基于BIM技術的裝配式建筑全壽命周期成本預測

相文強，池小蘭

(福建林業職業技術學院 交通工程系，福建 南平 353000)

保護環境、節約資源是我國基本國策，綠色發展、生態文明已經成為我們的發展目標，裝配式建筑能打造更美好的民居環境，提供更舒適、更優質的綠色住宅，構建人與自然和諧共生的建筑產品[1]。作為降低資源消耗、保護環境的建筑方式，裝配式建筑可以提升住宅品質與標準化程度，實現多種資源的節約，具備綠色、環保、節能的發展優勢。最近幾年，裝配式建筑在國外部分國家和地區已經實現大面積普及，國內也開始飛速發展[2]，很多大型建筑企業與房地產開發商紛紛轉型，形成了裝配式建筑的新產業鏈。在裝配式建筑的發展中，全壽命周期成本問題一直是研究熱點，包括成本的管理與預測等。對于成本預測，國外由于建筑工業化進程較快，發展相對成熟，特別是二戰后的重建需求，使建筑工業化獲得了長足發展，各國也形成了獨特的市場模式與技術體系，發展裝配式建筑更加得心應手，因此對該問題的研究也更深入。對于其全壽命周期成本預測，現階段已經出現了很多的優秀研究成果，例如文獻[3]提出基于人工神經網絡模型的建筑工程成本預測方法，該方法利用Matlab軟件、人工神經網絡模型，以工程項目的一系列與成本相關數據為基礎，得到施工成本預測結果。文獻[4]提出基于棧式降噪自動編碼器的建筑工程施工成本預測方法。該方法通過分析建筑工程施工影響因素，并對其進行量化分析，以此結合棧式降噪自動編碼器理論與神經網絡搭建相關的成本預測模型，將數據輸入至該模型中，得到精準的預測結果。文獻[5]提出基于GA-BP神經網絡的建筑工程造價預測方法。以收集的30組樣本數據為例，結合工程實際情況建立基于GA-BP神經網絡的建筑工程造價預測模型，將收集到的數據輸入至該模型中，得到相關的建筑工程造價預測結果。

由于以上成本預測方法，在預測迭代次數為5～20次的范圍內存在運行時間較長、相對誤差較大的問題，因此在成本預測方法的研究中提出了一種基于建筑信息模型(Building Information Modeling，BIM)技術的成本預測方法，并通過實驗對該方法進行應用驗證。

1 裝配式建筑全壽命周期成本預測方法

1.1 成本分析

首先基于BIM技術對全壽命的裝配式建筑進行成本分析，包括建設階段成本、使用階段成本。通過BIM技術實施建筑的全壽命虛擬建造，構建建筑BIM模型，在模型的周期構建過程中實施各階段的成本分析。該過程中具體使用的技術包括BIM 5D 技術與大數據BIM管理技術。

建設階段具體成本包括決策成本、設計成本、構件運輸生產成本、安裝施工成本、期間成本、稅金、其他費用等，具體內容如表1所示。

表1 建設階段具體成本內容

使用階段具體成本包括物業管理、能耗以及維修工程設備成本[6]。

1.2 構建成本預測體系

選擇能夠對成本造成影響的指標，指標的選取具體從4個方面入手：裝修裝飾、安裝施工、結構設計以及建筑特征，構建成本預測體系。

在裝修裝飾方面，裝飾內墻時，可以減薄抹灰或直接免除抹灰，主要裝飾種類包括乳膠漆、涂料、混合砂漿以及水泥漆類型的墻面[7]。裝飾外墻時，不需要對保溫層進行考慮，主要裝飾種類包括玻璃幕墻、面磚、真石漆以及涂料類型的墻面。裝飾樓地面時，與傳統住宅沒有太大差異，主要裝飾種類包括細石混凝土、地磚、水磨石、水泥砂漿類型的地面[8]。采用的構件包括預制外墻與預制內墻構件，主要裝飾內墻面、外墻面以及樓地面，因此選取這3方面作為裝修裝飾的指標。

在安裝施工方面，根據現場施工情況選取成本預測指標。選取的4個指標包括項目管理水平、運輸距離、工人專業化水平以及機械化施工水平[9]。

在結構設計方面，與之前相比增加了構件設計、二次圖紙拆分等環節，因此設計成本有所增加，根據設計流程對成本預測指標進行選取[10]。所選取的指標具體包括施工深化設計、建筑結構類型、裝配方案以及預制率。

