環北部灣廣東水資源配置工程中頂管造價指標預測方法

賴宇卉

(廣東省水利電力勘測設計研究院有限公司,廣州 510635)

0 引 言

水資源受到季節和地域的影響,具有很強的不確定性,導致水資源分布不均衡,有的地區水資源過多,造成洪澇災害;有的地區水資源較少,造成干旱災害。無論水資源過多,還是過少,都不利于地區的農業、工業和居民生活的發展。面對這種情況,進行水資源合理配置勢在必行[1]。要想實現對水資源的有效控制,水資源配置工程必不可少。目前,中國修建的水資源配置工程涉及項目眾多,僅廣東省就有珠三角水資源配置工程、粵東水資源配置工程及環北部灣廣東水資源配置工程三大水資源配置工程,可見通過輸水管線配置水資源是水資源有效利用的重要舉措。水資源配置工程建造不僅耗資巨大,耗時也非常長。為合理利用投資資金,進行工程施工造價預測必不可少。通過預測能夠有效管理資金流向,提高資金利用率,使得工程修建事半功倍。然而,由于工程涉及面廣,造成預測工作難以實現,即使進行了預測,準確性也不足[2]?；诖?研究一種有效的造價預測方法具有重要的現實意義。

基于以往研究,例如丁政中,彭露葦提出一種基于MK-TESM的預測方法,該方法首先確定造價評價指標并獲取相應的指標數據,以這些指標數據為輸入,利用MK-TESM構建的模型實現造價預測[3]。董娜,盧泗化,熊峰提出了一種基于ABC-SVM的預測方法,該研究首先分析了造價影響因素,從中提取到了造價預測變量,然后利用ABC-SVM構建模型預測工程造價[4]。結合前人研究經驗,研究一種環北部灣廣東水資源配置工程中頂管造價指標預測方法。

1 基于神經網絡的頂管造價指標預測研究

1.1 工程概況

環北部灣廣東水資源配置工程建設任務以城鄉生活和工業供水為主,兼顧農業灌溉,并為改善水生態環境創造條件。工程設計引水流量110m3/s,工程等別為Ⅰ等,工程規模為大(1)型。輸水分干線長298.0km,包括云浮分干線(25.8km)、茂名陽江分干線(95.2km)、湛江分干線(177.0km)。其中云浮分干線由西往東采用重力流有壓管道和隧洞輸水至云浮市金銀河水庫;茂名陽江分干線由北向南采用重力流有壓隧洞和管道輸水至龍眼坪分水口;湛江分干線從鶴地水庫取水,自北向南布線,經合流水庫、龍門水庫、余慶橋水庫后至大水橋水庫。工程建成后可向粵西多年平均供水26.18億m3,其中城鄉生活、工業18.56億m3,農業灌溉7.62億m3

在工程修建中,地下管道鋪設是整個項目的關鍵線路。環北部灣廣東水資源配置工程是由多條輸水線路組成,以其中輸水分干線中多段頂管為研究對象,研究一種造價指標預測方法。

1.2 影響指標選取

造價會受到某些指標的影響而出現波動,因此影響指標與工程造價之間具有很強的線性關聯性?；谶@種特性,可以通過影響指標的數據來實現環北部灣廣東水資源配置工程頂管造價指標預測。

工程的頂管施工影響指標有很多,但并不是每一個指標都對造價預測具有很大的影響,有的指標影響微乎其微。這些影響程度較小的指標可以不考慮在內,否則會增加預測工作量[5]。基于這種情況,進行影響指標選取。選取過程如下:

1)步驟1:確定能夠影響頂管造價的所有現行指標。

2)步驟2:對這些影響指標的相互影響關系進行打分,打分標準如表1所示。

表1 影響指標打分標準表

3)步驟3:對指標得到的分值算術平均處理,公式如下:

(1)

式中:bij為指標ai對指標aj的影響程度打分;cij為平均分值;m為評分人數量。

4)步驟4:建立直接影響矩陣,記為C。

5)步驟5:對D進行標準化處理,得到E。

6)步驟6:計算綜合影響矩陣。計算公式如下:

F=E(1-E)-1

(2)

式中:I為單位矩陣。

7)步驟7:根據F,計算影響指標的中心度和原因度,記為di、ei。

8)步驟8:根據di、ei計算指標權重,計算公式如下:

(3)

式中:wi為第i個指標ai的權重。

將權重>0.8指標選為影響指標,選取結果如下圖1所示。

圖1 影響指標權重圖

針對選出的指標,確定各指標相應的量化數據并進行歸一化處理,結果如表2所示。

表2 指標歸一化數據表

經過上述分析,完成影響指標的選取以及相應指標數據的獲取工作,為下一步的研究奠定了基礎。

1.3 基于BP神經網絡的造價預測模型

基于章節研究成果,本章節構建預測模型,實現造價預測。在這里所采用的核心算法為BP神經網絡。BP神經網絡具有很強的泛化能力,它可以將訓練中未出現的樣本通過正確的映射得出[6]。正是因為該算法具有這種能力,可以用于環北部灣廣東水資源配置工程中頂管造價預測當中?；谠撍惴嫿ǖ念A測模型如圖2所示。

圖2 基于BP神經網絡的頂管造造價預測模型

上述預測模型以上一章節選取的指標及其對應的歸一化數據為輸入,以單方造價為輸出。具體預測過程如下:

1)步驟1:設置初始化參數。

2)步驟2:輸入訓練樣本。算法在使用前需要經過不斷地訓練才能逐漸發展成熟,成為一個合格的預測模型。而訓練需要訓練樣本,也就是評價的訓練數據,該數據由n組12個影響指標和對應的1個預期單方造價輸出值組成。訓練樣本數據可以從其他已經建造完成的水資源配置工程中巖石頂管工程獲得[7]。

3)步驟3:將訓練樣本輸入到預測模型當中,經過三層運算,輸出結果,即單方造價實際值。運算公式如下:

(4)

式中:wik、βk為隱含層與輸出層連接權值和閾值;Yk為預測模型的輸出(單方造價實際值);αi為隱含層計算輸出;k為輸出層網絡節點數。

4)步驟4:計算Yk與預期輸出之間的差值,計算公式如下:

(5)

式中:△y為差值。

5)步驟5:將△y與設定的閾值進行對比。當前者大于后者時,將△y反向傳播,用于調整模型的參數;當前者小于后者時,說明模型訓練成熟。

6)步驟6:輸入表2中的測試樣本到訓練成熟的模型當中,得出環北部灣廣東水資源配置工程中頂管施工造價預測結果[8]。

經過上述研究,完成環北部灣廣東水資源配置工程中頂管施工造價預測模型構建。

2 預測結果

環北部灣廣東水資源配置工程中選取輸水分干線中的多個頂管段施工造價預測結果如表3所示。

表3 頂管施工每米造價指標預測結果表

從表3中可以看出,所研究方法的預測結果與實際相差不大,證明了所研究預測方法有效性。

3 結 語

通過預測工程造價能夠有效提高投資資金的利用質量,減少資金的浪費。基于此,以環北部灣廣東水資源配置工程中頂管施工為例,利用神經網絡構建預測模型,實現造價預測。通過與實際結果相比,誤差較小,證明了所研究預測方法的有效性。本研究還需要進一步深化,優化預測模型,進一步提高模型預測準確性和測算速度。