基于人工智能的裝配式建筑工程快速估價模型研究

( 身份證：411082198908180645 )

0 引言

在瞬息萬變市場經(jīng)濟(jì)環(huán)境中,現(xiàn)行工程概預(yù)算編制方法已難以滿足需要。探尋一套快速、簡捷、實(shí)用的工程造價估算方法已成為建筑行業(yè)的迫切需要。本文采用誤差反向傳播人工神經(jīng)網(wǎng)絡(luò)模型(簡稱人工智能)，以工程特征為參數(shù),采用實(shí)際歷史數(shù)據(jù)試驗(yàn)了人工神經(jīng)網(wǎng)絡(luò)的效果,結(jié)果顯示,人工神經(jīng)網(wǎng)絡(luò)模型在工程造價估測中,效果顯著。

1 快速估算工程造價的思路應(yīng)用原理

本文把已建工程特征的量化數(shù)據(jù)作為輸入,對應(yīng)的造價資料作為輸出,對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,最終用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)建筑工程造價資料的快速估算。

2 建立模型

2.1 建筑工程樣本的模式描述

通過對已建典型工程的造價組成及建筑結(jié)構(gòu)參數(shù)變化對造價的影響進(jìn)行分析,從工程造價估算的角度出發(fā),用建筑工程特征描述建筑工程樣本,即:建筑工程=(基礎(chǔ),結(jié)構(gòu),層數(shù),門窗,外裝修,平面組合)。

2.2 建筑工程樣本模式描述的定量化

建筑工程的工程特征有不同的類型(如結(jié)構(gòu)可以是磚混結(jié)構(gòu),框架結(jié)構(gòu)等;基礎(chǔ)可以是磚條基,鋼筋砼條基等),稱之為特征類目。列舉工程特征的不同類目,依據(jù)定額水平及工程特征對造價影響的相關(guān)性導(dǎo)致平方米造價的改變,從小到大排序,并主觀給定對應(yīng)的量化數(shù)據(jù)。可給出任意一個建筑工程模式的定量化描述。本文選取100組裝配式建筑多層住宅神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本進(jìn)行模擬實(shí)驗(yàn)。

2.3 確定參數(shù)

輸入層節(jié)點(diǎn)數(shù)由輸入樣本數(shù)據(jù)的特征指標(biāo)數(shù)量決定,不用人為設(shè)定。本文采用柯爾莫哥洛夫定理取隱層節(jié)點(diǎn)數(shù)= 2 m+ 1,m為輸入層節(jié)點(diǎn)數(shù)。輸出層節(jié)點(diǎn)數(shù)由樣本的目標(biāo)數(shù)據(jù)的種類決定。

2.4 確定節(jié)點(diǎn)轉(zhuǎn)換函數(shù)

本文為隱層所有節(jié)點(diǎn)選擇tan- sigmoid作為轉(zhuǎn)換函數(shù),而輸出層采用線性函數(shù),以保持輸出數(shù)據(jù)的范圍。

2.5 網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)

網(wǎng)絡(luò)訓(xùn)練是網(wǎng)絡(luò)學(xué)習(xí)的途徑。設(shè)三層BP神經(jīng)網(wǎng)絡(luò)輸入層有n個節(jié)點(diǎn),輸入矢量 X=(x1,x2,… ,xn),隱層有 p個節(jié)點(diǎn),Z=(z1,z2,… ,zp),輸出層有 m 個節(jié)點(diǎn),Y=(y1,y2,… ,ym),輸入層和隱層之間的權(quán)為 wij;閾值為θj,隱層與輸出層之間的權(quán)為vjk,閾值為θ′j,則隱層j節(jié)點(diǎn)的輸出為式(1),輸出層k節(jié)點(diǎn)的輸出為式(2)：

3 網(wǎng)絡(luò)學(xué)習(xí)和預(yù)測

采用 BP神經(jīng)網(wǎng)絡(luò),利用帶有動量項(xiàng)的自適應(yīng)學(xué)習(xí)算法 traingdx和學(xué)習(xí)函數(shù)learngdm對樣本的前80組數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí),以第81-100組數(shù)據(jù)作為檢驗(yàn)。設(shè)定均方誤差MSE 0.0001,學(xué)習(xí)速率Lr= 0.02,經(jīng)過3000次的訓(xùn)練輪回MSE=9.34751e-5< 0.0001,訓(xùn)練學(xué)習(xí)效果較好。

4 人工智能的優(yōu)化和測試

運(yùn)用 MATLAB 的神經(jīng)網(wǎng)絡(luò)工具箱專門提供了建立神經(jīng)網(wǎng)絡(luò)的應(yīng)用函數(shù)，作為訓(xùn)練函數(shù)之一，網(wǎng)絡(luò)遺失為TANSIGG.

disp-fqre=50；max-epoch=3000；err-goal=0.001；lr=0.05；

TRAINBPX： 3000/3000 epochs， lr = 0.050， SSE =0.017533，gradient=0.0098292，training：R=0.99719

從樣本數(shù)據(jù)隨機(jī)抽取10組對訓(xùn)練后網(wǎng)絡(luò)進(jìn)行測試.

結(jié)果顯示,人工神經(jīng)網(wǎng)絡(luò)模型能將誤差控制在1%以內(nèi)，效果顯著。可見人工智能在工程造價估測中的方面具有很好的應(yīng)用前景。人工智能的引入必將促進(jìn)工程造價管理信息化的發(fā)展。