基于BIM的水利工程成本預測分析

王春偉，王永明，張 勇，孫玉慧

(黑龍江大學水利電力學院，哈爾濱 150080))

0 引 言

水利工程項目設計選型獨特，結構構件復雜多變，受環境影響因素大，尤其設計階段質量難以控制，設計圖紙信息量繁多，且工作人員協同困難。據研究表明，設計階段對成本的影響可達75%以上，成本預測作為成本控制的第一步，發揮至關重要的作用。

與傳統的2D圖紙相比，BIM為建筑生命周期的所有階段提供了更逼真和更豐富的模型。BIM是工程項目設施的實體和功能特征的數字表達,可以大大降低獲取內部空間信息的成本，突破僅能展示建筑物外表模型的局限性[1]。特別是，BIM提供了幾何上精確的3D表示，并能夠將屬性和數據關聯到模型中的不同組件和對象。由于BIM技術提供了可視化，協調，模擬和優化功能，因此可以使用具有BIM技術的各種軟件來實現建筑的自動化，智能設計和分析[2]。

1 BIM成本預測流程

BIM技術具有較高的共享性和協同性，建筑各單位中的各類重要數據隨水利項目的增多而增多，數據作為企業管理重要資源，需要用信息化手段對數據進行管理，利用BIM技術云平臺管理，構建一個基于Cloud-BIM的數據管理平臺，通過移動客戶端，計算機客戶端，website將數據同步更新到云計算，促進信息共享，實現多參與方共同合作。除此之外，BIM可以實現不同軟件之間的數據交互。通過IFC/DWG/DXT/FBX等交互性格式文件以及廣聯達研發的GFC插件實現Revit、Navisworks、廣聯達BIM5D等工具間的數據交互[3]。具體預測流程如圖1所示。

1.1 BIM模型建立

BIM建模階段主要通過Revit軟件進行，Revit所建立參數模型中包括了個專業各構件的參數化信息，參數包括構件尺寸信息、類型、材質和能耗信息。

使用相關的基于BIM信息的建筑設計軟件，根據給定項目的相關物理和幾何信息建立3D建筑信息模型提取工程量信息，主要通過Revit軟件參照CAD圖紙構建水利信息模型，并按順序繪制基礎底板，閘墩，擋土墻，消力池，工作橋，混凝土刺墻和其他構件，并輸入材料，尺寸，坡比和其他屬性，最后導出工程量信息[4]。

1.2 設計優化

應用BIM技術，在設計階段可以及早發現問題，及時處理，能夠促進項目順利開展。文章主要應用Navisworks2019進行模型構建之間的碰撞檢查。首先將Revit模型導入Navisworks，通過外部工具Navisworks Switch back2019將Revit模型與導入Navisworks中的模型進行關聯，Navisworks修改后的模型會在Revit軟件中自動更新，優化后的模型會自動顯示在Revit軟件中，根據自己的需要將模型的實物工程(如混凝土擋土墻的體積及其混凝土強度)進行統計并導出格式和工程量表格[6-7]。

1.3 BP神經網絡構建

BP神經網絡已被廣泛用于各種行業中，它可以做擬合回歸問題，也可以做分類問題，BP神經網絡的拓撲結構由輸入層、隱含層、輸出層組成，每一層包含若干個神經元。神經網絡的學習規則為調整網絡的權值和偏值，使網絡的均方差最小、性能最好。

構建BP神經網絡模型分為以下幾個步驟：

1)確定輸入和輸出層，輸入層和輸出層各數根據實情情況確定，分別用x和y表示，輸入量為X=(x1，x2，……xi，……，xn)T，輸出向量為Y=(y1，y2，……，yi，……，yn)T。Xn表示輸入層中價格樣本數據，Yn表示輸出層的預測值，即最終獲得的成本預測值。

2)隱含層數及權值的選定。用矩陣V=(v1，v2，……，vj，……，vm)T表示輸入層和隱含層之間的權值，用矩陣W=(w1，w2，……，wk，……，wn)T調試隱含層和輸出層之間的權值。在第一次正向傳播過程中，初始權值由系統隨機分配，并根據誤差反向自我調整權值直至在期望誤差之內。文章選用雙層隱含層進行預測計算。

