文摘

工程造价估算是施工管理的一个重要过程。工程造价是一个复杂的工程问题由于各种因素影响建筑行业。准确的成本估算是非常重要的在项目施工管理和显著影响性能。人工智能(AI)模型有效地实施施工管理研究近年来由于他们的能力来处理复杂的问题。在这个研究中,极端的梯度增加了作为一个先进的输入选择器算法和再加上三种人工智能模型,包括随机森林(RF),人工神经网络(ANN)和支持向量机(SVM)进行成本估算。基于一项调查数据集聚集在伊拉克90建设项目。统计指标和图形的方法被用来评估开发模型。几个输入使用预测,XGBoost强调通货膨胀作为最重要的参数。结果表明,最好的预测是实现通过XGBoost-RF使用六个输入参数,与平方平均绝对百分比误差等于0.87和0.25,分别。比较结果显示,所有AI模型显示良好的预测性能应用于数据集时受到以上两个参数的影响。 The outcomes of this research revealed an optimistic strategy that can help decision makers select the influencing parameters in the early phases of project management. Also, developing a prediction model with high precision results can assist the project’s estimators in decreasing the errors in the cost estimation process.

1。介绍

建筑业是复杂的,由各方如业主、承包商和顾问(1,2]。建筑业影响全球经济的国家,因此许多研究探索的方法提高建设项目的性能(3- - - - - -5]。由于它的全球影响,一些学者衡量项目绩效的成功更好地理解它。可以衡量建设项目的成功实现项目在估计成本,持续时间,和规格6,7]。实施成功的项目业绩增长的挑战意识的环境和客户需求变化8]。建筑业是动态的和复杂的,因为它需要成功的项目管理策略的实现(9,10]。不成功的策略导致成本和进度超支,导致不良结果和降低客户满意度11- - - - - -13]。

因此,有必要开发有效的策略和方法来降低风险和不确定性在建设项目14,15]。建设项目管理部门主要包括初始设计阶段,详细设计阶段,施工成本估算,项目投标阶段,施工阶段,最终交付完成后(16- - - - - -18]。成本项目性能的一个重要标准是由于它对可行性研究的影响和选择设计方案(19]。成本的研究描述和评价建筑的成本和其他建设项目(20.]。这些研究试图最大化项目的收入通过使用可用的资源。成本估算是必要的在建筑和显著影响项目管理(21]。成本估算的准确性被认为是项目成功的必要因素在项目建设的各个阶段(22,23]。准确的成本估算影响项目的盈利能力,业主的满意度,和财务决策24]。不准确的成本估算导致成本超支等问题和项目各方争端(25,26]。成本管理几项研究表明,准确的成本估算招标阶段影响建设项目的盈利能力和生存是项目的重要组成部分27,28]。他们还表明,建立准确的成本估算确保合同的利润在投标阶段。

成本估算是由一个协调角色执行投标经理和技术专家称为估计。现有的成本估算方法需要完整的信息关于建设项目是昂贵和费时29日,30.]。在投标阶段,估计没有什么信息;因此,他们依靠自己的知识和技能,达到估计成本(31日]。知识水平的估计之间的不同,从而影响成本估算过程的准确性(13]。许多研究已经使用统计和人工智能技术来防止这些问题并准确地估计建设成本(13,32,33]。几项研究进行了回归方法作为成本估算的传统技术(34- - - - - -37]。这个方法很简单,实现了简单的结果。然而,这种方法不能处理复杂系统的非线性参数之间的关系。最近,计算机辅助算法已经成功地在施工管理进行研究。人工智能模型可以处理的复杂性和非线性建设项目,帮助项目的各方理解不确定性和不完全信息的早期阶段施工过程(38- - - - - -41]。

