動態(tài)模糊神經網絡在建設工程造價估算系統中的應用

趙瑩

摘要：工程造價估算是順利實施建設工程項目管理的重要環(huán)節(jié)之一，工程造價估算系統是項目建筑方案比選、制定科學合理的建設工程投資決策及限額設計工作的重要依據。根據建設工程造價估算系統的發(fā)展現狀及面臨的問題，闡述了運用相應人工神經網絡技術優(yōu)化工程造價估算系統的方案，完成了基于人工神經網絡的工程造價估算系統的設計，它能有效提高建設工程造價估算系精確度。

關鍵詞：建設工程;造價估算系統;人工神經網絡;估算模型

中圖分類號：TP319

文獻標志碼：A

ApplicationofArtificialNeuralNetworkinConstructionEngineeringCostEstimationSystem

ZHAOYing

（CollegeofCommerce，ShanxiTechnicalCollegeofFinance&Economics，Xianyang712000，China）

Abstract：Projectcostestimationisoneoftheimportantlinksforthesmoothimplementationofconstructionprojectmanagement.Theprojectcostestimationsystemisanimportantbasisforprojectconstructionplancomparisonandselection，scientificandreasonableconstructionprojectinvestmentdecisionmakingandquotadesignwork.Thedevelopmentstatusoftheestimationsystemandtheproblemsitfacedareintroduced，thepaperexpoundstheplanofusingthecorrespondingartificialneuralnetworktechnologytooptimizetheengineeringcostestimationsystem，completesthedesignoftheengineeringcostestimationsystembasedontheartificialneuralnetwork.Thesystemeffectivelyimprovestheaccuracyoftheconstructionengineeringcostestimationsystem.

Keywords：constructionengineering;costestimationsystem;artificialneuralnetwork;estimationmodel

0引言

快速發(fā)展的建筑市場促使社會固定資產投資不斷增大，在建筑行業(yè)之間的競爭日益激烈的背景下，各建筑單位需要進一步加強成本控制，傳統的建筑工程成本計算模式主要是在施工階段通過工廠材料替換、減少索賠等方式來對成本進行管控，所起到的成本控制作用對整個項目的影響較小。造價估算工程仍然是領域內的研究重點之一，針對被動的事后控制，可以通過建立高精度的工程造價估算系統實現向主動的事前控制的有效轉變，從而進一步提高企業(yè)后續(xù)成本管控質量。本研究主要對建筑工程造價估算系統的優(yōu)化路徑進行了研究，使造價估算過程更加高效切實可行[1]。

1現狀分析

現階段企業(yè)的建設項目造價估算已成為建立動態(tài)成本指標管控體系的有效手段，為了促使建筑工程順利開展，科學合理的工程造價評估是關鍵，對工程項目的成本估計在工程建設的前期階段普遍難以科學有效的完成，項目成本結構及具體開銷通常需隨著工程建設項目的不斷推進才逐漸明晰。項目的前期階段對工程建設項目投資管理的影響程度最大，整體項目的決策及工程造價需以前期階段中的工程投資估算（可行性研究階段）作為控制依據，這就使建筑行業(yè)對簡捷、實用、準確的工程造價估算系統及估算方法的要求不斷提高。建筑行業(yè)的“三超”現象的長期存在雖與建設全過程有關，但項目前期投資估算的準確程度會產生更加重要的影響。目前建筑行業(yè)普遍存在對工程建設投資缺少動態(tài)的全過程管理的問題，部分建設單位受到思想認識誤區(qū)的限制而導致對工程前期造價管理的重視不足，相應的造價管理規(guī)章制度不夠完善，對工作人員的工作職責劃分不明確，導致經濟技術人員同其它工作人員因缺乏必要的工作協調過程而難以有效配合，降低了工程造價管理的積極性進而造成前期工作不力;項目的前期工作的綜合性極強，對有關人員的綜合素質要求較高（包括技術、經濟、管理等）。通過設計并實現建設工程造價估算系統能夠在降低人力成本的同時獲取更加專業(yè)準確的估算結果，為建設工程的造價預測與決策提供有力的支撐[1]。

