基于BP神经网络的建筑工程造价预测与优化研究

李玉琼

(平潭综合实验区城乡建设与交通运输服务中心，福建 平潭 350400)

0 引言

建筑业是当前国民经济发展的支柱行业。近年来我国建筑业的发展势头较好，建筑业带动的经济效益也成为国民经济的重要组成部分[1]。但是随着国际经济发展速度的减缓，我国建筑业势必逐渐进入行业挑战阶段，市场需求量逐渐减少，因此追求利润最大化成为建筑业发展的目标[2]。

建设人才社区是雇主为引进、留住、储备人才的重要手段。人才社区项目主要包括住宅、地下车库、健身房、篮球场等基础配套设施，能为人才提供生活配套保障。人才社区项目工程量极大，资金投入也非常大，若不控制工程造价，有可能超过合同预算，不利于利润最大化的实现。本文以人才社区项目为例，基于BP神经网络技术进行建筑工程造价分析与优化，有助于施工各个阶段调整工程计划，控制并降低工程成本。

1 工程签约价与预算价分析

人才社区项目EPC总承包合同依据概算批复文件，签约价为3.4111亿元。因设计与施工分阶段性推进，相关预算需在设计图纸图审合格基础上编制确认，对主体工程、装修工程、安装工程、景观工程等相关专业工程预算进行累加汇总后，工程预算价达到约3.64亿元，超过了合同总造价。建筑工程造价估算是工程项目造价分析的重要部分，对人才社区项目的影响非常大，是其决策依据[3]。人才社区项目工程造价预测能够实现施工过程中的动态管理，及时控制建筑工程造价。因此笔者采用BP神经网络对人才社区项目的工程造价进行预测和分析。

2 基于BP神经网络的人才社区项目工程造价预测

2.1 建筑工程特征指标选取与处理

基于BP神经网络的建筑工程造价预测首先需要选取合适的建筑工程特征指标，并对建筑工程特征指标进行处理[4]。

2.1.1 建筑工程特征指标选取

在众多影响因素下，该项目建设工程造价具有极大的复杂性和特殊性。但是这些因素的重要性并不相同，所以在构建BP神经网络预测模型前，选择对人才社区项目建筑工程造价影响较大的因素作为BP神经网络预测模型数据的输入，通过BP神经网络预测模型处理后获得最终预测结果[5]。如果BP神经网络预测模型的输入维度过大，会增加预测模型的预测时间，降低预测模型的工作效率，所以要筛选出可以展现人才社区项目建筑特征或对人才社区项目建筑工程造价有较大影响的因素，即建筑工程特征指标。

基于人才社区项目的实际情况及相关研究经验的基础上，筛选出对人才社区项目建筑工程造价极为重要的8个特征指标，包括人才社区项目的抗震等级、建筑面积、建筑层数、层高、安装工程、结构类型、景观部分以及门窗类型（装修工程）。选取人才社区项目的13组作为基础样本，其中包括2个测试样本和11个训练样本。BP神经网络预测模型的输入数据即为经过处理的8个特征指标，BP神经网络预测模型的输出为人才社区项目中各项目的总造价。人才社区项目中13组样本数据如表1所示。

表1 人才社区项目中13组样本数据

2.1.2 数据预处理

BP神经网络预测模型的输入值必须为数值型数据，然而上述8个特征指标中既包括定量又包括定性指标，所以需要对输入数据进行预处理，定性指标通过量化处理转化为数值型数据，定性指标量化方式如表2所示。

表2 定性指标量化方式

虽然主体部分中的建筑层高与面积是数值型数据，但是各项指标的量级不一样，且差距过大，导致BP神经网络预测模型收敛速度慢、预测结果不准确。因此要对定量指标进行归一化处理。运用最大最小归一化方法将定量指标归一化，将上述样本数据设置在区间[0，1]内，具体计算公式为：

式中：

x1——输入的定量指标；

y1——输出的归一化结果；

xmin、xmax——分别代表所在行的最小值与最大值。

2.2 参数输入与结果输出

将人才社区项目中输入样本数据的特征指标数量作为BP神经网络预测模型的输入层节点数。设置隐藏层节点数量为2m+1，其中m代表输入层节点。本文方法输出层节点为人才社区项目的总造价。