在建筑特征方面，根據建筑情況對成本預測指標進行選取[11]。所選取的指標具體包括地上層數、層高以及建筑面積。

基于選取的成本預測指標所構建的成本預測體系具體如表2所示。

表2 構建的成本預測體系

組合層次分析法與粗糙集理論確定成本預測體系中各指標的對應綜合權重，確定權重的具體過程如圖1所示[12]。

圖1 確定權重的具體過程

1.3 構建成本預測模型

結合極限學習機與粒子群算法構建成本預測模型進行成本預測[13]。首先利用極限學習機構建模型網絡，具體構建步驟如下：

1)確定網絡輸出輸入節點：根據成本預測體系中的指標個數確定網絡的輸入維度和節點數，而輸出節點數則定為1[14]。

2)確定隱藏節點個數：通過選擇激勵函數確定具體個數。選擇激勵函數能夠為極限學習機帶來更強的線性建模能力，只有選擇合適的極限學習機，才能獲取理想的預測結果[15]。可選擇的激勵函數的描述及形式具體如表3所示。

表3 可選擇的激勵函數的描述及形式

接著通過粒子群算法優化網絡模型，優化時需要考慮以下方面：

1)隱藏層偏置值與輸入權值

通過粒子群算法對隱藏層偏置值與輸入權值進行優化，并將其作為粒子群算法里的粒子長度與粒子，具體如下式所示：

(1)

D=K(n+1)。

(2)

2)適應度函數

適應度是粒子位置好壞的評價測度，能夠對極限學習機的實際泛化性能進行刻畫。通過隱藏層偏置值與輸入權值能夠對輸出權值矩陣進行求取，從而獲取預測值[17]。對預測值來說，用均方誤差來判斷其精度能否滿足要求：

(3)

通過優化網絡模型實施成本全壽命預測，具體預測步驟如圖2所示。

圖2 具體預測步驟

2 案例分析

2.1 項目概況

實驗中的裝配式建筑為某學生公寓，該公寓的建筑結構為框剪裝配結構，項目承包模式為工程總承包，整體建筑面積25 000 m2，分為2棟，其中A棟建筑地上樓層數為7層，地下樓層數為2層，總面積4 200 m2；B建筑地上樓層數為18層，地下樓層數為2層，總面積20 800 m2。該工程項目以清單方式計價，除了合同允許所做出的調整、各種獎罰、經濟簽證、設計變更、設備與材料的廠家或品牌變更、商品砼及鋼筋價格上的風險調整、設備與材料調整暫定價格調整以外，不因為費率變動、技術措施費、機械費、材料價格、人工費等原因做出調整。

實驗建筑的設計拆分，如圖3所示。

(a)外墻板拆分圖

2.2 實驗方法設計

利用基于BIM技術的裝配式建筑全壽命周期成本預測方法對其實施成本預測實驗。進行成本預測實驗之前，首先對方法中的成本預測模型進行訓練和仿真，確定模型最佳參數后開始實驗。

在實驗中獲取該方法的運行時間與相對誤差實驗數據，用這2種參數對預測效果進行反映。其中相對誤差的計算公式為：

(4)

式中：?代表相對誤差，其值絕對值越小，證明模型成本預測能力越強。將文獻[3]方法、文獻[4]方法作為實驗對比方法，以此驗證不同方法的實際應用效果為增強結果的對比性。

2.3 實驗結果

2.3.1 運行時間實驗結果

對文獻[3]方法、文獻[4]方法以及本文方法的模型運行時間進行實驗測試，在成本預測中的運行時間實驗數據，如表4所示。

表4 運行時間實驗數據

表4的運行時間實驗數據表明，相比文獻[3]方法、文獻[4]方法，在預測迭代次數為5～20次的范圍內，本文方法無論是對A棟還是對B棟進行成本預測都花費了更少的時間，證明本文設計的成本預測方法模型運行時間短于其他方法。

2.3.2 相對誤差實驗結果

本文方法與文獻[3]方法、文獻[4]方法的裝配式建筑全壽命周期成本預測相對誤差實驗結果，如表5所示。

根據表5的相對誤差實驗結果，本文方法的相對誤差比文獻[3]方法、文獻[4]方法更小，證明本文方法具備更強的成本預測能力。

3 結束語

在對裝配式建筑整體成本預測問題進行研究的過程中，提出了基于BIM技術的成本預測方法，并驗證了該方法多方面的性能，對于取得的研究成果，由于在成本分析階段不夠細致，將會繼續進行該問題的深入研究。