1.4 BP神經網絡預測步驟

1.4.1 數據收集

文章中所收集的數據來自于廣材助手及BIM數據庫，廣材助手是建筑工程造價行業材料價格查詢網站，該網站上能夠提供建筑所需材料的價格信息，并且能夠在線提供常用材料每天的市場價格行情和走勢，數據來源真實可靠，BIM數據庫將以往做過的項目信息收集在BIM的數據庫中，里面存儲了各類項目基本信息以及材料價格，為相關從業者提供了精確地人材機價格信息。

1.4.2 數據處理

1.4.3 預測模型的參數值

2 案例分析

選取某市水閘工程作為本項目的研究對象，采用Autodesk公司的Revit2019作為BIM建模軟件進行算量，采用編程的方法利用MATLAB2021a作為BP神經網絡優化工具，針對設計階段的混凝土擋土墻為目標進行分析，首先對水閘工程進行建模。

將建好的模型導入Navisworks中進行碰撞檢查，通過Revit軟件的外部工具Navisworks Switch back2019命令自動將優化后的模型更新在Revit建模軟件。

通過Revit自帶的明細表導出C25混凝土擋土墻工程量，Revit中工程量明細會自動隨構建的更改自動更新，并能隨時查看。表1是C25混凝土擋土墻的工程量。

表1 C25混凝土擋土墻明細表

由以上明細表可得到C25混凝土擋土墻的工程量為497.28m3，由于項目在實際施工過程中存在建設周期，相應的人材機價格會隨市場環境變化而變化，造價控制難度增高，為了避免價格波動對成本的影響，建立BP神經網絡模型，文章選取C25混凝土材料單價為例進行價格預測，通過BIM數據庫及廣材網信息價數據庫，收集過去兩年來的每個月的材料單價作為樣本數據庫，如表2所示。通過MATLAB軟件模擬運算實現成本預測。

表2 過去兩年C25混凝土市場信息價

將收集到的數據進行歸一化處理，如表3所示。

表3 混凝土信息價歸一化結果

構建BP神經網絡模型，用前六個月的價格作為輸入向量預測第七個月的價格，由于目標輸出只有一個單價，因此確定輸出層為1，輸入層為6，根據以往經驗將隱含層設置兩層，根據經驗公式，第一層隱含層神經元個數為10，第二層為9，選用sigmoid雙極性函數作為傳遞函數，梯度下降函數traingdx作為訓練函數，確定newff函數為網絡構建模型。確定輸入矩陣為A=[1 0.927 0.771 0.610 0.512 0.561;0.927 0.771 0.610 0.512 0.561 0.463;……0.156 0.098 0.049 0 0.098 0.195]，期望矩陣B=[0.463,0.415,0.366,……,0.171]。通過MATALB編程軟件，進行模擬訓練，得到擬合曲線以及結果如圖所示預測值與實際值基本重合(圖2)，根據表4得到相對誤差值，可以看出相對誤差<0.01，說明模型預測效果很好，根據圖3得到確定系數R為0.99905，說明相關性高，模型穩定性好。

表4 相對誤差計算

根據以上訓練效果，說明設置雙隱含層效果很好，得到最終成熟的BP神經網絡模型，通過編程運行得到下個月的單價預測值為427元，將BIM所導的混凝土擋土墻的工程量與預測單價相乘，得到總造價為212338.56元。本案例以C25混凝土擋土墻實物工程為例，對預測總價進行分析，直接成本費的其他費用預測與C25混凝土擋土墻預測流程相似，由于研究受限，文章不作分析。

3 結 語

在水利工程設計階段合理使用BIM技術能夠提高水利項目管理水平，文章著重分析了設計階段利用BIM技術進行成本預測的優勢，結合實際案例，運用Revit核心建模軟件，建立三維模型，基于Navisworks軟件平臺進行了模型優化，考慮到時間成本的問題，利用BP神經網絡預測人材機單價，實現水利項目的動態預測，使成本信息更加及時、準確。

通過BIM技術和神經網絡一系列實驗流程操作后，離預期目標十分接近，能有效幫助設計單位進行優化設計，BIM技術雖然交互性很好，但由于一些BIM軟件在互導過程中由于某些特殊情況造成數據丟失，這個時候需要人為檢查，重新建模，因此仍需要深入研究，因BP神經網絡與BIM技術的連通并不是很好，若能將兩者通過接口結合，則會大大提高BIM技術在成本預測方面的效率。