第四章 建築廢棄物產生量推估模式之建構
第四節 新建工程建築廢棄物產生量推估模式之訓練與驗證
本文經由第三章資料之篩選，選定34筆建築工程資料後，利用隨 機選取樣本數之80％即為24筆資料作為訓練資料，透過EXCEL建製整 體建築工程之資料庫，再透過匯入MATLAB之功能進行類神經網路之 操作，類神經網路各項係數之決定，主要依據表4-3所示，隨後進行類
訓練結果
0 1 2 3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 筆數
產生量之分類
實際產生量之分類 訓練結果
圖4-13 類神經網路訓練結果
圖4-14 類神經網路訓練收斂圖
類神經網路之訓練結果及收斂分別如圖4-13及圖4-14所示，所得之 正確率為91.67％，於24筆資料中有2筆資料無法符合訓練之結果，其訓 練之誤差資料如下表4-4所示。由類神經網路訓練後顯示，造成誤差之 結果均落於實際產生量之正負一區間內，產生之結果不至於落差至二 區間內，且正確率91.67％為本研究可接受之合理範圍。故本研究將利 用24筆資料所訓練出來之類神經網路進行測試之工作，測試是否本研 究所利用類神經網路所建構之廢棄物產生量推估模式是否正確。
表4-4 新建工程訓練之誤差資料
筆數 總樓地板面積 m2 構造種類 建築用途 工程金額 實際單位 產生量分類
預測單位 產生量分類 14 13000 SRC 住宅 310000000 第三類
(0.17 m3/m2)
第二類 (0.11 m3/m2) 23 13861.39 RC 辦公大樓 320000000 第二類
(0.11 m3/m2)
第一類 (0.04 m3/m2)
第四章建築廢棄物產生量推估模式之建構
二、新建工程建築廢棄物產生量推估模式之驗證
本研究經由網路之架構與訓練後，即進行類神經網路之測試，經 由第三章資料之篩選，選定34筆建築工程資料後，利用隨機選取樣本 數之80％訓練資料所剩餘之20％資料作為類神經網路測試筆數，共有 10筆資料進行類神經網路之測試。測試結果準確率達80％，如圖4-15。
驗證結果
0 1 2 3
1 2 3 4 5 6 7 8 9 10
筆數
產生量之分類
實際產生量之分類 測試
圖4-15 類神經網路測試結果
類神經網路之測試結果顯示，所得之正確率為80％，於10筆測試 資料中有2筆資料無法符合實際產生之結果，其測試之誤差資料如下表 4-5所示。
表4-5 新建工程測試之誤差資料
筆數 總樓地板面積 m2 構造種類 建築用途 工程金額 實際單位 產生量分類
預測單位 產生量分類 4 6246.8 SS 辦公大樓 239900000 第三類
(0.17 m3/m2)
第二類 (0.11 m3/m2) 5 18719.25 SRC 辦公大樓 507089395 第二類
(0.11 m3/m2)
第一類 (0.04 m3/m2)
三、新建工程建築廢棄物數量推估模式之二次建模
本研究利用所建製之初步建築廢棄物推估數量模式檢核台北縣政
初步模式中，檢核經由本研究模式計算之輸出值是否與台北縣政府所 提供之輸出值相同，相同者表符合實際產生量。台北縣政府所提供之 案例筆數為176 筆，透過本研究模式篩選檢核後，共有 34 筆符合實際 產生量。
經篩選台北縣政府所提供之資料，並與工地實際所蒐集之案例加 總後，總案例筆數為68筆，住宅類為38筆，辦公大樓10筆，工廠10筆，
其他10筆（小學或醫院），如圖4-16所示。
0 10 20 30 40 50
住宅類 辦公大樓 工廠 其他
用途
筆數
圖4-16 蒐集案例之用途種類
本研究利用直方圖將數據再次進行分析，如圖 4-17 所示。將直方 圖組數分為三組，將產生量區分為產生量少、一般產生量與產生量多 之分類。所得之資料範圍為 0.01~0.23m3/m2，各組之組中點分別如表 4-6 所示，資料經由篩選後較為平均，故本研究將針對此 68 筆資料進 行建築廢棄物數量推估之建置。
圖4-17 直方圖-加入台北縣政府資料
第四章建築廢棄物產生量推估模式之建構
表 4-6 六十八筆資料之組中點、上下界 資料訓練筆數，訓練結果準確率達88.68％，如圖4-18所示。
訓練結果
測試筆數為14筆，測試準確率為85.71％，如圖4-19所示
測試結果