基于人工智能技术的建筑工程造价估算研究分析

朱莉

(342201198608207522)

基于人工智能技术的建筑工程造价估算研究分析

朱莉

(342201198608207522)

目前，在工程造价管理中的重要内容便是对于工程建设项目造价的确定，尤其是在工程项目造价的前期阶段，由于受到相关因素的影响，导致预算存在很大的误差。因此必须要采取相关的措施来提升工程项目造价的准确性。而基于人工智能技术的建筑工程造价模型则能够有效提升工程项目造价的准确性，从而来为企业获取最大的经济效益。本文主要是对基于人工智能技术的建筑工程造价估算进行了研究分析，提出了相关的建议。

人工智能；建筑工程；造价估算；研究

前言：对于建筑工程来说，其造价管理十分重要，工程造价系统属于一项非常复杂的工作，传统的手工方式编制工程预算，经常会出现一些错算以及漏算的现象，同时数据的准确性也受到了很大的影响，这将会对国家的经济财产造成很大的影响。随着我国建筑市场的不断发展变化，对工程项目预算工作的要求也不断提高。所以，传统的预算方式已经无法满足实际的工程项目预算需求，必须要利用计算机技术来进行智能化的工程造价预算控制，从而来提升预算的准确性。

一、人工智能技术引入工程量计算

1.1 工程量计算的规则

对于工程量来说，主要是利用物理计算单位以及自然计算单位表示各个工程项目的数量，自然计量单位主要利用物体的自然数来表示工程量[1]。工程量的计算直接以直接费为基础，并且其中工程量的计算程度也十分的精确，一些重算以及漏算将会直接影响工程造价的精确程度。对于工程量的计算其工程量很大，同时工作也十分细致，在工程编制预算中将会耗费大量的时间，并且施工企业也必须要配备大量专业的人员进行全面的设计。为了做好对工程量的计算，那么必须要制定出一个被同行业所认可的计算方式，也就是所谓的工程量计算规则，要能够保证对相关工程量的计算准确性。

1.2 人工智能化技术

在人工智能化技术不断发展的同时，建筑工程造价中也逐渐的应用了智能化系统，国内外很多的学者都将人工智能化技术引入到了相关的工程造价领域，对工程项目中的造价管理，合同管理以及工程监督等都进行了全面的控制监督。本文所研究的人工智能化系统主要是将工程量计算规则以及相关的公式从程序中分离出来，从而来进行相关的编辑，提升了工程概预算的准确性。

二、基于人工智能技术实现建筑工程造价估算

人工智能网络具有很强的优势，能够对数据进行大规模的处理，并且具有很强的自我适应性以及自我组织性，具有很强的学习功能[2]。在人工神经网络中，主要是包含了感知神经线性神经网络以及相关的BP网络等。与传统的算法相互比较，其中遗传算法训练神经网络不需要进行知识的检验，并且对于初始参数也不是很敏感，因此不会陷入局部极小点。

2.1 遗传算法与神经网络的融合

对于遗传算法与神经网络的相互融合来说，一定要将二者之间的全面优势进行融合分析，并且要能使相关的新算法以及神经网络学习的能力相互融合，并且遗传算法的一个重要的优势便是具有强烈的全局搜索能力。但是对于工作的结合来说，主要是具有两个方向：其中一个方向是ANN，ANN需要一个具有高效性的自动设计方式，而GA可以为ANN提供一个有效的渠道。并且能够充分的利用遗传算法来进行神经网络的优化。在这其中主要是含有连接权以及结构的设计等。另外一方面则是神经网络来为相应的遗传算法提供一些工具，要建立一个基于神经网络的遗传算法。对于遗传算法来说，主要是对神经网络的连接权进行优化，另外，在相关的神经网络权值的训练中，主要是对相关的函数进行优化，并且能够对相关的数据进行调整，使其保持在最佳的连接权利[3]。在神经网络权值中含有系统中的全部知识，同时对于串通的权值的获取方式，是根据一些规定进行处理的。

