鐵路隧道工程造價影響因素分析及診斷策略

任丹陽

(蘭州鐵道設計院有限公司， 甘肅, 蘭州 730000)

0 引言

鐵路工程屬于國家工程，而隧道工程又是鐵路工程中十分重要的一項，隨著經濟發展及工程技術不斷的更新，我國由工業化走向現代化的速度不斷加快，隧道工程的施工工藝與工程質量都取得了極大的進步[1]。但是，鐵路隧道工程的造價由于工程復雜及周期長等問題，一直困擾著國內外大多數施工單位，且由于我國對工程造價與管理方面起步較晚，基礎較弱，與國際一流工程標準仍有很大的差距。

針對上述存在的問題，國內許多專家學者進行了大量的研究，取得了一定的研究成果。文獻[1]通過風險管理來對工程造價問題進行探討與研究，但由于太過籠統化，并沒有對實際出現的問題進行深入探究。針對上述技術的不足，文獻[2]運用編制工程概預算對鐵路隧道工程造價進行系統化的計算，雖然能夠解決文獻[1]中的不足，但是，編制概預算在實際運用中仍有較大的偏差。

本研究針對鐵路隧道工程造價這一問題，提出了利用因素分析法對工程造價的影響因素進行分析，通過數學模型與風險診斷模型相結合的形式對系統進行重構。

1 鐵路隧道工程造價影響因素分析方法

由于影響工程造價的因素十分復雜，本研究以隧道長度計算失誤、混凝土的配比、材料價格以及運雜費及大型臨時設施費用等為例進行示例性說明。將這些信號轉換為數據信息進行分析[3]。

假設影響鐵路隧道工程造價的綜合因素為Z(f)，通過公式表達為

Z(f)=2S(f),f>0

S(f),f=0

0,f<0=S(f)[1+H(f)]

(1)

則鐵路隧道工程造價影響綜合因素記作為Z(f)，該公式通過將隧道長度計算失誤、混凝土的配比、材料價格以及運雜費及大型臨時設施費用等綜合因素匯集起來，其中S(f)是通過將宏觀數據信息在二維傅里葉變換作用下輸出得到[4-5]。H(f)表示為鐵路隧道在運行中綜合影響因素的傳遞函數，其中f表示為信息總類。則存在以下關系式：

H(f)=1,f>0

0,f=0

-1,f<0

(2)

H(f)表示鐵路隧道在運行過程中影響工程造價的綜合風險信息，該沖激函數記作為h(t)。則通過自相關匹配算法[6]之后，對獲取的不同鐵路隧道工程造價影響因素進行時頻特征分解，輸出的采樣樣本數據記作為

K(t)=s(t)+jx(t)=w(t)ejφ(t)

(3)

在式(3)中：

w(t)=s2(t)+x2(t)

(4)

φ(t)=arctanx(t)s(t)

(5)

式(3)～式(5)中，w(t)為鐵路隧道工程造價影響因素輸出的信號，φ(t)為隨機鐵路隧道工程造價影響因素信息。

在構建鐵路隧道工程造價影響因素信息提取模型時，進行風險預警計算，由于影響因素較多，需要對信息進行融合，則鐵路隧道工程造價影響因素的狀態特征進行數據輸出時，需要考慮分布式影響因子的參考時域信號Z(f)的自相關函數，通過公式表達為

τg(f)=-12π ddfarg[Z(f)]

(6)

式中，arg[Z(f)]表示為鐵路隧道工程運行狀態的風險狀態信息特征，該特征通過相位譜Z(f)進行表示。在評估鐵路隧道工程造價影響因素時，通過以下函數進行表示：

Z(f)=A(f)ejθ(f)

(7)

該數據特征通過以下恒等式表示：

arg[Z(f)]=θ(f)

(8)

為了提高鐵路隧道工程造價影響因素分析的能力，通過Fourier反變換[7-8]進行信息轉換。其中鐵路隧道工程影響造價因素的時域被轉換到頻域時，可以記作：

S(f)=∫∞-∞s(t)e-j2πftdt

(9)

則鐵路隧道工程風險評估信息的時域數據特征為

Wx(t,v)=∫+∞-∞x(t+τ/2)x*(t-τ/2)e-j2πvτdτ

(10)

