基于价值工程的工程设计论文

摘要近年来，学习分析技术的需求伴随着教育大数据的浪潮越来越大。基于文献计量分析法，对国内外近几年来关于学习分析的期刊论文进行梳理，对学习分析工具进行划分，主要讨论23种应用广泛的学习分析工具，从其各个方面进行分析比较，并提供各个工具的相关链接，以期为研究学习分析的教育实践者提供参考。今天小编为大家推荐《基于价值工程的工程设计论文(精选3篇)》，欢迎大家借鉴与参考，希望对大家有所帮助！

基于价值工程的工程设计论文 篇1：

基于总承包模式的建设工程造价管理

【摘要】基于一种总承包模式的建设项目，在建设单位以及分包单位之间的合理控制中，结合总承包的单位的全面选择，进而做好工程造价管理中的一种基础指导，将建设项目投资经济效益显著提高。因此本文对总承包模式下的建筑工程造价管理进行研究分析有一定的研究目的和研究意义。

【关键词】总承包模式；建设工程；造价管理

随着我国经济的高速发展，我国固定资产的总投资逐渐增加，但是我国工程造价管理中的相关制度建设，始终处于一种不完善的状态，资源的浪费以及资金的浪费，不仅仅带给业主巨大的经济损失，同时也带给建设较大的损失。建设项目的造价管理水平同样也处于一种平衡的状态，难以体现出造价管理的优越性。工程项目的发展中，项目总承包这种新型的管理模式，不同于传统意义上的一种项目管理，在多环节的应用中，注重工程造价的综合性管理。

一、工程项目总承包

所谓的工程项目总承包，主要是从事现代化工程总承包的一种企业，在业主的委托下，依据于合同的相关约定，在工程项目的勘察过程中，基于一种设计采购和实际的施工過程，结合全过程和相关若干阶段的一种承包。在总承包商的合理负责过程中，基于工程项目的全面进度和费用管理控制中，采取多种工程总承包的基础模式，并将工程的总体设计合理的完成。在实际的设计施工过程中，基于总承包商的一种业主负责和设计，在施工分包商的合同签订中，有着主要的方式。做好设计采购的过程，将钥匙工程总承包交出，对建造工程总承包的形式进行根本上的设计，对总承包进行综合性的管理，结合BOT承包模式，体现出特有的承包形式。

建设工程总承包的发展中，基于一种简单合同的特点，在简单性的合同结构中，基于一种总承包的一种合同环境。业主通过在规定的额时间中，将项目工程的实施完成，基于设计和施工规划的过程中，保证有着较强的技术和相关的管理。在工程造价的实际估算过程中，有着相对较难的一种估价，基于承包商的一种经营利润状态，难以做好进度质量综合性控制的过程。这种建设工程总承包的过程，难以体现出优化的设计，并存在相对较高的一种承包商利润，在信任监督的过程中，结合业主的基础信任状态，体现出一种综合性的建设和监理[1]。

二、总承包模式下的建筑工程造价管理

关于造价管理的流程，首先在项目投资决策阶段中，做好投资的估算，而基于项目总承包招投标的过程中，做好合同价的合理控制，总承包实施阶段的应用中，基于项目设计和材料采购中，将项目施工的总包以及专业分包的过程合理实现，在项目成本的控制中，体现出的一种造价管理。基于项目竣工和试运行的过程中，注重成本核算的根本应用。而基于项目使用阶段的应用中，基于一种维修费的合理管理。

1、投资决策阶段的管理

投资决策阶段的一种综合性管理过程中，基于一种选择和实际决定的过程中，对行动方案进行综合性的投资，在项目的建设发展中，结合业主造价的全面管理，并本着项目可行性研究过程中，实现建设项目的一种基础投资和估算。

2、招投标阶段的管理

总承包招投标阶段的发展过程中，基于一种工程设计的角度，在总承包的基础设计过程中，对总承包商的一种具体图纸进行根本上的选择，在未来工程项目的全面实施过程中，保证工程项目存在相对较强的一种不确定性。而业主总承包企业的综合性选择过程中，对总承包招投标方案进行合理的设置，在总承包企业的实力评估过程中，对优秀的一种总承包商进行选择，进而对工程项目进行全面的实施。基于工程总承包项目的招投标过程中，结合施工图的一种合理应用，基于工程总承包招标方案的合理应用，做好综合性的基础评价。总承包企业实力在实际的评估过程中，基于工作项目运作的过程中，将工程项目运作能力显著提高，在工程项目的顺利运行过程中，保证总承包企业有着相对较强的实力状态，对企业竞争能力的一种评价体系进行根本上的建立[2]。始终坚持评价体系的一种客观性和可操作性的基本原则，对建筑企业的生存能力进行判断，并综合性的评估总承包企业的一种发展能力，并做好企业文化的基础建设，从根本上对企业竞争力的相关评价模型进行全面的建立，进而采取合理的指标评估体系。

