建筑工程造价中BP神经网络的有效应用

来源:用户上传      作者:

　　摘要：
　　本文通过对BP神经网络在我国运用现状的分析，对BP神经网络的结构作了介绍和举例说明，提出了建筑工程造价中神经网络的重要作用，以及为有效地将神经网络运用到建筑工程造价中提出一定的建议。
　　关键词：建筑；工程造价；BP神经网络；应用
　　
　　一、神经网络在建筑工程中的运用现状
　　目前，我国社会经济的发展越来越快，城市化进程也在不断加快,诸如地铁工程的建设也已经成为我国城市基础设施的一项重要发展领域。可是,我国工程建设资金条件还比较短缺,建筑工程高昂的造价限制了大部分城市的地铁等工程的发展。所以,如何采取有效的措施来降低地铁工程造价,越来越成为加快工程建设的首要课题。在建筑工程造价管理中,关于可行性研究阶段的造价估算对于项目的决策和工程造价的控制起着至关重要的作用,因此研究该阶段的造价估算方法具有重要的现实意义。最近几年来,人工神经网络凭借其强大的学习、联想以及自适应能力被广泛地应用在工程造价估算领域当中。
　　许多相关研究成果也应运而生，很多学者通过大量查阅与深入研究国内外建设工程造价估算方法，并针对不同工程造价的特点,提出将BP神经网络结合的工程造价估算模型。第一,利用模糊数学方法对工程造价估算样本进行筛选,从而提高工程造价估算模型的准确度；第二,综合分析不同建筑工程的主要特征,然后将这些特征与它的工程造价相联系,构建出基于BP神经网络的建筑工程造价估算模型。在实现模型方面,利用相关语言对模型进行训练与仿真测试,并运用工程实例进行验证,最后结果表明了，该模型具有较好的泛化能力,并且能够比较准确地估算建筑工程的造价。
　　
　　二、BP神经网络模型结构
　　1、网络结构
　　人工神经网络系统，即模拟人脑中神经元的工作原理的一种方法。一个典型的生物神经元都具有称之为树突的部分，树突从细胞体中伸到其它神经元，在突触的联结点上接受信息，接着将这些信息累加起来。如果细胞体中累加的激发信息超过了某一阀值的时候，细胞就会被激活，那么，该细胞的轴突部分就会向其他神经细胞发出相应的信息。模拟人工神经网络在此过程中有很多种方法，而BP神经网络就是其中的一种比较简单但应用广泛的一种。许多研究成果已经证明，含有一个隐含层(即三层BP神经网络系统)可以任意逼近连续函数，该隐含层中的每一个神经元只要都含有一个连续Sigmoid非线性函数就可以了。而三层BP神经网络由输入层与一层隐含层、输出层组成，它们采用全互连接，但同一层中的各单元并不连接。
　　2、BP算法
　　由上面的BP网络的基本结构可以看出，BP算法就是一个不断计算误差从而调整阀值与连接权值的过程。如常规的BP算法中采用的是最速下降法，就是按照误差函数负梯度方向对各值进行修改。
　　利用BP神经网络的基本原理建立起工程估算模型，并依赖专家经验获取待定造价的工程特征，以及在对15个典型实际的工程样本分析基础上，利用软件的宏命令来编制BP神经网络模块，从工程特征到工程造价的非线性映射关系来进行模拟，并将它们运用于实际工程估算，其精度能够达到建筑工程估算要求，在实际工程中能对估算快速准确的要求提供新的方法。
　　
　　三、BP神经网络在建筑工程中的实例应用
　　如何建立模型呢？建筑工程造价遵循的是“二八原则”，就是a类20％的分项工程占总造价的80％，而b类30％的分项工程则占总造价的15％，那么其余c类50％的分项工程就只占工程造价的5％。一个建筑工程中，主导分项工程的a、b两类分项工程可以根据其特征来概括，也就是，若一个工程的某几个特征一旦确定，那么其主要分项的工程量也可以确定，当然，估算工程造价也就可以确定了。这种基本思想就是通过案例推理把BP神经网络运用到工程估算当中。
　　另外，对于工程特征的选取，多采用的是专家评审法。比如说，邀请某一家公司的两位工作经验都在十年以上的造价工程师，让他们对建筑工程中会影响到工程造价的各种因素进行一个评定打分，如最后选择了如下因素：建筑类型、高度、层高、建筑主体结构类型、面积、墙体、内外墙作法、建筑门窗类别、工程造价的年综合指数以及施工企业的资质等级，其中，最后两个因素分别是考虑到造价估算的时间因素差别与施工单位的施工、管理水平而暂时作为标准来评定。
　　在这种情况下，同时收集整理了北京十五个建筑工程造价实例，而工程造价指数则是按2005年作为基准，采用加权平均之后得出的年综合指数。在工程实例中，工程范围是指建筑结构工程。因此，在进行分类整理时，样本的有些特征是定性描述，这就需要进行定量化的处理后才能作为样本输出，处理方法多是按照同一工程特征中，其工程造价的相对大小来进行的，造价比较大的，相应的数值也比较大。
　　
　　四、总结
　　通过以上材料，可以得知，把三层BP网络模型运用在工程估价方面是可行的，因为工程14和15单方造价的预测精确度浮动都在10％以内，但砼用量和钢筋的用量数据预测则存在较大的出入，尤其是工程14的砼用量，其误差高达20％以上，分析主要原因可能就是工程样本中，设计结构图纸时，细节处的差异较大，所取样本的数量较小，或是工程特征到输出的映射函数学习力度不强。因此，随着样本的增加，精度会进一步的提高。
　　BP网络模型运用到工程估价当中，主要是利用了它的高度容错性与自我学习调整能力，能够充分发挥其特征提取作用，加上现代计算机的快速计算能力也较好地适应了网络的逻辑运算能力，因此具有可行性。
　　通过以上研究发现，BP神经网络在工程估算上的运用仍然存在一定的不足。第一是估算处于项目的前期时，没有详细的建筑结构图纸，所以工程特征的获取就要跟设计单位进行沟通与协调，以便尽早获得决定工程造价的主要因素，这是分析估价方法的基础。第二是工程特征因素的概括上，由于建筑工程种类繁杂，不同种类的差异也比较大，想通过数十个特征把主要工程量特征都概括在内，难度还是比较大的，尽管可以通过加大特征描述和增加输入节点的个数来进行，但是这样的话就会要求更多的样本和叠代次数。第三，一些定性化特征的定量化过程，是非常重要却很难完成的环节，需要工程造价方面积累的大量实践经验，并且相同资历的工程师所遇的工程不一样，那么得出的结论也是存在差别的。一些各种定性特征的定量化方法还是通过主观经验建立的，没有严格的理论依据，叶容易产生一些误差。所以，选择样本的时候就要尽量选取经典的，而那些不够准确可靠的或者是极其复杂的工程则不适合当作样本进行输入。

转载注明来源:https://www.xzbu.com/2/view-602017.htm