土木工程是一个特定的分支行业的所有方面。主要原因在于施工对象的具体特征以及他们意识到的条件。实现建设项目的另一个特定方面的认识过程包括大量与不同角色的参与者。实现施工过程中的关键作用,肯定是由一个投资者,谁是同时实现建设项目的发起者,他的主要目标是选择一套可靠的承包商,谁能保证满足要求(成本、时间和质量)。

当选择一个构造函数,主要参数是提供实现的成本,这意味着有必要进行适当的建设成本估计。由此产生的问题是成本,也就是说,这价格,应该评估的主题。炮手和Skitmore 1和莫里森 2基于他们的研究与实现成本的估算,在提供的最低价格。然而,根据Skitmore和罗 3经常),最低的价格并不能反映实际的实现成本,因为承包商提供服务在不切实际的低价格。Azman et al。 4)引用的推荐劳和Skitmore接受第二个最低报价,最低的一个并不能保证实际的价值。他们也提到建议由McCaffer使用提交报价的平均值估计,而不是最低的,解释,它是最接近实际的价格。

然而,一些作者Aibinu和帕斯科 5),使用给定的值提供了估计预测值的准确性的需要,因为它是被投资者接受的价值。阿布Rizk et al。 6)和Shane et al。 7建议使用的实际支付的认识价值。然而,Skitmore [ 8)解释说,有一些问题当使用为实现实际支付值,与主一个驻留在数据不容易,即使他们是谁,他们往往不正确记录,也就是说,并不是真实的。此外,有一个问题的时间形成之间的成本估算和实现真正的成本,在重大项目在实现过程中可能发生的变化,可以影响的数量合同的成立提供工作。

根据上面提到的一切,在这项研究的估计成本进行了基于承包商提供的认识价值。

进一步,有两个级别的评估潜在的作品从承包商的角度,实现合同之前,这些概念(粗糙)和初步(详细)估计 9]。的概念估计成本通常会导致总数没有详细的分析结构的成本。这意味着概念估计应该使用更简单的和专门的评估模型。贡献在于其合理性的评估后的工作项目的问题,或更准确的进一步研究进行初步估计这之前签署一份合同。这两种估计的基础是数据对象提供的投资者,也就是说,招标文件。问题出现在估计精度是可以接受的。必需的,可接受的精度估计的建设成本的角度来看一个承包商在投标过程的初始阶段(概念估算)据Ashworth [ 10]达±15%。这是采用本研究的准确性为基本目标的形成模型的精度估计的建设成本。

指出,选择最有利的承包商的主要参数是提供价格。然而,实现工作的提出时间的问题不应该被忽视。的主要问题在概念阶段工作时间估计是潜在的承包商没有实现计划,这意味着应用程序的评估方法基于数据提供令人满意的精度。对投资者来说是一种常见的情况下限制建设的最大持续时间在招标条件。

铭记,有必要开展同步估计成本和施工过程的持续时间,这一事实的研究证实,重要地位的成本同时作品的意义是非常重要的( 11, 12]。前面提到的声明是重要的时间计划和控制的过程中实现建设项目证实了同时估计成本的合理性和承包工程的持续时间。

这是提到概念评估需要应用程序的简单和专业模型与一个可接受的精度估计。其中一个可能的方法是应用人工智能(人工神经网络(ann),支持向量机(SVM),等等)。这种方法的应用的基本前提是充足的历史数据基地的形成类似建设项目之前意识到。

第一篇科学论文与人工神经网络的应用在建筑业埃德里发表的微型计算机在土木工程杂志 13]。随着软件开发的应用程序变得更加频繁。的球面人工神经网络和支持向量机在建筑行业中的应用非常广泛,在基本实现一个项目的所有阶段,从它的初始化,通过设计和施工、维修、改造、拆除和回收对象。他们的应用程序的例子有估计的一些必要的资源实现项目( 14),分包商评价( 15),通过使用塔式起重机起重时间估计( 16),注意施工对象的质量( 17),应用程序在进行经济分析 18),应用程序在索赔的情况下( 19, 20.),建筑承包商违约预测( 21),资格预审的构造函数 22),现金流预测 23),项目控制预测( 24),估计回收能力( 25),预测项目业绩( 26),和许多其他人。