3、项目实施阶段的管理

工程总承包项目在实际的实施过程中，这一阶段的造价管理，往往是总承包商之间进行的一种全面造价和管理，基于施工总承包的主要形式，在设计施工采购综合性管理中，做好设计造价的控制和管理，并做好施工过程中的造价以及材料采购中的一种控制和管理，基于工程总承包的一种全面优势，实现集成性的综合性管理。设计阶段过程中，总承包企业项目的一种基础承担，在设计阶段中的总造价影响过程中，注重造价项目中主要因素的一种合理控制。总承包工程项目设计过程中，通过对工程原理进行综合性的运用，并结合成本的一种设计，进行综合性的设计。在产品生命周期的全面发展中，对产品功能结构进行确保，并结合客户需求的状况和实际的生产能力，并在市场分析的过程中结合一种成本分析，实现产品的基础加工，不能够对工程本质进行综合性的运用，做好设计人员的一种全面协同和管理，将传统部门的一种部门分隔进行打破。施工阶段中的一种造价管理，主要是结合设计图纸的一种控制过程，基于工程项目的合理价值使用，并在工程造价的基础控制中，将建设项目中的一种全过程综合造价管理进行综合性的实现，实施阶段工程造价的加强，就要做好就爱你舍资金的合理应用，将项目投资效益进行全面的提高，并在总承包单位的全面应用中，将施工组织设计和管理进行全面的加强。

三、结束语

工程造价的管理，作为现代化建设工程项目管理的一个重要环节，同时也是现代化工程管理领域极其关注的一种重要课题。基于固定资产的全面投资发展中，建设项目的合理造价控制，对于工程的腐败和工程的浪费有着积极预防作用。总承包模式作为全新的工程项目承包模式，日益呈现出专业化、系统化及规模化的特点。在总承包模式下应做好以上几方面工作，更好的控制工程造价，使施工能够按照施工计划逐一实施，降低工程施工成本，提高经济效益。

参考文献：

[1]王冲. 浅谈建筑工程施工总承包管理 [J]. 四川水泥，2015，37（3）：54-54.

[2]吕君萍. 建筑工程的造价管理和成本控制研究 [J]. 价值工程，2011，30（32）：71.

作者：赵正

基于价值工程的工程设计论文 篇2：

学习分析工具比较研究

摘 要 近年来，学习分析技术的需求伴随着教育大数据的浪潮越来越大。基于文献计量分析法，对国内外近几年来关于学习分析的期刊论文进行梳理，对学习分析工具进行划分，主要讨论23种应用广泛的学习分析工具，从其各个方面进行分析比较，并提供各个工具的相关链接，以期为研究学习分析的教育实践者提供参考。

关键词 学习分析技术；教育大数据；Microsoft Excel；GoogleSheets

Key words learning analytics； educational big data； Microsoft Excel； Google Sheets

1 引言

十九大报告明确提出“到2020年基本实现教育现代化”的战略目标，而实现这个目标的重要途径是让大数据技术助力教育变革。Big Data一词最早出现在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》这本书中，是指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理[1]。在首届中国教育大数据发展论坛探析中，维克托·迈尔-舍恩伯格在他的演讲《大数据与教育的未来》中指出，教育的关键在于对教育数据的分析[2]，而对于教育大数据的挖掘关键就在于学习分析技术。

本文将会详细介绍EDM或LA研究及从业人员使用广泛、功能强大的学习分析工具。文章首先概述两种非常适合用于特征工程和数据创建的工具——Microsoft Excel & Google Sheets和EDM Workbench，紧接着讨论了编程语言Python和SQL的优点。文章还讨论了Rapid、WEKA、KEEL、KNIME、Orange等九种常用的算法分析工具，并探索了Tableau、D3.js两种可视化工具。

2 研究方法

本研究基于文献调研。在中国知网中，于高级检索下以“主题=学习分析技术并且主题=工具”进行检索，查询到93篇中文文献。根据计量可视化分析，发现有关学习分析工具的文献从2012年的四篇逐年增加，其中以社会网络分析、学习分析仪表盘、大数据、可视化、学习行为、智慧教室这几个词为中心点进行聚类分析，从检索结果中也可以发现各大知名高校都在对学习分析工具进行研究，可见学习分析工具才是真正助力学习分析技术面向教育教学的关键。在SSCI数据库中，以“Learning Analytics”为关键词进行搜索，限定领域为教育科学，共得到核心期刊英文文献82篇，其研究包含学习分析的理论研究、学习分析技术在教学中的研究、学习分析模型研究、學习分析工具研究等。本文仅针对学习分析工具进行讨论。

