第三章 研發應用方法與範圍
第一節 人工智能於火害資料庫之應用
第一項 火害變數相關性分析
本研究對於火害資料進行人工智能分析前，首以資訊增益之特徵 選取演算法及主成份分析(Principal Component Analysis)，進行火害變 數間之相關聯性探討。其分析基礎是以統計上之相關性計算連續數值，
找出式 3-1 之最大值；式中 correl 為計算相關性函數，F 為輸入變數 (自變數)，T 為輸出變數(應變數)。此法將於輸入變數裡，挑選出數個，
然後放入一個集合裡面，此集合整體而言，對輸出變數之相關性高，
視為高外部相關性，但集合內彼此之間的相關性低，視為低內部相關 性。
分析由空集合開始，從尚未被挑選到的輸入變數裡遞迴，並挑出 一個能增加外部相關性且可降低內部相關性的輸入變數，加入到集合 裡。以此方法所選出來之輸入變數，不具順序，視為一整個體。若某 一個輸入變數沒被選出，並不表示該輸入變數與輸出變數沒有相關性，
而是有該輸入變數在內的集合，可能整體與輸出變數的相關性較低，
或是該輸入變數與集合內的其他輸入變數有較高相關性。
∑ 𝑐𝑜𝑟𝑟𝑒𝑙(𝐹𝑖 𝑖, 𝑇)
∑ ∑𝑖 𝑗,𝑗≠𝑖𝑐𝑜𝑟𝑟𝑒𝑙(𝐹𝑖, 𝐹𝑗) 式(3.1)
64
1.軟體介紹:
將 最 高 溫 度 與 強 度 折 減 視 為 目 標 ， 使 用 WEKA (Waikato Environment for knowledge Analysis)程式，Weka 是一種使用 Java 語言 編寫的資料採擷機器學習軟體，是 GNU 協定下分發的開放原始碼軟 體。Weka 主要用於科研，教育和應用領域。Weka 是一套完整的資料 處理工具，學習演算法和評價方法，包含資料視覺化的圖形化使用者 介面，同時該環境還可以比較和評估不同的學習演算法的性能。測試 選項(Test options)分類為四種：
(1) 第一種為使用訓練集(Use training set)此方法為根據分類器再用來 訓練的實例上的預測效果來評價它。
(2) 第二種為提供測試集(Suplied-validation)此方法為從檔案載入的一 組實例，根據分類器在這組實例上的預測效果來評價它。
(3) 第三種為交換驗證(Cross-validation)此方法為使用交叉驗證來評價 分類器，有時亦稱循環估計，是一種統計學上將數據樣本切割成 較小子集的實用方法。於是可以先在一個子集上做分析，而其它 子集則用來做後續對此分析的確認及驗證。一開始的子集被稱為 訓練集。而其它的子集則被稱為驗證集或測試集。交叉驗證的目 標是在訓練階段定義一組用於「測試」模型的數據集，以便減少
65
像過擬合的問題，得到該模型將如何衍生到一個獨立的數據集的 提示，常用的方法為K 折交叉驗證，將訓練集分割成k 個子樣 本，一個單獨的子樣本被保留作為驗證模型的數據，其他k−1 個 樣本用來訓練。交叉驗證重複 k 次，每個子樣本驗證一次，平均 k 次的結果或者使用其它結合方式，最終得到一個單一估測。這 個方法的優勢在於，同時重複運用隨機產生的子樣本進行訓練和 驗證，每次的結果驗證一次，10 次交叉驗證是最常用的。
(4) 第四種方法為按比例分割(Percentage split)此方法為從資料集中按 一定百分比取出部分資料放在一邊做測試用，根據分類器在這些 實例上預測效果來評價它。
圖3. 1 WEKA 圖示
2.預測方法
於變數相關性分析執行後，選出具高度相關之變數，進行人工智 能訓練與預測模式建立，而採用之人工智能方法有(1)決策樹(2)線性 迴歸(3)類神經網路(4)支援向量機，相關說明如下。
