基于供需平衡的裝配式PC構件運輸成本優化

楊虎林 周東明 陸子雨

青島理工大學土木工程學院 山東 青島 266033

目前，裝配式構件多以粗放方式一次或幾次供應，構件運輸與施工進度不匹配致使現場構件大量堆放，以此帶來存儲成本的增加。不考慮施工進度需求的構件供應方式勢必會帶來成本增加，因此有必要建立基于供需平衡的動態運輸方法。

現階段影響裝配式建筑在我國推廣的主要原因是裝配式建筑的建造成本偏高。

張琦等[1]通過裝配式建筑與傳統現澆建筑成本對比分析，指出控制裝配式建筑成本的關鍵在于生產運輸階段。

段海寧[2]通過成本數據分析影響預制構件成本的主要因素，針對性地提出了生產運輸階段的成本控制措施。

通過大量的文獻研究和調研，分析預制構件的成本構成，得出預制構件的生產成本和運輸成本對預制構件的成本有較大的影響，本文主要針對運輸成本進行重點研究。

BIM技術與裝配式建筑項目結合是未來建筑發展熱點和趨勢，BIM技術有助于裝配式建筑實現優化管理[3]。

我國許多專家學者對BIM技術在裝配式建筑工程中的應用方面進行了較為深入的研究。

項勇等[4]運用RFID（射頻識別）技術構建預制構件全過程質量追蹤模型，提高裝配式建筑質量管理效率。

姜東民等[5]構建基于BIM＋RFID技術的施工管理系統架構，實現施工過程中的信息共享與實時管理。林敏等[6]開發具有RFID功能的BIM平臺，提高了BIM系統對現場施工的實時管理效率。

常春光等[7]將BIM和RFID相結合，建立信息共享平臺架構，探討了集成BIM＋RFID系統的應用過程。

葛躍等[8]提出了基于BIM與RFID的施工現場建筑材料實時定位、識別與分類的安全管理系統。目前，將BIM＋RFID技術應用于裝配式建筑預制構件運輸成本控制的研究較少。

本文結合施工實際供求計劃，探討將BIM＋RFID技術應用于構件運輸的成本管理，建立成本優化管理模型，優化構件的運輸成本（圖1）。

圖1 基于BIM的裝配式PC構件運輸成本優化技術框架

本文對裝配式建筑PC構件成本進行分析，以PC構件運輸成本為主線，借助BIM＋RFID技術實現構件需求動態管理，建立PC構件運輸成本優化方案，并將該方案運用到實際案例中，驗證其可行性。

1 裝配式建筑構件成本分析

1.1 裝配式建筑構件成本構成

根據PC工業化預制技術情況進行調研，深入剖析增量成本的構成，綜合技術、管理、人工、工程配套設施、運輸、環境、工期以及稅收等多種因素，并與普通現澆結構進行對比分析，發現裝配整體式結構和預制裝配式結構的工程造價總體分別增加了7%和15%左右。

PC構件為成形構件，運輸過程中構件的放置、吊裝，構件的長度、高度、質量以及構件運輸距離等因素使得運輸過程中成本增量不斷上升。本文著重分析運輸階段成本，以控制構件運輸成本為主建立成本優化方案，控制成本增量，實現構件成本管理。

1.2 PC構件運輸成本分析

預制構件生產完成后在施工現場進行安裝，構件運輸是裝配式建筑重要的一環。構件運輸的費用主要由構件起吊、運輸的機械費，場地堆放費，二次搬運費等構成。目前，在構件運輸過程中，大型復雜預制構件運輸存在構件裝卸混亂、運輸路線不合理、沒有專門的運輸方案等情況，增加了構件運輸費用。施工現場大量堆放構件影響施工操作，降低施工效率。構件不合理堆放造成現場吊裝困難，增加二次搬運費用。

在構件的運輸階段，應根據預制構件的數量和尺寸，合理選擇運輸機具。水平構件層疊平放運輸時，宜在構件與剛性擱置點處塞柔性墊片或墊木，層與層間的墊木在同一位置，構件的具體疊放情況如圖2所示。構件運輸裝車時應根據現場施工實際情況分類進行，以避免現場堆放混亂。

現場多層碼垛存放構件時，層與層應墊平，各層墊塊或方木上下對齊。水平分層堆放時，應分型號碼垛，預制樓板和預制樓梯每垛不宜超過6塊；構件堆放情況如圖3所示。堆放方案的合理設計可降低構件堆放成本，構件合理擺放可減少吊裝使用頻率與二次搬運費。