基于BP神经网络人才社区项目建筑工程造价预测包含三层输入层，共包括n个节点，输入值为X=(x1,x2,…,xn)，隐藏层中包括p个节点，Z=(z1,z2,…,zp)，输出层包括m个节点，Y=(y1,y2,…,ym)。输入层与隐藏层之间的权值由wij描述，阈值由θj描述；隐藏层和输出层之间的权值由vjk描述，阈值由θ′j描述；隐藏层中节点j输出值的具体计算公式为：

输出层中节点k输出值的具体计算公式为：

2.3 BP神经网络的训练与学习

基于BP神经网络人才社区项目建筑工程造价预测的训练过程包括正向传播与反向传播两个阶段：输入值xi通过BP神经网络的正向传播在输出层获得输出值，将期望值与输出值进行比较，以此获得两者之间的误差，然后通过自适应学习算法将误差进行反向传播，不断调整输出层与隐藏层的连接权值与阈值，以及输入层与隐藏层的连接权值和阈值，使BP神经网络误差降低，即缩小人才社区项目建筑工程造价的预测值与实际值之间的差距，直至误差值符合要求或训练次数达到最高值时，停止BP神经网络的迭代。

3 针对人才社区项目工程造价预测结果的优化策略

通过BP神经网络进行人才社区项目工程造价预测后，决定对主体部分、装修部分、安装部分以及景观部分进行优化。为控制项目成本，防止项目造价超过签约合同价。除已施工的桩基及基坑支护工程外，针对正在施工的主体工程进行停工，并对后续未施工的相关专业工程进行设计优化，降低工程造价。

主体部分结合周边住宅建筑外墙面做法实际，将外立面铝单板幕墙设计变更为真石漆；然后将2#、3#、5#楼的地下室地板向上抬高900mm，以此降低层高，优化结构配筋；通过结构重新验算分析，优化外轮廓部分剪力墙，减少结构造价和节能保温造价；优化屋面构架立柱，除结构安全需要外，调整采用砌体造型，并取消种植屋面；建筑节能优化。

装修部分取消一层门厅两侧玻璃幕墙等非必要项目，优化精装部分设计，重新核定主材材料规格，对地砖、洁具、厨柜等进行品牌确定和市场询价。

安装部分的电器竖井合并优化、电缆规格优化、前端进线由矿物电缆改为耐火线缆、应急照明敷设方式SC管改为JDG管；优化给排水工程和消防工程安装部分；暖通专业优化地下室风管截面积、将双速风机调整为单速风机。

景观部分主要针对园路、园区景观设计优化，树种树型、石材规格等选材优化。

4 人才社区项目工程造价预测及优化效果分析

采用优化方法后，再次对人才社区项目的工程总造价进行预测，并将预测结果与实际结果进行对比，具体结果如表3所示。

表3 预测结果与实际结果比较结果

由表3可见，采用本方法预测的人才社区项目工程总造价与实际值相差不大，误差率不高于±5%，说明本文方法能够反映人才社区项目工程造价的实际情况，为工程造价的优化控制提供依据。

通过加强建筑工程的成本管理、编制工程成本控制计划等工程造价优化策略，实现后续未施工的相关专业工程的优化设计，降低工程造价。主体部分、装修部分、安装部分以及景观部分优化前与优化后工程费用对比如图1所示。

图1 工程造价优化前与优化后工程费用对比图

由图1可知，人才社区项目中主体部分通过结构重新验算分析，优化外轮廓部分剪力墙、优化屋面构架立柱、并取消种植屋面、优化建筑节能等方法，使工程造价由11750万元降到11130万元；装修部分通过优化精装部分设计，重新核定主材材料规格的方法，使工程造价由11200万元降至1590万元；安装部分通过优化电器竖井合并、电缆规格，使工程造价由1亿元降至9130万元；景观部分通过优化选材，使工程造价由3450万元降至3130万元。这四大整改部分一共节省大约2420万元。说明案例工程造价优化策略能够根据预测结果及时调整人才社区项目设计优化和后续施工计划，使人才社区项目的工程造价得到有效控制，保证项目总造价控制在签约合同价内。

5 结束语

建筑项目工程开展全过程造价管理是工程建设的根本需求。本文利用BP神经网络技术对人才社区项目工程造价进行预测，为后续对人才社区项目工程造价优化控制提供依据。但是本方法仍然存在很多不足与局限性，本方法目前仅适用于住宅建筑，并不适用于全部类型的建筑工程。