台灣因地狹人稠，為了增加可使用面積，地下基礎越挖越深，由於營建施工環境變化大，因此開挖工法的選擇為施工規劃相當重要的課題，若選擇不當，輕則浪費成本，重則造成鄰房損失事件；再者，基礎工程是後續工程的先前作業，任何基礎工程的工期延遲或資源調配出狀況，將會對整個工程的進度與預算造成重大的影響。
本研究提出一「模糊偏好新相似度量測與演化式支撐向量機模式」（Fuzzy Preference Relations（FPR）─New Similarity Measure（NSM）and Evolutionary Support Vector Machine Inference Model（ESIM），FPNSM─ESIM），此模式能夠儲存過去案例，並且具有學習預測之能力。本研究先確立影響連續壁工法選擇與工期的重要因子，建立相關案例庫，再使用模糊偏好關係（FPR）針對蒐集到的案例因子進行權重分析，然後以新相似度量測（NSM）方法進行連續壁工法選擇；確定工法後，進一步使用演化式支撐向量機（ESIM）進行工期最佳化預測。透過案例測試分析，可得知FPNSM-ESIM能快速評選出連續壁施作時應採用的工法並準確地預測連續壁工期，因此本文提出之FPNSM-ESIM模式可做為營建工程規劃時，選擇連續壁工法與工期推估之參考。

Because Taiwan is a thick place, it increases the usable area that the underground foundation digs more and more. It is due to the construction environment changes a lot that the excavation method choice becomes an important topic of the construction plan. If the excavation method choice was not unsuitable for the construction environment, it will waste the cost lightly or it will damage the house nearby. Furthermore the underground foundation is the previous actives of the following engineering. Any kind of the underground foundation of the duration is delayed or the recourses are allotted in trouble. It would be the cause of a huge effect for the duration of the whole engineering and the budget.
This paper present「Fuzzy Preference Relations─New Similarity Measure and Evolutionary Support Vector Machine Inference Model, PNSM─ESIM」, it cans save historical cases and has study ability of the prediction. At first, this paper defines the factor of the slurry wall selection and prediction of slurry wall duration, and set up the case-base. Then it uses the Fuzzy Preference Relations to find the weight of slurry wall and it uses New Similarity Measure to select the method of slurry wall that defines the method of slurry wall. Second, it uses Evolutionary Support Vector Machine Inference Model to optimize the prediction of slurry wall duration. By testing, it know FPNSM-ESIM that it can fast select the method of slurry wall and it can predicts the duration of slurry wall. Therefore, this paper present FPNSM-ESIM that it can be the slurry wall selection and prediction of slurry wall duration for the construction plan.

1. 林燕川「演化式模糊類神經網路應用在深開挖壁體變形預測之研究」，碩士論文，國立台灣科技大學營建工程系，2004。
2. 林耀煌，「高層建築--基礎開挖施工法與設計實例」，長松出版社，1996。
3. 潘南飛，「模糊層級分析法應用於高雄地區深開挖擋土壁工法之評選」，中華民國建築學會「建築學報」第58 期，19~40 頁，2006 年12 月。
4. 鄭慶武，「深開挖工程─擋土壁施工全方位考量」，營建知訊，第276期，第45-56頁(2006)。
5. 林亦郎，「專家系統再伸開挖安全監督之研究」，碩士論文，國立台灣科技大學工程技術研究所，1989。
6. 葉怡成，「機器學習在土木工程專家系統應用之研究」，博士論文，國立成功大學土木工程研究所，1991。
7. 沈茂松，「營建工程防災技術」，文笙書局，2001。
8. 許宏博，「專家系統與類神經網路在擋土壁選擇之應用」，碩士論文，國立中央大學土木工程研究所，1995。
9. 鄭保隆，「機器學習在深基礎型式決策專案系統之應用」，碩士論文，中華工學院，新竹，1995。
10. 熊雲嵋，「利用專家系統選擇擋土設施」，現代營建，第139期，第54-60頁(1991)。
11. 謝文魁，「建築工程基礎開挖擋土施工策略專家系統之研究」，碩士論文，中華工學院土木工程學系，1996。
12. 吳育偉、鄭明淵「支持向量機最佳化模式-應用於營建管理決策」,第11屆營建工程與管理學術研討會, 2007。
13. 何儀山，「營建工地知識歸納學習系統─以連續壁工程單元分割為例」，碩士論文，國立交通大學土木工程學系，1997。
14. 許淑婷，馮重偉，「利用快速混雜基因演算法與模擬機制建立設計專案作業程序最佳化之研究」，碩士論文，國立成功大學，2006。
15. 簡崑棋，馮重偉，「結合模糊類神經模式與快速混雜基因演算法於專案工期之預測」，碩士論文，國立成功大學，2003。
16. 許長立，「地下開挖擋土壁工法評選模式之研究」，碩士論文，國立台灣科技大學營建工程系研究所，2002。
17. 李魁士，劉慶豐，「淺談深開挖工程規劃設計之地工考量」(上)，http://www.arch.net.tw。
18. 楊智斌，「以整合模型解決營建管理中經驗導向問題之研究」，博士論文，國立中央大學營建管理研究所，1996。
19. 張瑞雲，孟麗軍，孫鐵城，「地下連續牆成槽施工工法及設備適用性分析」，石家莊鐵道學院士木分院，河北石家莊，《工程力學》增刊2003年。
20. 邱義翔，「工程爭議案例推論模式之研究」，碩士論文，，國立台灣科技大學營建工程系研究所，2005。
21. 李文通，「深開挖壁體變形預測─應用演化式支撐向量機推論模式(ESIM)」，國立台灣科技大學營建工程系研究所，2008。
22. Ko, C. H. (1999). "Computer aided decision support system for disaster prevention of hillside residents", MS thesis, National Taiwan University of Science and Technology, Taipei, Taiwan.
