基于人工智能技術的建筑工程造價估算研究分析

朱莉

(342201198608207522)

基于人工智能技術的建筑工程造價估算研究分析

朱莉

(342201198608207522)

目前，在工程造價管理中的重要內容便是對于工程建設項目造價的確定，尤其是在工程項目造價的前期階段，由于受到相關因素的影響，導致預算存在很大的誤差。因此必須要采取相關的措施來提升工程項目造價的準確性。而基于人工智能技術的建筑工程造價模型則能夠有效提升工程項目造價的準確性，從而來為企業獲取最大的經濟效益。本文主要是對基于人工智能技術的建筑工程造價估算進行了研究分析，提出了相關的建議。

人工智能；建筑工程；造價估算；研究

前言：對于建筑工程來說，其造價管理十分重要，工程造價系統屬于一項非常復雜的工作，傳統的手工方式編制工程預算，經常會出現一些錯算以及漏算的現象，同時數據的準確性也受到了很大的影響，這將會對國家的經濟財產造成很大的影響。隨著我國建筑市場的不斷發展變化，對工程項目預算工作的要求也不斷提高。所以，傳統的預算方式已經無法滿足實際的工程項目預算需求，必須要利用計算機技術來進行智能化的工程造價預算控制，從而來提升預算的準確性。

一、人工智能技術引入工程量計算

1.1 工程量計算的規則

對于工程量來說，主要是利用物理計算單位以及自然計算單位表示各個工程項目的數量，自然計量單位主要利用物體的自然數來表示工程量[1]。工程量的計算直接以直接費為基礎，并且其中工程量的計算程度也十分的精確，一些重算以及漏算將會直接影響工程造價的精確程度。對于工程量的計算其工程量很大，同時工作也十分細致，在工程編制預算中將會耗費大量的時間，并且施工企業也必須要配備大量專業的人員進行全面的設計。為了做好對工程量的計算，那么必須要制定出一個被同行業所認可的計算方式，也就是所謂的工程量計算規則，要能夠保證對相關工程量的計算準確性。

1.2 人工智能化技術

在人工智能化技術不斷發展的同時，建筑工程造價中也逐漸的應用了智能化系統，國內外很多的學者都將人工智能化技術引入到了相關的工程造價領域，對工程項目中的造價管理，合同管理以及工程監督等都進行了全面的控制監督。本文所研究的人工智能化系統主要是將工程量計算規則以及相關的公式從程序中分離出來，從而來進行相關的編輯，提升了工程概預算的準確性。

二、基于人工智能技術實現建筑工程造價估算

人工智能網絡具有很強的優勢，能夠對數據進行大規模的處理，并且具有很強的自我適應性以及自我組織性，具有很強的學習功能[2]。在人工神經網絡中，主要是包含了感知神經線性神經網絡以及相關的BP網絡等。與傳統的算法相互比較，其中遺傳算法訓練神經網絡不需要進行知識的檢驗，并且對于初始參數也不是很敏感，因此不會陷入局部極小點。

2.1 遺傳算法與神經網絡的融合

對于遺傳算法與神經網絡的相互融合來說，一定要將二者之間的全面優勢進行融合分析，并且要能使相關的新算法以及神經網絡學習的能力相互融合，并且遺傳算法的一個重要的優勢便是具有強烈的全局搜索能力。但是對于工作的結合來說，主要是具有兩個方向：其中一個方向是ANN，ANN需要一個具有高效性的自動設計方式，而GA可以為ANN提供一個有效的渠道。并且能夠充分的利用遺傳算法來進行神經網絡的優化。在這其中主要是含有連接權以及結構的設計等。另外一方面則是神經網絡來為相應的遺傳算法提供一些工具，要建立一個基于神經網絡的遺傳算法。對于遺傳算法來說，主要是對神經網絡的連接權進行優化，另外，在相關的神經網絡權值的訓練中，主要是對相關的函數進行優化，并且能夠對相關的數據進行調整，使其保持在最佳的連接權利[3]。在神經網絡權值中含有系統中的全部知識，同時對于串通的權值的獲取方式，是根據一些規定進行處理的。

