分好坏的标准，用信息增益度量不确定性：信息增益越大，不确定性越小。

随着近些年机器学习方法的发展，决策树学习成为了一种预测分类的重要方式。由于建筑墙面混凝土渗漏水病害评级方法的缺失，在处理一些实际问题时，只能单一地参考类似地病害评级标准与相应地处理方案，但混凝土材料等级、环境温度等一些其他条件有所差异，所以将隧道渗漏水病害等级划分标准直接套用于建筑墙面并不可取。这就会导致处理效率低下，不能很精准地评判出混凝土渗漏水的严重程度，也较难给出恰到好处的处理方案。也会造成处理效果不好导致混凝土再渗漏或者发生混凝土渗漏的过处理，导致施工难度大、材料浪费等问题。在这样的情况下，为解决根据建筑墙面渗漏水智能化、自动化提出修补方案的问题，构建一套基于深度学习的建筑墙面渗漏水自动分级与智能化建议方法具有较好的实用意义。

发明内容

本发明的目的就是为了克服上述现有技术存在的处理效率低下，不能很精准地评判出混凝土渗漏水的严重程度，可能导致混凝土再渗漏或者发生混凝土渗漏的缺陷而提供一种基于机器学习的建筑墙面渗漏水风险等级评估方法。

本发明的目的可以通过以下技术方案来实现：

一种基于机器学习的建筑墙面渗漏水风险等级评估方法，具体包括以下步骤：

S1、根据影响隧道边墙渗漏水病害分级与路面渗漏水病害分级与评价方法的特征属性，获取所述特征属性的属性值；

S2、对特征属性的属性值对应的离散型数据进行分割，生成多叉决策树模型；

S3、所述多叉决策树模型通过计算每个特征属性的信息增益度，得到最优特征属性，根据最优特征属性来训练多叉决策树的模型；

S4、通过k折交叉验证算法计算多叉决策树的模型的识别精度，验证多叉决策树模型的准确度，若高于准确度阈值，转至步骤S5；

S5、以隧道边墙渗漏水病害分级与路面渗漏水病害分级为基础，通过计算机视觉技术识别当前建筑墙面的基础信息，将建筑墙面的基础信息输入到多叉决策树模型中；

S6、所述多叉决策树模型输出当前建筑墙面的渗漏水病害等级以及相应的墙面修补提示信息。

所述步骤S2中对属性值的离散型数据进行分割的过程包括将离散型数据的标称型特征转换为二进制一键式类型。

所述二进制一键式类型具体为将每一个具有全部类别数量取值的特征变换为长度为全部类别数量的二进制特征向量，其中只有一个地方是1，其余位置都是0。

所述多叉决策树模型中设有多个特征属性的数据样本集，每个数据样本集设有对应的类标号。

所述步骤S3中训练多叉决策树的模型的过程包括按照所有的特征属性进行划分，对划分的结果进行纯度比较，选择纯度最高的特征属性的数据样本集作为当前需要分割的数据集来进行训练。

所述划分的结果的纯度通过信息熵、基尼系数和错误率计算得到。

进一步地，所述信息熵的计算公式如下所示：

其中，H(Entropy)为信息熵，P(i)是C_i,s中任意数据样本属于类C_i的概率。

进一步地，P(i)的计算公式如下所示：

/>

其中，S为已知类标号的数据样本集，类标号属性为C＝{C_i|i＝1,2,..,z}，C_i,s是C_i类数据样本的集合，|S|和|C_i,s|分别表示S和C_i,s的样本个数。

