文摘
为了解决高层建筑成本评估的准确性低的问题,作者提出了一种智能评价方法的工程成本模型基于物联网的可行性。根据建设项目的总投资构成,本文将成本指数,确定了总体成本的修正系数,并利用灰色关联分析方法构建评价指标体系;根据BP神经网络的结构,网络误差计算,输出层的误差信号和隐层是由梯度下降法来获取网络权重调整公式;最后,本文运用自适应学习速率调整公式设置网络参数,介绍了建设项目的关键参数输入层,并建立最终成本评价模型。实验结果表明,该系统的错误率控制在10%以内,满足投资估算的要求。结论。该方法可以准确、快速评估的最佳解决方案的成本高层建筑以更少的信息,具有较强的非线性信息处理能力。
1。介绍
目前,世界进入了一段伟大的数字转型发展和变化。新一代的信息技术加速了领导技术应用的突破,在工业带来重大变化形式、组织管理、社会治理等方面。发展物联网等新一代技术带来了新的动力和新的数字经济的发展机遇。物联网技术提出了集成开发的特点,集成创新,大型应用程序,和生态加速度,和热技术继续出现。的规模部署网络和平台已经加速为互联网的全面推广奠定基础的东西。
当我们使用传统的建设项目成本模型来解决复杂的建设项目,将会有大量数据错误和许多因素影响计算结果,导致不准确的数据,减少了信誉,和施工困难(1,2]。基于上述不足,本文改进了传统的建设项目成本模型的设计。优化工程造价模型结构采用多级计算,它取代了单级计算的原始建筑成本模型,减少了外部影响因素,和提高内部水平的合理配置,从而提高建筑成本模型的准确性和减少计算影响因素。改进传统的建筑成本模型算法,添加细化分类,合理的定量分类,多维理论计算,并合理控制的结果错误对于复杂的建设项目,因此,计算的每一步都是接近最后的结算,因此,数据计算的准确性提高,提高计算效率,减少数据处理的误差。通过仿真实验不同的维度,本文验证了投资估算、设计评估、修正概算、施工图估计,和附近竣工决算帐户之前和之后的改进(3,4]。
女子是一个完整的企业工程信息系统模型,可以将工程信息集成,流程,和人力资源在企业的整个生命周期的所有阶段和应用到相同的模型;的综合管理和操作方便,企业、项目和工程方(5,6]。这项技术使用三维数字技术来准确分析和模拟大型建筑的实际情况和施工信息,并提供一个内部协调和统一的信息模型为整个建设项目的设计和施工。实现建筑设计和施工的集成和优化各种学科之间的沟通和协作,这可以极大地减少整个项目的成本和生产成本,确保整个项目的顺利进展和数量。
2。文献综述
项目成本是一种投资方法,为企业和政府,目的是获得最大的利润,因此,在施工过程中必须严格控制成本。近年来,中国市场经济的发展促进了建筑行业的快速发展,和建设投资发展的主体多元化的趋势(7,8]。在正常情况下,业主将在投资之前做基本的初步评估,准确和快速评估项目的成本是项目投标竞争的必要性。为了最大化利润在投资和建设的过程中,我们必须全面考虑投资周期,数量,和其他复杂因素,坚决控制成本的核心元素,实现科学的成本评估。由于后期开始,中国的工程造价管理,没有完整的理论知识体系,缺乏有效的成本控制,以及复杂的高层建筑结构需要一个施工周期长。因此,寻求一种有效和实用的成本评估方法已成为学者和业内人士关注的焦点。
在这个阶段,相关学者已经提出了很多成本评估方法。例如,詹等人,贾等人使用WSR (Wuli-Shili-Renli WSR简称)分析模型来评估建筑抗震结构的成本控制(9,10]。首先,他们建造价格控制的层次结构和获得多个成本控制方案。其次,他们使用的QOS(服务质量)方法设计的控制约束平衡和选择最好的评价结果。最后,仿真实验证明该方法可以有效地分析高层建筑的质量变化特征和控制成本消耗更好。
杨提出了一个基于BIM的项目成本管理方法(代表建筑信息模型,建筑信息模型,称为BIM)技术(11]。他们分析了引入BIM技术结合的可行性的问题在中国现有的成本评价方法。他们的基本原理和优势进行了探讨BIM和提出相应的应用程序模型建设项目在不同阶段的成本管理。最后,BIM技术的作用是验证了一个具体的例子。
虽然上述两种方法在成本控制中发挥一定作用,他们不考虑价格的动态,具有很强的主观性,导致较低的评估精度。在此基础上,作者使用BP(反向传播,传播,被称为英国石油公司(BP)神经网络方法建立高层建筑项目成本评价模型。摘要调试通过的过程神经网络模型确定神经网络的结构,计算网络错误,调整权重,设计网络参数等,介绍了高层建筑项目中重要参数构建最终成本评价模型。仿真实验表明,BP神经网络方法可以解决网络收敛慢的缺点,容易陷入局部最小值,有效改善成本的准确性评价决策阶段早期,和实现快速评估。
