民用建筑施工用料量模型化分析

劉衛東 馬海燕

（1.吉林省扶余市住房和城鄉建設局，吉林 扶余 131200；2.松原市鐵路機場建設辦公室，吉林 松原 138000）

隨著城鎮化建設逐漸發展，我國對民用建筑的需求也不斷增加。建筑企業承接越來越多民用建筑工程的同時，都希望降低建筑成本。民用建筑成本與建筑施工過程中需要的總用料量密切相關[1]。經驗數據表明，很多民用建筑工程項目都存在浪費用料量的情況，導致民用建筑的總體成本增加。從技術角度看，基于人工經驗的估算方法一直是民用建筑用料量的常用估算方法[2]，但該方法因為技術熟練程度不同、經驗程度不同以及人的主觀性，所以會導致用料量估算結果和工程實際結果有差異，這是民用建筑工程用料量浪費的重要原因[3]。利用BIM 技術，在設計階段對民用建筑進行仿真建模，可以更精確地觀測每個建筑單元的工程用料量，如果能將該方法和智能分析方法相結合，就能更準確地估算民用建筑的工程用料量，從而有效降低民用建筑的建設成本，避免浪費原材料。該文以此為切入點，結合民用建筑的BIM 模型數據和遺傳算法模型，對其進行研究。

1 用遺傳算法模型估算民用建筑用料量

根據人的經驗估算民用建筑用料量的方法缺乏科學模型作為支撐。目前有很多智能方法可以估計、分析和預測數據，這樣處理可以提高估計結果的準確性和可信度。在現有的智能方法中，比較常見的是極限搜索法、圖形切割法、蟻群算法、魚群算法、粒子群算法和神經網絡算法。其中，遺傳算法通過描述人類基因工程，借鑒父代和子代間的遺傳關系，可以更好地模擬歷史數據和新數據間的關聯性，因此在數據估算方面得到廣泛應用。

根據已經完成的工程項目的用料量歷史數據，能更好地預測其他待建設項目的用料量。遺傳算法建立在訓練模型和特定的處理機制的基礎上，通過學習大量的歷史數據，對算法中適應度函數進行訓練，從而估計未知數據。在使用遺傳算法的過程中，適應度函數是訓練學習的核心，設定如公式（1）所示。

式中：G為民用建筑施工用料量的適應度函數；λ為民用建筑施工用料量遺傳迭代訓練過程的調整參數；i為民用建筑施工用料量遺傳算法模型中的基因序號；n為民用建筑施工用料量遺傳算法模型中的神經元總數；ci為民用建筑施工用料量遺傳算法模型中的實際輸出數據；oi為民用建筑施工用料量遺傳算法模型中的估算輸出數據。

用遺傳算法模型估算民用建筑的施工用料量，該方法有特定的操作方法和運算規則。最常見的運算規則包括選擇運算、交叉運算和變異運算。其中，選擇運算的核心處理方式，如公式（2）和公式（3）所示。

式中：Gi為民用建筑施工用料量的適應度函數的第i個適應度值。選擇運算的具體規則是在迭代學習的過程中，不斷用更小值去更新pi。

在民用建筑施工用料量的遺傳迭代過程中，如果參數mk為第k個染色體，那么參數ml為模型中的第l個染色體，得到2 個染色體的數學表達，二者之間的交叉運算如公式（4）和（5）所示。

式中：R為民用建筑施工用料量估算遺傳算法模型中使用的隨機數。

若mmax為民用建筑施工用料量估算算法中的染色體上界，則mmin為民用建筑施工用料量估算算法中的染色體下界，可以得到變異運算規則，如公式（6）所示。

式中：ρ（d）為民用建筑施工用料量變異運算的參與函數，計算如公式（7）所示。

式中：R為民用建筑施工用料量估算遺傳算法模型中使用的隨機數。

從上述變異處理的規則看，存在2 個方向上的變異，如公式（6）的2 個公式，執行的邊界以0.5 為界限。小于0.5 采用上面的公式；大于0.5 采用下面的公式。

通過遺傳算法可以看出，與一般的迭代優化方法相比，遺傳算法對歷史信息的依賴更強，但歷史數據通過遺傳算法模型的迭代訓練和學習，產生的估計結果更接近真實情況，優化效果也更理想。通過模擬基因工程的代際間遺傳關聯歷史數據信息和優化結果，該遺傳過程與選擇、交叉和變異等操作相關。保證遺傳準確性的關鍵是合理設計適應度函數。當用該模型分析和估算民用建筑的施工用料量時，可以充分利用同類別民用建筑施工用料量的歷史數據，因此選用結構和特點有很大相似性的民用建筑，取得的效果更好。