2人工神經網絡應用原理

2.1應用原理

神經網絡主要基于對神經系統理解的不斷加深，實現對神經網絡的原理、模型和應用的深入研究，神經系統由神經元和神經膠質細胞構成，在眾多神經元的作用下最終形成神經網絡。針對神經元模型，主要通過人工神經網絡和神經元特性的模擬兩方面進行研究。模擬生物系統的人工神經網絡的單元對應神經元、網絡拓撲結構對應神經元的連接方式，通過網絡單元拓撲結構連接權的大小來決定人工神經網絡的信息處理功能[2]。目前，神經網絡模型已經發(fā)展出不同的類型，其中許多類型在解決實際問題方面發(fā)揮了重要作用，BP模型（GrossbergCarpenter提出）主要針對感知機存在問題構建的一種具有自組織能力的復雜神經網絡模型，能夠準確識別復雜的環(huán)境，這些網絡的拓撲結構、學習方式、激活特性等都存在一定差異，可以根據神經網絡的基本特征構建數學模型，將多神經元進行連接，通過輸入與輸出構成相應網絡，對應權值的神經元間聯接強度取決于訓練規(guī)則。目前關于建設工程造價估算體系方面的研究已經取得了一定的進展，但傳統的回歸分析方法只能采用確定的函數形式進行數據的擬合，導致確定模糊數學法隸屬函數的難度較大。人工神經網絡具有適應性強、精準度高的特點，所展現出的優(yōu)勢能夠有效滿足建立工程造價估算系統的需求，并能夠從已完成的工程中動態(tài)、自適應的提取有用信息，進一步提高預測質量和效率[3]。

2.2動態(tài)模糊神經網絡

動態(tài)模糊神經網絡（DFNN）于其他神經網絡存在一定差異，DFNN可以表示連續(xù)的時間動態(tài)系統，由輸入層、模糊化層、規(guī)則層、歸一化層、遞歸層和輸出層6部分形成拓撲結構，可有效完成建設工程造價估算系統的動態(tài)控制及動態(tài)學習過程。屬于動態(tài)映射的動態(tài)模糊神經網絡具有更強的動態(tài)系統描述能力，（1）輸入層L1，輸入變量個數由n表示，該層主要負責向下一層傳遞由X（t）=（x1（t），x2（t），…，xn（t））Tt0

3基于動態(tài)模糊神經網絡的建設工程造價估算模型

3.1影響因素的確定方法

本研究通過采用動態(tài)模糊神經網絡這一人工神經網絡技術完成建設工程造價估算模型框架體系的構建，以建筑工程造價的主要影響因素為依據完成速算過程，通常一個工程項目的工程造價影響因素較多，將這些影響因素均作為變量會使計算量顯著增加，影響估算的精準度。以廠房建筑為例，需對包含多個定量因素和定性因素的特征因素進行考慮，包括總建筑面積、建筑樓層、檐高、柱距、門窗及地面類型、裝修標準、墻體材料等，會涉及眾多因素的影響，為避免分類過于籠統而導致異常估算結果的出現，需先對這些影響因素進行細分類，過細的分類會增加工作量并導致在實際操作過程中難以找到訓練樣本。此外建筑材料這一直接費用會受到時間因素的影響，由于各種材料的市場價格會在不同時期發(fā)生動態(tài)變化，進而對建筑工程的造價產生較大的影響，所以需要將材料的價格變動列入到影響評估造價的主要因素，并在工程建設持續(xù)推進過程中預測有關價格變化情況[5]。

3.2動態(tài)模糊建設工程造價估算模型

本研究所構建的工程造價估算系統的功能結構如圖1所示。

基于此的造價估算模型主要由輸入預處理、神經網絡和輸出處理三大模塊構成，該模型的基本思路為：在現有研究成果的基礎上，通過模糊數學方法的使用，實現對已知類似工程的描述，并以實際項目建設要求為依據，完成具體神經網絡的選擇，將已知建設工程的工程特征值進行模糊化處理，將處理后的信息作為神經網絡的輸入值，網絡的目標向量與已知的工程單方造價相對應，估算工程單方造價的估算值的獲取通過接下來在經訓練的網絡中輸入估算工程特征值實現[6]。