頻域特征為

Wx(t,v)=∫+∞-∞X(v+ξ/2)X*(v-ξ/2)ej2πξtdξ

(11)

通過上述數據特征提取，在主要涉及工程量的計量、實際地形的勘探、造價標準的制定與建設標準的制定過程中，能夠及時、準確地提取數據特征，再對上述方法已經提取的特征量進行自相關映射處理[9]和信息標定，進而實現影響鐵路工程造價的各種因素分析。

2 鐵路隧道工程造價影響因素診斷方法

本研究采用改進型DBN深度學習算法[10]實現不同鐵路隧道工程造價因素的輸出、計算、診斷和輸出。原理架構示意如圖1所示。

下面通過分步驟的方式實現鐵路隧道工程造價影響因素的診斷。

(1) 數據輸入，假設x為鐵路隧道工程造價影響因素的輸入數據，該數據包括但不局限于隧道長度計算失誤、混凝土的配比、材料價格以及運雜費及大型臨時設施費用等數據信息。

(2) 數據處理，原始數據信息被輸入之后，對輸入的數據信息進行信息加工，首先進行數據預處理，過濾掉一些無用數據信息，其中改進型深度學習算法模型的隱層輸入為hc，隱層的數量為c。啟動改進型深度學習算法模型中的CD—1算法，對輸入算法模型中的數據信息進行逐層計算。

(3) 數據計算，在進行數據計算時，首先將每一層數據信息用X表示，則改進型深度學習算法模型中的第一隱層h1數據信息集合通過W1;α1表示。接著應用第二層RBM模塊的數據接收端接收第一層RBM模塊的數據輸出端，為了提高數據計算的精度，將不同層的RBM模塊逐級疊加，比如第三層RBM模塊的數據輸出端數據為第二層RBM模塊的數據輸入端數據，依次類推。本研究通過將RBM模塊增加到7層，在最終經過第7層的計算后，即實現了數據的最終輸出。計算公式如式(12)。

sign(hlj)=11+exp(-hlj)=tlj

(12)

通過式(12)計算后，該鐵路隧道工程造價數據信息被輸入至BP神經網絡模型的輸入端。為了提高數據的計算精度，在應用RBM算法模型，通過調節RBM顯層的方式實現數據的最終計算，通過對顯性神經元和具有鐵路隧道工程造價因素分類標簽的神經元進行數據訓練。在第7層的RBM算法模型中，其hl+1層的數據參數為Wl+1;αl+1。

(4) 數據輸出，數據最終輸出的信息為

hl+1=αl+(Wl)Ttl

(13)

通過RBM算法模型計算后，輸出的鐵路隧道工程造價數據信息可以為：{W1,W2,…,Wc;α1,α2,…,αc}。最終通過多層RBM算法模型累加的DBN深度學習算法模型在數據加速器的作用下，提高了整個模型的計算速度。然后再對BP 網絡權值參數進行初始化計算，在進行故障診斷過程中，通過調整BP神經網絡算法模型中的權值參數，實現模型內的局部搜索，進而實現鐵路隧道工程造價不同影響因素的數據診斷和輸出，提高了數據訓練能力，縮短了收斂時間。

3 試驗結果與分析

3.1 試驗環境

本研究以陜西省西安市地鐵建設指揮部辦公室西安市軌道交通六號線工程為試驗對象，此工程全線39.4 km，途中經過29個站點。此工程分為一期工程與二期工程，一期工程于2016年3月開工，已于2020年12月28日開通運行，二期工程于2016年8月份開工，預計2020年底開通試運營。工程項目如圖2所示。

圖2 工程項目圖

采用的計算機為Microsoft Windows 2021，64 位，采用的開發工具為Visual Studio 2019，OpenCV 3.0。計算機硬件環境為CPU：Inter(R)Core(TM)i7；主頻為2.59 GHz；內存64G，通過MATLAB軟件進行仿真，試驗仿真如圖3所示。

