基于BIM技術的土木工程料量智能分析

摘 要：信息化技術廣泛應用于建筑領域，也為土木工程用料的智能化分析提供了技術條件。在BIM建筑信息模型化技術的框架下，引入GA算法，通過適應度函數配置、交叉、選擇、變異等基本操作，構建了一種基于深度學習的土木工程用料量的智能化分析方法。在這種方法的基礎上，給出了土木工程用料量的詳細計算和分析流程。為了驗證所提出的方法的有效性，以特定的研究對象為例，將19個施工單元的用料量作為輸入，經過35次迭代使深度學習網絡模型達到穩定，對第二十個施工單元進行分析，得到其合理的用料量分析結果。

關鍵詞：BIM技術；土木工程；適應度；深度學習

中圖分類號：TU 17 " 文獻標志碼：A

隨著信息化進程的不斷深入，國民經濟的主要產業都受到了信息技術的影響。BIM技術也稱為建筑信息化建模技術，它是建筑行業中具有支撐性的信息化技術[1]。利用BIM技術不僅能實現土木工程項目分析、前期設計的信息化，還能為土木工程項目的后期驗收和改進提供極大的幫助。在BIM技術框架下，土木工程項目被模型化，以數字模型呈現在計算機上，具有良好的可視化效果[2]，再加上它具有漫游功能，可以為設計者和用戶提供便捷、靈活的觀察角度和觀察方位，從而使土木工程的內部結構、局部細節都清晰地呈現在人們的面前。配合后臺的計算和分析功能，不僅可以提供力學檢驗、有限元分析等安全校驗結果，還可以給出準確的工程用料量化分析[3]。本文的研究目的是針對土木工程項目的設計階段，利用BIM構建的信息化模型和分析技術，給出項目各種可能的用料方案，在保證工程項目質量的前提下供設計者或用戶篩選最優用料方案。

1 嵌入BIM平臺下的遺傳算法模型

BIM平臺不僅可以完成土木工程項目的信息化建模，還可以對項目本身進行整體到局部的各種參數和性能分析，其中也包括工程項目用料總量的分析。為了實現土木工程用料量的多種方案智能推薦，本文利用遺傳算法（GA）構建基于GA的深度網絡，以此作為土木工程料量的核心分析方法。

深度學習方法可以應用于很多領域，從數據處理的角度看，其主要過程就是通過大樣本量訓練完成深度模型的學習，深度模型的內核部分可以是卷積網絡、循環神經網絡等不同的形式。本文在遺傳算法的基礎上，設計具有GA性能的深度模型，形成用料量分析的深度網絡。判斷決策合理性的適應度函數是遺傳算法中最關鍵的部分，其設計結果如公式（1）所示。

（1）

式中：G為土木工程用料量分析過程中的適應度函數；λ為土木工程用料量分析過程中的調整參數；i為土木工程用料量分析過程中的深度網絡中的神經元；n為土木工程用料量分析過程中的深度網絡中的神經元總數；ci為土木工程用料量分析過程中的深度網絡中的真實輸出；oi為土木工程用料量分析過程中的深度網絡中的預測輸出。

因為本文在GA方法基礎上，構建了土木工程用料量的分析方法深度模型，所以在深度網絡的訓練、迭代、學習的過程中，離不開GA方法的基本操作，第一個基本操作是選擇操作，如公式（2）、公式（3）所示。

（2）

（3）

式中：Gi為土木工程用料量分析過程中的第i個適應度函數；i為土木工程用料量分析過程中的深度網絡中的神經元；pi為第i個適應度函數值在全部可能適應度函數中所占的比例。

GA方法的第二個基本操作交叉，如公式（4）、公式（5）所示。

mkj=mkj（1-R）+mljR （4）

mlj=mlj（1-R）+mkjR （5）

式中：mk j為更新后的染色體；R為GA方法執行過程中的隨機數；ml j為迭代處理的中間染色體。

在兩個染色體交叉的過程中，可能會出現不規則的情況，也就是GA方法的第三個基本操作變異，如公式（6）所示。

（6）

式中：mmax為染色體mij的上界；mmin為染色體mij的下界；ρ（d）為GA方法執行過程中的參數函數。

2 基于BIM技術的土木工程用料量分析流程

本文構建了基于GA算法的深度學習模型，需要進一步明確和BIM技術結合的方法，才能達到對土木工程用料量進行分析的目的。流程圖如圖1所示。

從圖1中可以看出，當用料量分析流程到第三步和第四步時，基于GA算法的深度學習模型介入。無論何種形式的深度學習模型，都離不開大數據量的訓練，深度學習模型達成穩定后，才可以進一步分析和處理。因此，需要將大量的土木工程BIM信息模型作為輸入，連接到GA深度網絡中。因為深度學習網絡對輸入數據有比較規范的要求，所以需要將BIM模型數據轉化為工程特征向量。大量的數據信息輸送到深度學習模型后，通過多次迭代訓練才能使GA深度網絡達成穩定，從而對未知的BIM模型進行分析，進而確定合理的土木工程用料量。