成本估算,利用人工神经网络和支持向量机通常是代表在文献中,例如,估计住宅的建设成本和/或residential-commercial设施( 27, 28],重建的成本估算桥梁[ 29日),供水和排水网络的建设,实现成本估算( 30.]。在他的硕士论文,Siqueira [ 31日安)地址的应用钢结构的建设成本的概念估计。一个et al。 32)显示的应用支持向量机的评估过程residential-commercial设施的建设成本。除了作者提到的,人工神经网络和支持向量机的应用建设成本的估计是由埃德里处理和吴 33),威尔莫特和梅 34),Vahdani et al。 35),和许多其他人。

香港et al。 36)进行每米成本的预测²通过使用SVM residential-commercial设施。香港et al。 37)进行价格预测的比较结果相同的数据基地通过使用支持向量机模型和RS-SVM模型(RS,粗糙集)。

金等。 38)进行了比较分析的结果通过安,支持向量机,回归分析学校设施的成本估算。这提出了一个相当常见的情况,分析了文学。不仅比较分析安的SVM模型与其他模型求解相同类型的问题,而且其结合其他形式的人工智能,如模糊逻辑(FL)和遗传算法(GA)进行,创建所谓的混合模型。金等。 39)成本估算模型相比,住宅建设的设施,基于多元回归分析(MRA),人工神经网络(ann)和案例推理(CBR)。桑麦资( 40ANN模型之间的]也画了一个平行的概念估计成本与一个回归模型。金等。 41和冯et al。 42用遗传算法(GA)在他们的研究在定义一个安建筑施工成本估算模型,作为ANN模型的优化工具本身。除了结合GA,还有一个安与模糊逻辑相结合的可能性(FL),混合模型的创建。ANN-FL混合模型的应用建设成本的估计是用于研究程和黄 43和程等。 44]。程和吴 45)概述了概念模型的比较分析估计的建设成本,通过形成的安,支持向量机,EFNIM(进化模糊神经推理模型)。邓和叶 46)显示使用回归模型(LS(最小二乘)模型预测成本的过程。程等。 47]人工智能连接两种方式(快速遗传算法(fmGa)和支持向量机)的目的是实现建设项目(例如,估计预测%的完整性 我 th,在建设项目的实现)。这个模型被称为ESIM(进化支持向量机推理模型)。

因为研究的主题是成本和持续时间的估计城市道路建设,下面的文本将包含研究进行类似的结构。王等人。 48)显示在他们的工作估计利用人工神经网络的公路建设成本。包括16意识到项目的设置,他们进行了培训(第一14个项目)和验证(剩余2项目)的ANN模型。Al-Tabtabai et al。 49)调查了五个专家项目经理,决定性的因素,影响公路建设的总成本的变化,如位置,维护现有的基础设施、土壤类型、顾问能力的估计,通道建设,材料和设备的距离交通、金融因素,城市道路的类型,需要获得一份工作。

Hegazy和德 50)概述了利用人工神经网络模型的形成公路建设成本的参数估计。他们用从18岁获得的数据提供匿名竞标者的加拿大的公路建设工作的认识,14提供培训,4提供了用于测试。Sodikov [ 51)简单介绍通过应用人工神经网络的公路建设成本估计。的分析和地层模型进行基于两套数据从不同的位置。第一组数据形成基于项目意识到在波兰(共有135个项目,38意识到公路建设项目用于分析)和基于项目的第二个意识到在泰国(共有123个项目,42意识到项目沥青层“涂层”)。重要的是要注意,Hegazy和德 50]以及Sodikov [ 51),实现工作的持续时间作为输入参数。这个时间也是未知的过程中定义的概念估计,实现工作的成本。El-Sawahli [ 52)进行道路建设成本的估计使用SVM模型形成根据总共70个意识到项目的基础。