4基于DFNN的造價估算的實現

4.1成本估算流程

建設工程造價估算流程如圖2所示。

在實際估算過程中需以建筑工程的結構信息為依據完成功能特征信息的建立和提取，對系統中相關動態(tài)神經網絡的建立情況進行驗證，已完成建立則根據功能特征信息網絡完成相關成本的計算，不斷重復上述操作直至所有功能特征的造價均被建立并計算出來，最終實現整個工程總造價估算結果的獲取[7]。基于DFNN的建設工程造價估算平臺框架，如圖3所示。

其基本工作流程為：先通過執(zhí)行動態(tài)結構神經網絡學習過程實現網絡性能的有效提高，同時通過模糊規(guī)則庫的建立來提升模糊知識的處理能力，然后在經訓練的神經網絡中輸入相關工程信息實現最終的估算過程[8]。

4.2軟件開發(fā)方法

采用軟件對基于DFNN的建設工程造價估算系統進行設計和開發(fā)，具體采用VisualStudio作為開發(fā)平臺，主要通過使用面向對象的設計和編程方法實現，開發(fā)語言選用了C#軟件，并基于提供DLL動態(tài)鏈接數據庫及嵌入技術的NeuroSolutions平臺（包含OLE對象連結、豐富的視覺化類神經組件）實現軟件開發(fā)，能夠實現不同網絡架構的連接與合成以及專業(yè)化應用類神經網絡仿真，有效兼顧了系統功能及人機界面的交互性，在無需另外開發(fā)神經網絡模塊的基礎上，實現在VisualStudio中對神經網絡系統的直接調用[9]。

5總結

本研究通過使用人工神經網絡中的動態(tài)模糊神經網絡DFNN完成了一種建設工程造價估算方案的構建，通過工料單價、費率及相應參數的綜合應用實現對建設項目工程造價的有效測算。能夠以問題的特征因素的隸屬度描述（由決策者給出）為依據，實現案例的自動相似匹配與回取，同時通過不斷補充和更新案例庫，有效提升實驗結果的準確度，進一步滿足市場發(fā)展的需求，使投資立項階段的造價估算問題得以有效解決。

參考文獻

[1]陳紅秀，王剛，陳暉，等.基于全過程管理的綠色建筑工程造價控制方法研究[J].中國建筑裝飾裝修，2019（11）：102103.

[2]郭新菊，邵永剛，李旭陽，等.基于BP神經網絡的配電網工程造價預測模型建立與應用[J].電子設計工程，2017（23）：6368.

[3]秦國輝.基于三維圖像的運動合理性判斷方法研究與仿真[J].現代電子技術，2017（8）：2224.

[4]潘雨紅，張宜龍，蔡亞軍，等.基于GABP算法的公路工程造價估算研究[J].重慶交通大學學報（自然科學版），2016（2）：141145.

[5]KemingHan，FengmingLi，HongyanLi，etal.FuzzyComprehensiveEvaluationforStabilityofStrataoverGobInfluencedbyConstructionLoads[J].EnergyProcedia，2018（1）：11021110.

[6]SaharMahdinia，HamidEskandariNaddaf，RasoulShadnia.EffectofcementstrengthclassonthepredictionofcompressivestrengthofcementmortarusingGEPmethod[J].ConstructionandBuildingMaterials.2019（11）：2741.

[7]楊智慧.基于模糊指數平滑法的水利工程造價估算[J].珠江水運，2019（14）：9697.

[8]段慧錕.基于GNBP的高速公路工程造價預測模型研究[J].新技術新工藝，2017（3）：2831.

[9]鄭曉蕾，張仕廉.基于主要特征因素與BPGEP網絡的公路工程造價預測模型探究[J].公路工程，2018（1）：206210.

（收稿日期：2020.02.21）