3 学习分析工具分类及比较

学习分析工具的种类有很多，有专用型的（如SNAPP、ELLIment等），也有通用型的（如SPSS、WEKA等）；有适合文本分析的（如CATPAC、LIWC等），也有适合图像化分析的（如Nvivo、Socrato等）。不同学者对于学习分析工具的种类也从多个不同的角度来划分。孟玲玲、顾小清等根据学习工具分析对象与类型侧重的不同，将学习分析工具分为学习网络分析工具、学习内容分析工具、学习能力分析工具、学习行为分析工具、其他综合分析工具[3]。Verbert和Govaerts等人根据学习分析工具应用的环境不同，将其分为支持面对面教学的工具、支持小组合作的工具、支持混合学习或在线学习的工具[4]。郭烱和郑晓俊等根据工具服务对象不同，将学习分析工具划分为支持教师教学的学习分析工具、支持学生个性化学习的学习分析工具、支持教育决策的学习分析工具[5]。

本文则根据研究人员探索分析问题时使用工具的路径，将学习分析工具划分为数据预处理与特征工程工具、算法分析工具、可视化工具、专用工具。

数据预处理与特征工程工具 在进行数据挖掘之前，所有的数据必须首先进行“清洗”，以提高数据挖掘的质量。通过特征提取，可以得到许多未经处理的特征，通过数据预处理使数据标准化和归一化，最后仅需通过特征选择就可得到与研究紧密相关的信息。数据预处理与特征工程工具就是这样一个用于清理、组织和创建有效数据的工具，使研究者解决面临大量数据无从下手的问题。常用的数据预处理与特征工程工具有Microsoft Excel & Google Sheets、EDM Workbench、Python、Jupyter、SQL等。

1）Microsoft Excel & Google Sheets。Microsoft Ex-cel（https：//www.microsoft.com/zh-cn/）和Google Sheets（https：//www.thoughtco.com/google-spreadsheets-4133440）对于新数据特征（变量）第一阶段的原型分析非常有用，它是数据研究者在操作和设计数据中最常使用的工具。这类工具主要用于小规模特征工程，因为其可以使数据完全可视化，所以很容易识别数据中的结构和语义问题，像存在异常值、缺失值及信息冗余等问题。此外，还可以利用它们非常直观地设计新功能，快速将这些功能应用于整个工作表，并通过一系列数据直观地检查功能以确保正常工作，像对数据集合汇总、水平链接及筛选求和等功能应用。

但是，Excel和Sheets不适合所有类型的功能创建。因为创建功能需要不同的数据汇总，其中涉及多次对数据进行分类和重新排序，这导致保存记录十分麻烦，且易更改语义特征。更重要的是，Excel和Sheets对可加载和操作的数据量十分有限，必须保持一定合理的性能。而且Excel和Sheets中的几个常见操作符会进一步降低性能。

2）EDM Workbench。EDM工作台（http：//penoy.admu.edu.ph/～alls/downloads-2）是主要用于自动化特征过滤和数据标记的工具[6]。EDM Workbench的自动过滤功能弥补了Excel和Sheets无法进行大规模工程设计的缺陷。研究人员能够在EDM Workbench中基于xml创建功能，也能够使用智能辅导系统中的26个功能，像学生解决问题所花费的时间及对于最后n个步骤，分析学生所做的动作是否正确，有多少人做对了，以及做对的比例为多少等功能。而且，EDM Workbench具有文本回放的功能，它支持数据采样、评估者之间的可靠性检查以及标签与特征之间同步。

3）Python。Python（https：//www.python.org/）是一种解释型、面向对象的高级程序设计语言，它提供了简易的用户文档，简单易学且完全免费。Python有非常清晰的语法，其设计理念强调代码可读性，特色之一是强制用空白符（white space）作为语句缩进。在建模工具中，Python比大多数模型具备更多优势，如循环（for，while）、决策（条件）这样的基础程序结构都可以得到较好的运用。此外，它可以通过在Python结构中编程—尝试来避免程序运行过程中产生的错误。

Python是一种特别适合于数据处理和功能设计的语言。它不仅可以添加通知消息到用户窗口反映批量数据处理进程，而且可以将输出信息重点标注出来[7]。特别是Python中的工程上下文相关性比Excel或Google表格好，且能够处理许多不同类型的异常或特殊的数据格式，如JavaScript

对象符号（JSON）由若干MOOC和在线学习平台产生的文件。

4）Jupyter notebook。Jupyter notebook（http：//jupyter.org/）是一种保存分析记录和中间结果的工具，其按顺序显示每个用户操作及结果，有利于构建可读性分析。Jupyter notebook其实就是一个Web应用程序，便于创建和共享交互式文档，且支持实时代码、数学方程、可视化和markdown。相比较而言，其实在Microsoft Excel或Google Sheets中创建的数据和功能检查起来更易可视化，特别是在数据集合中数据缺少、重复或异常情况下用Jupyter可能特别难以识别，并且工程特征的验证会更耗时，所以在这里不推介新手程序员使用。Jupyter notebook还有一个缺点是其受到大小的限制，在研究计算机的1000万行数据范围内会变得很慢。

5）SQL。结构化查询语言SQL（https：//www.microsoft.

