結合建筑工程結構設計的工程造價應用分析

摘要：在工程建設項目前期關鍵的結構設計階段，造價預測是衡量項目可行性的重要參考，為給項目決策者提供評估依據，結合建筑工程結構設計的工程造價應用進行分析。選取工程結構設計階段造價影響指標，確立一套可以反映建筑工程結構特點的指標體系，挖掘并預處理建筑工程結構設計數據，將其作為模型輸入，并基于BP神經網絡構建工程造價預測模型。實例應用結果表明，本文設計的工程造價預測模型的均方根誤差為10-4、平均相對誤差為1.82%，驗證了該模型在建筑工程結構設計階段的工程造價預測中具有良好的應用效果。

關鍵詞：建筑工程；結構設計；工程造價；應用分析；成本控制

中圖分類號：TU973.35" 文獻標識碼：A"" 文章編號：

Application Analysis of Engineering Cost Combined with Building Engineering Structure Design

Abstract：In the key structural design stage in the early stage of engineering construction project，cost prediction is an important reference to measure the feasibility of the project，to provide the evaluation basis for project decision makers，and to analyze the application of engineering cost in the structural design of construction engineering.The cost influence index of the engineering structure design stage is selected，a set of index system that can reflect the characteristics of building engineering structure is established，the structural design data of construction engineering is mined and preprocessed as the model input，and the engineering cost prediction model is constructed based on BP neural network.The example application results show that the root mean square error of the project cost prediction model is 10-4 and the average relative error is 1.82%，which proves that the model has a good application effect in the project cost prediction in the design stage of construction structure.

Keywords：construction engineering;structural design;project cost;application analysis;cost control

0 引言

近年來，我國建筑行業發展迅速，逐漸成為重要的支柱產業。在建筑工程項目建設時，其工程造價是判斷該項目是否可行的關鍵因素，工程造價的控制應貫穿于建筑工程項目的全過程，但相關研究表明，建筑工程結構設計階段對工程造價的影響超過70%。建筑工程結構設計的主要目的是滿足建筑的功能要求，同時通過結構設計可以保障建筑的安全性與耐久性，所以做好建筑工程結構設計可以最大限度地降低工程造價，從而為工程建設項目帶來可觀的經濟效益。工程造價的控制主要包括前期的投資估算、造價預測、施工階段的工程結算及項目結束后的工程決算等，一般建筑工程項目具有一次性與唯一性等特征，由于結構設計階段的工程造價控制涉及內容較多，如建筑材料的選擇、施工風險的評估等，所以該階段的造價控制是最為薄弱的環節，因此，在建筑工程結構設計階段的工程造價預測顯得尤為重要。在建筑工程結構設計階段，工程造價的預測精度不僅影響了整個工程項目的成本策劃，還決定著該工程的決策結果，因此對結構設計階段的工程造價預測的精確性提出了更嚴格的要求，本文通過大量的文獻研究，深入分析結合建筑工程結構設計的工程造價預測方法，以期推動我國建筑行業的健康發展。

1 選取工程結構設計階段造價影響指標

工程造價即建筑項目建造全過程的價格，對于整個建筑工程項目來說，結構設計階段的工程造價控制至關重要[1-2]。本文旨在結合建筑工程結構設計，探討有效的工程造價預測方法。在預測工程造價時，為確保預測結果的準確性，同時便于對工程造價進行合理的評審，首先需要確定建筑工程結構設計階段工程造價的影響指標，選取工程造價影響指標時，需要遵循科學性、系統性原則選取工程造價影響指標并進行量化與定性，所選取的各指標之間需要具有一定的邏輯關系，可以系統地呈現出工程結構設計數據特征?；诖?，本文結合有關建筑工程結構的相關文獻[3]，從不同角度對工程造價影響指標進行選取，見表1。

在初步選取一系列工程結構設計階段造價影響指標后，需要根據指標數據類型將其劃分為定性與定量兩種[4]：建筑尺寸、層數等數值型的指標為定量指標；建筑外形、結構布置等文字類型的指標為定性指標。其中定性指標需要通過轉換的方式進行重新編碼，從而將文本類型的影響指標數值化。在本文選取的工程結構設計階段造價影響的定量指標中，由于各指標之間的數量級別差距較為明顯，為確保這些指標不會影響預測模型的運算性能，需要對定量指標進行標準化處理，計算公式如下：

式（1）中，為經過Z-score標準化處理后的工程結構設計階段造價影響指標；為原始影響指標；為總體影響指標的平均值；為總體影響指標的標準差。將上述量化處理后的指標組合成一個完整的指標體系，作為構建工程造價預測模型的前提。