能力的人工神经网络(ANN)和支持向量机(SVM)模型在评估分析了公路项目的成本和时间(42]。比较分析表明,SVM比ANN模型具有更高的精度和更少的错误。两位研究者提出了普通最小二乘回归(OLSR)在印度浦那地区的工程造价预测(43,44]。该模型应用在12年预测期间,-97%的准确率达到91%。支持向量机模型的能力估计居住建筑的概念研究了作者在成本45]。结果表明,该模型取得了平均绝对百分比误差低、值范围在7%和8.19%之间。另一项研究支持向量机用于预测桥梁施工的成本(46]。研究表明,支持向量机模型可以估算成本在最初的项目建设的过程。模型获得最高的性能结果,相关系数等于0.974。一个ANN模型与反向传播算法训练的早期性能估算建筑物在印度(47]。研究显示能力的ANN模型的成本预测和其重要性的金融投资者建设项目。工程造价预测的精度是提高集成遗传算法(GA)与ANN模型(48]。研究报道,开发模型达到较高的预测性能等于0.9471和协助项目经理在项目的开始。主成分分析(PCA)和粒子群优化(PSO)结合支持向量机模型预测变电站项目成本(49]。开发模型与PCA-SVM PSO-SVM,和研究表明,三种算法的集成实现更好的预测比其他模型输出,可以帮助决策者在变电站项目。二十AI领域运河的建设成本估算技术改进项目比较由作者(50]。作者的结论是,极端的梯度增加(XGBoost)算法得到了最好的预测结果与平方等于0.929。三种人工智能方法,即多层感知器(MLP)、径向基函数神经网络(时滞)大小,和一般回归神经网络(GRNN),为成本预测道路项目的开发51]。研究表明,GRNN比其他模型,获得了更好的预测结果R²等于0.9595。研究还表明,ANN获得更少的预测错误和能够处理有限的信息在施工过程的早期阶段。该研究的作者在52使用了三个机器学习算法:延时,GRNN和时滞,大小,基于流程的成本预测方法在项目的早期阶段管理。研究证实,GRNN算法提供了更好的结果比其他模型,它可以帮助项目经理预测建设成本在缔约阶段,在这个阶段,几个输入参数是未知的。BIM的劳动力成本项目探讨了通过集成的简单线性回归(SLR)随机森林(RF)模型(53]。这项研究证明了混合模型的有效性在成本估算的过程。一个叫做PSO优化算法综合了ANN模型,以提高高层住宅的成本预测的性能(54]。这项研究得出的结论是,PSO-ANN模型具有较高的预测精度和泛化算法比单一的安。

射频的能力、支持向量机和多重线性回归(高)来预测高层建筑的工程服务的成本超支是检查55]。作者表明,射频模型取得了更好的预测结果比其它两种人工智能模型。根据研究报道,人工智能算法可以成功申请成本估算。这些研究表明,这些算法的性能是影响算法的结构和输入变量的抽象。相关统计、因子分析和相对重要性指数过去常用的方法研究[56- - - - - -59]。

在这些研究中,数据是基于个人收集的意见和专家调查,现有的方法导致的偏见。此外,当前的方法探讨了输入和输出预测之间的线性关系。在此基础上,探索一种先进的方法,可以研究复杂系统成本估算的参数是非常重要的实现准确的结果(38]。此外,将一种新的特征选择方法与人工智能算法是重要的建筑管理工程获得准确的预测性能(60]。最近,XGBoost算法探索作为一个高级版本的特征选择方法在工程问题。XGBoost是最近版本的梯度增加,应用有效的作为输入选择方法由土木工程学者(61年,62年]。在施工管理应用人工智能算法的研究范围还有限,因此探索一个新的成本估算方法是本研究的动机。

发展有效的预测模型,可以实现精确的性能是一个重要的问题在工程管理的早期阶段。建筑业在伊拉克有一个特殊的问题由于风险发生的条件和特殊的政治环境,在这一地区(2]。不稳定的政治和经济状况有一个巨大的建设项目对性能的影响。由于经济和政治的情况下,大多数建设项目未能完成在指定的预算(63年]。因此,开发一个综合模型使用人工智能算法在成本管理可以提高成本绩效评估,控制,在不确定条件下和监控项目的成本。

目前的研究是通过整合XGBoost算法有三个人工智能算法,即射频,支持向量机,安。XGBoost被用来选择预测过程的影响参数,然后,这些参数使用的人工智能模型。获得的结果进行了分析和讨论通过使用统计和可视化方法。这项研究的输出可以帮助项目经理选择影响参数在建设项目的早期阶段。同时,引入一个集成模型精度高的结果有助于项目在成本估算阶段估计减少错误。