com/en-us/sql-server）是一种数据库查询和程序设计语言，用于组织一些数据库。它可以有效精确地提取所需求数据，并可以跨多个数据库表进行集成（即“连接”）。它不指定用户对数据的存放方法，且可以使用相同的结构化查询语言作为数据输入与管理的接口。SQL具有极大的灵活性和强大的功能，可以嵌套使用。此外，在SQL等数据库语言中，许多基本的过滤任务（如选择特定的学生子集或从特定日期范围获取数据）比上述任何工具都要快得多。但是在特征工程过程中，SQL不适合创建复杂工程。不過SQL可以与上述其他工具一起有效地工作，比如用SQL执行Excel或Python中非常缓慢的批量排序和筛选任务。

算法分析工具 在解决完清理、组织和创建有效数据后，研究人员面临的问题是可以进行哪些测试，可以构建哪些模型，可以映射和探索哪些关系，以及如何验证发现，如何建立算法，通过何种建模方法进行数据的结构分析等，此时就需要算法分析工具来解决这些问题。这类工具一是可以提供广泛的算法和建模框架，二是可用于模拟和预测教育数据中的关系。常用的算法分析工具有RapidMiner、WEKA、SPSS等八种。

1）RapidMiner。RapidMiner（http：//rapid-i.com/content/view/181/190/）是一个可视化开源数据挖掘工具，可进行数据挖掘、机器学习和商业预测分析[8]。它拥有非常广泛的分类、回归以及用于聚类、关联规则挖掘的算法。RapidMiner的图形化编程语言比其他大多数数据挖掘工具的功能相对更强大，如可以用于使用Batch Cross Valida-tion运算符在多个级别进行交叉验证，这对于概括性分析来说是非常有用的，而且相比于其他所述数据挖掘软件包中的图形化语言是极大优势。RapidMiner还有一系列可用于模型评估的度量标准，并可以通过可视化文件（如Receiver-Operating Curves）帮助用户评估模型拟合，其中模型既可以根据实际的数学模型输出，也可以在xml文件中输出。可以说RapidMiner有一套广泛的教程，对学习如何使用图形化编程语言非常有用。不过它支持的重采样方法（如引导）相比其他数据挖掘软件包更受限制。

2）WEKA。WEKA（http：//www.cs.waikato.ac.nz/ml/Weka/）具有一套广泛的分类、聚类和关联挖掘算法，是一个免费的开放源代码软件包。WEKA可对数据进行预处理、分类、回归、聚类、关联规则分析以及在新的交互式界面上的可视化。用户使用时，可以从命令行、GUI（图形用户界面）或通过Java API调用数据挖掘算法，并且它的命令行界面和API功能比GUI更强大，其不允许用户访问所有高级功能。此外，WEKA可以根据实际的数学模型或PMML（Predictive Modeling Markup Language）文件输出它生成的模型，这些模型可以用WEKA评分插件运行。不过WEKA仅可以选择功能，不支持创建新功能。

3）SPSS。SPSS（http：//www.ibm.com/analytics/us/en/technology/spss/）是一个统计软件包，集数据录入、资料编辑、数据管理、统计分析、报表制作、图形绘制于一体，可提供一系列的统计测试、回归框架、相关性和因子分析等功能。SPSS是世界上最早采用图形菜单驱动界面的统计软件，最突出的特点就是操作界面极为友好，输出结果美观漂亮。其中，SPSS Modeler具有从现有功能创建新功能，进行数据过滤，功能选择和缩减功能空间的优点。虽然SPSS是一个综合的统计分析工具，但是其建模功能比文中提到的几种同类别工具要差一些，因为它相对于其他工具较不灵活，难以进行特征选择，也没有记录功能。

4）KNIME。KNIME（www.knime.org）是基于Eclipse的开源数据挖掘软件，与RapidMiner和WEKA大致相似。它提供了许多与这类工具一样的功能，像RapidMiner一样整合了WEKA的所有算法。此外，它还提供了一系列专业算法，如情感分析和社交网络分析。它通过工作流的方式来完成数据仓库以及数据挖掘中数据的抽取—转换—加载操作。KNIME的一个优势在于它能够在同一分析中整合不同来源的数据（如工程功能的CSV，文本响应的文字文档，以及学生人口统计数据库）。而且KNIME可扩展性强，允许与R、Python、Java还有SQL进行交互。不过在其设计中，因为它没有端口概念的出现，当其进行错误信息的处理流程時，看其过程定义生成的xml文件会发现，错误流定义在xml文件中加入得很不规整，是以补丁的方式加入的，这影响了系统整体设计的完整性与美观度。

5）Orange。Orange（https：//orange.biolab.si/）是一个数据可视化分析软件包。虽然它比RapidMiner、WEKA以及KNIME的算法少得多，但是它的界面清晰、易于理解，比如颜色编码的工具会区分数据输入、清理、可视化、回归和集群这些方面；而且它提供了许多常用的算法，如决策树、关联规则、统计分析等。Orange还具有多功能的可视化编程前端，可用合理的文档形式呈现模型结果。但是相比于Excel，它处理的数据规模有一定的局限性。所以基于简单的GUI和菜单布局，Orange可能更适合小型项目或新手研究人员使用。

