我国当前基础建设事业快速发展，深基坑工程的数量不断增加，带来的建设风险也逐渐增加，其中施工安全问题至关重要。而在工程清单报价中，如何将施工安全的风险因素与造价经济相结合即风险费用量化，成为一个亟待解决的问题。在实际工程项目的发、承包过程中，由于工程项目往往没有确立风险范围，导致频繁产生价格争议。所以投标人需考虑未来工程项目实施阶段中可能出现的风险，并将其算进单价中，可以避免争议，减少损失，实现利益最大化。目前，国内研究学者关于综合单价风险费用量化从多种角度进行研究，例如：采用模糊矩阵以及评价模型的构建，采用分项风险系数法和综合风险系数法，采用专家调查问卷数据分析法等。

基于上述风险费用量化方法，本文以深基坑工程（不考虑支护结构）为例，在识别其施工风险的基础上，使用BP神经网络与BIM模型相结合的形式。首先利用BP神经网络拥有多输入、单输出的特点建立深基坑风险评价模型实现对深基坑工程施工风险的评估，同时BIM模型的可视化操作与计价软件的交互，能够依据清单定额量化应承担的施工风险，提高计算的客观性与效率。

深基坑施工风险指标的选取与确立是施工风险指标评价体系的第一步，因此我们需要满足选取的原则即全面性和系统性地对风险指标进行识别，明确深基坑工程施工风险评价目的。通过资料的收集、查阅相关文献资料、专家咨询等方法，找出可靠的、客观的风险指标，建立指标预选集。此时施工风险指标应满足典型性、实用性（包括可行性和可操作性）原则选取适合本文需求的风险指标，避免重复同类型相关指标的选取。

由于影响深基坑工程施工安全的风险因素很多，本文通过查阅深基坑安全事故的相关文献，分析和综合深基坑项目的各种风险及其因素。在以往文献的基础上，最终确定8个影响因素，为建（构）筑物基础形式、地层岩性、气象条件、基坑深度、场地位置、周边环境、地下水和差异沉降。如表1所示。

参照以往研究和各专家学者对于建筑安全施工风险等级划分的相关规定，确定本文深基坑施工风险等级，将各指标风险等级划分为五个等级，如表2所示。

深基坑工程风险评价的BP神经网络模型，是通过借助神经网络模仿人脑的功能，以及利用BP神经网络的高度自适应和较强的容错能力，降低人为主观影响。本文通过识别好的深基坑施工风险指标体系构建BP神经网络模型，对深基坑工程进行风险评价，为后文风险量化提供支持。

BP(Back Propagation）神经网络是一种按照误差逆向传播算法训练的多层前馈网络，通过权值的调整，采用反向传播学习算法。BP神经网络模型拓扑结构包括输入层（input layer）、隐含层（hide layer）和输出层（output layer），输入层与隐含层，隐含层与输出层神经元间全连接。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。首要随机设定输入层与隐含层的连接权值W和隐含层神经元的阈值B，即：

%初始化输入层与隐含层之间的权值

%初始化输入层与隐含层之间的阈值

%初始化输出层与隐含层之间的权值

%初始化输出层与隐含层之间的阈值

(1）输入层节点数量的确定。根据前面建立的风险指标评价体系，本文选择8个评价指标对深基坑施工风险进行评估，因此输入层节点数为8。

(2）隐含层节点数量和层数的确定。对于大多数实际问题，1层隐含层可解决问题，即3层神经网络。确定多层神经网络隐含层的神经元数也是一个很重要的问题，太少的隐含层神经元会导致网络“欠适配”，太多的隐含层神经元会导致“过适配”。因此可参照式（1）对隐含层节点数进行确定。根据测试，当隐含层节点数取8时，逼近效果最佳。

式中：l为隐含层节点数，n为输入层节点数，m为输出层节点数，a为常数且1<a<10。

(3）输出层节点数量的确定。输出节点选择对应于评价结果，在本文建立的模型中，由于输出的最终结果只有风险等级的大小，因此输出层节点数为1。

(4）学习速率的确定。大的学习速率可能导致系统的不稳定性，但小的学习速率将会导致训练较长，收敛速度很慢。学习速率的选取范围在0.01～0.8之间，参照以往研究采取调整公式选取，学习速率最终确定为0.035。

综合以上分析，本文建立的BP神经网络模型为8*8*1的三层模型。基于上述神经模型和算法，运用MATLAB R2016a软件对深基坑风险评价模型进行训练。将20个项目中的15组数据作为训练样本子集，5组数据作为检测样本子集，对该神经网络进行训练，并将训练好的神经网络进行测试，最后使用检测合格的神经网络进行预测工作。BP神经网络的训练样本数据及实际输出见表3。