进一步地，所述基尼系数和错误率的计算公式如下所示：

Gini＝1-∑_i＝1P(i)²

Error＝1-max{P(i)}

其中，Gini为基尼系数，Error为错误率。

所述特征属性的信息增益度具体为特定条件下的纯度与分割前纯度的差值，计算公式如下所示：

其中，H(S|A)为特定条件下的纯度，A为特征属性集合，A_i为中第i个特征属性，n为特征属性的数量，k为交叉验证算法过程中多叉决策树模型的子集的数量。

进一步地，所述特征属性集合中包括分列属性，所述分列属性具体为增益率最大的特征属性，所述分列属性经划分后纯度的计算公式如下所示：

其中，

为分列属性划分后纯度，S_ij为S根据分列属性划分出的子集。

所述分列属性作为树双亲节点，其余的特征属性作为该节点的子节点。

所述步骤S4中k折交叉验证算法具体包括以下步骤：

S401、将全部训练集S分成k个不相交的子集，假设S中的训练样例的个数为m，那么每一个效率子集有m/k个训练样例，相应的子集称作{s₁,s₂,…,s_k}；

S402、每次从分好的子集中，选择一个作为测试集，其余k-1个作为训练集；

S403、根据训练集对多叉决策树模型进行训练；

S404、将测试集输入训练完成多叉决策树模型，计算得到多叉决策树模型的分类率；

S405、计算k次分类率的平均值，作为多叉决策树模型的识别精度。

与现有技术相比，本发明具有以下有益效果：

本发明基于决策树方法将现有的渗漏水评价方法进行自动化迁移应用，有效减小了迁移应用的难度并削减了使用成本，同时将非建筑领域渗漏水病害的分级方法进行汇总，并迁移应用于建筑工程领域，为建筑工程渗漏水分级评价方法的建立提供了参考，提升了建筑墙面评估的处理效率，能够精准地评判出建筑墙面渗漏水的严重程度，提高了建筑墙面渗漏水等级评估结果的准确性。

附图说明

图1为本发明的流程示意图；

图2为本发明k折交叉验证算法的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

如图1所示，一种基于机器学习的建筑墙面渗漏水风险等级评估方法，具体包括以下步骤：

S1、根据影响隧道边墙渗漏水病害分级与路面渗漏水病害分级与评价方法的特征属性，获取特征属性的属性值；

S2、对特征属性的属性值对应的离散型数据进行分割，生成多叉决策树模型；

S3、多叉决策树模型通过计算每个特征属性的信息增益度，得到最优特征属性，根据最优特征属性来训练多叉决策树的模型；

S4、通过k折交叉验证算法计算多叉决策树的模型的识别精度，验证多叉决策树模型的准确度，若高于准确度阈值，转至步骤S5；

S5、以隧道边墙渗漏水病害分级与路面渗漏水病害分级为基础，通过计算机视觉技术识别当前建筑墙面的基础信息，将建筑墙面的基础信息输入到多叉决策树模型中；

S6、多叉决策树模型输出当前建筑墙面的渗漏水病害等级以及相应的墙面修补提示信息。

步骤S2中对属性值的离散型数据进行分割的过程包括将离散型数据的标称型特征转换为二进制一键式类型。

二进制一键式类型具体为将每一个具有全部类别数量取值的特征变换为长度为全部类别数量的二进制特征向量，其中只有一个地方是1，其余位置都是0。

本实施例中，如果属性值为离散型，且不生成二叉决策树，则此时一个属性可以只设置一个分支；如果属性值为离散型，且生成二叉决策树，可以按照“属于此子集”和“不属于此子集”分为两个分支；如果属性值为连续型，可以确定一个值作为分割点，按照大于分割点、小于或等于分割点生成两个分支。

多叉决策树模型中设有多个特征属性的数据样本集，每个数据样本集设有对应的类标号。

步骤S3中训练多叉决策树的模型的过程包括按照所有的特征属性进行划分，对划分的结果进行纯度比较，选择纯度最高的特征属性的数据样本集作为当前需要分割的数据集来进行训练。

划分的结果的纯度通过信息熵、基尼系数和错误率计算得到。

信息熵的计算公式如下所示：

其中，H(Entropy)为信息熵，P(i)是C_i,s中任意数据样本属于类C_i的概率。

P(i)的计算公式如下所示：

其中，S为已知类标号的数据样本集，类标号属性为C＝{C_i|i＝1,2,..,z}，C_i,s是C_i类数据样本的集合，|S|和|C_i,s|分别表示S和C_i,s的样本个数。