6）KEEL。KEEL（http：//sci2s.ugr.es/keel/）是许多EDM研究人员使用的数据挖掘工具。与上面列出的一些工具的不同之处在于，KEEL有更广泛的算法，而且支持各种各样的功能选择，包括支持对缺失数据进行估算和对数据重新采样的功能。作为建模工具，KEEL有一套广泛的分类和回归算法，支持其他类型的数据挖掘算法，如聚类和因子分析，但相比其他软件包更加受到限制。

7）Spark MLLib。Spark（http：//spark.apache.org/mllib/）是一个可跨多个计算机处理器，以分布式方式进行大规模数据处理的计算框架，包含基于弹性数据集（RDD）的低阶Spark机器学习API。Spark可以通过API连接多种编程语言，包括Java、Python和SQL，且允许这些语言用于分布式处理。Spark MLLib机器学习框架支持分类、回归、聚类、协同过滤、降维等主要机器学习算法。尽管MLLib的功能有限，且只是一个纯粹的编程工具，但它的分布式特性依旧使它成为一个不错的工具选择。

8）R语言。R语言（https：//www.r-project.org/）是用于统计分析和绘图的优秀工具。与其他工具相比，R语言能够实现更加复杂的数据处理，且处理效果较为理想[9]。它不单是一门语言，更是一个数据计算与分析的环境。R语言有着简单而明显的吸引力，使用R语言，只需要短短的几行代码，就可以在复杂的数据集中筛选。R语言的最大优势在于画图，像ggplot2、plotly、shiny、ggmap等用起来真的很方便。不过当数据量过大时，因内存原因，R语言不再适用；且它的package太泛，使用中可能存在很多bug。

可视化工具 上面所讨论的两类工具都与一系列的数据及分析相关，可以极大地帮助研究人员分析并获得经过验证表现良好的模型。但是在各大学术讨论会议中，研究者要想完整表达出自己的科研成果，此时就需要借助一些可视化工具，使数据科学家能够创建精美的图表、模型、网络及其他可视化信息。同时，通过良好的可视化方法，也可以使学习者从数据中获取更多的知识点。因此，可视化工具不可或缺。常用的可视化工具有Tableau、D3.js。

1）Tableau。Tableau（www.tableau.com）提供了一系列用于交互式数据分析和可视化的产品。在教育教学中，它可用于分析学生数据，提供可操作的见解，优化教学实践和精简教育报告等。Tableau的最大优势在于不需要编程知识来分析不同来源的大量数据，就可轻松获得可视化效果。Tableau提供了便于存储数据的连接和导入数据功能。Tableau还具有构建丰富的交互式仪表板的功能，这使得它能够实时地向用户动态显示可视化信息。但是，Tableau不支持预测分析和关系数据挖掘，而且作为商业工具不可扩展，不支持与其他软件平台的集成。

2）D3.js。D3.js（www.d3js.org）是一个允许操作数据驱动文档的JavaScript库，研究人员和从业者可以通过D3.js建立复杂的交互式可视化数据。它的优点在于它在构建各种数据可视化方面灵活性强，且无须安装，支持代码重用，并且是免费和开源的。不过学习D3.js需要广泛的编程知识，而且其具有兼容性问题，不提供任何手段来隐藏可视化的用户数据，这就存在很大的用户数据隐私问题。因此，用户使用时要进行数据预处理，以确保隐私和数据安全问题。

专用工具 已经讨论了用于EDM建模和分析的通用工具，但是特定类型的教育数据挖掘与学习分析技术通常需要更多的专用算法工具（简称专用工具），包括知识跟踪算法、文本挖掘、社交网络分析、序列挖掘和过程挖掘等类型工具。对于这些情况，研究人员和从业人员通常会使用针对这些情况而设计的专用工具。常用的专用工具有BTK-BF、LIWC、Gephi、ProM等。

1）贝叶斯知识追踪工具。贝叶斯知识追踪（BKT）（http：//www.columbia.edu/～rsb2162/BKT-BruteForce.zip）是一种常用的潜在知识评估方法，可于在线学习期间测量学生的知识水平。它的优势就在于可以测量在线学习过程中正在变化的知识水平。BKT模型通常使用强力网格搜索和期望最大化（EM）这两种算法之一进行拟合，两种算法在预测性能方面都不错。可以说，贝叶斯知识追踪是一个隐马尔可夫模型，它可以反映学生学习过程中的状态，是学习分析领域常用的技术，像BKT-BF就属于这类工具。

2）文本处理。文本挖掘是数据挖掘领域的一个热点，文本分析工具可以处理文本内容的词性、句子结构和语义词义等。现如今已有大量的程序、APP和API可用于标记、处理和识别文本数据，此外还有一些工具能够识别不同单词和句子之间的表示关系。可用的文本挖掘和语料库分析工具种类繁多，下面介绍几种一般适用于文本挖掘的方法以及调查文本和语篇中特定结构的工具。

