基于BP神經網絡的建筑工程造價預測與優化研究

李玉瓊

(平潭綜合實驗區城鄉建設與交通運輸服務中心，福建 平潭 350400)

0 引言

建筑業是當前國民經濟發展的支柱行業。近年來我國建筑業的發展勢頭較好，建筑業帶動的經濟效益也成為國民經濟的重要組成部分[1]。但是隨著國際經濟發展速度的減緩，我國建筑業勢必逐漸進入行業挑戰階段，市場需求量逐漸減少，因此追求利潤最大化成為建筑業發展的目標[2]。

建設人才社區是雇主為引進、留住、儲備人才的重要手段。人才社區項目主要包括住宅、地下車庫、健身房、籃球場等基礎配套設施，能為人才提供生活配套保障。人才社區項目工程量極大，資金投入也非常大，若不控制工程造價，有可能超過合同預算，不利于利潤最大化的實現。本文以人才社區項目為例，基于BP神經網絡技術進行建筑工程造價分析與優化，有助于施工各個階段調整工程計劃，控制并降低工程成本。

1 工程簽約價與預算價分析

人才社區項目EPC總承包合同依據概算批復文件，簽約價為3.4111億元。因設計與施工分階段性推進，相關預算需在設計圖紙圖審合格基礎上編制確認，對主體工程、裝修工程、安裝工程、景觀工程等相關專業工程預算進行累加匯總后，工程預算價達到約3.64億元，超過了合同總造價。建筑工程造價估算是工程項目造價分析的重要部分，對人才社區項目的影響非常大，是其決策依據[3]。人才社區項目工程造價預測能夠實現施工過程中的動態管理，及時控制建筑工程造價。因此筆者采用BP神經網絡對人才社區項目的工程造價進行預測和分析。

2 基于BP神經網絡的人才社區項目工程造價預測

2.1 建筑工程特征指標選取與處理

基于BP神經網絡的建筑工程造價預測首先需要選取合適的建筑工程特征指標，并對建筑工程特征指標進行處理[4]。

2.1.1 建筑工程特征指標選取

在眾多影響因素下，該項目建設工程造價具有極大的復雜性和特殊性。但是這些因素的重要性并不相同，所以在構建BP神經網絡預測模型前，選擇對人才社區項目建筑工程造價影響較大的因素作為BP神經網絡預測模型數據的輸入，通過BP神經網絡預測模型處理后獲得最終預測結果[5]。如果BP神經網絡預測模型的輸入維度過大，會增加預測模型的預測時間，降低預測模型的工作效率，所以要篩選出可以展現人才社區項目建筑特征或對人才社區項目建筑工程造價有較大影響的因素，即建筑工程特征指標。

基于人才社區項目的實際情況及相關研究經驗的基礎上，篩選出對人才社區項目建筑工程造價極為重要的8個特征指標，包括人才社區項目的抗震等級、建筑面積、建筑層數、層高、安裝工程、結構類型、景觀部分以及門窗類型（裝修工程）。選取人才社區項目的13組作為基礎樣本，其中包括2個測試樣本和11個訓練樣本。BP神經網絡預測模型的輸入數據即為經過處理的8個特征指標，BP神經網絡預測模型的輸出為人才社區項目中各項目的總造價。人才社區項目中13組樣本數據如表1所示。

表1 人才社區項目中13組樣本數據

2.1.2 數據預處理

BP神經網絡預測模型的輸入值必須為數值型數據，然而上述8個特征指標中既包括定量又包括定性指標，所以需要對輸入數據進行預處理，定性指標通過量化處理轉化為數值型數據，定性指標量化方式如表2所示。

表2 定性指標量化方式

雖然主體部分中的建筑層高與面積是數值型數據，但是各項指標的量級不一樣，且差距過大，導致BP神經網絡預測模型收斂速度慢、預測結果不準確。因此要對定量指標進行歸一化處理。運用最大最小歸一化方法將定量指標歸一化，將上述樣本數據設置在區間[0，1]內，具體計算公式為：

式中：

x1——輸入的定量指標；

y1——輸出的歸一化結果；

xmin、xmax——分別代表所在行的最小值與最大值。

2.2 參數輸入與結果輸出

將人才社區項目中輸入樣本數據的特征指標數量作為BP神經網絡預測模型的輸入層節點數。設置隱藏層節點數量為2m+1，其中m代表輸入層節點。本文方法輸出層節點為人才社區項目的總造價。