在目前的BP网络中，其中的方式是梯度下降的方式，这种方式对于一些网络的初始权值敏感度十分强烈，这在一定程度上将会影响最终的结果。所以，在平时的训练中，另外若是对于参数的选择不够准确，那么将会导致一些网络出现震荡，最终影响结果的精确度，导致其陷入局部极值中。若想很好的解决这些问题，可以利用遗传算法的方式来进行解决，其中主要的过程是：要对权值进行编码，同时对其进行分布，从而来产生一组分布，同时神经网络的连接权与其相互对应。在输入相关的训练样本之后，可以对其中存在的函数误差进行分析，从而来进行计算，利用倒数以及方差来作为其适应度，若是其中存在的误差比较小，那么其适应度也比较大。这样将会将其传递给下一代，之后会利用交叉以及变异的方式进行进化，产生下一代群体。最后是在初始权值确定之后，保证训练能够满足相关的条件。

2.2 遗传算法优化神经元的学习规则

神经网络在训练的过程中，很多学习规则都是设定好的，但是这些设定好的规则一定要合理，因此可以利用遗传算法来优化相关的规则，主要是促进神经网络能够适应各种问题以及复杂的环境。在学习中将一些问题进行编码，其主要过程是：首先是利用某种编码的方式对学习规则进行编码，从而来产生若干个个体，并且每个个体要与学习规则相互对应。之后要构造训练集，对学习规则的适应度进行计算，然后针对相关的适应度进行选择，最后是对每个编码的学习规则都进行交叉变异遗传炒作，从而来产生下一代群体。

三、相关特征变量确定

3.1 工程造价的特点及影响因素

3.1.1 工程造价特点

对于工程造价来说，其中主要特点有：首先是工程造价的大额性，对于工程项目来说，其规模比较大，因此其成本造价也很大，尤其是对于一些特大型的工程项目，将会耗费近百亿、千亿的人民币，因此其工程造价的大额性将会影响工程的经济效益。其次是工程造价的差别性，每一项工程项目的功能都是不同的，因此存在差异性[4]。之后就是动态性，在工程的建设中，将会存在很长的建设周期，这是影响工程造价的主要动态因素。最后就是具有层次性，一个大型工程项目都是由于若干个单项工程重组成，这就是所谓的层次性。

3.1.2 影响因素

对于工程造价的额印象概念股因素来说，主要是分为主观因素以及客观因素，其中主管因素是指：设计方面保守、技术与经济之间的协调性、施工组织以及技术水平以及管理体系等。客观因素主要是指：国家政策、价格因素、利率风险、自然因素以及工程变更，这些都是影响工程造价的客观因素。

3.2 确定特征变量

在工程造价中，影响其因素有很多，若是遗漏了任何一个因素，那么都将会影响最后估算的精确度。针对相关因素分析，其中层高、建筑物层数以及面积等都会增加整个工程项目的费用。另外在施工中选择的一些材料、人工费以及生产工艺的不断变化也会影响到工程造价的变化。因此，必须要对资金的时间价值、共曾造价的动态性进行全面的分析思考。做好估算造价中经济与技术逐渐的练习，引入相关的劳动生产率，这样能够在不同的程度上反映出各个施工企业的技术以及相关的管理水平。所以，在人工智能化的工程造价估算中，一定要建筑面积、标准层高、层数、基础工程以及结构类型、设备工程等因素，都作为模型的输入变量，将整个工程的单方造价作为神经网络的输出，从而来保证最终估算结果的精确性。

结语：随着社会的不断发展，对于工程造价估算来说，为了保证其结果的精确性，那么一定要采用先进的人工智能化技术，从而来对影响因素进行全面的分析，最终提升其准确性。

[1]郑少瑛.建筑工程造价的计价方法与价格机制研究[D].浙江大学，2011.

[2]于雷.基于数值模型理论的煤炭建筑工程造价的计价方法研究[D].辽宁工程技术大学，2012.

TU43

B

1007-6344（2015）08-0208-01