①LIWC。LIWC（http：//liwc.wpengine.com/）即自然语言处理技术，是一个旨在用电脑程序取代专家来对各种文本进行分析的软件程序。它可以对文本内容进行量化分析，并将文本中的各类词语（尤其是心理学类词语）进行计量，如因果词、情绪词、认知词等心理词类在整个文本中的使用情况[10]。目前，LIWC已提供超過80种不同心理类别的词汇，如认知词汇、情感词汇、功能词汇、分析词汇等，它通过分析所用词汇来衡量文本的潜在特征，已在大量研究中得到广泛使用。

②WMatrix。WMatrix（http：//ucrel.lancs.ac.uk/wmatrix/）是用于文本语料库的词频分析和可视化的文本分析工具，主要在特征工程阶段用来提取语言特征，包括单词n-gram、词性标签和单词语义类别。WMatrix主要优势在是语义归类和范畴研究，且可根据研究自建语料库。此外，它还可以通过文字云的形式提供文本语料库的可视化，并提供用于同时比较几个文本语料库的界面。

③Coh-Metrix。Coh-Metrix（http：//www.memphis.edu/iis/projects/coh-metrix.php）是一个基于网络的文本分析工具，提供了超过100种、大致11类的文本语料库。与以上工具相比，Coh-Metrix的优势在于可通过一系列文本特征来分析文本的衔接性，且其具有多个标签，可用于评估深度文本内聚，如叙述性度量和参考内聚性。因为Coh-Metrix拥有巨大的文本语料库，其已被广泛应用于自动测量文本难易度及衔接性。

3）社交网络分析工具。社会网络分析（Social NetworkAnalysis，SNA）是一种基于多个学科融合，用于研究人类社会关系、行为特点及信息传播的定量方法。SNA通常用于分析在线学习中的交互现象，如平台活跃度如何，个体间的关系如何，等等，帮助教师更好地完成课堂任务。下面介绍几种社交网络分析中常用的工具。

①Gephi。Gephi（https：//gephi.org）是一款广泛用于分析不同类型社交网络的交互式工具，通常被用作探索性分析的工具，且不仅提供了一组图形化工具，而且提供了操纵社交网络图、多重量度（如密度、平均路径、介数中间性）计算以及社交网络分析中常用算法（如图类聚）的Java API。近些年来，Gephi被广泛用于学习分析研究，特点是快速、简单及模块化，且支持各种社交网络的输入数据格式。因此，Gephi适合做可视化数据分析探索和生成研究发布的效果图。

②EgoNet。EgoNet（http：//egonet.sf.net）是一款主要以自我为中心来进行重点分析的免费社交网络分析工具。这款工具一般使用调查工具从个体网络的角度构建社交网络，再通过创建问卷、收集数据，提供可用于其他软件进行后续分析的综合措施，计算用于分析社交网络和生产图的相关测量。且EgoNet具有可视化的优点，便于研究者更好地了解整个网络结构。

③NodeXL。NodeXL（http：//nodexl.codeplex.com）是一款简单易用的开源社交网络可视化分析软件，是Micro-soft Excel的一个扩展，优点是有灵活的输入输出及布局灵活。与Gephi类似，它不仅提供了一组用于过滤数据的可视化工具，而且可计算基本网络性质（如半径、直径、密度等）、节点属性（如度中心性、中介中心性、特征向量中心性等）以及其他网络分析方法（如社群挖掘的聚类分析等）。除了可以进行社交网络分析，NodeXL Pro还包含来自多个社交媒体平台（如Twitter、YouTube）的数据；不过它的速度比较慢，只适合处理小规模的数据。

4）过程与序列挖掘工具。除了传统的教育数据分析方法，如预测学习成果或课程持续性，研究人员还旨在追踪学习者活动的顺序，以了解学习策略和过程[11]，此时就需要过程与序列挖掘工具。下面介绍通常用于这方面研究的ProM工具。

ProM（www.promtools.org/doku.php）支持多种过程挖掘技术，通常用于分析过程，同时可以进行某种级别的数据预处理。ProM 6就支持在分布式设置和批处理中实现过程挖掘。ProM不仅支持多个进程挖掘算法的连接，还可以在运行时添加新的插件，以便直接集成到分析过程中。更重要的是，ProM允许与现有信息系统轻松集成，无须编程。

4 结语

学习分析工具在学习分析过程中起到很大作用，是促进教育教学发展的关键。本文根据研究者探索问题的路径，讨论教育领域常用于学习分析的20多种工具。教育的需求在不断增长，新的工具也在不断涌现，选择合适的工具进行研究是必要的。因此，笔者希望这篇综述能够对研究这些新兴方法的研究人员在实际应用和使用方面有所帮助。

参考文献

[1]Mayer-Sch?nberger V， Cukier K. Big Data： A Revo-lution That Will Transform How We Live， Work and Think[M].New York： Houghton Miffin Harcourt Publishing Company，2014：181-183.

[2]孟志远，卢潇，胡凡刚.大数据驱动教育变革的理论路径与应用思考：首届中国教育大数据发展论坛探析[J].远程教育杂志，2017（2）：9-18.