3所示。方法
3.1。评价指标体系的建设
3.1.1。建设项目总投资的成分
如图1,建筑工程的成本是指结合已知的建设内容、规模、标准和其他相关要求,所有的费用,需要在完成所有建设内容,直到交付的过程(12,13]。它主要包括建筑设备等固定资产投资购买成本、安装成本,制备成本。
3.1.2。分类成本指数
在不同的施工阶段,工程造价的表现形式也不同,例如,在可行性分析阶段,性能行为是投资估算,每一阶段的具体表现图所示2。
成本指数是一个指标,反映了价格变化在固定的时间内,它可以有效地反映成本变化的趋势和大小,同时客观地显示之间的供需关系的生产力水平和建筑市场。主要分为以下几类:
(1)个人指标,劳动和材料等,按时间顺序安排不同时期的指数来获得单个价格变化的状态,预测未来发展趋势。
(2)施工设备和工具的价格指数。
(3)高层建筑安装成本指数。
(4)一个项目的成本指数。
3.1.3。基于灰色关联的建设评价指标体系
作者用灰色关联分析方法构建评价指标体系;核心理念是判断成本的密度和邻近序列曲线结合建设项目的特征指数序列曲线,曲线的差距越小,相关性越高。该方法数据处理和计算,方便简单,适用于项目成本评价指标的选择14,15]。
(1)比较矩阵的选择和参考序列。比较矩阵的所有特征索引影响项目成本,假设样例项目和因此,指数特征矩阵进行了比较表示为
当评估成本,选择单方面成本作为参考序列的值,不同的特征指标之间的相关性和单边成本比较,相关程度越高,越接近特征值和单边成本之间的关系。这个参考序列值的计算公式
在公式(2), 代表了单方面的成本价值。
(2)标准化的索引值。为了提高评价的准确性,确保指标之间的等价线性化方法用于不同维度的索引值,正常化和表达式如下:
在公式(3),代表的最大价值 - - - - - -指数在所有项目。
(3)计算相关系数。相关系数可以反映不同指标的关联度比较矩阵参考序列在 - - - - - -样本。灰色关联分析方法用于计算之间的相关系数 - - - - - -th的指数 - - - - - -项目和单方面的成本。
在公式(4),代表决议系数,其值为0.5,和它的价值将影响相关系数之间的差异。
(4)计算关联度。灰色关联系数仅能证明指标的关联度在一个样本,这是片面的。因此,作者选择多个样本和使用均值方法确定的相关性 - - - - - -指数。
在公式(5),获得相关度排序,关联度越大,越一致的变化趋势 - - - - - -th指数和成本,也就是说,越高的影响在 。根据规则的较大的一个,保留更大的相关性的指标。
3.2。建立成本评价的BP神经网络模型
3.2.1之上。BP神经网络的特性
BP神经网络是一种数据处理系统的基础上提出人类大脑组织和活动机制,因此它可以展示许多人类大脑的特点。
(1)分布式数据存储。BP神经网络的数据存储方法相当不同于传统的计算机存储,相同的数据不仅是存储在一个地方,但分布在神经节点之间的连接结构。
(2)并行数据处理。神经网络,神经节点可以接收传输信息,可以结合信息独立处理和操作,并将计算结果的下一个神经网络并行数据处理(16,17]。
(3)信息的容错处理。神经网络的结构特征主要反映在巨大的结构和空间分布的存储,这两个特征可以使神经网络具有更好的容错在以下两个方面:当一些神经节点被破坏,它不会有很大的影响了网络作为一个整体;数据输入,如果数据不完整或畸形,神经网络将根据一些数据修复缺失的数据。
(4)数据处理的适应性。适应性是指根据环境要求改变自身的特点。主要反映在以下几个方面:
自主学习:在培训过程中,如果外部环境发生变化,网络结构参数可以自动调整后经过一段时间的培训。
自组织:由外界刺激时,神经节点之间的连接部分可以按照一定的学习规则,调整和网络可以重建。
3.2.2。BP神经网络的基本结构
BP神经网络属于提出多层误差反向传播学习算法。它有一个输入层、输出层和多个隐藏层,层完全相互连接,节点在同一层不是彼此连接,每一层由多个神经元。
假设BP神经网络输入节点,输出节点,节点的数量表示 。输入向量和输出向量 和 ,分别。的输入向量和输出向量表示为隐藏层 和 ,分别。输出层的输入和输出向量描述为 和 ,分别。输入层和隐层的神经元和 ,分别连接重量 。之间的连接权重隐藏层和输出层 ,和阈值的神经节点j在隐藏层 。
3.2.3。BP神经网络误差计算
如果BP神经网络的输出与理想输出值,不同的理想输出值是实例提供的理想输出神经网络学习训练样本,根据一定的规则调整权重系数的联系,不断改善自身的性能,最后达到最理想的状态,这个状态是当输入外部,它可以使一个相对正确的输出,输出值是理想的输出值。错误输出结果E的表达如下:
