Диссертация (1141573), страница 16

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 16)

В кровельном строительстве последние 20лет увеличение сменной производительности, в основном, достигается с помощьювнедрения новых конструктивных решений кровли, например, ТПО-мембранавместо битумной гидроизоляции, или разуклонка из минераловатного утеплителя,которая заменяет собой несколько слоев традиционной кровли. Но данные решенияна данный момент широко применимы в промышленных и общественных зданияхи сооружениях, в жилом строительстве пока что преобладающий процент имеютклассические битумные кровли, что вызвано их высокой надежностью иремонтопригодностью. Для традиционных рулонных битумных кровель за94последние годы не происходило значительного усовершенствования техническогооснащения, технологий или организационных схем даже по сравнению с ЕНиР от1986 года [22], не говоря уже о ГЭСН, актуализация которого произведена в 2014году [20].

При организационном планировании строительных процессовперевыполнение нормативной производительности принимают в интервале 100120%, который и формируется за счет развития и внедрения новых технических итехнологических достижений. Перевыполнение, превышающее 120%, как правило,вызывает актуализацию нормативов, либо выпуск новых. Обозначенный интервалподтверждает проведенный эксперимент по извлечению обучающей выборки, входе которого было зафиксирована максимальная относительная сменнаяпроизводительность труда yP  1,17 .Исходя из положений предыдущего абзаца, а также учитывая свойстванасыщения сигмоиды при приближении к границам области ее значений, примемдля функции активации нейрона P константуd  1, 2 ,значение которойсоответствует максимально возможному выходу модели. Следовательно, спомощьюИНСРможноспрогнозироватьмаксимальноеперевыполнениенормативной производительности в 120%.

Остальные константы примем согласно(3.5), график функции активации   vP  представлен на Рисунке 3.5 справа.В результате второго нелинейного преобразования информации в нейроне Pна выход модели подается сигнал, соответствующий относительной сменнойпроизводительности труда одного рабочего. Принципиальная схема работы ИНСРпредставлена на Рисунке 3.6.3.3.2. Алгоритм обучения ИНСPОбучение ИНС – это процесс настройки весовых коэффициентов связеймежду нейронами. В диссертационной работе принят единый подход к обучениюИНС по методологии обучения «с учителем» с помощью алгоритма обратногораспространения ошибки, описанного в разделе 2.6.1.95Сенсоры g(входной слой)ДеффазификацияСигнал сенсора g (вход сети)Вес связи g-jИмпульс связи g-jСумматор нейрона jПорог активациинейрона jИндуцированноелокальное поленейрона jНейроны j(скрытый слой)==11 + exp(4 − 8 )Функция активациинейрона jВыход нейрона jВес связи j-PИмпульс связи j-PСумматор нейрона PПорог активации нейрона PНейрон P(выходной слой)Индуцированное локальноеполе нейрона P==1,21 + exp(4 − 8 )Функция активациинейрона PВыход нейрона P (выход сети)Рисунок 3.6 - Принципиальная схема работы ИНСP96Фрагмент выборки, по которой будет происходить обучение представленв Таблице А.3 приложения А, запишем ее в видеL  {( xg ), YP }nN1 ,(3.7)где ( xg )  ( xg , xg ,...xg ) - вектор значений ОТФ строительного процесса g,1210измеренных в соответствии с 2.4.1-2.4.2 и прошедших операцию деффазификацию;YP- относительная сменная производительность труда одного рабочего призафиксированных ( xg ) ;N – количество примеров в обучающей выборке или длина выборки;n – номер обучающего примера n  N .На вход сети подается вектор сигналов ( xg ) n n-го примера обучающейвыборки и фиксируется отклик модели - выходной сигнал нейрона P выходногослоя сети yP .

Далее мы можем определить ошибку созданной модели  согласно(2.11). Смысл алгоритма обратного распространения ошибки заключается вминимизации ошибки  через поиск экстремума функции потерь. В задачахвосстановления регрессии с количественными выходами модели в качествефункции потерь широко используется квадратическая ошибка.Тогда функцию потерь для ИНСP запишем следующим образомE  (YP  yP )2  [YP   (vP )]2  {YP  [( w jP ( xg wgj )]}2 ,j(3.8)gгде выход сети yP представлен цепочкой итераций, произведенных на каждом слоеИНС.Алгоритм обратного распространения ошибки заключается в корректировкесвободных параметров ИНС – весов связей w  w , таким образом, чтобыминимизировать функцию (3.8) с помощью градиентного спуска в пространствевесов w согласно формуле (2.12).Применяя формулы (2.14) для функции (3.8) по w jP получим выражение длякорректировки весов связей между II и III слоями сетиw jP   P y j ,(3.9)97где P - локальный градиент нейрона P, который с учетом (vP ) 8exp(4  8vP ) 8 yP (1  yP ) ,(1  exp(4  8vP ))2(3.10)и (2.15) примет вид P  16 yP (YP  yP )(1  yP ) .Находимwgjфункцию (3.8) по(3.11)для весов связей между I и II слоями сети, дифференцируяwgj ,как показано в (2.16)wgj   j xg ,(3.12)где  j - локальный градиент нейрона j, который с учетом (2.17) и (3.10) примет вид j  8 y j (1  y j ) p w jp .(3.13)Для реализации алгоритма обратного распространения ошибки и обученияИНСP автором диссертации была разработана программа [38] на языкепрограммирования Python.3.3.3.