[3]孟玲玲，顾小清，李泽.学习分析工具比较研究[J].开放教育研究，2014（4）：66-75.

[4]Verbert K， Govaerts S， Duval E， et al. Learning dashboards： an overview and future research oppor-tunities[J].Personal And Ubiquitous Computing，2014，18（6）：1499-1514.

[5]郭炯，鄭晓俊.基于大数据的学习分析研究综述[J].中国电化教育，2017（1）：121-130.

[6]Rodrigo T， Mercedes M， Baker R， et al. Develop-ment of a Workbench to Address the Educational Data Mining Bottleneck[J].International Educational Data Mining Society，2012.

[7]何丽娴，甘淑，陈应跃.基于Python语言的空间数据处理[J].价值工程，2014（36）：207-208，209.

[8]陈葡，陈葵，游子毅.基于RapidMiner的SVM分类方法设计[J].电子世界，2015（16）：73-74.

[9]周芸韬.基于R语言的大数据处理平台的设计与实现[J].现代电子技术，2017（2）：53-56，59.

[10]张信勇.LIWC：一种基于语词计量的文本分析工具[J].西南民族大学学报：人文社会科学版，2015（4）：101-104.

[11]Bogarín A， Romero C， Cerezo R， et al. Clustering for improving educational process mining[M]//ACM： In Proceedings of the FourthInternational Conference on Learning Analytics And Knowledge，2014：11-15.

作者：聂静雨

基于价值工程的工程设计论文 篇3：

三维可视化技术在水利水电建设中的应用

摘 要：该文提出了基于GIS和三维可视化平台的水利水电施工系统模型三维可视化结构及施工过程。首先介绍了基于GIS的三维可视化，讨论了构建三维可视化数字模型的方法，然后介绍了地形数字化技术、特征建模技术，最后，技术路线表明，该方法具有良好的实用性。

关键词：水利水电工程 三维可视化 过程模型 空间分析

水利工程设计是一个复杂的系统，它涉及地质、地震、测绘、构造、力学以及计算机图形学等多个领域。因其地理条件复杂、地质信息繁多，给前期工程的勘测、后期设计和施工带来了巨大的困难。然而，目前的设计工作大部分仍停留在过去传统二维图纸上的设计。传统的设计理念和方法，不仅造成资料的利用率低、工作效率低，而且提取信息的精度差，往往与实际情况产生较大的差异。在水利水电工程设计中引入三维可视化技术，不仅直观的反映了水利工程的建筑物形态，而且大大提高了设计效率和资料利用率[1]。

通过信息化建设，将信息技术、图像处理技术、现代管理技术与水利工程设计相结合，带动设计方法和工具的创新、工程管理模式的创新，实现工程设计和工程管理的信息化、施工过程的数字化，从而全面提升我国水利工程的竞争力[2]。在水电水利工程设计实施过程中，特别是山塘水坝的建设，充分运用视觉设计技术，将大大提高山塘水坝工程的设计水平和效率，促进施工管理的发展走向现代化，现代化的施工管理可以降低工程成本，为国家的经济发展做出更大的贡献[3]。基于此，该文回顾并总结了三维数字化可视化技术在水利水电工程中的应用，对三维可视化技术在水利水电工程中迅速发展与应用提供一定的借鉴与指导作用。

1 三维可视化技术

可视化是利用计算机图形学和图像处理技术，将数据转换成图形或图像在屏幕上显示出来，并进行交互处理的理论、方法和技术[4]。可视化技术是一门综合性学科技术，它是计算机仿真技術、3S 技术、可视化和虚拟现实技术多门学科的综合体[5]，三维可视化技术具有广阔的应用领域和发展前景[6]。

可视化的核心技术包括：（1）将收集阶段获得的地形、测绘数据和结果转换为可视化的图形或图像数据；（2）基于面向对象编程技术实现用户图形界面的可视化建模设计。可视化模型过程如图1所示。

2 基于GIS的三维可视化原理

可视化是将数据处理的抽象结果转化为图像和图形结果。一般由点、线图、网格、体素等基本视觉图元模型组成，然后对建立的模型进行渲染和显示。

2.1 基于GIS建模的思想与优势

在各级水利建设中可以分解成子系统，其中包括主要的临时挡水坝建设等子系统、围堰施工子系统、放电结构和改变水的子系统。利用GIS能够存储和处理不同对象在不同位置的分布式地理空间的拓扑关系，可以实现对周围物质的模拟，然后通过坐标变换将每一个子系统坐标转化成统一的地理空间坐标。在相同地形背景的虚拟工程环境中，实现了每个子模型协调统一，从而在宏观层面形成水利施工建设系统可视化。

在地理信息建模系统中，对模型属性进行编码和基本几何元素建立属性表。由于图形对象与模型的属性特性具有一定的内部关联，因此在访问图形对象的同时可以获取其空间坐标、拓扑结构和相关属性信息。因此，利用数据三维可视化技术，通过直接访问进程便可获取屏幕图形对象各自属性。例如，通过堤坝和地形相交的边界线，可以自动获得相对位置的交叉空间围堰模型和数字地形模型的关系。

