装配式建筑通过可靠的连接建筑部件、构件、结构构件以及机电设备形成的工业化建筑,已经成为建筑工业化的主要形式。建筑施工过程中,各项费用受外界环境影响的波动较大,成本控制一次无法完成,需要跟随建筑的实际施工进度和外界环境进行动态调整,装配式建筑成本控制是建筑成本的重要组成部分,因此如何制订装配式建筑成本控制方法成为当前一个重要研究课题。

传统装配式成本控制,不重视施工前控制,忽略数据共享与协同工作,缺少精细化管理,成本数据更新不及时,容易导致质量成本与工期成本增加。针对装配式建筑成本控制问题,一些西方发达国家研究已经较多,装配式建筑成本控制技术和方法也较为成熟,而国内装配式建筑成本控制的研究起步比较晚,装配式建筑成本控制还存在许多的不足。当前运用较多的装配式建筑成本控制方法有:基于BP神经网络的建筑成本建模和控制方法——神经网络是通过模拟人类大脑神经元的思维方式对建筑成本进行建模和控制;有学者提出EPC模式下装配式建筑成本控制方法,从建造流程入手,从成本增量、成本控制方向建立装配式建筑成本控制体系,从而实现装配式建筑成本。这些建筑成本控制方法在实际应用中存在一些优势,同时存在一些局限性,如建筑成本控制效果差,耗时长,无法满足现代建筑成本的控制要求。

BIM技术是一种集成了建筑设计、施工管理、项目协同管理技术,可以提高建筑管理效率,降低建筑成本。为了提高装配式建筑成本控制精度,基于组合优化理论,本文提出了基于BIM技术和神经网络相融合的装配式建筑成本控制方法,并通过具体的实例分析其有效性和优越性。。

BIM技术和神经网络相融合的装配式建筑成本控制方法通过建筑成本控制过程中的动态调整准确反映产业链整体的实际成本,扭转传统成本控制模式的静态性与分散性,有效融合工程项目的不同阶段与参与者,通过多方位的协同管理实现装配式建筑成本控制,利用BIM技术进行快速算量,结合神经网络和历史大数据的优化分析得到更合理的造价预测,实现装配式建筑成本的控制,具体原理如图1所示。

在全面梳理并合理构建工程项目经济指标的基础上,通过多方案比选和优化设计进行建模,导出所需的几何造价信息。由于此过程中具有高变化率、高外形重视度、高建筑功能定位重视度以及多计算次数等特征,需要快速得出量比精度,精度控制主要体现在确定功能和外形上,需要导出的数据包含:建筑面积以及容积率等。主要操作步骤包括:建立方案草图模型;统计模型建筑面积并导出EXCEL格式的施工量表格;建立初步设计施工图模型;统计模型的实物建筑并导出格式施工量表格。

神经网络是一种模拟人大脑神经网络工作原理的机器学习算法,由多层构成,每一层包括许多节点,不同层节点之间互相连接,通过多次训练和学习可以建立问题的预测模型,具有较好的非线性映射能力、泛化能力以及容错性,能够解决装配式建筑实际成本预测过程中的多因素复杂问题,精准得出预测结果。即在通过BIM技术得到该有的测算结果和初步造价后,将它们输入BP神经网络,由BP神经网络根据历史工程数据进行学习,得出建筑成本的预测区间,从而实现成本预测,其具体步骤为:

(1)构建BP神经网络:以GDP(Gross Domestic Product)、CPI(Consumer Price Index)为单位工程价格指标,以建筑面积为估价自变量,以实际建安费为因变量。由于CPI与GDP在时间上具有滞后性,因此常采用前些年的数量作为基数,设置CPI年度值,GDP为央行预计增长率。在数据库中选取多个相似项目,在因变量与自变量数据中分别选取A组训练数据与B组测试数据,且A组数据多于B组数据,归一化处理训练数据。

