張家莊大橋運維成本可視化智能估算與控制方法研究

劉路海 喇海霞 王 凱 胡天明 段曉晨

（1.石家莊市交建高速公路建設管理有限公司西阜分公司 河北石家莊 050043；2.石家莊鐵道大學 河北石家莊 050043）

1 引言

張家莊大橋地處靈壽縣山區，全長928.5 m，寬度24.5 m，設計時速80 km，采用雙向四車道高速公路標準。大橋地理環境復雜、車流流量大，不確定運維成本影響因素多，是西阜高速石家莊段運維重點工程。為有效控制運維成本，本文在收集以往類似工程運維成本相關資料的基礎上，針對其隨機、復雜、多時空、非線性等演變機理和趨勢規律，運用PSO聚類分析模型篩選出與目標工程近似度較高的歷史案例，基于BP神經網絡對目標工程運維成本進行預測；運用PDCA、海恩法則等相關方法優化橋梁工程運維成本管理，并構建了基于BIM技術的橋梁工程運維成本可視化管理平臺，輔助張家莊大橋運維成本管理，實時為管理者提供有效的決策依據和建議。

近年來，國內外諸多學者對橋梁工程運營維護階段的成本控制進行深入研究，并取得了一定成果。白佳敏、徐曉偉等運用因子分析、粗糙集、PSO等理論對橋梁工程運維成本的影響因素進行建模分析[1－2]。Xing-An HU，Zhou S X 等運用模糊聚類、灰色關聯分析等方法對公路橋梁工程建立運維成本預測模型[3]。王孟鈞、趙娜等[4]運用扎根理論的質化研究法，深入研究了地鐵工程成本形成機理，并指出地鐵成本管控的重要影響因素。胡振中、張建平等[5－6]構建了基于BIM技術的橋梁、地鐵工程運維管理平臺，運用到橋梁、地鐵工程全生命周期造價管理中。但將BIM、PSO、BPNN等方法集成應用，BPNN智能識別和三維可視化展現運維成本演變機理方面，查無文獻報道。

2 PSO、BPNN智能識別張家莊大橋運維成本源

2．1 收集整理數據，建立原始數據庫

（1）原始數據庫架構。張家莊大橋運維成本構成和范圍比較復雜，從部位分析主要有支座、伸縮縫、橋面系、橋臺跳車、梁體、墩臺基礎、墩臺、坍塌等損壞修復和防治費用；從時間上劃分可分為日、周、季、年及小、中、大修周期等費用；從開支內容主要可分為小修保養、中修、大修等。為此，在通過田野調查、查閱文獻、網搜等方式，廣泛搜集國內外類似張家莊大橋的運維成本管理案例基礎上，初步按年度、地區及部位架構類似工程運維成本原始數據庫進行歸納，主要包括工程名稱、通車時間、病害類型及程度、小修保養費及中、大修成本與周期、節超情況、問題原因、對策等原始數據信息。

（2）數據清理。按照分箱、離群點等方法，消除異常、冗余、無效的噪聲數據。

（3）消除成本時間影響因素。根據相應公式[7]統一調整為2018年價格水平，將每一個類似工程數據匯總整理。

（4）消除成本區域影響因素。按相應公式[7]調整為石家莊地區價格水平。

（5）構建基礎數據庫。通過以上方法按部位構建52個案例基礎數據庫，表1為橋面系小修保養費示例（中大修相同）。

表1 橋面系運維成本基礎數據庫構建示例

2．2 基于PSO的類似工程案例選取

通過PSO聚類分析，可以較精確地提取與目標工程特征相似度較高的案例，以提高工作效率，克服單純BP神經網絡運行速度慢、易出現局部最優解的缺點。

（1）張家莊大橋各部位運維成本主要影響因素分析及量化賦值

根據張家莊大橋各部位運維成本消耗特點及工程特征，運用WBS（Work Breakdown Structure）法、專家咨詢法對各部位主要運維成本發生源頭進行分析，確定各部位主要影響因素，并進行量化賦值，見表2。

表2 高速公路橋梁橋面系工程特征類目量化

（2）對基礎數據庫中各類似工程案例和張家莊大橋工程特征進行量化賦值

按表2對基礎數據庫類似工程特征進行量化賦值，因篇幅所限對賦值過程不再贅述。張家莊大橋各工程特征量化賦值依次為 4、4、4、4、3、2、5、2。

（3）PSO聚類分析與樣本數據庫構建

運用MATLAB工具進行PSO聚類分析，界面如圖1所示，運行結果如圖2所示。最終選取相似度最高的一組案例（共25個）作為張家莊大橋橋面系樣本案例數據庫，進行BPNN模型預測。同理可構建伸縮縫、橋臺、基礎等其他部位樣本案例數據庫。

圖1 PSO聚類分析界面

圖2 PSO聚類結果

2．3 BPNN智能預測張家莊大橋運營維護成本

2．3．1 構建張家莊大橋運維成本目標體系

根據石家莊交建高速公路建設管理有限公司成本控制要求，按部位（橋面系、支座、伸縮縫、橋臺、梁體、墩臺基礎等）根據小修保養、中修及大修成本與周期、可能的超支幅度等消耗指標構建張家莊大橋運維成本目標體系。