Обучение ИНСPКаждый обучающий пример выборки (3.7) несет информацию поотносительной сменной производительноститруда одного рабочего привыполнении одного из 6-ти видов работ: устройство пароизоляции, утеплителя (2слоя), разуклонки из керамзита и армирующей сетки, цементно-песчаной стяжки(ЦПС), гидроизоляции плоскости кровли (2 слоя), гидроизоляции примыканийкровли к стенам и парапетам (2 слоя). Обучение ИНСP по всей выборкепрецедентов, создаст модель, предсказывающую относительную сменнуюпроизводительность труда для всей конструкции кровли.Устройство плоской кровли с конструктивным элементом ЦПС предполагаетобязательный технологический перерыв производства работ в пределах однойзахватки, в течение которого происходит набор критической прочности растворастяжки согласно рабочей документации и требуемого значения влажностисогласно СП 71.13330.2017 п.

5.1.6 [55]. Данный перерыв в зависимости отпогодных условий строительства может составлять от 4-5 дней до 2-3 недель. А98также работы по устройству гидроизоляции требуют определенного уровняквалификации рабочих по специальности «кровельщик» или «гидроизолировщик»,что вызывает естественное разделение труда и формирование двух основныхпроизводственных потоков - устройство кровельной конструкции до ЦПСвключительно и гидроизоляционные работы. Учитывая эти обстоятельства, дляконтроля и управления сроками производства больший интерес представляетпроизводительность труда по выделенным производственным потокам, нежели повсей конструкции кровли.

Поэтому для дальнейшего практического примененияболее предпочтительным является второй вариант обучения ИНСP, при которомнеобходимо разбить выборку на две части, в которых прецеденты соответствуютвидам работ, включенным в основные производственные потоки, и обучить 2модели, предсказывающих YP по устройству конструкции кровли на обозначенныхэтапах строительного процесса.

Третий вариант обучения - сгруппироватьпрецеденты по каждому виду работ и обучить ИНСP отдельно по каждой группепримеров, тогда получим 6 моделей ИНСP, которые будут прогнозировать YP длякаждого отдельного вида работ. Данный подход даст более детальное описаниепредмета исследования, возможность выявить конкретный вид работ, по которомуможет возникнуть проблемная ситуация. Но в таком случае нам придется разбитьвыборку в 854 прецедентов на 6 групп, в среднем по 140 примеров для каждоймодели, что может быть недостаточно для обеспечения сходимости ИНС в видуположений, приведенных в разделе 2.6.2. А также такая степень детализации небудет иметь большого практического эффекта по сравнению со вторым вариантомв виду небольшого числа составляющих процессов и короткого промежуткавремени их реализации. Так, при рациональной организации строительства циклработ, объединенных в первый производственный поток, в пределах однойзахватки (150-300 м2), составляет 3-4 рабочие смены.

Поэтому принято решениепроводить обучение согласно второму варианту, получая 2 модели: ИНС P-1,прогнозирующей относительную сменную производительность труда одногорабочего для производственного потока по устройству конструкции кровли до99ЦСП включительно, и ИНСP-2, прогнозирующей YP для производственного потокапо устройству гидроизоляции кровли.Разделим выборку прецедентов (3.7) на две части L1 и L2 - в первуюпроизведен отбор прецедентов, относящихся к первому производственномупотоку, среднюю производительность которого должна прогнозировать ИНСP-1,вторая выборка составлена из прецедентов, относящихся к гидроизоляционнымработам, соответственно.

В результате такого отбора из выборки L длиной N  854примера получены выборки L1 длиной N1  479 и L2 длиной N 2  375 .Согласно разделу 2.6.3 выборка L1 разбивается на обучающую выборку Ltrainи контрольную Ltest в соотношении 9 к 1. Далее на основании выборки Ltrainсоздается перваябутстрэп-выборка LB1 с помощью операции статистическийбутстрэп. Длина бутстрэп-выборки принимается равной длине выборки Ltrain . Затемс помощью разработанной автором программы производим обучение ИНСP-1 поалгоритму обратного распространения ошибки, описанному в разделе 3.3.2.

Одинпроход всех обучающих примеров выборки LB1 через обучающий алгоритмназываетсяэпохой.Послеквадратической ошибкикаждойMSEtest1эпохипроизводитсяна контрольной выборкерасчетсреднейLtest . Обучениепродолжают до стабилизации MSEtest1 около некоторой константы c, рассчитаннойза несколько последних эпох. Весь описанный процесс обучения до стабилизацииMSEtest1 составляет один цикл.Обучение строится по технологии бэггинг, описанной в разделе 2.6.3.Поэтому следующий шаг - формирование новой бутстрэп-выборки LB 2 и обучениеИНСP-1 заново на данной выборке с контролем сходимости MSEtest 2 навыборке Ltest .

Характеристики

Список файлов диссертации