2.2 构建各类物理模型

根据材料特点及类型的不同，建模采用的方法也大不相同。

（1）指的是空间几何对象模型可以描述几何特征和拓扑关系，只有一个描述它的构造函数体表面边界表示和计算几何方法，都反映出表面的物理性質也有其内部的空间分解方法的性能特点。三维实体模型是由基本元素的组合而成，并通过对这些基本元素的变形和算术运算，如旋转、缩放、平移、剪切和反射变换构造。点、线、面、体四个基本几何元素可以构成任意三维抽象物体，然后将这四个基本几何元素集合起来并对三维物体进行渲染便可构造更复杂的物体。三维实体模型是建立在绝对真实数字矢量模型基础上的，因此它可对任何可测量的元素进行实际测量。

（2）对于云、山、树等不规则物体，一般采用统计分形几何建模。常用分形建模方法首先是用一般形状或结构来描述物体的整体特征，然后通过光或随机漫反射变换将静止精细结构图像表现出来[4]。对于地形建模而言，则是通过对已知的一系列离散高程数据点进行数据插值方法实现。实际建模方法可通过几何分形法也可采用曲面造型的方法。

曲面造型是离散的数据点通过曲线拟合和插值的方法对离散数据的重构。曲面也可通过离散的多边形网格逼近曲面。曲面的精度是由离散的近似四边形或三角形网格的数量决定的。

（3）通过粒子系统建模方法，可以实现一些模糊而且不规则的物体模型的构建，如火花、煙、水等。粒子系统建模的基本思想是：利用大量具有一定大小和性质的微小粒子的基本元素来描述模糊不规则对象，这些微小基本元素具有自己的属性，如形状、坐标系、颜色、生存时间等[5]。粒子流模拟系统基于大量的粒子在运动过程中被看作是由一组预先定义的随机过程来控制粒子的形状特征、流动方向、速度和动态特性的位置。通过程序给定的期望平均值和最大方差的随机过程统计分析，每个粒子具有随机运动特性。该方法考虑了建模的模型在外部环境和干扰的情况下的随机扰动，更符合真实运动情况[7]。

3 静态实体造型系统的构建

通过3D可视化技术对水利水电施工现场地形和各种地物进行数字化建模。它能够真实反映施工地形、建筑物的整体布局、地基等方面的挖掘和填充三维过程以及外观及其他有用的信息。其创建过程的流程图如图2所示。

（1）通过数字地形模型（DTM）或实际测绘收集地表点的空间坐标（x、y、z）以及各物体的属性，并建立相应的数据特性表来表征地物模型的特征。

（2）通过施工现场的DTM表对地形进行切割和充填。由于DTM模型是由许多不规则的三角形组成，并且每个三角形的性质特征大不相同（其中包括面积、海拔、坡度、角度等）。

（3）通过建立施工系统三维数字化模型，可以实现实际图像的输出，同时可以进行实时可视化操作以及三维GIS空间分析。

（4）基于CAD图形建模技术。实体CAD图形建模技术（图3）。用CAD软件实现整个过程建模系统，或者用鼠标直接绘制模型库的一个构件，具有拼合成几何空间在计算机屏幕上使用的功能。

4 结语

与传统方法相比，三维可视化建模作为一种可视化建模的新技术不仅具有更加真实三维动态实时显示效果，使不熟悉的地质结构和构造设计工作者对地质空间结构关系有一个十分直观的认识。该文回顾并总结了三维数字化可视化技术在水利水电工程中的应用，对三维可视化技术在水利水电工程中迅速发展与应用提供一定的借鉴与指导作用。

参考文献

[1] 钟登华，李景茹，黄河，等.可视化仿真技术及其在水利水电工程中的应用研究[J].中国水利，2003（1）：67-70.

[2] 左健扬，倪万魁，景博.三维可视化滑坡地质模型的研究与应用[J].灾害学，2017，32（1）：60-64.

[3] Huang Wenbin，Xiao Keyan，Chen Xuegong，et al.Development of 3D visualization prototype system of mineral reserves estimation[J].Mineral deposit geology，2006， 25（2）：207-212.

[4] Zhu Liangfeng，Pan letter，Wu Xincai.Design and development of 3D geological modeling and visualization system[J].Rock and soil mechanics，2006，27（5）：829-832.

[5] Zhong Denghua，Song Yang.With the application of GIS water resources and hydropower engineering 3D visual graphic simulation method[J].Journal of engineering graphics，2004（1）：52-58.

[6] Huang Shanglei.Introduction and analysis of three dimensional design method for hydraulic and Hydroelectric Engineering[J].Guangdong science and technology， 2012（9）：75-76.

[7] 郁智，朱茂濤.基于ENVI和ArcScene三维地表可视化研究——以云南会泽铅锌矿为例[J].价值工程，2017，36（5）：189-191.

作者：刘武 项春 夏为