摘 要：文章基于模糊理论和遗传BP 神经网络方法，建立模糊综合评价模型，对水利工程建设中监理单位的管理水平进行评价和预警分析。通过该模型可将监理单位的管理水平量化输出，且输出结果与评价结果具有良好的一致性，可靠性与合理性较高，研究成果可为相关部门提供相应的决策支持，具有一定的工程实践意义。
关键词: 水利监理；BP 神经网络；评价模型；预警方案
1、前言
监理单位作为水利工程中不可或缺的一部分，是重点的监管对象之一，有效准确开展对监理管理工作的监督，成为建立监管部门最重要的任务之一，关系着工程本身的质量和安全。近年来，水利工程管理中暴露的问题逐渐突出，各单位之间的管理水平参差不齐，导致工程进度、质量、安全进展低效。为发挥监理在水利工程建设中应有的控制性作用，必须努力提升其整体行业的管理水平并建立一套行之有效的评价机制。同时，需要监理单位内部加强管理，形成长效的内部评审及约束机制，才能杜绝或者减少在工作过程中的某些错误行为；等针对不同的工作内容，对监理的管理理念、措施和手段进行了详细分析；赵培等则针对目前水利工程建设施工监理工作的现状，基于AHP 方法，建立起评价指标体系和评价阈值，对水利工程建设监理合同管理进行了探讨。本文立足于当前水利工程建设监理管理中的主要工作模式，基于模糊理论和遗传BP神经网络方法，建立起监理工作的综合评价和预警模型，可为监理单位自查、监管单位监督提供一定的理论和实践作用。
2 模型建立
2.1 BP人工神经网络
BP神经网络，又称反向传播神经网络，是以BP(Back-Propagation，反向传播)算法为学习算法的多层前馈式神经网络。BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络算法的学习过程是由正向传播和反向传播两部分组成。在正向传播过程中，输入信息从输入层经隐含层,传向输出层,每一层神经元的状态只影响下一层神经元的状态，同层之间各神经元没有连接。如果在输出层不能得到期望输出,则转入反向传播过程。反向传播是将输出误差以某种形式通过隐含层反传向输入层，并将误差分摊给各层的所有单元,并根据各层单元的误差信号,修正各单元权值，不断调整网络的权值和阈值，训练BP神经网络以使网络的误差平方和最小。
一个三层的BP网络模型，包括输入层（input layer）、隐含层(hide layer)和输出层(output layer)。其中为BP网络输入层的输入值，为中间隐含层的输出值，为输出层的输出值。为输入层到隐含层的连接权值，为隐含层到输出层的连接权值。为隐含层节点的阀值，为输出层节点的阀值。
期望输出与实际输出之间的方差为误差为：
（1）
.png)
2.2 风险评价指标体系
根据国家相关法律法规，同时参考监理相关规范，确定了以资质支撑材料、公司管理、建立业务、信息管理、项目监理机构应备文件、现场监理机构以及监理工作等7 个指标为一级指标，涵盖包括财务、人员、合同、设备等42 项因子的二级指标，建立起相应的综合评价模型，见表 1。根据模糊评价理论，其主要的计算过程概述为：
（1）确定评价指标体系与指标权重，即通过分析赋权，获得一级指标权重 W( 1) = ( w1，w2，…，w7) 和级指标权重 = ( w11，w12，…，w713) 。
（2）根据全面性、可比性、可操作性等指标设计原则，并考虑到模型的实际应用，运用Delphi法向多位有丰富经验的专家进行调查咨询，建立一套更为可靠、合理的水利工程监理评价指标体系。评价体系分4大类，共计25个指标。指标体系及评分准则如表1所示。
表1 指标体系
.png)
2.3 水利监理评价BP网络模型的设计
合理确定网络层数与各层的神经元数,是成功应用BP网络模型的关键之一。G.Cybenyo等人证明,具有一个隐含层的神经网络能够以任意精度表示任何连续函数，实践表明采用两层以上的隐含层没有任何益处，一个4层BP网络可以以任意精度去逼近任意映射关系。因此，本文采用4层BP网络结构，包括一个输入层、两个隐含层和一个输出层。
(1) 输入层单元数
根据建立的指标体系，将42个二级指标值作为网络输入，由于本模型中涉及的指标体系既有定量指标，又有定性指标，所以在进行输入节点输入时，先将指标根据表1中的评分规则进行转换，以便于网络模型的应用。