(2)训练BP神经网络:利用所得数据确定BP神经网络结构,并对BP神经网络相关参数进行初始化,从而开始训练。

(3)造价预测:在初步测算结果的矩阵中导入预测数据并完成归一化,得到BP神经网络的预测输出,反归一化处理输出结果可得出估价预测值。将预测值与期望值相减,得出误差值,对误差进行分析,从而自动调整神经网络参数,以使拟合效果更佳。

除了选择CPI、GDP、建筑面积为参变量外,还需要让单位工程细化至同一类型构件,且具有相对应的工程量。对最终结果和初步测算结果进行对比和分析,计算两者之间的误差,根据误差区间得出最终预测区间,实现控制造价。

神经网络通常存在极易陷入局部极小值、泛化能力差等局限性,为了解决该问题,引入遗传算法对BP神经网络权值和阈值进行优化,得到装配式建筑成本的最优测算结果。遗传算法优化神经网络的流程如图2所示。

遗传算法优化BP神经网络步骤具体如下:

(1)确定BP神经网络的输入层、隐含层、输出层的节点个数分,随机生成包含N个个体的初始种群。

(2)m训练样本数,建立如下的适应度函数。

式中,k_i、分别为第i个训练样本中的期望输出值与预测输出值。

(3)计算种群内全部个体的适应度并按其大小排序,根据排序结果对选中各个体的概率P_x进行分配。个体的概率P_x计算公式为:

(4)通过选择、交叉、变异操对种群个体进行更新操作。

(5)根据最优个体得到最优解,解码得到网络最优连接权和阈值的初始值。

(6)BP神经网络根据最优的连接权和阈值最优值进行训练,至输出单元误差符合网络训练精度时结束算法,得到输出结果J,完成装配式建筑的成本测算。

为测试BIM技术和神经网络相融合的装配式建筑成本控制性能,选择某农村养殖工厂作为实验对象进行养殖工厂的装配式建筑成本控制作为测试对象,分别构建该养殖场的猪、牛、羊、鸡、鸭、鹅装配式建筑结构厂房,这些厂房分别采用1～6进行编号,同时为了验证本文装配式建筑成本控制方法的优越性,选取以往研究中基于改进BP神经网络算法、BP神经网络方法的进行对比实验。

对不同方法的控制响应时间如图3所示。对图3进行分析可知,在几何造价信息数据量增加的情况下,本文方法的装配式建筑工程成本控制响应时间变化幅度小,一直保持在10s以内,对比方法的控制响应时间变化幅度较大且不稳定,证明本文方法的建筑成本成本控制响应时间最快、实时性好。

为验证本文方法的建筑成本控制效率,分别统计不同方法的装配式建筑成本控制时间,结果如表1所示。分析表1可以看出,本文所提方法的不同装配式建筑成本控制时间波动幅度小、稳定性高;选取以往研究中采用BIM与二维码技术联用技术和BIM技术时的装配式建筑成本控制相比,时间变化区间大,明显高于本文方法,对比结果表明,本文方法提高了装配式建筑成本控制效率。

为了验证本文方法的建筑成本控制精度,对不同方法下厂房的成本贴近度以及质量贴近度进行验证,结果如图4、图5所示。从图4、图5可以看出,本文方法的建筑成本贴近度与质量贴近度均高于其他两种方法,对比方法控制下的成本贴近度与质量贴近度波动幅度大,证明本文方法的控制精度较高、控制效果较好,同时文方法控制下所有厂房的贴近度相接近,说明本文方法可对所有厂房成本集中控制,均衡性较好。

为解决当前装配式建筑成本控制建模中存在的缺陷,利用BIM技术与神经网络的优点,以提高装配式建筑成本控制准确性为目标,提出了BIM技术和神经网络融合的装配式建筑成本控制方法。具体案例分析结果表明,本方法有利于装配式建筑成本估算工作的快速高效,可以为建筑成本控制的管理人员提供有价值信息,具有一定的实际应用价值。