建筑工程用料量的BIM分析方法研究

来源:用户上传      作者:常丽

　　摘 要：为节约建筑成本和确保工程项目如期完工，应对建筑工程项目的用料量进行分析和准确估算。针对这一问题，该文提出一种基于BIM模型信息的遗传算法智能分析网络的建筑项目工程用料量的估算方法。智能分析网络以遗传算法为深度学习的内核机制，构建适应度函数、三大运算处理机制，以样本数据进行训练达成智能网络的稳定状态后，即可对要处理的建筑单元进行用料量估算。实验过程中，以天津市ABC工程项目为实际研究案例，将其前19个已完工建筑单元的经验数据、BIM模型导入的数据纳入遗传算法智能网络，实现了对第20号建筑单元预期建筑用料总量的估算。
　　关键词：建筑工程;遗传算法;BIM模型;用料量;智能分析
　　中图分类号：TU17 文献标志码：A 文章编号：2095-2945（2022）30-0142-04
　　Abstract： In order to save construction costs and ensure that the project is completed on schedule， the material consumption of the construction project should be analyzed and accurately estimated. To solve this problem， this paper proposes a method of estimating the construction project material consumption based on BIM model information and genetic algorithm intelligent analysis network. The intelligent analysis network takes genetic algorithm as the core mechanism of deep learning， and constructs the fitness function and three operation processing mechanisms. After the stable state of the intelligent network is achieved through training with sample data， the material consumption of the building unit to be processed can be estimated. During the experiment， taking the Tianjin ABC project as the actual research case， the empirical data of the first 19 completed building units and the data imported from BIM model were included in the genetic algorithm intelligent network， and the expected total building materials for the No. 20 building unit were estimated.
　　Keywords： construction engineering; genetic algorithm; BIM model; material consumption; intelligent analysis
　　我国城市建设进程的逐步加快，使得各类建筑工程项目的数量大大增加。城市建设的繁荣给建筑企业带来了更多的业务。但要真正地获得收益的增加，还必须有效地控制建筑成本、合理地估计建筑工程项目所需的用料数量。目前，建筑信息化建模技术手段（BIM）已经逐步取代人工经验的判断，成为建筑工程项目用料量的重要分析和估算方法[1]。通过BIM技术完成建筑工程项目的可视化三维模型展示和量化数据结果呈现之后，再结合智能分析算法，可以更加快速、更加高效和更加准确地给出建筑工程项目用料量的估算结果，这为建筑工程项目的实际施工作业提供了最有力的理论和技术支撑[2-3]。本文中，将遗传算法同BIM技术相结合，构建一种新的建筑工程项目用料量的分析方法，以期得到更好的分析效果并榻ㄖ领域开辟新的技术支撑途径。
　　1 基于遗传算法的智能分析网络
　　将各种特征信息采集进来，再通过智能网络的数据分析和智能决策，可以为建筑工程项目用料的准确评估提供最有效的保障。智能分析网络的主要形式是深度学习网络。本文中，以遗传算法构建深度学习过程的内核，形成基于遗传算法的智能分析网络，用于建筑工程项目用料量的分析和评估。
　　在基于遗传算法的智能分析网络中，有关建筑工程项目的各种特征信息，都要纳入智能分析网络中进行训练，训练误差达到最小时训练过程结束，分析结果作为最终结果输出。在整个的迭代训练过程中，采用遗传算法来构建训练所用的适应度函数，其数学形式如下
　　
　　式中：G为遗传算法的适应度函数;？姿为遗传算法调整参数;i为遗传算法智能分析网络中的神经元序号;n为遗传算法智能分析网络的神经元总数;ci为遗传算法智能分析网络的实际输出数据;oi为遗传算法智能分析网络的预期输出数据。
　　在智能分析网络的迭代处理过程中，有关建筑工程项目的各类信息将采用遗传算法的选择、交叉和变异的处理方法进行处理。其中，智能分析网络中遗传算法的选择处理，其数学形式如下
　　式中：Gi为遗传算法智能分析网络的第i个适应度值;gi为第i代遗传的种群;gj为第j代遗传的种群;i、j为遗传的代数;pi为第i代遗传被保留的概率。选择处理的具体要求是，选择出更小的pi替代原有的值。