3 基于BIM技術的土木工程用料量分析試驗

本文基于GA算法構建了一種適用于土木工程用料量分析的深度學習方法，并對其實施流程進行了框架設計。在工作中，以具體的土木工程項目的工程用料量分析為案例，對提出的方法和流程的有效性進行驗證。驗證試驗的案例是一個規模較大的居民小區項目，小區內住宅主要為高層建筑，同時配合少量的多層建筑。為了便于分析工程的用料量，以單元為單位對小區項目進行劃分，其中包括25個施工單元，其空間布局，如圖2所示。

由圖2可知，某小區共有25個施工單元。其中，施工單元1、施工單元2、施工單元3、施工單元4、施工單元5、施工單元6在水平方向構成一個整體建筑。施工單元7、施工單元8、施工單元9、施工單元10在水平方向共同構成一個整體建筑。施工單元11、施工單元12、施工單元13、施工單元14、施工單元15、施工單元16、施工單元17、施工單元18在右側豎直方向上構成一個整體建筑。施工單元19、施工單元20、施工單元21、施工單元22在水平底部方向上構成一個整體建筑。施工單元23、施工單元24、施工單元25在左側豎直方向上構成一個整體建筑。

在圖2所示的某小區25個施工單元中，已經完成了19個施工單元，因此可以將這些施工單元的BIM信息作為輸入，利用大量的數據信息對本文提出的基于GA算法的深度學習模型進行訓練。當網絡達成穩定后，對第二十個施工單元進行用量分析。

實際上，每個施工單元的用料量在很大程度上與土木工程的內部結構存在密切關系。但BIM信息模型可以對此進行清晰展示。

土木工程的用料量受到多種因素的影響，對某工程項目的用料量影響較大的因素一共有5類，因此設定5類工程特征數據，如圖3所示。

圖3中，有以下5類工程數據。

工程特征數據A：施工單元范圍內的施工面積。

工程特征數據B：施工單元范圍內的地基結構和用料因子。

工程特征數據C：施工單元范圍內的樓梯連廊結構和用料因子。

工程特征數據D：施工單元范圍內的頂層防水結構和用料因子。

工程特征數據E：施工單元范圍內的門窗電水結構和用料因子。

為便于運用深度學習模型，對5類工程特征數據進行歸一化，并將其作為輸入。將每個施工單元的用料量作為輸出，具體數據配置情況見表1。

根據表中的數據，將前19個施工單元作為輸入數據，代入基于GA算法的深度學習模型中，對深度網絡進行訓練，經過35次迭代計算，深度學習網絡達成穩定，迭代過程的變化曲線，如圖4所示。

由圖4可知，從縱坐標可以看出，每個刻度表示一個數量級的變化，越往下迭代誤差越小。從迭代過程的變化可以看出，隨著迭代次數的不斷增加，深度學習模型的迭代誤差不斷縮小，當30～35次時迭代誤差的變化幅度已經很小時，這表明此時的深度學習網絡已經接近穩定。

此時，證明基于GA算法的深度學習網絡在19個施工單元的BIM模型數據訓練下達成穩定，已經具備了工程特征數據到用料量智能分析的能力。確定穩定的深度網絡后，代入第二十個施工單元的工程特征數據，計算施工用料量，得到的結果是3418.2t。

4 結論

土木工程項目的施工用料，決定了項目的成本。如果能夠在保證土木工程質量的前提下，盡可能地減少施工用料總量，那么對開發方是非常有利的。傳統的人工核算計算量大，一旦出現局部改動就會導致大量重復性工作。因此，充分運用信息化技術構建一種智能化的用料量自動分析方法有十分重要的意義。在研究的過程中，本文基于GA算法的框架，構建了一種基于GA算法的深度學習模型。在構建方法的過程中，詳細地給出了GA算法的適應度函數設計結果、3類基本操作的過程，并給出了針對土木工程項目用料量分析的算法實施流程。為了驗證所提出方法的有效性，以某市某小區項目為研究對象，將大量的已完工單元的BIM數據作為輸入，對深度網絡進行訓練，待其穩定后，對一個尚未進行施工的單元進行用料量分析，自動計算其合理的用料量為3418.2t。

參考文獻

[1]胡秀芝，鮑安紅，曹樹星，等.基于PKPM的重慶三峽庫區農村建筑節能改造——以豐都縣某村委會樓為例[J].西南師范大學學報（自然科學版），2013，38（10）：161-164.

[2]李勇，管昌生.基于BIM技術的工程項目信息管理模式與策略[J].工程管理學報，2012（4）：17-21.

[3]楊震卿，張莉莉，張曉玲，等.BIM技術在超高層建筑工程深化設計中的應用[J].建筑技術，2014，45（2）：115-118.