2 挖掘建筑工程結構設計數據

本文在構建工程造價預測模型時，需要從建筑工程結構設計的標準信息數據中提取出有價值的數據，從而為工程造價預測提供決策支持，所以本文引入數據挖掘技術來挖掘建筑工程結構設計數據[5]。將數據挖掘技術引入建筑工程結構設計標準信息研究中，不僅可以為工程造價模型提供決策支持，還可以滿足從海量數據中發現價值數據的工程造價預測需求，從而提升工程造價預測效率。數據挖掘是一項集數據庫、數理統計等學科為一體的技術，挖掘對象為建筑工程結構設計階段的標準信息，采用的挖掘技術是影響挖掘結果的關鍵因素，本文綜合考慮建筑工程結構設計數據的實際特點，選用最近鄰方法（KNN算法）來挖掘數據，該算法是簡單、高效的數據分類挖掘方法，通過確定最鄰近項與K值來進行挖掘數據的分類。挖掘數據的主要過程如下：首先根據待挖掘數據的特點確定挖掘工具及挖掘目標，并收集整理好要進行數據挖掘的對象信息，這一步是確保數據挖掘技術可以順利執行的關鍵[6]；然后選取恰當的算法進行數據挖掘，KNN算法挖掘數據的基本原理是通過訓練集所屬類別來判斷待挖掘樣本數據的分類，計算公式如下：

式（2）中，為建筑工程結構設計信息的特征向量屬于類別的概率；為相似度值；為類別屬性函數。計算數據的相似度值，可以將相似度較高的數據聚類在一起，以降低待分類標準的數量。最后結合建筑工程結構設計階段工程造價預測的實際情況[7]，通過常用的評估方法來評估挖掘的數據，并將挖掘結果作為工程造價預測模型輸入。

3 預處理建筑工程結構設計數據

從建筑工程結構設計的歷史信息中挖掘有效數據時，難免存在缺失、冗余等狀況，如果將挖掘的數據直接輸入工程造價預測模型，可能會影響預測結果，導致誤導決策者，所以在使用挖掘的建筑工程結構設計數據之前，需要進行必要的預處理[8]。首先針對建筑工程結構設計數據的缺失、冗余等缺陷，進行數據清洗工作，在本文所挖掘的建筑工程結構設計數據中，將工程名稱作為辨識依據，檢索名稱則可以查找到重復記錄的工程數據，從而實現冗余數據的消冗操作；同時一般建筑工程結構設計數據的時間跨度較大，導致挖掘數據中存在很多缺失值，所以本文采用平均值填充法，進行數據缺失值的填補，即將完整的數據做算術平均后，將平均值當成缺失值；由于建筑工程結構設計數據的長期性與復雜性，挖掘的數據中存在很多偏離期望的噪聲數據，如果將此數據輸入造價預測模型中，可能會造成模型訓練過程不收斂，所以本文采用聚類方法來平滑噪聲數據[9]。為提升工程造價預測模型的運算效率，縮短模型訓練時間，本文還需對清洗后的數據進行約簡處理，數據約簡的實質是對數據進行屬性選擇，數據屬性的選擇主要分屬性子集生成與屬性子集評價兩個步驟。對于建筑工程結構設計數據而言，屬性子集的生成是一個啟發式搜索的空乘，即在數據的狀態空間內進行搜索，從而確定候選子集，而屬性子集的評估是在設定準則的基礎上，對子集有效性進行評估，本文主要采用的評估函數公式如下：

式（3）中，為數據樣本屬性屬于類別的先驗概率；為數據樣本屬性屬于類別的后驗概率；為根據數據求出的類別的先驗概率；為樣本屬性的先驗概率。由式（3）可知，本文采用的評估函數是一個貝葉斯分類器，在屬性子集評估中，可以采用最大后驗概率的方法，根據以下公式求解出新樣本最可能的分類：

由式（4）可知，由于 并非依賴于數據屬性的常量，所以最終結果中去除了。根據式（4）求出的分類準確性估計值來評估數據屬性，進而修正數據狀態空間搜索函數的參數，可以篩選出最優的數據屬性子集，實現建筑工程結構設計數據的簡約操作[10]，最后將經過上述步驟預處理后的數據作為預測模型輸入樣本數據，進行工程造價預測模型的構建。

4 構建工程造價預測模型

一般來說，建筑工程結構設計階段的工程造價預測是非線性、小樣本問題[11]，所面臨的影響因素較多，所以本文在構建工程造價預測模型時，綜合考慮BP神經網絡運算能力與泛化能力較強等優勢，將預測模型部署于BP神經網絡結構上[12]。在工程造價預測模型中，主要由輸入、隱含及輸出3個層次組成，其中輸入層主要負責接收數據并傳輸給隱含層的神經元，以工程造價影響指標為關鍵特征指標，對輸入的工程結構設計數據進行造價測算；隱含層是該模型中較為重要的層次，其結構復雜程度對預測精度與效率有著直接影響，主要負責對輸入影響指標與數據進行處理與變換，由于隱含層位于模型結構的中間，所以其神經元節點數量是決定整個造價預測模型精度的關鍵[13]，通過以下公式確定隱含層節點個數：

式（5）中，為工程造價預測模型隱含層神經元個數；為模型輸入數據的數量；為模型輸出層神經元節點數量。關于工程造價預測模型的輸出層，以實現預測功能為目標、負責輸出期望的工程造價預測結果。在通過構建的BP神經網絡模型進行工程造價預測時，關鍵在于參數的設計，其中激活函數采用S型的對數函數logsig，學習率則通過式（6）調節，公式如下：