估计时间建设的建筑利用人工神经网络和支持向量机中不存在的文学,因为它是这样的估计成本。脉岩( 53形成独立和独立的ANN模型的估计成本和公路建设的持续时间。Bhokha和Ogunlana 54定义一个ANN预测模型的多层的建筑施工期间preproject阶段。你好,Schabowicz 55)的持续时间和成本估算进行利用ANN模型实现土方工程。王等人。 56)进行施工成本和进度的预测成功运用安和支持向量机。

研究中收集的数据和数据进行分析,其次是数据的准备模型形成的需要,以及最终形成的模型及其比较分析。

收集的数据,形成数据的基础上实现建设项目的重建和/或城市道路建设进行了领土的诺维萨德,塞尔维亚共和国。所有的项目都是由相同的投资者在2005年1月至2012年12月之间的时期。所有的项目只涉及到建筑工程的实现基于完成项目和技术文档。有记住所有上面提到的,统一的招标文件,也就是说,该法案的作品使其组成部分,成为信息的主要来源。

样本包括198简约和意识到建设项目。然而,并不是所有的项目都包含在分析之后进行的,由于它的某些项目,总共32人,包括设施的搬迁服务工作的认识(污水工程,生活用水,天然气等等),绿色空间景观、路灯,配套设施的建设和道路(较小的桥梁、涵洞等),而被排除在进一步分析。

意识到项目的总数中进一步分析相当于166个项目的基本建设工作和/或重建的城市道路。因为它已经指出,所有项目都意识到同样的投资者。因此,招标文件是一致的,也与工作的分布在比尔的作品,将它们划分为准备工作,土方工程,对路面的建设和绿化工作,排水工程,工程建设,交通信号,和其他工作。

提到的分析成本的份额工作组提供的总价格的认识。这证实,作用于巷道结构和景观产生最大的影响总价格,范围从22.24%到100%的区间之内(只有两种情况,只有这两种类型的作品计划)。早期的研究包括分析类似,但只对项目实现同样的承包商( 57, 58]。

表 1显示的平均值的百分比工作团体总提供价值的实现工作。量的65%和95%之间的间隔内的道路建设和绿化工作提供的总价格包括106个项目,也就是说,分析项目的总数的63.86%。可能发生的潜在的工作岗位总数在91年实现所有基本工作(根据招标文件的一般部分,这是相同的所有分析项目),而潜在的职位总数比尔的工程与道路建设和绿化工程18。比例分享活动的相关道路建设和绿化与潜在的职位总数的19.78%,这是大约相同的百分比cost-significant活动根据“帕累托”分布,达到20%。

考虑到63.86%的分析项目的总价格范围内间隔±15%和80%总提供的价值,它可以表示,道路建设和绿化工作是cost-significant根据“帕累托”分布,即分布的20/80。这是一个额外的原因这些作品扮演主要角色在定义一个估计模型。实现道路建设和绿化工作涉及到使用的基本材料,如碎石(不同的分数),限制,沥青基层,沥青表层和混凝土预制元素铺平道路。

认识时间的形式提供的总天数,没有方法可以肯定地说需要多少时间单独每组工作的认识。出于这个原因,分类的项目进行了完全基于时间的总量提供实现的所有工作计划。表 2显示项目的数量根据提供认识的天数。根据一些研究,cost-significant工作职位也duration-significant [ 11, 12]。因此,特别强调是同等重要的工作相关的道路建设和绿化,从成本估算的角度和时间的认识过程。

估计成本,以及所有其他的估计时间等的认识,包括资源的参与。根据文献,成本估计总投资值的范围在0.25%至1%之间( 59]。出于这个原因,快速眼动和布坎南 60)开发了一个模型估计的成本(成本)估计过程工作。这类研究的原因在于低成本的估计可能导致计划外成本实现过程和/或低功能特性的对象比投资者所要求的。

估计模型的形成的主要目的是进行最精确的估计可能在最短的间隔时间,资源的最小接触,所有可用的基于数据的估计。因为合同的问题是所谓的“构建”合同,招标文件不可分割的一部分的法案,或更准确的工作计划在项目技术文档。估计基于数量和单元的成本价格是最准确的,但需要大量的时间和需要应用初步(详细)估计,这之前直接签署的一份合同。然而,概念(粗糙)估计结果的总成本实现需要更简单和更快的估计方法。目的是定义一个方法,这样的表演,曾提出了分析组工作的意义和影响总价格,对总成本和实现时间,。