圖2 構件運輸疊放

圖3 構件現場堆放

2 基于BIM＋RFID技術的PC構件管理應用

2.1 基于BIM＋RFID技術的PC構件管理框架

BIM模型是構件信息的載體，但不能記錄構件的狀態信息，而RFID技術可以實現構件從成品、運輸、存儲等環節的實時監控。基于BIM與RFID技術的PC構件管理系統（圖4），以BIM模型數據庫為基礎，將不同階段的構件信息寫入RFID數據庫中，并將定位與進度屬性與BIM模型相匹配。通過RFID實時跟蹤信息，明確構件位置與進度，對建筑構件實施動態進度管理。

圖4 基于BIM與RFID技術的PC構件管理系統

2.2 信息采集交互處理階段

在BIM中確定每個構件的屬性信息及計劃進度，并將其錄入BIM的構件數據庫中，交付生產前將構件屬性信息和計劃進度錄入RFID標簽。

通過掃描RFID標簽，實時采集構件狀態、進度信息及相關管理人員等信息，同時將RFID數據庫和BIM數據庫中的信息進行實時交互，生成符合BIM數據庫要求的數據，并上傳至BIM數據庫。

2.3 信息提取分析階段

BIM集成了每個預制構件的基本屬性信息，計劃進度與實際進度信息，實時掌控構件的實施情況。通過計劃進度與實際進度查詢對比，對不同狀態點進行進度分析，統計構件各階段的信息或構件某一時間點實際狀態，計算構件在各狀態臨界點的計劃時間與實際時間差值。若出現構件延遲運送，則將延遲構件的相關信息進行反饋，進而及時調整構件運輸方案，保證構件的準確運輸。

3 PC構件成本優化模型

3.1 PC構件運輸成本優化數學模型

為實現PC構件運輸成本最優化，研究時擬從構件廠向多個施工工地實施運輸任務，通過合理安排運輸車輛的運輸路徑，使所求目標函數得到最優解，在滿足約束條件的情況下，使運輸車輛的數量最少以及運輸成本最低。數學模型及其限制條件如下：

其中：f1為構件運輸成本最小值；f2為運輸車輛最小值；K為預制構件從構件廠到施工工地所需的運輸車輛數量；Cij為從施工工地到施工工地的運輸成本；P1為懲罰函數；Hi為配送車輛到達的時間；Ti為配送車輛卸載貨物的時間；xijk在配送車輛從施工工地i到施工工地j時等于1，否則等于0；ri為施工工地i的配送量；R為配送車輛的運載能力；yik在施工工地i的運輸任務由運輸車輛k運輸時等于1，否則等于0；t為車輛運輸時間；wi為車輛現場停留時間；TEi為開始接收時間，TLi為結束接收時間，[TEi,TLi]為施工工地的接收時間窗；懲罰函數P1表示配送車輛在之前到達或之后到達均有處罰，其設定如下：

其中，ai、bi均為懲罰系數。

運用MATLAB軟件對模型進行求解，在可行域得到最優解，即構件成本最優。

3.2 改進混合蟻群算法

改進混合蟻群算法是蟻群算法和遺傳算法的融合，先根據不同適應度函數利用遺傳算法生成信息素分布，再在一定初始信息素分布的情況下，充分利用蟻群算法并行性、正反饋性、求解精度效率高的特點，快速求得多目標優化問題最優解。

3.2.1 信息素初始值設置

根據遺傳算法得到最優解，選擇適應度較高的n個個體組成一個矩陣T。假設節點數目最大個體長度為m，則n個個體構成的矩陣T的維數為m×n。計算在T中每2個節點連接τijk中出現的次數，將τij/(2n)作為初始信息素矩陣中Sij＝Sji的值，對于沒有出現的連接，其對應的初始信息素值設為0。

生成一定的路徑信息素后，為了增加算法的探索，避免算法過早收斂，采用最大-最小蟻群（MMAS）系統算法把各路徑信息素初始值設置為最大值Smax，通過遺傳算法得到一定路徑信息素，信息素初始值設置為：

其中，SC為信息素常數，相當于MMAS算法中的Smin；SG是遺傳算法求解出的最優解所轉換的信息素值[9]。

3.2.2 信息素更新模型

采用蟻周模型進行信息素更新，即一周中只有最短路徑的螞蟻才進行信息素修改增加，而所有路徑的軌跡更新方程為：

其中：Sij(t)為路徑（i, j）在t時刻的信息素軌跡強度；(t)為螞蟻k在路徑（i, j）上留下的單位長度軌跡信息素數量；ρ表示軌跡的持久性，0≤ρ＜1，將（1－ρ）理解為軌跡衰減度。