式（6）中，為工程造價預測模型的學習率，取值范圍為[0，1]；為模型訓練時間，h；為均方誤差。在確定BP神經網絡模型的結構與參數之后，運行模型進行訓練[14]，即可實現對建筑工程結構設計階段工程造價的精準預測。

5 實例應用

為驗證建筑工程造價預測模型的性能，某工程造價預測平臺選取200項2018年—2022年河北省石家莊市的實際案例作為研究對象，這些案例均為簡單裝修的住宅項目，為保證實驗結果的精確性，從這些案例中抽取并整理100組完整數據作為本次實驗的樣本數據。在經過上述內容實現了工程造價預測模型的初步構建之后，為提升模型的泛化能力，首先于樣本數據中選擇前80組作為訓練數據對模型的參數進行優化，工程造價預測模型的訓練曲線圖見圖1。

由圖1可知，本文設計工程造價預測模型在迭代至第6次時，得到的訓練結果最佳，此時參考該曲線對模型的參數需進行重新設置，見表2。

然后將優化后的參數代入工程造價預測模型后，使用剩余20組樣本數據進行模型測試，得到測試結果見圖2。

如圖2所示，對于這20組測試樣本數據，設計工程造價預測模型所預測的結果與實際數據之間的擬合度較高，說明該模型對測試樣本數據集的預測效果較高，具有較高的預測精度，適用于建筑工程結構設計階段的工程造價預測。為進一步驗證設計工程造價預測模型的優越性，選用基于SVM的工程造價預測模型、基于深度學習的工程造價預測模型作為實驗對照組，計算預測模型性能的評價指標，公式如下：

式（7）～（8）中，為工程造價預測結果的均方根誤差/元；為工程造價預測結果的平均相對誤差/%；為第個工程造價樣本數據的預測值；為第個工程造價樣本數據的真實值；為樣本數目?；谑剑?）～（8），分別統計3個工程造價預測模型的預測結果，見表3。

由表3可知，設計工程造價預測模型表現更加良好，該模型的為10-4元，為1.82%，遠遠小于實驗對照組模型的，，說明本文設計模型在誤差控制方面更加優越，可以精準預測建筑工程結構設計階段的工程造價。

6 結語

在結構設計階段工程造價的精準預測有著重要現實意義，不僅可以為工程管理者提供關鍵理論依據，更是保障工程項目順利實施的關鍵，所以本文在確定建筑工程結構設計階段工程造價影響指標及挖掘結構設計數據的基礎上，結合BP神經網絡構建了一個工程造價預測模型，通過實際應用驗證，該模型展現出卓越的性能，能夠提供精確的預測結果。這一成果對于工程預算和造價管理具有重要意義，為相關行業的決策提供了有力支持。

參考文獻

[1]廖玲.低碳建筑材料在建筑工程專業群結構設計中的應用[J].材料保護，2021，54（4）：199-200.

[2]周曉軍，寧遠思，楊昌宇.礦山法施工雙線鐵路隧道二次襯砌拱部預制拼裝結構的設計與工程應用[J].現代隧道技術，2022，59（4）：204-217.

[3]陶兵，羅妍，丁煥龍，等.混凝土柱-鋼梁混合框架結構的工程應用[J].建筑結構，2022，52（S1）：319-323.

[4]王鏑，李帥，姜雪，等.全生命周期管理視角下電網建設工程造價管理研究[J].太陽能學報，2021，42（9）：483-484.

[5]韓明華.基于施工造價分析的防波堤結構方案比選[J].水運工程，2021（4）：211-215.

[6]孫炎.數字化賦能電網基建工程造價管理研究[J].價格理論與實踐，2021（10）：148-151.

[7]田方友，李云龍，施江沖.跨坐式單軌與地鐵和輕軌工程造價對比分析[J].城市軌道交通研究，2021，24（1）：107-110.

[8]莫鈞，陳琳，易萬中，等.離岸條件下房建工程造價研究[J].公路，2022，67（12）：295-301.

[9]董娜，盧泗化，熊峰.大數據背景下基于ABC-SVM的建筑工程造價預測[J].技術經濟，2021，40（8）：25-32.

[10]王文娟，范東振，俞春濤.軌道交通土建工程造價影響因素分析及控制措施[J].建筑技術，2022，53（9）：1174-1177.

[11]檀麗麗.基于成本管理下飼料廠房建設過程中工程造價合理有效控制與探索[J].中國飼料，2021（12）：93-96.

[12]王鏑，李帥，姜雪，等.全生命周期管理視角下電網建設工程造價管理研究[J].太陽能學報，2021，42（9）：483-484.

[13]劉少非，侯大山.基于支持向量機的鐵路隧道洞身工程造價預測[J].鐵道工程學報，2022，39（5）：108-113.

[14]曹闖.基于模糊指數平滑法的公路市政道路工程造價估算方法[J].建筑技術，2021，52（11）：1392-1394.