道路建设和绿化工作,最重要的作品,被认为是更详细地与其他群体相比的作品;也就是说,他们被分配更大的意义。在头脑中执行这组作品的特点,大量的材料所必需的认识就是其中之一,该模型的输入参数,用于创建所需的大量的材料他们意识到(表 4)。

尽管道路建设和绿化工作的平均百分比份额达68%,其余组工作的份额提供总额不应被忽视。最大的份额提供总额为实现其余组的作品属于土方工程和准备工作,而交通信号,其他作品,排水贡献(表比例要低得多 2)。

提到工作纳入进一步分析进行了基于职位的工作计划的数量为每个单独的投标项目与一个可能的职位工作(根据通用列表发布的投资者)的小组工作,直接通过比例分享(表 4)。

此外,注意到它是可能的分类意识到工作基于他们应该意识到的位置。为此,实现工作被分为两个区域:区域1,实现在市中心工作,和区域2中,实现在郊区(表工作 4)。

自研究与实现建设项目的财务方面,有必要执行revalorisation,为了数据可比性和适用于形成一个估计模型通过使用人工智能。通过使用revalorisation过程,定义不同的是实现,也就是说,提供值的增加或减少工作的认识与目前的估计将实现未来的成本项目,通过应用模型。换句话说,通过应用revalorisation过程中,价格的变化基础上定义日期与当前日期将被定义。基地日期的日期合同价格(即成立。,giving an offer), whereas the current date presents the date on which the revalorisation is carried out.

Revalorisation是基于通用零售价格的指数增长的塞尔维亚共和国,%上升时期的2005年2月到2012年7月达到95.47%,接近平均值的增加89.91%,获得的值的基础上,从两个最终提供单价。revalorisation完成后,意识到作品的感染(提供)值直接可比性;也就是说,它们可分为基于提供的总实现revalorised值(表工作 3)。

分类的项目根据实现作品的总价值可以形成重视培训/测试时的估计模型。出于这个原因,介绍了一个额外的输入参数,将项目分为两个子集(40000000,相对标准偏差值)(表 4)。的定义是基于项目的数量,其价值不超过40000000所取代,这是分析项目总数的70%,而为所有项目提供价格的平均值也大约类似于这个值(表 5)。

根据前面定义的主题的研究,从模型中两个输出计划,实现提供的总价格和总数量的时间为项目的实现提供。

下一步准备的数据基础是正常化的过程。正常化的数据呈现降低的过程中某些数据相同的数量级。以这种方式实现的是待分析的数据具有相同的意义形成预测模型时,也就是说,为了避免忽视的数据与一个较小的数量级范围在刚开始的时候。这是正常化的主要原因是必要的;也就是说,为什么必须将值转换为相同的范围通过移动范围界线。正常化的过程是整个组的166个分析项目。

正常化过程之前,考虑到一个模型基于人工智能将形成时,有必要将最后一组的166个项目分为一组,将用于训练的模式,以及一个用于形成模型的测试。定义的数据子集将被用于模型的训练和哪一个测试,并没有完全基于随机抽样方法。比较分析是项目的数量进行分类的基础上,提出revalorised总价格以及提供时间意识的作品。

当你选择的项目属于训练子集,特别注意的是所有参数的最大和最小值属于这个集合的范围。此外,所有组的项目应该同样出现在两组,根据提供的价值和实现的时候了。最后,共有17个伪随机测试子集选择项目(与提到的限制),而剩下的149个项目构成训练子集。

最常用的形式的数据正常化,简单的同时,min-max正常化和零均值正常化( 61年),应用于研究。

形成的第一步使用ann模型估计的定义隐藏层的数量有关。据黄和李普曼( 62年)不需要使用ann超过两个隐藏层,已证实了许多理论结果和模拟在各种工程领域。此外,根据Kecman [ 63年)是值得推荐的开始解决的问题通过使用一个模型与一个隐藏层。