23. Fukahori, K. and Kubota, Y. "Consistency evaluation of landscape design by a decision support system", Computer-Aided Civil and Infrastructure Engineering, 15(5), 342-354, 2000.
24. Sundin, S., and Braban-Ledoux, C. "Artificial intelligence-based decision support technologies in pavement management", Computer-Aided Civil and Infrastructure Engineering, 16(2), 143-157, 2001.
25. Cheng Min-Yuan and Ko Chien-Ho, "Object-Oriented Evolutionary Fuzzy Neural Inference System for Construction Management", Journal of Construction Engineering and Management, ASCE, Vol. 129, No. 4, pp.461-469, 2003.
26. Martino, J. P. (1993). "Technological Forecasting for Decision Making." 3rd ed., New York, McGraw-Hill, 251-252.
27. Davis, D. (1996). "Business research for decision making", 4th ed., Belmont, Duxbury Press, 4.
28. Cortes and V. Vapnik., "Support-vector network," Machine Learning, vol.20, No.3, pp.273-297（1995）。
29. 鄧乃楊等（2004），"數據挖掘的新方法─支持向量機"，科學出版社，中國。
30. 陳俊榮，「基因演算法在視覺系統參數校正及尺寸量測上之應用研究」，碩士論文，國立台灣科技大學工程研究所，台北，1999。
31. D.E. Goldberg, K. Deb, H. Kaegupta, G. Harik, "Rapid, accurate optimization of difficult problems using fast messy genetic algorithms", Proceedings of the Fifth International Conference on Genetic Algorithms, pp. 56- 64, 1993
32. D. Knjazew, G.A. Ome, "A Competent Genetic Algorithm for Solving Permutation and Scheduling Problems", Kluwer Academic Publishers, Boston, 2003.
33. 許淑婷，馮重偉，「利用快速混雜基因演算法與模擬機制建立設計專案作業程序最佳化之研究」，碩士論文，國立成功大學，2006。
34. Thorsten Joachims, http://svmlight.joachims.org/svm_struct.html
35. 吳宗桂，「營造廠專業協力廠商評鑑模式之建立與應用」，碩士論文，國立台灣科技大學營建工程系，台北，2001。
36. 簡崑棋，馮重偉，「結合模糊類神經模式與快速混雜基因演算法於專案工期之預測」，碩士論文，國立成功大學，2003。
37. Russell, J.S., Jaselskis, E.J., Lawrence, S.P., Tserng, H.P., and Prestine, M.T. (1996),"Development of a Predictive Tool for Continuous Assessment of Project Performance", Source Document, The Construction Industry Institute.
38. Yonas B. Dibike1 et al.,"Support Vector Machines: Review and Applications in Civil Engineering," Proc. of the 2nd Joint Workshop on Application of AI in Civil engineering（2000）。
39. Yonas B. Dibike1, "Model Induction with Support Vector Machines: Introduction and Applications," ASCE Journal of Computing in Civil Engineering, vol.15, No.3, pp.208-216（2001）。
40. Vapnik, V. (1995). "The Nature of Statistical Learning Theory" New York, NY: Springer-Verlag.
41. E. Herrera-Viedma , F. Herrera, F. Chiclana, M. Luque, “Some issues on consistency of fuzzy preference relations”, European Journal of Operational Research 154, 98–109, 2004.
42. Tien-Chin Wang , Tsung-Han Chang, “Forecasting the probability of successful knowledge management by consistent fuzzy preference relations”, Expert Systems with Applications 32, 801–813, 2007.