圖3 試驗室仿真示意圖

3.2 鐵路隧道工程造價影響因素分析方法驗證

假設提取的鐵路隧道工程造價影響因素測試樣本集為2 000個，數據信息包括但不局限于隧道長度計算失誤、混凝土的配比、材料價格以及運雜費及大型臨時設施費用等，鐵路隧道工程造價影響因素數據集合采樣時間間隔為10 s，通過不間斷數據采集，仿真后的試驗數據采樣結果如圖4所示。

圖4 鐵路隧道工程造價數據采樣結果

以圖4所示的數據為測試樣本集，進行數據聚類融合處理和特征分類，提取反映鐵路隧道工程風險分布的統計特征量。該數據為隨機即時數據。為了使本研究的方法與傳統技術中的BIM模型進行對比，在此設置了兩個實驗，第一個實驗為通過系統的風險估算功能與專家估算和實際發生風險的情況進行對比，比較哪一邊風險估算能力更強，第二個實驗對比三者之間工程造價，分析兩種方式哪一種與實際情況更加符合，以此來驗證本研究所設計的系統是否具有技術優越性。

為了驗證本研究系統的技術優越性，首先對風險估算能力進行比較，在樣本工程第一期，總共發生大小風險213次，其中大多數為水電供應不足產生的停水停電事故與環境惡劣事故，比如大暴雨天氣、降雪天氣和寒冷天氣導致土層結冰等自然災害，影響工程進度。風險發生估算，本研究所用RBS-BIM模型計算出的最終結果與工程建設初期專家討論的結果對比如表1所示。

表1 風險估算表格

如表1所示，專家估算大型風險發生概率為0.30與實際情況的0.2相差0.1，估算失誤率為33%，小型風險發生概率比為0.85，與實際情況0.73相差0.12，估算失誤率為14%，風險處理金額為2千萬人民幣，與實際1.60千萬相差0.4千萬。本研究設計的方法對大型風險的估算概率僅相差0.02，對小型風險的估算概率相差0.05，最終得到的估算處理金額也與實際情況僅相差0.08千萬，為了使結果更加直觀，將風險估算概率結果對比制成柱狀圖，如圖5所示。

圖5 風險估算結果對比圖

第二項實驗對比兩種方式產生的工程造價結果如表2所示。

表2 造價對比表

如表2所示，專家估算風險造價金額為4億元，實際為3.57億元，相差大于本研究系統所估算的3.72億元。在施工造價方面同樣相差大于本研究所估算的結果。

由實驗一與實驗二結合可以得出，本研究所用的系統優于專家估算，驗證了本研究的技術優越性。

3.3 改進型DBN深度學習算法驗證

其中新型DBN深度學習算法模型的參數如表3所示。

通過表3的設置，抽取4組不同的數據信息，數據樣本數分別為100萬、200萬、300萬和400萬個數據。這樣能夠從不同的數據樣本數據信息獲取計算計算。然后采用文獻[1]—文獻[3]進行數據對比，由于本研究還采用了加速器，再將不具有加速器的網絡模型一起進行對比分析。數據信息如表4所示。

表4 數據訓練信息表

通過表4可以看到，本研究的方案診斷效率較高，下面對數據誤差進驗證。人為設置故障數據的量為1 000個，則識別出的故障數據集信息為表5。

表5 樣本數據集合

通過表5的計算，為了形象表達本研究的誤差計算率，本研究通過對比曲線的方式進行誤差對比，曲線示意如圖6所示。

圖6 誤差對比曲線圖

通過圖6可以看出，對比文獻[1]—文獻[3]與本研究的方法在誤差上具有明顯的區別，本研究的方法誤差最小。

4 總結

本研究基于鐵路隧道施工、工程造價因素分析與BIM系統的創建，使用因素分析方法對鐵路隧道工程中影響造價的因素進行分類討論，構建出基于風險分解模型的模型，進一步改進了傳統工程造價繁雜且誤差率較大的缺點，實現了自動化與低誤差對施工造價估算，這使得隧道施工工程造價領域提升到了一個新的技術高度。通過采用改進型DBN深度學習算法提高故障診斷精度。本研究所使用的系統雖然在一定程度上具有技術優越性，但同時有著主觀性太強缺乏客觀等不足，這需要進一步的測試與研究。本研究為下一步技術的研究奠定了堅實的理論和實踐基礎。