基于人工智能的裝配式建筑工程快速估價模型研究

( 身份證：411082198908180645 )

0 引言

在瞬息萬變市場經濟環境中,現行工程概預算編制方法已難以滿足需要。探尋一套快速、簡捷、實用的工程造價估算方法已成為建筑行業的迫切需要。本文采用誤差反向傳播人工神經網絡模型(簡稱人工智能)，以工程特征為參數,采用實際歷史數據試驗了人工神經網絡的效果,結果顯示,人工神經網絡模型在工程造價估測中,效果顯著。

1 快速估算工程造價的思路應用原理

本文把已建工程特征的量化數據作為輸入,對應的造價資料作為輸出,對神經網絡進行訓練,最終用訓練好的神經網絡實現建筑工程造價資料的快速估算。

2 建立模型

2.1 建筑工程樣本的模式描述

通過對已建典型工程的造價組成及建筑結構參數變化對造價的影響進行分析,從工程造價估算的角度出發,用建筑工程特征描述建筑工程樣本,即:建筑工程=(基礎,結構,層數,門窗,外裝修,平面組合)。

2.2 建筑工程樣本模式描述的定量化

建筑工程的工程特征有不同的類型(如結構可以是磚混結構,框架結構等;基礎可以是磚條基,鋼筋砼條基等),稱之為特征類目。列舉工程特征的不同類目,依據定額水平及工程特征對造價影響的相關性導致平方米造價的改變,從小到大排序,并主觀給定對應的量化數據?？山o出任意一個建筑工程模式的定量化描述。本文選取100組裝配式建筑多層住宅神經網絡訓練樣本進行模擬實驗。

2.3 確定參數

輸入層節點數由輸入樣本數據的特征指標數量決定,不用人為設定。本文采用柯爾莫哥洛夫定理取隱層節點數= 2 m+ 1,m為輸入層節點數。輸出層節點數由樣本的目標數據的種類決定。

2.4 確定節點轉換函數

本文為隱層所有節點選擇tan- sigmoid作為轉換函數,而輸出層采用線性函數,以保持輸出數據的范圍。

2.5 網絡的訓練和學習

網絡訓練是網絡學習的途徑。設三層BP神經網絡輸入層有n個節點,輸入矢量 X=(x1,x2,… ,xn),隱層有 p個節點,Z=(z1,z2,… ,zp),輸出層有 m 個節點,Y=(y1,y2,… ,ym),輸入層和隱層之間的權為 wij;閾值為θj,隱層與輸出層之間的權為vjk,閾值為θ′j,則隱層j節點的輸出為式(1),輸出層k節點的輸出為式(2)：

3 網絡學習和預測

采用 BP神經網絡,利用帶有動量項的自適應學習算法 traingdx和學習函數learngdm對樣本的前80組數據進行訓練學習,以第81-100組數據作為檢驗。設定均方誤差MSE 0.0001,學習速率Lr= 0.02,經過3000次的訓練輪回MSE=9.34751e-5< 0.0001,訓練學習效果較好。

4 人工智能的優化和測試

運用 MATLAB 的神經網絡工具箱專門提供了建立神經網絡的應用函數，作為訓練函數之一，網絡遺失為TANSIGG.

disp-fqre=50；max-epoch=3000；err-goal=0.001；lr=0.05；

TRAINBPX： 3000/3000 epochs， lr = 0.050， SSE =0.017533，gradient=0.0098292，training：R=0.99719

從樣本數據隨機抽取10組對訓練后網絡進行測試.

結果顯示,人工神經網絡模型能將誤差控制在1%以內，效果顯著。可見人工智能在工程造價估測中的方面具有很好的應用前景。人工智能的引入必將促進工程造價管理信息化的發展。