孫蘭蘭 田杰芳

(華北理工大學，河北 唐山 063210)

0 引言

近年來，隨著建筑工業(yè)化技術水平的提升與相關政策的支持，裝配式建筑數(shù)量明顯增長。裝配式建筑具有建造速度快、工地揚塵小、人工需求量小等優(yōu)點，受到業(yè)界廣泛關注。然而，我國裝配式建筑起步較晚，目前仍處在探索階段。通過梳理相關研究發(fā)現(xiàn)，成本問題在很大程度上制約著我國裝配式建筑的推廣與發(fā)展。為了進一步豐富裝配式建筑成本研究體系，提高裝配式建筑成本數(shù)據(jù)獲取效率，運用BIM技術進行工程信息的收集和整理，利用BP神經(jīng)網(wǎng)絡強大的學習預測功能，構建裝配式建筑成本預測模型，旨在提升裝配式建筑成本管理水平。

1 裝配式建筑成本概述

1.1 裝配式建筑的概念

裝配式建筑是建筑工業(yè)化的產(chǎn)物，是未來建造方式的重要發(fā)展方向。裝配式建筑是指將需要在工廠制作的全部或部分預制構件(Precast Concrete，PC)運輸?shù)绞┕がF(xiàn)場，以符合標準的施工方式予以可靠連接，能夠達到相關技術規(guī)范要求的結構類房屋建筑。

基于裝配式建筑的概念可以看出，與傳統(tǒng)現(xiàn)澆建筑不同的是，裝配式建筑的大量預制部品部件是在工廠中完成生產(chǎn)再運送到施工現(xiàn)場進行裝配，大大節(jié)約了施工現(xiàn)場的人工費、管理費等，并且在工期方面具有明顯優(yōu)勢。由于裝配式建筑需要在施工現(xiàn)場對工廠預制的部品部件進行可靠連接，除了要嚴格把控預制構件精確度，還要加強預制構件在運輸途中的保護。由此可見，裝配式建筑是先進制造業(yè)與傳統(tǒng)建筑業(yè)交互融合的產(chǎn)物，是建筑信息化與建筑工業(yè)化深度融合的產(chǎn)物。

1.2 裝配式建筑成本構成

雖然裝配式建筑與傳統(tǒng)現(xiàn)澆建筑施工方式區(qū)別較大，但成本構成較為相似。裝配式建筑成本除了包括傳統(tǒng)的現(xiàn)澆建筑成本，還增加了預制構件的生產(chǎn)成本、運輸成本和裝配成本。其中，預制構件的生產(chǎn)成本包括人工費、機械使用費、材料費、施工企業(yè)管理費和利潤、稅金等；運輸成本主要包括預制構件的運輸費、二次搬運費和臨時存放費等；裝配成本主要包括人工費、機械使用費、材料費、模板及支架的安拆費等。綜上所述，裝配式建筑成本構成如圖1所示。

圖1 裝配式建筑成本構成

依據(jù)現(xiàn)行造價行業(yè)清單計價模式，按造價形式進行劃分，裝配式建筑成本包括分部分項工程費、措施項目費、其他項目費、規(guī)費、稅金5個方面，如圖2所示。

圖2 按造價形式劃分的裝配式建筑成本

按費用構成要素劃分，裝配式建筑成本包括人工費、材料費、施工機具使用費、施工企業(yè)管理費、施工企業(yè)利潤、規(guī)費和稅金7個方面，如圖3所示。

圖3 按費用構成要素劃分的裝配式建筑成本

2 BIM技術概述

2.1 BIM技術概念

2002年，Autodesk公司提出了建筑信息模型(Building Information Modeling，BIM)的概念。BIM技術的核心是利用數(shù)字化信息技術建立可視化三維模型，對建筑工程實際情況進行模擬，并建立信息共享、協(xié)同辦公的管理平臺。隨著BIM技術的不斷發(fā)展，BIM技術的內涵不斷豐富。例如，BIM 5D技術在三維模型的基礎上增加了項目時長與工程進度預算整合功能，不僅方便實時查看工程信息，而且實現(xiàn)了工程費用的實時查看，極大地提升了工程建設成本控制水平。

目前，BIM技術在裝配式建筑領域的應用也較為廣泛?；贐IM技術，可以將二維建筑圖樣轉化為三維建筑模型，有效避免管線碰撞等建筑設計中可能出現(xiàn)的問題。此外，在構件預制與裝配過程中引入企業(yè)資源計劃 (EPR)管理系統(tǒng)，基于BIM 5D技術可以在線查看工程進度和成本。由此可見，將信息化應用于建筑業(yè)是大勢所趨，而BIM技術則是實現(xiàn)建筑業(yè)信息化的有效工具。