2．3．2 張家莊大橋運維成本目標預測和確定

在各部位樣本案例數據庫基礎上，預測確定張家莊大橋各部位運維成本目標。本文以張家莊大橋橋面系小修保養費用和小修周期為例說明預測過程。

（1）構建BP神經網絡

本文構建3層BP神經網絡[8－9]：輸入指標設置為8個；以柯爾莫哥洛夫定理為依據，隱含層節點數取2 m ＋1 ＝2 ×8 ＋1 ＝17，依次用 I1、I2、I3、I4、I5、I6、I7、I8表示橋梁長度、橋梁寬度、地質水文、通車年限、日交通量、氣候條件、橋梁養護類型、運維管理水平；用O1表示年小修保養費用，用O2表示保養周期。本文將1～23組數據作為訓練樣本、24～25組數據作為測試樣本。25組數據量化見表3。

（2）訓練與測試網絡

輸入代碼，運用MATLAB軟件對前23個案例數據進行訓練，網絡最大迭代次數設為5 000次。BP神經網絡訓練過程如圖3所示，誤差達到預測精度要求；用最后兩組數據進行檢驗，其輸出值與實際值相對誤差為3.10%（≤±5%），滿足精度要求，因而可用于張家莊大橋運維成本預測。

圖3 網絡訓練收斂過程

（3）預測張家莊大橋小修保養費及周期

通過BP神經網絡預測，張家莊大橋小修保養費為0.068萬元／（100 m·月）。考慮張家莊大橋剛開始運行，需處理的施工遺留問題較多，確定其目標控制成本為0.08萬元／（100 m·月）；小修周期為1.006 9個月，取1個月。

同理可預測確定小修保養成本可能的超支為2.85%；中修目標成本為0.749萬元／（100 m·年），周期4年，可能超支0.81%；大修目標成本1.235萬元／（100 m·年），周期7年，可能超支0.3%。

2．4 構建張家莊大橋運營維護成本問題原因對策庫和預警體系

（1）對張家莊大橋各部位樣本案例數據庫問題原因對策進行匯總整理，構建張家莊大橋各部位運維成本問題原因對策庫，因數據信息量較大，在此不作展示。

（2）按照成本超支比例大小構建預警體系

當0＜成本超支率≤3%時，預警等級設為Ⅳ級；當3%＜成本超支率≤5%，預警等級設為Ⅲ級；當5% ＜成本超支率≤10%，預警等級設為Ⅱ級；當成本超支率＞10%，預警等級設為Ⅰ級。各預警級別響應機制不再贅述。

3 PDCA動態控制張家莊大橋運維成本

根據以上各部位確定的運維預算成本目標，在運維過程中，按周期進行實際成本統計，計算成本超支情況，運用PDCA進行成本偏差原因分析及對策制定，以消除偏差[10]。

（1）PDCA 控制周期

張家莊大橋2019年1月開始正式通車，根據張家莊大橋工程特征和成本消耗特征，確定張家莊大橋成本控制周期為一個月。

（2）運維成本統計

結合控制周期，對張家莊大橋運維成本進行統計。因張家莊大橋剛開始運營，前期主要涉及小修保養實際費用統計分析。運維過程中，對每月產生的小修保養實際費用進行統計，2019年3月份小修保養費用統計示例見表4。

表4 張家莊大橋3月份小修保養費用統計 萬元

由表4可知：3月份超支4%，達到三級預警值，需要一線人員直接上報建管公司成本部門處理，結合已構建基礎數據庫信息，找出超支原因與相應對策，并在4月份運維管理過程中執行該對策。

大橋運行一年后，實際年小修保養費5.4萬元，而2019年小修保養計劃費用為5.8萬元，略有節約，張家莊大橋運維成本控制取得了較好效果。

4 基于BIM的三維運維成本輔助管理平臺

（1）開發張家莊大橋運維成本三維智能控制軟件系統

架構開發運維成本三維智能控制軟件系統[11－12]，系統主要包括五大功能模塊：用戶信息管理模塊、基礎數據庫管理模塊、運維成本管理模塊、運維可視化管理模塊、運維成本預測模塊，其中運維成本預測模塊還在開發建設中。軟件系統登錄界面如圖4所示。

（2）成本目標、控制情況、原因對策等智能查詢

該系統開發采用 IDEA，集成環境，前臺使用Bootstrap框架，后臺基于Java語言開發。圖5為2019年3月份橋梁運維成本三維動態查詢界面。通過該系統，只要輸入張家莊大橋工程特征值和時間、部位，即可對張家莊大橋運維成本目標、成本控制偏差、預警、原因對策等進行實時查詢，同時可按周期對張家莊大橋運維成本控制情況進行實時顯示，并提供相關對策建議。

圖5 張家莊大橋3月份運維成本查詢統計信息

5 結束語

本文結合張家莊大橋工程特點，進行運維成本智能控制研究，主要有以下研究結論：

（1）在收集已完成類似工程安全數據資料基礎上，運用基于PSO的BPNN人工智能方法，建立張家莊大橋運維成本估算模型，該模型通過輸入目標工程的特征值可準確預測出目標工程的運維成本。

（2）運用PDCA動態管理理論與方法，加強橋梁運維成本的動態管理，發現問題，及時糾偏。

（3）構建基于BIM的張家莊大橋運維成本輔助管理平臺，全過程可視化控制，提高了張家莊大橋運維管理的及時性和高效性。