2。建筑成本数据的解释

本研究使用公共建筑项目在伊拉克为例建模过程和使用他们的数据集。这些项目是由伊拉克政府管理,因此开发一个准确精密的模型可以帮助决策者通过生产珍贵的结果。数据集的信息收集的调查在2016年和2021年之间的90个建设项目。资料来源于历史记录的建设项目,包括项目图纸、工程量费用和项目时间表。数据集包含的信息在地面面积(GFA),总建筑面积(组织),地板数量(FN)、电梯数量(EN),基础类型(英尺),通货膨胀(F),持续时间(D),建筑成本(C)。通胀数据收集从伊拉克中央银行(https://cbiraq.org/)。表1和2显示的成本数据的描述性措施training-testing阶段。统计描述包括最小值,最大值,意思是,中位数,标准差、偏态和峰态。培训过程中,工程造价的平均值是1623076美元,而对于测试阶段,中值是2571431美元。项目持续时间的最大和最小值731天,122天的训练阶段,在测试阶段,他们是150天,787天。可以看出,训练和测试阶段的数据集分布的。接近正态分布,因为数据的均值和中位数的值接近对方。

3所示。方法概述

3.1。极端的梯度增加(XGBoost)

XGBoost是一种先进的基于树的增加模型引入了陈和Guestrin [62年),应用有效的输入选择问题(64年,65年]。提高算法的概念学习使用一个迭代过程之间的功能关系目标和预测价值(66年]。通过这个迭代过程,剩余的个别树木是训练有素的顺序输出前面的树木减少训练的错误(67年]。支持缓存算法使用一个结构和一个正规化的方法促进学习。预测的数学表达式可以如下所示: 在哪里目标的预测价值,X代表输入变量,K值介于1和n,输入和输出变量之间的函数,n是训练有素的功能通过提高树木的数量。的损失函数XGBoost必须最小化训练几个函数 ,见以下表达式: 在哪里是正则化函数,我代表之间的损失函数测量(预测价值)(实际值),正则化项,防止更多的树木模型的建立减少过度拟合和误差。是叶子的复杂性,是叶子的树模型,是惩罚参数,是得分向量的树叶。

在输入选择过程中,XGBoost的主要目的是生产特性输入变量的重要性(68年]。根据Hastie et al。69年),该算法使用增益、频率和覆盖计算功能的重要性。获得方法计算模型中的每个特性的角色的发展。频率是代表发生数量重量为每个特性提高了树。覆盖法显示样品的数量与每个特性有关。XGBoost使用以下表达式来计算特征的重要性: 在哪里是树^,数,N是为每个叶节点的数量,表示节点的特点 ,和指标函数。

3.2。随机森林(RF)

随机森林(RF)是一个算法引入Breiman [70年)和基于组合多个决策树来产生一个健壮的预测模型。它已经被有效地用于分类和回归问题在一些地区的施工管理71年- - - - - -73年]。射频模型可以处理许多输入变量和工作效率与异常值和不平衡的数据集。简单的算法减少了过度拟合结果和执行准确计算过程(74年]。RF模型使用引导和随机空间技术来提高预测模型的性能(75年,76年]。在RF模型中,该算法使用引导方法从原始数据随机选择新的训练集,这些新数据将用于开发一个回归树 。分裂的数量计算回归树中的每个节点使用一个随机随机空间技术。

建模步骤开发射频模型如下:首先,我们使用一个引导算法,生成一个新的训练数据集三分之二的原始数据(包数据)被用来训练开发模型。之后,几个回归树建基于引导样本,这些回归树被用来开发射频模型。RF模型是由训练序列回归树。树木之间的方差可以衡量随机选择最优属性基于最大深度值的数量。这些计算增加射频的能力模型来减少预测的错误结果。RF模型是由训练序列回归树。最后,每棵树的算法收集输出值,并计算最终的预测使用平均法[77年]。射频技术是表达的数学计算如下: 在哪里代表了射频的预测价值模型,回归树的数量,回归树模型是基于输入值(x)。RF算法的原理图在图描述1。

3.3。人工神经网络(ANN)