基尼系数和错误率的计算公式如下所示：

Gini＝1-∑_i＝1P(i)²

Error＝1-max{P(i)}

其中，Gini为基尼系数，Error为错误率。

特征属性的信息增益度具体为特定条件下的纯度与分割前纯度的差值，计算公式如下所示：

其中，H(S|A)为特定条件下的纯度，A为特征属性集合，A_i为中第i个特征属性，n为特征属性的数量，k为交叉验证算法过程中多叉决策树模型的子集的数量。

特征属性集合中包括分列属性，分列属性具体为增益率最大的特征属性，分列属性经划分后纯度的计算公式如下所示：

其中，

为分列属性划分后纯度，S_ij为S根据分列属性划分出的子集，表示数据样本集S中在A_ij上的取值为A_ij的所有样本组成的集合。

分列属性作为树双亲节点，其余的特征属性作为该节点的子节点。

多叉决策树模型中将所有特征属性的信息增益率按大小排序，然后将各个特征属性作为分支的根节点的顺序。

如图2所示，步骤S4中k折交叉验证算法具体包括以下步骤：

S401、将全部训练集S分成k个不相交的子集，假设S中的训练样例的个数为m，那么每一个效率子集有m/k个训练样例，相应的子集称作{s₁,s₂,…,s_k}；

S402、每次从分好的子集中，选择一个作为测试集，其余k-1个作为训练集；

S403、根据训练集对多叉决策树模型进行训练；

S404、将测试集输入训练完成多叉决策树模型，计算得到多叉决策树模型的分类率；

S405、计算k次分类率的平均值，作为多叉决策树模型的识别精度。

具体实施时，以普通住宅房屋为例，在其刚施工完成后，混凝土裸漏，发生点渗漏，提取现有建筑墙面渗漏水信息，如渗漏形式、渗漏程度、渗漏状态、混凝土材料类、温度以及湿度等所处环境，如：其渗漏形式为点渗漏、渗漏程度为滴、渗漏状态为表面潮湿、混凝土型号为C35、温度为25摄氏度、湿度为45％，输入多叉决策树模型，利用决策树分析后，给出建筑墙面渗漏水病害等级(3A、2A、1A、B)，如渗漏水等级为1A，并给出相应建议。根据渗漏水等级确定修补方法，如寻找渗漏点，将墙面渗漏处的保护层铲掉，重新做防水，最后再恢复墙面。

此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (1)

1.一种基于机器学习的建筑墙面渗漏水风险等级评估方法，其特征在于，具体包括以下步骤：

S1、根据影响隧道边墙渗漏水病害分级与路面渗漏水病害分级与评价方法的特征属性，获取所述特征属性的属性值；

S2、对特征属性的属性值对应的离散型数据进行分割，生成多叉决策树模型；

S3、所述多叉决策树模型通过计算每个特征属性的信息增益度，得到最优特征属性，根据最优特征属性来训练多叉决策树的模型；

S4、通过k折交叉验证算法计算多叉决策树的模型的识别精度，验证多叉决策树模型的准确度，若高于准确度阈值，转至步骤S5；

S5、以隧道边墙渗漏水病害分级与路面渗漏水病害分级为基础，通过计算机视觉技术识别当前建筑墙面的基础信息，将建筑墙面的基础信息输入到多叉决策树模型中；

S6、所述多叉决策树模型输出当前建筑墙面的渗漏水病害等级以及相应的墙面修补提示信息；

所述步骤S2中对属性值的离散型数据进行分割的过程包括将离散型数据的标称型特征转换为二进制一键式类型；

所述多叉决策树模型中设有多个特征属性的数据样本集，每个数据样本集设有对应的类标号；

所述步骤S3中训练多叉决策树的模型的过程包括按照所有的特征属性进行划分，对划分的结果进行纯度比较，选择纯度最高的特征属性的数据样本集作为当前需要分割的数据集来进行训练；

所述划分的结果的纯度通过信息熵、基尼系数和错误率计算得到；

所述信息熵的计算公式如下所示：

其中，H(Entropy)为信息熵，P(i)是C_i,s中任意数据样本属于类C_i的概率；

P(i)的计算公式如下所示：

其中，S为已知类标号的数据样本集，类标号属性为C＝{C_i|i＝1,2,..,z}，C_i,s是C_i类数据样本的集合，|S|和|C_i,s|分别表示S和C_i,s的样本个数；

所述基尼系数和错误率的计算公式如下所示：

Gini＝1-∑_i＝1P(i)²

Error＝1-max{P(i)}

其中，Gini为基尼系数，Error为错误率；

所述特征属性的信息增益度具体为特定条件下的纯度与分割前纯度的差值，计算公式如下所示：

其中，H(S|A)为特定条件下的纯度，A为特征属性集合，A_i为中第i个特征属性，n为特征属性的数量，k为交叉验证算法过程中多叉决策树模型的子集的数量；

所述特征属性集合中包括分列属性，所述分列属性具体为增益率最大的特征属性，所述分列属性经划分后纯度的计算公式如下所示：

其中，

为分列属性划分后纯度，为根据分列属性划分出的子集。/>

Images