通过选择最优数量的神经元,它是必要的,以避免两个极端情况下:遗漏的基本功能(隐藏的神经元数量不足)和过度拟合(太多的隐藏神经元)。为了达到正确的概括“权力”的ANN模型,有必要应用交叉验证过程,由于它在训练过程中,好的结果不能保证适当的概括“权力。”是什么意思概括是“能力”的ANN模型通过使用数据提供满意的结果不知道模型的训练(验证子集)。

为目的的训练子集内的交叉验证过程,17个伪随机选择项目,基于同样的原则在测试子集,即平等分享项目的百分比值。如果没有太多的区别,也就是说,估计和预期值之间的偏差,百分误差(PE)或绝对误差百分率(猿),或平均绝对百分误差(日军),在所有三个子集(培训、验证和测试),可以考虑,这是实际概括的力量形成的ANN模型,也就是说,不存在“过度拟合”。

所有的模型估计的成本和时间都形成于Statistica 12软件包,可以定义两种类型的ANN模型,延时(多层感知器)和RBF(径向基函数)模型。根据chirac) ( 64年),这两种模型用于解决分类问题,而延时模型用于解决回归问题和RBF模型聚类问题。因为研究的主题涉及到成本和持续时间的估计,也就是说,属于回归问题,只有MLP ANN模型形成的。

输出神经元的激活函数主要是线性回归问题时。当隐藏的神经元的激活函数而言,最常用的功能是物流单极和s形双相(双曲正切是最常用的一个)( 63年]。按照这个建议模型,为隐藏神经元激活函数物流乙状结肠和双曲正切被使用,而神经元激活函数的身份被用于输出(表 6)。

基于之前定义的输入、输出和定义参数在每个迭代中,10.000安延时模型,和一个模型估计误差最小的选择。输入和输出神经元的数量定义的输入和输出,而隐藏的神经元的数目是有限的,最多10个。总共12 ANN模型选择6人被min-max正常化过程和剩下的6 Z 分数的过程。

通过使用安1和安2模型,同时成本和持续时间进行了估计。安1模型有12个输入和两个输出,而安2模型是由使用11的输入。消除一个输入参数输入参数的影响的分析,这表明,实现区(我)对输出数据的值最小的影响。同样的原理是应用于形成安3和安4模型的估计成本,以及安5和安6模型所需的时间估计工作的认识。

表 7显示所选模型(min-max正常化)定义特征定义的模型和估计的准确性表示日军。

形成正常化的其余6 ANN模型与数据是由使用零均值正常化以同样的方式进行。在这种情况下,实现区域(11)对输出值最小的影响。表 8提供了一个选择模型定义的轮廓特征定义的模型和估计的准确性表示日军。

提出了模型的比较分析清楚地表明,更大的估计精度是通过模型形成基于数据由min-max正常化过程。形成模型的估计精度是令人不满意的,也就是说,被远远超过理想的±15%的建设成本。

的形成的第一步使用SVM模型估计以及ANN模型相关定义输入和输出数据。SVM模型的形成过程中,使用先前准备的数据应用min-max正常化,是证明,使用它会导致更大的准确性的ANN模型。此外,只有单独的模型估计的成本和建设形成的持续时间。主要原因在于更大的精度是通过单独的估计,也就是说,通过形成独立的模型,证明了ANN模型。然而,软件包Statistica 12本身并不提供的选项同时使用SVM几个参数的估计。在提到软件包中,两个函数误差形成的支持向量机模型(表 9)。

1型(epsilon-SVM回归)有必要定义参数能力( C)和ε ( ε ) ,不敏感区域。同时,2型(nu-SVM回归)有必要定义参数能力( C )和怒 ( γ ) 。参数的值 C 和 ε 范围从0到 ∞ ,而参数的值 γ 范围在0和1之间。还需要选择一个提供内核的功能:线性多项式,RBF或乙状结肠。RBF核函数给出了最常用的核函数支持向量机模型的形成: (1) K x 我 , x j = 经验值 ⁡ - - - - - - 1 2 σ 2 x - - - - - - x 我 2 σ - - - - - - 径向基函数的宽度。 当使用RBF核函数有必要定义参数 γ = 1 / 2 σ 2 。为了模型的形成,使用错误类型1的功能。