人工算法如安和其他最近介绍了机器学习算法。这些模型已经被他们的能力在处理复杂的数据集特征和生产准确的结果(78年]。人工神经网络是一个数学表达式,构建其组件通过模仿人类大脑的生理结构(79年]。ANN模型的主要因素是一系列连接层叫做神经元。几种类型的安存在;一般学者安应用前馈反向传播算法(80年]。反向传播算法在安的流行应用程序获得学习能力的ANN网络基于监督学习算法(81年]。在这种方法中,计算预测误差结果通过比较预测值与实际变量。ANN模型中的权重更新通过反向传播,减少预期误差的允许值。前馈神经网络由输入、隐藏和输出层组件。执行这种类型的安,移动信息直接从输入到输出神经元没有返回逆转方向。在输入和输出层神经元的数量是基于数量的输入和输出变量的ANN模型。在隐层神经元的输入变量非线性变换到输出层(82年]。隐藏层的ANN算法可以用数学表达如下: 在哪里代表隐藏层,是输入参数,是指输入层和隐层之间的权重。输出层的值可以计算如下:

一个安网络的设计需要识别和隐藏层神经元的数目。根据先前的研究,最好的预测结果可以通过使用一个或两层(83年,84年]。最优输入变量可以在培训过程中达到最佳的性能。输入和输出变量之间的关系是通过培训安旨在改善预测性能。对于每一个重复的过程,算法减少偏见和权值被修改的原始值和预测值之间的误差的措施。错误的期望值可以提出如下: 在哪里代表实际的价值通过ANN模型的预测价值。安的表示模型如图2。

3.4。支持向量机(SVM)

支持向量机是一种监督机器学习算法作为一种方法,使用一个超平面将开发外部之间的数据和测量最近的位置点到超平面的(85年]。支持向量机算法是一个流行的学者常用的提高估计的过程工程问题(86年,87年]。该算法模拟了实际和预测参数之间的误差通过测量的距离SVM。支持向量机模型数学表达如下:

代表了训练数据集和和输入和输出参数。SVM使用以下函数学习的数据集在训练阶段: 在哪里代表重量指示器,是输入参数的非线性函数 和是一个可伸缩的术语。预测过程的标准误差最小化使用以下方程: 在哪里指的是渣变量,是一个惩罚变量控制正则化和经验预测之间的误差,然后呢是函数对应于培训过程的准确性。可以优化的支持向量机模型使用拉格朗日乘数法和最佳通用函数所示以下表达式: 在哪里代表了核函数。回归问题的支持向量机算法的主要特征是,它输入和输出参数用非线性相关关系。支持向量机模型的核函数有助于算法生成高维空间的非线性映射。SVM模型有四个内核功能:线性、乙状结肠、多项式、径向基函数(RBF) (87年]。RBF核函数很简单,有效,可靠和被用于一些复杂的研究(88年]。使用RBF非线性方程在这项研究中,核函数的定义取决于三个参数: ,和这个方程的最优值可以达到使用的试验和错误的方法。SVM算法的演示图描绘在图3。

4所示。模型开发和性能评估

在目前的研究中,伊拉克建设项目的建设成本估算是探索。首先,输入选择了文摘的适当功能预测的过程。由于成本估算的复杂性质,XGBoost算法开发选择最重要的参数。XGBoost结合流行的智能算法,即射频,安,和支持向量机。混合模型是使用R编程语言(以下4.4.1版)。三个库称为XGBoost、矩阵和ggplot2构建XGBoost算法。特征选择的最好的结果是获得使用xgb重要性函数。SVM模型、图书馆(dplyr)图书馆(插入符号),图书馆(ggplot2),和图书馆(kernlab)。列车控制函数应用于控制以下参数:法(cv)、数量(),并设置为5倍交叉验证。径向基函数是应用在这项研究中使用svmRadial函数。 The RF algorithm was designed using the library (ranger) and ranger function. The designed parameters are as follows: num.trees set as 200, mtry equal to 3, and min.node size used as 3. In the case of the ANN model, library neuralnet with one hidden layer and resilient backpropagation were applied to enhance model prediction. The performance of the developed model was assessed by using several statistical evaluators, including coefficient of determination (R²),(即误差措施。,mean absolute error (MAE), root mean square error (RMSE), and mean absolute percentage error (MAPE)), Nash–Sutcliffe efficiency (Nash) and Willmott’s index (WI) [89年,90年]。提出了人工智能的过程模型如图4。

