人工智能時代下工程造價行業的發展現狀分析

王 瓊

(廣東海洋大學寸金學院，廣東 湛江 524094)

1 概述

將信息技術與工程造價計算進行相融合的交叉性研究，屬于將人工智能技術引入工程造價領域的一種開創性探索研究。在項目的工程施工過程中工程造價是影響項目施工的關鍵因素，造價計算的準確性對于工程施工的進展至關重要，在具體計算過程中需要項目整體統一計劃，并且需要考慮到施工現場條件、施工方案、施工組織設計、施工質量要求等因素的影響。工程造價領域引入人工智能不僅能夠提高造價計算的準確性和高效性，還能解決人力計算易出現的錯誤和誤差，并能將全部影響因素(如人工、材料、施工機械的市場價格變動，利率、匯率等一些風險因素的影響)進行綜合考慮，對于承包商來說，能夠得到一個最優的施工方案和最合理的投標報價，進而中標的可能性和期望更大，對于投資方來說，能夠更加準確地把握工程項目的建設總投資，為項目的投資融資方案以及后面工程的順利開展提供支持。目前人工智能主要應用于云計算、大數據、圖像識別、語音識別、LBS及AI技術等方面，以及在智能財務方面的應用，但是其在造價方向的研究較少。

2 人工智能與工程造價概述

人工智能是在計算機科學計算的基礎上，依靠計算程序的編制和設計，實現代替人力勞動，完成相關應用的過程。人工智能一般具有感知能力、記憶能力、適應能力以及反應能力等特點。

工程造價是建筑工程中非常重要的一個環節，其一般具有影響因素眾多、造價總額較大、可變性強、動態性強以及復雜程度高等特點。在人工從事造價計算的過程中，需要對整個造價過程中涉及到的工程量計算規則、價格水平、定額、費率等問題清晰明了，需要對影響工程造價的各種因素綜合考慮，不能出現任何誤差，因此耗費的精力和時間必須很多，人力計算時也難免容易出現一些誤差或者錯誤，甚至給某些企業采取不正當手段達到惡意中標的目的。在人工智能引入工程造價后，通過降低人為因素的干擾，依靠計算機的編程和設計，將材料設備等進行程序化，可以進行準確和高效的計算，保證計算準確的同時也保證了造價文件的準確性，以合理實現業主和乙方雙方的利益。

3 人工智能在工程造價領域的發展現狀

人工智能技術的發展及應用，使得更多的企業和行業向人工智能靠攏，導致很多行業的勞動力被人工智能所替代，而其在工程造價領域目前研究和應用較少，主要在以下方面開展了研究。

3.1 工程量計算引入人工智能

工程量計算主要是對施工過程中涉及到的土石方工程、鋼筋混凝土工程、砌筑工程、模板工程等工程量進行綜合計價和計算，然后編制工程量清單。分部分項工程費用的形成是以清單工程量和綜合單價為基礎，工程量的正確計算需要建立在正確的讀圖、識圖的基礎上，這部分工作工程量很大，也需要高效準確的計算和精力，因此工程造價部門一般安排許多專業人員進行全面計算。目前5D云機器人技術運用BIM+云+AI技術，通過BIM技術和AI技術，快速實現了清單列項和工程量計算工作的計算機化，可在1 h內完成以前需要數天才能完成的清單列項工作，并同步瞬時完成以前需要數天才能完成的工程量計算工作，從而大大縮短了以前需要數周才能完成的工程量清單編制工作。

3.2 人工神經網絡用于工程造價估算模型

人工神經網絡是一種運算模型，由大量的節點(或稱輸入層/輸出層)之間相互聯接構成。利用人工神經網絡建立的建筑工程造價快速估算模型主要有：BP模型、RBF模型和模糊神經網絡模型?；贐P模型可以快速對工程造價進行估算，而徑向基函數神經網絡作為分析方法的一個突破，使推斷預測、決策問題變得十分明了。如圖1所示，徑向基函數由格林函數構成隱層，然后在輸入層和輸出層的設置后，計算出運行結果，從而完成輸入空間到輸出空間的映射。

3.3 相關算法和數據信息的融合

隨著社會發展，我們各種各樣的信息和數據都在數字化，大數據時代已經來臨，目前有部分行業和企業已逐步建立有自己的數據庫，大數據驅動人工智能不斷發展，建立驅動數據和知識引導的智能計算平臺和方法，能夠更加智能化的計算相關數據。數據信息和人工智能相關算法的融合也將成為未來工程造價行業發展的趨勢，通過大數據的融入，可以更快捷、準確的判斷造價過程中各種影響因素的權重，然后通過計算機的消除與避免，提高工程造價的運行效率和準確性。同時數據信息平臺的建立可全面并更具針對性地提升了工程造價信息化水平，對于企業而言，不僅滿足了企業運營、生產管控以及高效管理的需要，也降低了企業運營成本，進一步提升了企業市場競爭力。

4 人工神經網絡在工程造價行業的應用探索

以某公路工程造價估算為例，采用神經網絡方法，建立徑向基函數，在輸入層選擇8具有代表性的工程特征作為輸入變量，如表1所示，用X1～X8表示，同時，將千米造價作為輸出變量，用C1表示，另外設置隱層數目、樣本數目。通過輸入節點進行初始化和數字化處理，這樣便于計算機識別和神經網絡的接受，計算結果如表1所示，計算的輸出結果與實際值相對誤差符合要求，同時將模擬結果進行比較，相對誤差僅4.95%，計算結果如表2所示。運用Matlab語言程序編程計算，BP網絡計算時間花費624.7 s，徑向基函數計算時間花費3.1 s，說明采用徑向基函數的RBF模型的推廣能力更強，泛化能力更好，其不論在訓練時間還是預測誤差方面都優于BP網絡計算方法。

表1 部分訓練樣本和測試樣本泛化值設置

表2 模擬結果與實際結果的比較

5 結語

在建筑工程造價中引入人工智能已成為未來工程造價行業智能化、數據化發展的方向，其對造價項目的影響因素、工作重點、規劃管理等方面都產生了一定的影響和變革，也對傳統工程造價人員的綜合能力要求更高。本文對人工智能和工程造價的影響因素進行了分析，并在人工神經網絡、遺傳算法以及數據信息應用方面對人工智能在工程造價領域的發展進行了探討，最后結合公路工程造價實例分析了RBF網絡模型的實際應用和優勢，是智能化技術在工程造價中得到更好運用體現。