(1) 決策樹(Decision tree)
66
J48 常用來處理分類(Classification)的問題，而 M5P 則用來處理迴歸 (Regression)的問題。如圖 3. 2，圖中之節點表示評估欄位，每個分支 表示欄位可能的輸出結果，每個樹葉節點表示不同分類之類別。決策 樹枝優點為可將複雜之決策過程，分解成較簡單之決定，並產生相互 獨立之群體，其結果容易解釋還有理解(Rasoul & David，1991)。
圖 3. 2 決策樹分類分析示意圖
(2) 線性迴歸(LinearRegression)
線性迴歸（Linear regression）為統計學中用來處理迴歸分析之方 法，以線性迴歸方程式的最小平方函數，建立單一或多個自變數及應 變數之關係模型。此種函數為單一或多個迴歸係數模型參數之線性組
67
合。模型中只有一個自變數的情形為簡單迴歸，多於一個自變數的情 形稱為多元迴歸。在線性迴歸中，使用線性預測函數建立數據模型，
而數據中未知的參數也通過數據模型估計之，此模型稱線性模型。
最常用線性迴歸建模先給定 X 值的 y 條件，均值為 X 的仿射函 數。在某些特殊情況，線性迴歸模型可以是一個中位數或一些其他給 定 X 條件下 y 條件分布之分位數。另外，線性迴歸將焦點放在給定 X 值的 y 條件機率分布，並非為 X 和 y 的聯合機率分布。
線性迴歸為迴歸分析中第一種透過嚴謹研究過程，並被實際廣泛 應用之人工智慧方法之一。原因為線性依賴於其未知參數的模型比非 線性依賴於其未知參數的模型更容易擬合，且其產生的統計特性也更 容易確定。
(3) 類神經網路(Neural network)
類神經網路之建構，是由動物的神經系統所啟發，為模擬動物之神 經系統結構(如人類之大腦)，用近似函數以進行評估。類神經網路又 稱多層感知機(Multilayer Perceptron)，為資料探勘中常見的演算法之 一。類神經網路可以大致分為三個部分(如圖 3. 3 所示)，第一個部分 是輸入層，神經元在此層（Neuron）會接受大量非線形輸入訊息，而 輸入之訊息則稱為輸入向量。第二層則是隱藏層，此階層在輸入層及 輸出層之間作為感知器，若隱藏層有多層則稱為多層感知器。第三個
68
類神經網路通常由多層的神經元所組成，每一層神經元都擁有輸 入層、隱藏層及輸出層，前一層的神經元輸出層為下一層神經元之輸 入層，而神經元與神經元相連接的部分稱為突觸(Synapse)，在此數學 模型中每個突觸都有一個加權數值，此加權數值稱為權重。
圖 3. 3 類神經網路示意圖
(4) 支援向量機(support vector machine)
支援向量網路是在分類與迴歸分析中分析資料的監督是學習模型 與相關的學習演算法。給定一組訓練實體，每個訓練實體被標記為屬 於兩個類別中的一個或另一個，SVM 訓練演算法建立一個將新的實 體分配給兩個類別之一的模型，使其成為非概率二元線性分類器。
69
SVM 模型是將實體表示為空間中的點，這樣對映就使得單獨類別的 實體被儘可能寬的明顯的間隔分開。然後，將新的實體對映到同一空 間，並基於它們落在間隔的哪一側來預測所屬類別，如圖 3. 4。除了 進行線性分類之外，SVM 還可以使用所謂的核技巧有效地進行非線 性分類，將其輸入隱式對映到高維特徵空間中。當資料未被標記時，