总共有四个SVM模型形成,与相同数量的输入参数的ANN模型,从输入参数的角度支持向量机安1 = 3和安9,SVM安2 = 4和安10,SVM安3 = 5和安11,安和SVM 4 = 6和安12。原因是容易的比较分析结果通过上市模式。表 10显示特征的形成模型定义的准确性评估通过日军表示。

后形成了支持向量机模型,很明显,他们提供更大的精度估计项目的成本和时间。的显示精度估计通过日军为模型的选择是不够的,但它是必要的进行分析评估的准确性对于每个单独的项目,特别是那些从测试子集。估计误差是通过PE(比例错误)表示,见表 11的估计成本和表 12项目持续时间的估计。体育的定义是特别重要的估计成本,以进行比较分析所需的精度±15%为每个项目分别从测试集。

错误的估计时间更高的估计相比,提出的实现作品的价格,由于投资者招标文件中定义的最大可能的持续时间,这比一个乐观的预测。换句话说,提供时间不是承包商的评估的结果,但投资者设定的限制。出于这个原因,承包商采用自动提供的最大持续时间的作品。

此外,它可以为单独的表示模型的估计成本和时间提供更高级别的精度比那些同时执行评估,这是特别的ANN模型。原因在于输入参数对输出的影响的不一样的估计成本和工作时间。

图 1显示了输入参数对输出的影响的估计成本的情况下,安3和安4模型。输入数据分为四类,即两组和两个独立的输入数据。第一组提出了输入与大量的材料实现所需的道路建设和绿化工作;第二个与作品的分享其余组工作法案的作品,而独立于实现输入数据与区域和项目的类别。

图 2说明了影响安5和安6输入参数的模型,即模型的估计项目的持续时间。

根据上面给出的图表,它显然可以注意到第二组输入数据有更大的影响力的项目持续时间的估计,减少第一组的影响。此外,项目的类别是大约相同意义的估计成本和时间,而实现区域有相当大的影响的评估项目的持续时间。

基于上述结果,结论是,更大的精度水平的估算成本和施工时间的实现是通过使用单独的模型估计的成本和时间。其原因主要在于不同的输入参数的估计成本的影响相比,项目的持续时间的估计。通过整合成一个单一的模型输入数据的重要性方面的妥协,导致较低的精度估算时ANN模型。

SVM模型特性更概括的能力,同时提供更大的精度估计,估算成本和持续时间的项目。在这两种情况下,最大的估计精度是通过SVM模型11输入参数,也就是说,如果没有一个更可观的影响项目的实现区域,这意味着投资者并没有特别注意当定义提供价格和时间的作品是否会意识到在城区和郊区。

扩展的数据基础合同的主体,也就是说,未来建设对象,参数的引入,如部分的长度、道路宽度、城市道路类别(大道、侧巷等),自行车车道的长度,用于停车区域,行人道,和高原,将广泛扩展的可能性估计模型的应用程序。有一个广泛的潜在的参数,可以引入施工对象的特点,提出在同一时间的输入数据估计模型。这样,估算成本和施工时间的可能性在缔约阶段不仅当比尔的作品定义(由招标查询),而且当投资者仅定义的指导方针,也就是说,未来建设对象的条件必须满足(查询功能参数的一个未来的对象),被创建。形成未来的建筑模型与功能特性的对象作为输入参数可以有一个双重应用程序从两个视角,投资者和承包商。从投资者的角度来看,如果估计的准确性实现类似于已经形成的模型,估计的精度在初始阶段和定义的标准,以满足未来对象时,会大大高于所需的一个文学(±50%)( 10]。

这项研究是进行评估的成本和时间的认识“构建”合同。这种方法提供了一个选项来估计“设计”合同;即通过“构建”合同经验可用于未来的“设计”联系,估计对投资者和承包商的需求。未来的应用模型很大程度上取决于可用的信息的估计。出于这个原因,应该调整输入数据可用的信息在给定的时刻,为投资者和承包商。