nlc202211021536

　　如果遗传算法中第k个染色体可以用mk来描述，遗传算法中第l个染色体可以用ml来描述，则可以执行这2个染色体的交叉处理，其数学形式如下
　　mkj=mkj（1-R）+mljR ， （4）
　　mlj=mlj（1-R）+mkjR ， （5）
　　式中：R为遗传算法交叉处理中使用的随机数;mkj为第k个染色体中第j个基因;mlj为第l个染色体中第j个基因。
　　如果算法中染色体mij的上下界，分别可以采用mmax和mmin描述，那么遗传算法的变异处理，其数学形式如下
　　mij=mij+（mij-mmax）×（d）mij+（mmin-mij）×（d） ， （6）
　　式中：参数（d）为遗传算法变异处理的参与函数;mij为第i个染色体中第j个基因;d为概率控制参数。其数学形式如下
　　式中：R为遗传算法变异处理中使用的随机数;d为概率控制参数;Dmax为控制参数上限域值。。
　　遗传算法变异处理的过程中，式（6）包含了2种形式，其中上面公式的执行条件是？籽（d）<0.5，下面公式的执行条件是？籽（d）>0.5。
　　2 基于遗传算法智能网络的BIM分析方法
　　遗传算法智能网络用于建筑工程项目用料量的分析和估算，需要大量的建筑工程项目的样本数据，只有将足够多的样本数据纳入遗传算法的智能分析网络，才能得到准确的工程用料量的分析结果。因此，遗传算法智能分析网络在实际使用时，就需要一个强大的信息模型与之配合。
　　BIM分析方法将建筑工程项目进行模型化、仿真化、数据化和信息化，不仅可以清晰直观地展示实际建筑工程项目的实物形式，也包含了大量的结构单元、结构参数和特征参数，成为一个富含建筑工程项目各类信息的大数据集。为此，本文构思了遗传算法智能网络和BIM分析方法相结合的一个分析流程，如图1所示。
　　 由图1给出的这个流程可以看出，首先利用BIM建模技术完成建筑工程项目的三维建模并导入各种相关信息，然后根据这些信息生成与工程项目相关的特征向量，进而将这些特征向量纳入到遗传算法智能网络进行训练，当遗传算法智能网络的训练达到稳定后，将有关建筑工程项目用料数量的分析和估算结果输出，作为指导实际施工的依据。
　　3 基于遗传算法智能网络的BIM方法实验结果与分析
　　为了验证基于遗传算法智能网络的BIM分析方法对建筑工程项目用料量分析和估算的有效性，接下来展开实验研究。实验过程中，选择了天津市ABC工程项目的实际案例。ABC工程项目是一个包含30个建筑单元的大型工程项目，每一个单元包括了多个楼宇。目前，ABC工程项目已完成19个建筑单元，正在进行第20个建筑单元的用料估算。
　　ABC工程项目的第20个建筑单元共包括4个高层楼宇和1个二层楼宇，其整体上的BIM模型展示效果如图2所示。
　　BIM模型功能十分强大，不仅可以对建筑单元的整体进行仿真和视觉展示，还可以放大到每一个局部，看到其内部的结构细节。ABC工程项目第20个建筑单元中4号楼宇的第10层结构的细节如图3所示。
　　 为了能够形成对ABC工程项目第20个建筑单元用料量的准确分析，在BIM模型导入的基础上，还需要给遗传算法智能分析网络提供大量的样本数据。因为ABC工程项目的前19个单元都已施工完毕，其用料量可以作为样本数据用于遗传算法智能分析网络的训练。
　　这些数据的数值各异、单位不同，为了消除数据间的绝对差异，将各类数据提炼成5大类归一化的特征信息，分别如下。
　　第一类特征信息：整体建筑施工面积的大小。
　　第二类特征信息：地基结构和地基用料参数。
　　第三类特征信息：楼梯和连廊结构用料参数。
　　第四类特征信息：楼宇顶层防水用料参数。
　　第五类特征信息：门窗电水井用料参数。
　　ABC工程项目20个建筑单元BIM模型的5大类特征信息，汇总统计见表1。
　　由表1可以看出，第1列是ABC工程目各个建筑单元的标号，第2到第6列是5大类特征信息抽象出来的特征向量。这些特征向量全部进行了归一化处理，并且不含有单位。这样的处理达成了各类特征信息之间的差异平衡。最后一列是用料量的估算结果。上述数据可以通过各建筑单元的BIM模型，迅速导入。导入后，第2到第6列的数据对应于遗传算法智能分析网络的输入，最后一列的数据对应于遗传算法智能分析网络的输出。
　　因为第1单元到第19单元都是已建筑施工完毕的建筑单元，其实际数据是确定的，所对应的抽象特征信息也是确定的，是用于遗传算法智能分析网络训练的样本数据。在训练过程中，大概经过40次左右的迭代处理，遗传算法智能分析网络达成稳定，其迭代训练过程的误差变化曲线如图3所示。
　　由图3给出的迭代过程误差变化曲线可以看出，横轴代表了遗传算法的迭代次数，纵轴代表了迭代过程的训练误差。随着迭代过程的进行，迭代误差迅速下降。迭代了5次之后，误差就已经接近0.1附近。迭代15次以后，误差已经小于0.01。迭代到30次以后，迭代误差基本已经没有变化。
　　迭代误差稳定于一个极小值，表明遗传算法智能分析网络达到了一个稳定的状态。这时，这个智能分析网络可以用于第20号建筑单元的工程用料量的估算。最终，根据已完工的19个建筑单元BIM模型对应的实际数据，运用稳定的遗传算法智能分析网络得出的结果，预估ABC工程项目第20号建筑单元的用料总量为3 385.6 t。
　　4 结论
　　对建筑工程项目用料量的分析和准确估算，对于节约建筑成本、维护工程项目如期完工具有重要意义。本文中，将BIM分析方法同遗传算法智能分析网络相结合，提出了一种新的建筑工程项目用料量的分析估算方法。首先，给出了遗传算法智能网络的构建过程，包括适应度函数的构建，遗传算法的选择处理策略、遗传算法的交叉处理策略和遗传算法的变异处理策略等。其次，给出了遗传算法智能网络和BIM分析相结合的处理流程。最后，运用本文提出的方法对ABC工程项目第20号建筑单元进行工程用料量的分析估算。分析过程和估算结果显示，依靠前19个已完工建筑单元的经验数据、BIM模型导入的数据和遗传算法智能网络，可以有效地完成第20号建筑单元用料量的估算，并得出其用料总量为3 385.6 t。
　　参考文献：
　　[1] 胡秀芝，鲍安红，曹树星，等.基于PKPM的重庆三峡库区农村建筑节能改造――以丰都县某村委会楼为例[J].西南师范大学学报（自然科学版），2013， 38（10）：161-164.
　　[2] 潘雨红，张宜龙，蔡亚军， 等. 基于GA-BP算法的公路工程造价估算研究[J].重庆交通大学学报（自然科学版），2016，35（2）：141-145.
　　[3] 刘晓燕，王凯.基于BIM的建筑性能化分析实践――绿色节能分析为例[J].土木建筑工程信息技术，2015，7（1）：14-19.

nlc202211021536

转载注明来源:https://www.xzbu.com/1/view-15441686.htm