在目前的BP網絡中，其中的方式是梯度下降的方式，這種方式對于一些網絡的初始權值敏感度十分強烈，這在一定程度上將會影響最終的結果。所以，在平時的訓練中，另外若是對于參數的選擇不夠準確，那么將會導致一些網絡出現震蕩，最終影響結果的精確度，導致其陷入局部極值中。若想很好的解決這些問題，可以利用遺傳算法的方式來進行解決，其中主要的過程是：要對權值進行編碼，同時對其進行分布，從而來產生一組分布，同時神經網絡的連接權與其相互對應。在輸入相關的訓練樣本之后，可以對其中存在的函數誤差進行分析，從而來進行計算，利用倒數以及方差來作為其適應度，若是其中存在的誤差比較小，那么其適應度也比較大。這樣將會將其傳遞給下一代，之后會利用交叉以及變異的方式進行進化，產生下一代群體。最后是在初始權值確定之后，保證訓練能夠滿足相關的條件。

2.2 遺傳算法優化神經元的學習規則

神經網絡在訓練的過程中，很多學習規則都是設定好的，但是這些設定好的規則一定要合理，因此可以利用遺傳算法來優化相關的規則，主要是促進神經網絡能夠適應各種問題以及復雜的環境。在學習中將一些問題進行編碼，其主要過程是：首先是利用某種編碼的方式對學習規則進行編碼，從而來產生若干個個體，并且每個個體要與學習規則相互對應。之后要構造訓練集，對學習規則的適應度進行計算，然后針對相關的適應度進行選擇，最后是對每個編碼的學習規則都進行交叉變異遺傳炒作，從而來產生下一代群體。

三、相關特征變量確定

3.1 工程造價的特點及影響因素

3.1.1 工程造價特點

對于工程造價來說，其中主要特點有：首先是工程造價的大額性，對于工程項目來說，其規模比較大，因此其成本造價也很大，尤其是對于一些特大型的工程項目，將會耗費近百億、千億的人民幣，因此其工程造價的大額性將會影響工程的經濟效益。其次是工程造價的差別性，每一項工程項目的功能都是不同的，因此存在差異性[4]。之后就是動態性，在工程的建設中，將會存在很長的建設周期，這是影響工程造價的主要動態因素。最后就是具有層次性，一個大型工程項目都是由于若干個單項工程重組成，這就是所謂的層次性。

3.1.2 影響因素

對于工程造價的額印象概念股因素來說，主要是分為主觀因素以及客觀因素，其中主管因素是指：設計方面保守、技術與經濟之間的協調性、施工組織以及技術水平以及管理體系等。客觀因素主要是指：國家政策、價格因素、利率風險、自然因素以及工程變更，這些都是影響工程造價的客觀因素。

3.2 確定特征變量

在工程造價中，影響其因素有很多，若是遺漏了任何一個因素，那么都將會影響最后估算的精確度。針對相關因素分析，其中層高、建筑物層數以及面積等都會增加整個工程項目的費用。另外在施工中選擇的一些材料、人工費以及生產工藝的不斷變化也會影響到工程造價的變化。因此，必須要對資金的時間價值、共曾造價的動態性進行全面的分析思考。做好估算造價中經濟與技術逐漸的練習，引入相關的勞動生產率，這樣能夠在不同的程度上反映出各個施工企業的技術以及相關的管理水平。所以，在人工智能化的工程造價估算中，一定要建筑面積、標準層高、層數、基礎工程以及結構類型、設備工程等因素，都作為模型的輸入變量，將整個工程的單方造價作為神經網絡的輸出，從而來保證最終估算結果的精確性。

結語：隨著社會的不斷發展，對于工程造價估算來說，為了保證其結果的精確性，那么一定要采用先進的人工智能化技術，從而來對影響因素進行全面的分析，最終提升其準確性。

[1]鄭少瑛.建筑工程造價的計價方法與價格機制研究[D].浙江大學，2011.

[2]于雷.基于數值模型理論的煤炭建筑工程造價的計價方法研究[D].遼寧工程技術大學，2012.

TU43

B

1007-6344（2015）08-0208-01