第四章 建築廢棄物產生量推估模式之建構
第二節 建築廢棄物產生量推估模式之建立
本研究建構與訓練類神經網路所採用的軟體為The MathWorks，Inc.
所研製之MATLAB中之類神經網路工具箱（Neural Network Toolbox）。
將設定好之訓練範例與測試範例，儲存於EXCEL試算表中，再透過 MATLAB 的 匯 入 資 料 功 能 將 訓 練 範 例 與 測 試 範 例 數 據 直 接 匯 入 MATLAB中即可。將影響建築廢棄物產生量之因子或是拆除執照上之
數，藉由類神經網路進行演算，預測建築工程中於施工/拆除時所產生 之單位建築廢棄物產生量，以作為將來施工單位與管理單位管理與預 算編列之依據。根據觀察本研究問題之特性，選擇監督式學習網路建 構建築廢棄物單位產生量預測模式之網路模式，所使用之類神經網路 架構為倒傳遞類神經網路（Back Propagation Neural Network，BPNN），
此網路是目前類神經網路學習模式中最具代表性與應用最為普遍之模 式，其適合用來解決與處理需要以類比為基礎求解之問題，並且於非 線性問題等求解上以其精確度高、回想速度快等優於其他類型網路，
故本研究將透過倒傳遞類神經網路之建置，進行建築廢棄物產生量推 估模式之建立。
一、建築廢棄物產生量推估模式之網路架構
倒傳遞類神經網路（Back Propagation Neural Network，BPNN）之 基本架構主要為輸入層、隱藏層與輸出層三層架構。茲分別說明如下：
輸入層：表示輸入之變數，處理單元依問題而定，經由資料之尺 度化處理後，帶入類神經網路中。本研究主要以影響建 築廢棄物產生量之因子作為主要之輸入變數。
隱藏層：表示輸入變數間之交互影響，其主要作用為連接反應前 一層與後一層之互動關係，處理單元數目以多少為佳或 需要幾層隱藏層較為適當，目前尚無一定論，一般而言 依問題之特性與試驗法來決定最佳處理單元數與採用何 種非線性轉換函數。
輸出層：表示輸出變數，處理單元數依問題而定，主要透過輸入 層之輸入資料數據，透過隱藏層運算後，透過輸出層輸 出，本研究主要以每單位樓地板面積產生量分類作為輸 出變數。
其網路架構如下所述：
1. 影響因子輸入變數之決定
輸入層之變數於新建工程主要為建築總樓地板面積、工程金額、
第四章建築廢棄物產生量推估模式之建構
構造種類與建築用途等，而於拆除工程主要為總樓地板面積、構造種 類、建築用途與建築物樓層數等將其轉換後分別輸入，但由於不同之 處理單元組合方式，將影響到模式預估能力，故本研究必須於模式訓 練與測試實驗中方能得到較佳之模式組合。
2. 隱藏層之選擇
隱藏層主要表示輸入變數間之交互影響作用，其主要作用為連接 反應前一層與後一層之互動關係
3. 輸出層
此預估模式依據上述之影響因子為輸入變數，經由預估模式網路 訓練後，產生一範圍區間，而輸出層個數則經由測試各分類區間之準 確率之後決定，主要針對單一建築物所產生之建築廢棄物數量範圍為 主要輸出。
二、類神經網路參數之測試
影響倒傳遞類神經網路運作較為重要之參數為（1）隱藏層處理單 元（2）學習速率（3）訓練次數（4）慣性因子等四個參數，本文針對 訓練次數於100,000次為基準，對於學習率與處理單元數進行測試，試 分別測試出較佳之學習速率、處理單元數、慣性因子，最後觀察訓練 次數探討訓練次數之收斂情況，以下將逐步討論上述之各項測試：
1. 隱藏層處理單元
本文所測試之隱藏層處理單元各數從1~30個分別進行測試，訓練 次數均為100,000次，學習率定為0.5，其測試結果如圖4-1、圖4-2所示，
結果顯示，於新建工程方面測試處理單元數為11時，所得到之正確率 最為準確，達正確率80％。於拆除工程方面測試處理單元數為10時，
所得到之正確率最為精準，達正確率80％。
圖 4-1 不同隱藏層之處理單元正確率（新建）
圖 4-2 不同隱藏層之處理單元正確率（拆除）
2. 學習速率
為了求得較佳的學習速率參數值，本文乃將學習速率分為0.1、
0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9及1.0等十種。結果顯示如圖4-3、
圖4-4所示，於新建工程學習速率於0.2時所得之正確率為80％，於拆除 工程學習速率為0.2時所得之正確率為80。
3. 訓練次數
由圖4-5、圖4-6可觀察出，於新建工程訓練次數大於20,000次以上 均可得到較佳之正確率。於拆除工程訓練次數在15,000次可得較佳之正 確率。
第四章建築廢棄物產生量推估模式之建構
圖 4-3 不同學習率之正確率（新建）
圖 4-4 不同學習率之正確率（拆除）
圖4-5 不同訓練次數之正確率（新建）
4. 慣性因子
本文將慣性因子為0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8及0.9等 九種進行測試由圖4-7、圖4-8所示，新建工程慣性因子在0.3時有不錯 的分類結果。拆除工程慣性因子在0.6時有不錯之分類結果。
圖4-7 不同慣性因子之正確率（新建）
圖4-8 不同慣性因子之正確率（拆除）
本研究針對類神經網路幾個較為重要之參數如（1）隱藏層處理單 元（2）學習速率（3）訓練次數（4）慣性因子等四個參數進行測試，
透過測試之方式尋求隱藏層處理單元之較佳個數、較佳之學習速率、
適當之訓練次數與較佳慣性因子，如此方能使類神經網路於推估建築 廢棄物產生量時有著良好之效能。經由本研究測試結果決定最佳之組 合如下所示：
新建工程
隱藏層處理單元：11個
學習速率：0.2
第四章建築廢棄物產生量推估模式之建構
慣性因子：0.3
訓練次數：20,000次
拆除工程
隱藏層處理單元：10個
學習速率：0.2
慣性因子：0.6
訓練次數：15,000次
上述所得之各項較佳參數及所篩選後之資料各分類為3~6組，做其 準確度分析，從中發現新建工程與拆除工程在分類為三組時準確度最 高，如圖4-9、圖4-10所示，故將資料分類為三組，各定義為產生量少、
一般產生量與產生量多。而各項資料之範圍如表4-1、表4-2所示。
圖4-9 新建工程之分類準確度
圖4-10 拆除工程之分類準確度
表 4-1 新建工程之資料分類
分類 組中點(m3/m2) 下界(m3/m2) 上界(m3/m2) 筆數
產生量少 0.05 0.01 0.08 22
一般產生量 0.12 0.08 0.15 37
產生量多 0.19 0.15 0.23 9
表 4-2 拆除工程之資料分類
分類 組中點(m3/m2) 下界(m3/m2) 上界(m3/m2) 筆數
產生量少 0.553 0.468 0.638 9 一般產生量 0.723 0.638 0.808 14
產生量多 0.893 0.808 0.978 38