的公式,代表了理想状态BP神经网络的输入值,代表了理想状态BP神经网络的输出值,代表的样本数据量,代表了隐层节点的数量,代表实际状况BP神经网络的输入值,和代表了理想状态BP神经网络的输出值。
扩大上述错误隐藏层,我们得到的
的公式,代表了BP神经网络的输出恒定值。
公式(7)进一步扩大到输入层。
的公式,表示输出层节点数。
3.2.4。基于梯度下降的体重调整
根据上面的公式,调整网络的输入误差的调整权重和 ,所以重量调整可以通过改变执行错误 。采用梯度下降法,不断降低网络错误,确保有一个的重量比例关系调整和误差梯度下降的程度。
公式,负号表示梯度下降,和 属于一个比例系数,它反映了在培训过程中神经网络的学习速率。因此,可以看出,英国石油(BP)算法是一种学习规则。
上述两个公式是不完整的重量调整公式,但只有一个表达式的调整意见。调整公式的推导过程将在下面详细描述。
假设在体重调整公式的推导过程,分别有输出和输入层,
为输出层,公式(9)可以写成
公式(10)可以写成
定义输出的误差信号层和隐层,分别。
结合上述两个公式,我们可以得到
因此,我们可以看到,只有通过计算误差信号和 ,推理的重量调整可以实现。
信号的扩展形式错误在输出层
扩大信号的误差表达式在隐藏层
错误的偏导数计算输出层和隐层在上面的两个公式。
通过公式(20.)和(21重量),神经网络算法的计算公式可以得到调整
3.2.5。网络参数设计
本文主要设置学习速率BP神经网络。的学习速率也可以称为步长,和它的价值区间[0,1]之间通常是一个恒定的标准学习算法,但在评估模型建设的过程中,很难确定一个从开始到结束的学习速率18,19]。如果太小,模型训练的数量会增加,然后呢在培训过程中需要增加;如果太大,训练可能发生振荡。有很多方法可以调整学习速率,这些方法的最终目的是使学习速率在整个培训过程中发挥有效的作用,因此,更常用的自适应学习速率调整的表情被选中。
在神经网络训练的过程中,由于连续减少错误,学习速率会增加,当训练次数增加到一定程度上,学习效率会比1。因此,当使用自适应学习速率,我们必须提高学习速率的阈值来获得最好的学习速率。
3.2.6。确定BP神经网络评价模型
BP神经网络的训练完成后,我们可以将重要的项目成本参数输入的学习网络,并通过评价获得最后的单位成本价格。这种方法实现的评价数值模型基于历史数据,操作方便,具有较高的精度。BP神经网络评价模型图所示3。
3.3。实验测试
为了证明的有效性高层建筑项目的成本评价模型基于BP神经网络,本文选择10完成高层建筑项目在一个特定的地方,和样本数据都来自网络的成本信息。这可以确保区域样本数据的一致性,以及样本数据之间的相似性很大,所以该模型精度不会减少。获得的数据预处理结合定性指标和定量标准,筛选后,样本数据的索引值如表所示1。
4所示。结果与讨论
根据作者建立的神经网络评价模型,进行仿真实验的基础上,用Matlab软件2016 b。仿真结果比较使用WSR分析模型来控制建筑抗震结构的成本,项目成本管理方法基于BIM技术进行了比较,比较结果如表所示2。
从结果表2可以看到,它的错误率评估WSR分析模型对建筑抗震结构的成本控制方法和项目成本管理方法基于BIM技术分别是16.9%和16.7%,分别。作者比较了建筑抗震的结构的成本控制方法和项目成本管理方法基于BIM技术通过使用WSR分析模型。误差值小,错误率控制在10%以内,满足需求的投资估算。此外,评价三种方法相比,速度和结果如图所示4。
评估同一目标时,作者的评价速度的方法需要较少的时间比WSR分析模型对建筑抗震结构的成本控制方法和基于BIM技术,工程造价管理方法和评价效率高20.]。主要原因是神经网络的学习速率的方法设置更合理,和BP神经网络具有分布式数据存储的特点,并行数据处理,信息处理的容错性能好,适应能力强的数据处理。
5。结论
提出了一个智能评价方法可行性模型基于物联网项目的成本。高层建筑的主要发展方向是未来的建设项目,这个项目的成本是投资具有重要意义。因此,本文运用BP神经网络研究高层建筑的成本评价模型。首先,本文构建了评价指标体系,使用灰色关联分析方法。其次,本文通过分析的特点决定了网络结构的神经网络,与梯度下降法调整它的重量值,设置学习速率。最后,本文介绍了成本参数训练神经网络,构造最终的评价模型。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。