在改進算法中，MMAS[10]算法較標準蟻群算法（AS）有以下改進：

1）為使算法在初始階段進行更多的探索，將信息素軌跡初始化設置為最大值Smax。

2）完成一次迭代后，只最優解所在路徑信息素修改增加，與AS模型調整相似。

3）為避免搜索停滯，將各路徑的信息素軌跡強度限制在[Smin,Smax]，超出范圍的被強行設定為Smin或Smax，從以往的試驗結果[11]可得，MMAS算法在防止過早停滯方面較AS算法有較大改進。

改進混合蟻群算法是求解多目標問題的一種有效方法，將其應用到PC構件運輸管理中，可以有效優化運輸路徑。結合BIM和RFID技術，實現對PC構件運輸路徑動態控制，節約運輸路徑成本。

4 裝配式PC構件運輸成本優化技術案例分析

青島市西海岸某裝配式高層住宅項目，總建筑面積201 800 m2，裝配式預制構件應用量較大，通過對其中某一建筑物BIM模型拆分得出該建筑物初始的需求量，單層構件進場數量約為540塊，單層工期7～9 d。其余建筑需求量均可通過模型拆分算得。預制構件廠需要對7個施工工地進行配送工作，規定每個施工工地的需求量不大于車輛的運載量，對一定時間段內的7個施工工地實施一次完整的構件運輸任務。

4.1 成本優化方案的運用

該優化方案以施工現場供需平衡為導向，制定良好的供求計劃和存儲計劃，合理安排車輛運輸，降低運輸成本和現場構件存儲成本。

將優化方案運用到該案例中，以現場供需計劃為主，分批次進行運輸，合理選擇車輛的數量及行駛路線，運輸與存儲總成本為43 334.90元；若構件一次性運輸量超過需求量1倍，運輸成本雖然有所降低，但現場存儲成本增加約7%。

4.2 PC構件運輸成本優化求解

根據BIM信息模型，獲取PC構件運輸成本優化模型的基本參數，并代入改進混合蟻群算法中，通過MATLAB軟件求解，構件廠共有3種車型可以選擇，每種車型不超過7輛，根據此情況，將求解過程分為3組，分別為A、B、C這3種不同車型的2～7輛車的運輸成本。根據以上計算，將各個車型計算數據進行統計，如表1～表3所示。

表1 車型A計算數據

表2 車型B計算數據

根據表中數據，繪制3種車型運輸成本折線圖（圖5），根據折線圖可以得出若選用A車型，則選擇運輸車輛為4輛的時候運輸成本最優，最優運輸成本為39 334.90元；若選用B車型，則選擇車輛為2輛的時候運輸成本最優，最優運輸成本為45 983.02元；若選用C車型，則選擇車輛為3輛的時候運輸成本最優，最優運輸成本為43 473.09元。綜上分析，構件廠應選用A車型4輛車。

表3 車型C計算數據

圖5 運輸成本折線圖

4.3 改進混合蟻群算法對比

為了檢驗改進蟻群算法在路徑優化上更有優勢，以選用車型A情況為例進行計算，把計算得到的最優運輸成本與標準蟻群算法（AS）進行對比，其對比結果如表4所示。

表4 AS算法與改進混合蟻群算法計算數據對比

通過表4可以看出，以A車型為例，不論選用的車輛數為多少，改進混合蟻群算法所得的運輸成本都不大于AS算法所得的運輸成本。

結果表明：改進混合蟻群算法在車輛運輸成本優化中比其他算法具有更大優勢，為預制構件廠在車輛的選型和數量決策上提供了有效的解決方案。

5 結語

本文以施工實際需求的裝配式建筑預制構件成本為主線，在分析PC構件成本因素的基礎上提出運輸成本優化模型，借助BIM＋RFID技術實現對PC構件成本的動態控制，并將模型運用于實際工程中。本文的主要結論如下：

1）BIM與RFID結合能夠更好地實現信息接收、傳遞以及反饋，保證了構件信息快速準確采集、傳輸和分析利用。

2）改進混合蟻群算法是求解多目標問題的一種有效方法。將其應用到PC構件運輸管理中，可以有效優化運輸路徑[12]。

3）以青島市西海岸項目為例，運用AS算法和改進混合蟻群算法對其運輸成本進行計算，通過結果對比，發現改進混合蟻群算法較AS算法運算成本降低約5%，證明改進混合蟻群算法在車輛運輸成本的優化上具有更大優勢。