基于BP神經網絡人才社區項目建筑工程造價預測包含三層輸入層，共包括n個節點，輸入值為X=(x1,x2,…,xn)，隱藏層中包括p個節點，Z=(z1,z2,…,zp)，輸出層包括m個節點，Y=(y1,y2,…,ym)。輸入層與隱藏層之間的權值由wij描述，閾值由θj描述；隱藏層和輸出層之間的權值由vjk描述，閾值由θ′j描述；隱藏層中節點j輸出值的具體計算公式為：

輸出層中節點k輸出值的具體計算公式為：

2.3 BP神經網絡的訓練與學習

基于BP神經網絡人才社區項目建筑工程造價預測的訓練過程包括正向傳播與反向傳播兩個階段：輸入值xi通過BP神經網絡的正向傳播在輸出層獲得輸出值，將期望值與輸出值進行比較，以此獲得兩者之間的誤差，然后通過自適應學習算法將誤差進行反向傳播，不斷調整輸出層與隱藏層的連接權值與閾值，以及輸入層與隱藏層的連接權值和閾值，使BP神經網絡誤差降低，即縮小人才社區項目建筑工程造價的預測值與實際值之間的差距，直至誤差值符合要求或訓練次數達到最高值時，停止BP神經網絡的迭代。

3 針對人才社區項目工程造價預測結果的優化策略

通過BP神經網絡進行人才社區項目工程造價預測后，決定對主體部分、裝修部分、安裝部分以及景觀部分進行優化。為控制項目成本，防止項目造價超過簽約合同價。除已施工的樁基及基坑支護工程外，針對正在施工的主體工程進行停工，并對后續未施工的相關專業工程進行設計優化，降低工程造價。

主體部分結合周邊住宅建筑外墻面做法實際，將外立面鋁單板幕墻設計變更為真石漆；然后將2#、3#、5#樓的地下室地板向上抬高900mm，以此降低層高，優化結構配筋；通過結構重新驗算分析，優化外輪廓部分剪力墻，減少結構造價和節能保溫造價；優化屋面構架立柱，除結構安全需要外，調整采用砌體造型，并取消種植屋面；建筑節能優化。

裝修部分取消一層門廳兩側玻璃幕墻等非必要項目，優化精裝部分設計，重新核定主材材料規格，對地磚、潔具、廚柜等進行品牌確定和市場詢價。

安裝部分的電器豎井合并優化、電纜規格優化、前端進線由礦物電纜改為耐火線纜、應急照明敷設方式SC管改為JDG管；優化給排水工程和消防工程安裝部分；暖通專業優化地下室風管截面積、將雙速風機調整為單速風機。

景觀部分主要針對園路、園區景觀設計優化，樹種樹型、石材規格等選材優化。

4 人才社區項目工程造價預測及優化效果分析

采用優化方法后，再次對人才社區項目的工程總造價進行預測，并將預測結果與實際結果進行對比，具體結果如表3所示。

表3 預測結果與實際結果比較結果

由表3可見，采用本方法預測的人才社區項目工程總造價與實際值相差不大，誤差率不高于±5%，說明本文方法能夠反映人才社區項目工程造價的實際情況，為工程造價的優化控制提供依據。

通過加強建筑工程的成本管理、編制工程成本控制計劃等工程造價優化策略，實現后續未施工的相關專業工程的優化設計，降低工程造價。主體部分、裝修部分、安裝部分以及景觀部分優化前與優化后工程費用對比如圖1所示。

圖1 工程造價優化前與優化后工程費用對比圖

由圖1可知，人才社區項目中主體部分通過結構重新驗算分析，優化外輪廓部分剪力墻、優化屋面構架立柱、并取消種植屋面、優化建筑節能等方法，使工程造價由11750萬元降到11130萬元；裝修部分通過優化精裝部分設計，重新核定主材材料規格的方法，使工程造價由11200萬元降至1590萬元；安裝部分通過優化電器豎井合并、電纜規格，使工程造價由1億元降至9130萬元；景觀部分通過優化選材，使工程造價由3450萬元降至3130萬元。這四大整改部分一共節省大約2420萬元。說明案例工程造價優化策略能夠根據預測結果及時調整人才社區項目設計優化和后續施工計劃，使人才社區項目的工程造價得到有效控制，保證項目總造價控制在簽約合同價內。

5 結束語

建筑項目工程開展全過程造價管理是工程建設的根本需求。本文利用BP神經網絡技術對人才社區項目工程造價進行預測，為后續對人才社區項目工程造價優化控制提供依據。但是本方法仍然存在很多不足與局限性，本方法目前僅適用于住宅建筑，并不適用于全部類型的建筑工程。