不能進行監督式學習，需要用非監督式學習，它會嘗試找出資料到簇 的自然群集，並將新資料對映到這些已形成的簇。將支援向量機改進 的群集演算法被稱為支援向量群集，當資料未被標記或者僅依些資料 被標記時，支援向量群集經常在工業應用中用作分類步驟的預處理。
圖3. 4 支援向量機示意圖
70
第一項 試驗變數規劃
實驗中混凝土以設計強度420 kgf/cm2、210 kgf/cm2、105 kgf/cm2 之三種鋼筋混凝土為主體材料製作 60×20×25cm 之長方試體，其鋼 筋配置以保護層厚度：1.5、4 cm、鋼筋種類 (D19 竹節筋，其直徑為 1.91 cm)、正規化厚徑比 (c/db，保護層厚度除以鋼筋直徑)、鋼筋傷損 段總長度 (30 cm) 與傷損厚度 (0.3 cm) ，其介面受損配置以保護層 厚度：5 cm 為實驗變數。以塑膠氣泡墊包覆鋼筋模擬其介面握裹完 全開裂傷損 (Opening)，另外備置無塑膠氣泡墊包覆鋼筋之握裹良好 長方試體，研擬使用實火升溫之擬真火害試驗以模擬實際火災現場效 果；依鋼筋配置位置不同，共設計 5 種不同保護層之試體：無鋼筋面、
有鋼筋面、有分層面、火損分層面、擬握裹傷損面。並作為導波量測 傷損技術之初步研探。量測方法以多頻道表面波震測法為之，並搭配 2 至 6 顆寬頻接收器及敲擊鋼珠施作試驗。
第二項 擬真火害試驗
擬真火害試驗是為模擬實際火災現場，採用實火作為本試驗之升 溫方式。試體邊界(長方向)往內 25 公分為預火損區域，如圖 3. 5 所 示，意欲探討導波於未受火損之鋼筋混凝土試體至受火損區域之特徵 變化。本研究所使用之升溫材料為燃燒歷時久且供溫穩定之炭精(木
71
炭)，試驗之鋼筋混凝土長方試體會以耐火泥與耐火氈妥善包覆試體，
只露出欲測試之表面；並使用耐火磚架設生火台，提升炭火燃燒效率、
防止炭火外露，減少其他諸環境之不確定因素。長方試體欲受火損混 凝土保護層厚度訂定為4 cm，設計控制之最高溫度為 600℃，並在此 位置配置3 條熱偶線監測溫度，位置如圖 3. 5 所示；透過炭精(木炭) 提供之熱能，熱能從底面由下往上傳遞，當位於欲受火損混凝土保護 層厚度之熱偶線監測溫度達 600℃或火損試驗時間達 30 分鐘，則可 移除炭精(木炭)並停止火損試驗。
圖 3. 5 試體俯視圖、預火損之位置與熱偶線埋設處
72
本研究採以多頻道表面波震測法(Multi-channel Analysis of Surface Wave Method, MASW)，而本研究試驗用之寬頻接收器上有五個，故 於施測方式上以每次敲擊作逐步移動(同寬頻接收器與敲擊源)方式 做收錄。試驗之施測由表面擊發於混凝土產生導波，作試體表面激發 及接收，即表面量測方式為導波震測法，震源敲擊位置距離試體邊界 為 10 cm，於測線上固定一個接收器 (作為啟動訊號接收點位) 其距 離震源位置為5 cm，另一個接收器之第一點位距離震源 7.5 cm，接著 每隔 2.5cm 擺一個接收器(可擺多個接收器)，則依每次敲擊完整組儀 器含敲擊源向後移並重疊 1~2 顆接收器的位置(敲擊源皆位於第一接 收器前 5cm)，至整組接收器到試體邊界為止，量測配置如圖 3. 6 圖 3. 7 所示。亦於延-脆介面處作人為製造傷損，形成握裹傷損之試體。
探討材料變因之影響，以不同變因試體進行量測；故試驗之操作變因 有：保護層厚度、鋼筋種類 (有不同的鋼筋直徑)，並以其作正規化指 標：保護層厚度 (𝑐) 與鋼筋直徑 (𝑑𝑏)，即厚徑比 (c/db)，試驗之施測 步驟流程圖，如圖 3. 8。