5。结果和讨论

5.1。结果分析

在这个研究中,三个人工智能算法的能力,也就是说,射频,安,和支持向量机,检查评估建设项目的成本。作者介绍了XGBoost模型来确定输入参数的最佳组合。开发模型建立基于不同组合从XGBoost中提取模型。输入组合构造使用选择的重要参数XGBoost算法,如图5。图5显示输入的相对重要性值特性使用XGBoost算法。XGBoost结果表明,通胀的参数(F)是最重要的成本估算,其次是和地面总建筑面积。研究结果还表明,电梯数量和获得的基础类型XGBoost最低有效得分。确定输入变量对预测模型的性能的影响,建立了若干组合和测试每个模型。七个模型被开发为每个算法模型,模型,模型三世,…,模型七世),包括七个变量从一个输入参数。

表3和4显示统计测量提出了计算机辅助算法的训练和测试阶段。表测量显示,XGBoost-RF和XGBoost-ANN模型性能优良的训练阶段当使用两个以上的输入变量。XGBoost-SVM模型预测性能比其他人工智能模型实现对所有输入的组合,最好的精度达到了使用三个输入参数。训练阶段的最佳结果是证明了XGBoost-ANN-Model VR²RMSE = 253464.6776, = 0.97551美= 151999.7328,日军= 0.40876,纳什= 0.97522,= 0.99376。测试阶段,结果显示,增加输入变量的数量会导致增加了所有人工智能模型预测的准确性。射频优于SVM和ANN模型,和最佳的性能是通过XGBoost-RF-Model VIR²RMSE = 693311.4488, = 0.87211美= 424619.6505,日军= 0.25539,纳什= 0.86739,= 0.962557。

发达的人工智能模型也评估分散图等图形演示,盒子情节,和泰勒图。数据6- - - - - -8说明散点图的测试阶段三种混合模型(XGBoost-RF, XGBoost-ANN, XGBoost-SVM)。XGBoost-RF模型展品良好的预测R²大于0.81的所有组合除了我,R²降低至0.6215。ANN算法,开发了模型表现良好R²刷爆了的数量在增加0.83 V的输入组合模型,VI,七世,如图6所示。显示了一个增强的支持向量机模型预测精度组合的数量增加时,除了模型VI和七世R²降低到0.7579。

图9显示了一个箱线图表示说明观察之间的残余误差和估计的成本估算值。结果表明,XGBoost-RF-Model III和V XGBoost-RF-Model获得一个错误值的最小残余情节不到50%。ANN模型,达到了最低正误差模型V和七世,而模型V和VI获得最小负误差。XGBoost-SVM模型,组合2到7输入参数显示减少误差值,最小误差是通过模型III, IV和V,残余误差小于50%。最大残差模型证明了我对所有发达模型与负误差小于85%的价值。

(即另一个图形化的方法。,the Taylor diagram) was constructed to evaluate the developed models based on correlation and standard deviation [91年]。图10说明了泰勒图三个人工智能算法具有不同的输入组合测试的数据。基于泰勒构造图,XGBoost-RF模型达到最近的位置,实际成本(即使用3和6输入参数。,Model III and Model VI). The rest of the combinations of the RF model demonstrate good prediction performance, except for Model I, which attained less correlation value than the other combinations.

XGBoost-ANN和XGBoost-SVM模型实现使用五个输入变量(即最佳的性能。、模型V) XGBoost-ANN达到最近的距离使用三种模式(即实际成本。,Model V, Model VI, and Model VII), whereas the remaining models achieved the farthest distance with a correlation value of less than 0.9. For XGBoost-SVM, only three models gained the best performance using three, four, and five input parameters, whereas the poorest performance was achieved using one input variable.

5.2。验证对先前的研究

确认的能力介绍人工智能在成本估算模型,有必要验证这些模型在过去的研究与开发的人工智能模型。ANN算法被开发来估计在印度高速公路项目的建设成本(92年]。研究表明,ANN模型可以用一个估计工程造价R0.94。在另一项研究中,发达的方法得到的相关系数为0.97的成本预测桥梁结构使用SVM模型输入变量(27日46]。调查三种智能算法称为多元自适应回归样条(火星),极端学习机(ELM)和偏最小二乘回归(PLS)进行估算工程造价领域运河项目(93年]。根据报告结果,火星模型以达到最好的结果R²= 0.94和5个输入参数。先前的研究也报道了混合模型作为有效的成本估算模型,如ANN-GA和RF-SLR [48,53]。先前的研究获得了成本估算的一个可接受的性能。然而,他们只专注于单一模型和关注了混合模型。此外,他们开发了基于所有的人工智能模型输入参数。本研究结合XGBoost算法和人工智能模型来提高成本估算的准确性。它可以注意到XGBoost-RF实现良好的估计性能与平方范围从0.87到0.91的测试和训练阶段只使用三个输入变量。