(2) 隐含层单元数
在实际操作中,隐含层单元数的选择是一个复杂的问题，与输入输出单元的多少都有直接关系，往往需要多次试验来确定。常用下面三个公式确定:
.png)
为输入神经元数。
（3） 输出层单元数
输出节点对应于评价结果，在建立的模型中，最终的结果是一个评价数值，一个代表不同的风险程度的综合评价分数，取值范围[0，1]。输出层分值越低，说明风险越高；反之，分值越高，风险越低。最终建立 40-12-1 的三层 BP 神经网络，如图 1 所示；其次，对输入指标进行标准化处理，使其量化值处于［0，1］之间，并选择 Log-Sigmoid函数
.png)
(5）
作为预警模型的激励函数；经过网络初始化，对隐含层和输出层进行计算，并基于动量改进算法对权重值和阈值进行不断的更新；当网络输出函数与目标函数值相差在一定精度范围内时，计算终止，得到最终的目标函数 E：
.png)
（6）
（4）模型训练
将目标函数作为预测模型函数，同时对模糊理论评价值的时间序列进行滚动预测，建立相应的预警图，如图 2 所示。预警图根据评价值的大小，分为五个等级，即: 优秀级、良好级、过渡级、低警戒级以及警戒级，可以通过走势图对监理单位的管理水平进行直观了解和预测，可以起到工程建设过 程中的事前预防控制，为决策者提供分析依据，并提醒其及时采取相应的措施，尽量避免和减少管理异常的情况发生，减少发生在工程中的事故和错误。
.png)
图2 预警评价分区图
3 应用实例
3. 1 模糊评价情况
通过双随机抽取检查，对该监理单位进行打分，然后进行权重组合，得到 二级指标权重向量W,将权重值w和评价矩阵 Q代入公式，得到M=(0. 0，62，0. 229，0. 353，0. 241，0. 116)，最大值为0. 353，介于0. 2 ～ 0. 4之间，故该单位2018年的整体管理水平为一般，且模糊综合评价的量化值为:E = 4. 76。
3. 2 预警情况
基于上述模糊理论评价方法，对该监理单位的2012—2019 年的管理水平E 依次进行计算，并进行归一化处理，得到该监理单位管理水平评价值的时间序列情况，见表 2。
.png)
将 2012—2017 年数据作为训练值，2018— 2019 数据作为检测值，并设定学习速率为 0. 2，动量因子为 0. 2，目标函数误差值为 0. 01，最大训练步数为 10000，运用 MATLAB数值分析工具，对该 监理单位的管理水平进行 BP 神经网络计算，得到模型输出值与评价值之间的相关关系，可以看出基于BP神经网络模型的计算结果与评价结果基本保持一致，平均误差仅为 0. 0041，小于0. 01，表明该模型可以很好地预测建立单位的管理水平；同时，还可以看出，2012—2016年，该监理单位的管理水平整体处于良好状态，而2017-2018年，则处于过渡状态，这对该单位的长远发展的影响敲响了警钟，预示着该单位需要通过不断改革、不断创新来努力摆脱这一局面，2019年，在经过不断的产业调整、人员调整和体制改革后，该监理单位管理水平有所提高重新回到良好管理水平状态；通过数据分析，忽略外部其它环境因素的影响，对 2020—2021 年的管理水平进行预测，分别达到 0. 8 和 0. 85，可见，该监理单位的管理水平将逐渐步入优秀级，可以预见该单位未来几年将进入持续良好的黄金发展期。
4 结论
以湖南某监理单位为例，采用文中建立的模糊综合评价模型，对该单位近年管理水平进行综合评价和预警分析，结果显示: 综合评价模型的输出结果与评价结果平均误差小于0. 01，模型计算结果具有可行性和合理性，该单位目前正处于黄金发展期；研究成果对监理单位自查、监管单位监督提供了可靠的决策手段；限于统计数据有限，本案例仅对该监理单位近 10 年的管理水平进行了评估和预测，若能增加训练和检测值数目，可使研究结果更加贴近实际，可在以后工作中逐步开展和完善。
参考文献：
[1] 蒋宗礼.人工神经网络导论[M].北京:高等教育出版社,2008.
[2]赵培，彭军，陈崇德．水利工程建设监理合同管理及评价研究［J］．长江工程职业技术学院学报，2016，33( 02) :59-62．
[3]刘娟．从水利工程管理考核看提高水利工程管理水平的有效途径［J］．水利技术监督，2017，25( 03) : 53-54．