2 導入民用建筑的BIM 模型數據

使用遺傳算法模型對民用建筑的施工用料量進行估算，為保證估算結果和迭代過程的準確性，需要輸入大量的歷史數據。輸入信息越豐富，迭代訓練的學習效果越準確。民用建筑的信息化建模方法（BIM）可以滿足需求。

BIM 技術可以對待施工工程進行三維仿真建模，通過縮放一定比例尺，建立真實場景和工程目標完全對應的三維模型。BIM 技術不僅能給建筑施工過程提供逼真的場景，還能提供豐富的數據信息。BIM 模型的每個細節都含有豐富的信息，包括墻體的高度、所用材料和材料價格等。這些信息導出方便，可以形成數據信息，為上文提出的遺傳算法模型提供充足的輸入信息。

在估算民用建筑的施工用料量過程中，導入BIM 數據的流程如圖1 所示。

圖1 導入民用建筑的施工用料量估算過程中的 BIM 數據

從圖1 可以看出，在估算過程前導入BIM 數據，根據算法設計，由數據生成工程特征向量后，再納入遺傳算法模型進行學習、訓練和估算。

3 估算民用建筑用料量的試驗結果

該文提出用遺傳算法模型估算民用建筑的施工用料量，該方法包括適應度函數、選擇運算規則、交叉運算規則和變異運算規則。明確BIM 模型數據導入和遺傳算法模型間的關系后，須進一步進行驗證，檢驗其有效性。

在試驗過程中，目標工程共20 個民用高層住宅小區。其中，前19 個民用高層住宅小區已經完成建設，可以作為歷史數據。最后1 個民用高層住宅小區為待建項目，因此主要估算其用量料。民用高層住宅小區20 的整體布局的BIM 建模效果，如圖2 所示。

圖2 民用高層住宅小區的整體布局的BIM 建模效果

在漫游展示功能下，可以深入具體一樁樓宇的內部，觀察內部的結構和細節。民用高層住宅小區的1 號樓8 層的細節，效果如圖3 所示。

圖3 民用高層住宅小區1 號樓的8 層細節

在BIM 模型下，每個住宅小區可以導出5 類施工用料量的數據，具體如下：施工面積大小、地界部分結構、樓梯連廊結構、樓頂防水結構和門窗電井結構，見表1。

表1 20 個民用高層住宅小區的相關用料量數據

對應于表1 中的各組數據，其中前5 列作為民用建筑施工用料量估算遺傳算法模型的輸入，將最后1 列作為民用建筑施工用料量估算遺傳算法模型的輸出。前19 個小區的相關數據都是訓練數據，通過訓練達到穩定后，估算小區20施工用料量。需要采用遺傳算法的迭代訓練估算得出表1中小區20 的最后一個數據。

根據表1 中的數據，對民用建筑施工用料量估算遺傳算法模型進行迭代訓練，模型的收斂過程曲線如圖4 所示。

圖4 遺傳算法模型的收斂過程曲線

從圖中曲線的變化情況可以看出：迭代20 次后，模型誤差很小。當迭代35 次時，迭代誤差在非常小的范圍內達成穩定。模型達到收斂，因此根據表1 的數據，估算小區20 的總用料量為3401.9t。

4 結論

民用建筑是建筑領域的重要組成部分，準確計算和合理分配施工用料量有利于降低民用建筑的開發和建設成本。該文基于遺傳算法模型，導入民用建筑的BIM 模型數據，準確估算民用建筑用料量。針對遺傳算法模型，通過適應度函數、選擇運算、交叉運算和變異運算，設計詳細的運算過程，并對此進行分析。在試驗過程中，對實驗地的民用建筑進行研究，將前19 組建筑作為訓練樣本，結合BIM 模型數據和遺傳算法模型的訓練結果，迭代穩定后估算最后一組建筑的用料量，可以指導后續建設施工用料量。