5.3。讨论

使用人工智能方法在复杂的建设项目强烈建议得到准确的评估过程的结果和模拟输入和输出参数之间的非线性关系。使用XGBoost作为一个先进的输入选择器显示通货膨胀,总楼面面积,和地面面积在成本估算是最重要的变量。人工智能模型之间的比较结果显示,发达算法的预测能力建设成本,因为所有模型达到良好的预测性能除了模型使用一个输入变量。XGBoost-RF模型显示显著增强预测过程只使用三个输入参数R²= 0.87和日军= 0.308,最小负误差如表所示4和图9。应用射频模式有六个输入参数(即。,XGBoost-RF-Model VI) led to reducing MAPE to 0.25 and producing a residual plot with no outlier points.

表现不佳是通过在模型I和II RF算法,得到的地方R²小于0.7,剩余误差高,如图8和9。ANN算法,该模型提高了预测性能通过增加输入参数的数量,和最好的R²是通过XGBoost-ANN-Model V RMSE等于750698.034,报道在表吗4。XGBoost-ANN-Model透露最贫穷的结果模型我高残留错误和最远的距离实际成本(参见数据9和10)。的支持向量机模型,三种模式(即。,Model III, Model IV, and Model V) illustrated good performance withr在0.8平方刷爆了,如图7。的其他组合XGBoost-SVM模型取得了良好的预测精度R²大于0.7,除了模型我显示最低的观测值相关系数和最远的位置,如图8和10。基于评价结果,所有的人工智能模型输入变量的数量时表现出良好的性能在估计过程中增加。射频和SVM模型表现好于安在使用几个输入变量,特别是应用于一个输入参数。比较结果表明,集成XGBoost与人工智能模型提高了预测精度,通过选择合适的参数建模过程。集成XGBoost算法与人工智能模型显示,使用三个输入参数,即通货膨胀,总建筑面积,和地面面积,需要得到准确的成本估算的性能。结果显示,增加输入变量从三到六减少了错误比例和提高建模效率。结果还表明,基于树模型比经典模型的能力来处理复杂的模型基于输入变量。报告的结果表明,RF模型能够理解的复杂性质建设成本估算。集成XGBoost算法与人工智能模型显示使用预测模型的鲁棒性在有限的输入变量被项目的股东。这些结果表明开发的能力模型不确定的情况下使用。 For future studies, other advanced selection algorithms like GA can be tested to simulate the complex behaviour among modelling parameters. Also, recent algorithms such as deep neural networks can be integrated with input selector algorithms to get low errors and more accurate results [94年,95年]。

6。结论

开发一个可靠的预测模型在施工成本估算是一个重要的问题。在本研究中,XGBoost算法用于选择造型过程的相关参数和杂化三个人工智能模型,即射频,安,和支持向量机,估计工程造价。数据集是根据调查收集的90个建设项目在2016年和2021年之间建造的。结果表明,最相关的变量选择XGBoost通货膨胀,总楼面面积,地上建筑面积。为预测性能,所有的人工智能模型显示良好的可靠性预测过程中当应用于输入变量超过2。XGBoost-RF模型揭示了高相关系数在所有组合除了我,R低于可接受的性能水平。图形评估显示,XGBoost-RF-Model VI获得最佳性能超过0.8平方的和低残留误差。结果还表明,树模型能处理复杂系统并获得准确的结果基于输入变量的数量有限。多个输入参数应该追究未来方向,和GA算法可以探索产生显著的特征选择。同时,一个新的深度学习算法可以提出提高预测模型的能力。

数据可用性

使用数据在当前研究可以获得相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢大数据分析和人工智能研究所(IBDAAI) Kompleks Al-Khawarizmi,各种大学马拉(UiTM), 40450莎阿南,雪兰莪州,马来西亚,支持出版。此外,作者要感谢Al-Mustaqbal大学(muc - e - 0122)为这项研究提供技术支持。这项研究是由各种大学马拉。作者还要感谢支持收到大学的巴格达。