将5组检测样本输入已训练好的神经网络中，利用训练好的神经网络对这五组基坑风险因素进行风险预测，结果见表4。从表4中可以看出，比较检测样本的专家评价与实际输出的最大绝对误差值仅为5.61%，误差均控制在10%以内，满足要求。可以用此神经网络对深基坑工程项目进行风险评价。

在BIM模型中，“族”是Revit软件应用过程中不可缺少的核心元素，Revit可通过使用者根据项目要求自行创建有需要的族，并为了日后类似的工程提供模板、提高效率而建立Revit族库。由于本文考虑的是施工风险下的风险量化，通过前文BP神经网络进行风险因素评价得到的输出值，进而确定风险取费系数值。

Building Information Modeling(BIM）即建筑信息模型，“族”为BIM系列软件中组成的图元，是根据建模过程中具体的需要来进行构建的。本文需要的深基坑模型便是基于参数化族来实现的。

使用Revit2016版本软件创建可在工程设计中大量复用的自定义参数化可载入族。首先新建公制常规模型族，进入编辑环境，选择相应的绘图方式（如拉伸、空心融合命令），在绘图窗口下绘制所需图形。使用参照平面命令和尺寸标注命令，对所绘图形进行尺寸标注锁定和标注尺寸、添加参数（选择实例类型），最后载入到项目，完成参数化基坑族的建立。本文按照如上步骤进行了BIM参数化族的构建，由此构建出深基坑工程相关土方开挖族库，为后续工作奠定基础，提供便捷需求。如图1所示。

参考陶学明和刘静等人给出的风险取费系数值公式，最终确认风险取费系数值的公式，如式（2）所示。

=承包方的预期利润值（一般假定为10%，可根据实际情况进行修改）×风险输出值

深基坑工程造价费用需使用Revit GFC插件与广联达计价软件相结合，依据清单定额计算出深基坑工程土方开挖的综合合价。这里的挖土方单价定额考虑的是90%机械+10%人工、弃土方和土方运距，人工费按100元/工日，规费和税费按照工程所在地区标准。在计算上，综合单价=（人工费+材料费+机械费+利润）×（1+风险系数），此处的风险系数即为风险费用的量化值。因此，含风险的土方开挖单价=挖土方单价×（1+风险取费系数值）。

BIM5D的应用将风险费用造价信息与3D建筑信息基础模型结合，使信息管理更加方便、效率更高。本小节基于BIM技术对实际案例风险量化进行分析。

某住宅楼深基坑项目位于县城新区百花南一路以南，金山路以北，东环路以东，滨江北路以西，紧邻甘棠江，处于繁华地段，交通便捷。基坑开挖深度约5.1m，地下一层。项目所在地地势平坦、地形简单，场地地质土层自上而下为杂填土、素填土、有机质土、可塑粘土、软塑粘土、破碎灰岩、较完整灰岩。地下水水位埋深0.50～2.90m，地下水主要为孔隙潜水。其气候为中亚热带季风气候带，降雨多集中在5～7月。

首先，由前文建立的深基坑土方开挖风险评价指标与BP神经网络模型对上述项目进行风险评价，得到该深基坑项目BP神经网络的输出结果为0.4256，根据表2的深基坑施工风险等级得出该深基坑项目风险等级为3级。由前文给出的风险取费系数值公式，得到该深基坑项目风险取费系数值=10%×42.56%=4.256%。

其次，创建深基坑BIM模型。根据深基坑工程相关形状以及尺寸数据，在创建的土方开挖族库中选择适合的土方开挖族，如图2和图3所示。

最后，通过选择的土方开挖族，往里面添加根据BP神经网络得出的风险取费系数、土方开挖相应的造价信息和相应的深基坑风险信息，加载进实体建筑信息模型中，便可以直接得出该深基坑项目土方开挖的综合合价，如图4。通过Revit GFC插件和广联达计价软件的交互，得到该实例工程相应的清单定额并予以计算，因此该实例工程挖土方单价（包含风险）的价格为48.95元/m³，挖土方单价（不包含风险）的价格为46.95元/m³。

通过基于施工风险指标体系的确定、BP神经网络模型和BIM模型的深基坑风险量化研究，可以得出如下结论：

(1）使用BP神经网络对深基坑风险的计算与评估提高了准确性，将深基坑施工风险的非线性系统预测法用神经元连接权重的方式赋予网络模型，避免了大量繁琐的计算工作，降低了评价过程中因主观性带来的干扰。

(2)BP神经网络与BIM相结合的方式，可视化操作手段简化了工程量的计算，能够量化工程中的风险因素，从而得到风险费用量化系数，为工程合理预留风险费用。利用BIM技术的三维信息模型添加风险因素和造价因素，可以提高计算的客观性与效率，使深基坑工程造价信息得到有效的储存。

(3）通过对实例进行的风险评估以及风险费用计算，验证了该方法具有一定的合理性和可行性，相关类似工程可以借鉴。