2.2 BIM技術的應用

在裝配式建筑成本管理中，首先，基于建筑圖樣，利用BIM技術進行三維建模；其次，收集和整理預算工程量信息，并進行分類整合；最后，利用計價軟件，結合影響材料/設備的價格信息，得到裝配式建筑預算成本。基于BIM技術的裝配式建筑預算成本信息獲取流程如圖4所示。

圖4 基于BIM技術的裝配式建筑預算成本信息獲取流程

由圖4可以看出，裝配式建筑成本信息獲取流程較為煩瑣，花費時間較長，基于此，本文提出利用BP神經(jīng)網(wǎng)絡的裝配式建筑成本預測方法

3 BP神經(jīng)網(wǎng)絡概述

神經(jīng)網(wǎng)絡是一種模擬人類大腦神經(jīng)網(wǎng)絡工作機制的機器學習算法，BP神經(jīng)網(wǎng)絡即誤差反向傳播神經(jīng)網(wǎng)絡，是目前神經(jīng)網(wǎng)絡中應用較為廣泛的模型之一。BP神經(jīng)網(wǎng)絡是將收集到的樣本數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡的輸入層，經(jīng)過隱含層的計算與反饋，最終得到輸出層數(shù)據(jù)。若得出的數(shù)據(jù)與預測的數(shù)值相差較小，則直接輸出數(shù)據(jù)作為最終結果；若得出的數(shù)據(jù)與預測值相差較大，則繼續(xù)反饋學習，直至得出的數(shù)據(jù)與預測值較為接近。

BP神經(jīng)網(wǎng)絡是一種按誤差反向傳播訓練的多層前饋網(wǎng)絡，其算法被稱為BP算法。BP算法是以網(wǎng)絡誤差平方為目標函數(shù)，采用梯度下降法計算目標函數(shù)的最小值，即網(wǎng)絡的實際輸出值和期望輸出值的誤差均方差為最小。BP神經(jīng)網(wǎng)絡一般包含三層信息，即輸入層、中間層和輸出層。輸入層信息的數(shù)量與精準度在很大程度上對模型是否適用具有決定性影響，中間層也被稱為隱含層，是學習的過程，主要對輸入層信息進行學習和處理。BP神經(jīng)網(wǎng)絡拓撲結構如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡拓撲結構

BP神經(jīng)網(wǎng)絡模型除了包含正向輸入與輸出過程，還包括誤差的反向學習處理過程。具體而言，輸出值與給定值之間的差異即為誤差值，利用誤差值作為輸入層數(shù)據(jù)經(jīng)過隱含層得到輸出層數(shù)據(jù)，經(jīng)過層層優(yōu)化與修正，最終使誤差值符合指定精度要求。由此可見，誤差反向學習過程能夠為計算精度提供保障。

4 裝配式建筑成本預測模型構建

4.1 樣本與指標選取

本文選取9棟已竣工的裝配式建筑住宅作為訓練樣本。為了避免地區(qū)特性等因素對建筑成本模型的影響，選定樣本為同一時期、同一地點，且9棟裝配式建筑相似性較高，理論上不會對模型精度產(chǎn)生負向影響。

依據(jù)9棟裝配式建筑實際建設情況，選取對建筑成本影響較大的因素。鑒于樣本選取的特殊性，不需要考慮地域、建筑用途、裝修、材料價格、項目管理水平及現(xiàn)場條件的影響，指標選取較為便利。對獲得的樣本數(shù)據(jù)進行預處理，得到9棟裝配式建筑工程特征指標值，見表1。

表1 9棟裝配式建筑工程特征指標值

4.2 基于BP神經(jīng)網(wǎng)絡的成本預測模型構建

根據(jù)BP神經(jīng)網(wǎng)絡數(shù)據(jù)處理特點，首先，對表1中的特征指標進行量化；其次，使用PyCharm創(chuàng)建工程造價預測BP神經(jīng)網(wǎng)絡；再次，確定神經(jīng)網(wǎng)絡各層節(jié)點個數(shù)；最后，將量化結果導入已構建的BP神經(jīng)網(wǎng)絡模型。結合工程實際情況可知，輸入層節(jié)點個數(shù)為7，隱含層的節(jié)點個數(shù)為3。

在建立BP神經(jīng)網(wǎng)絡模型后，需要設置學習率與訓練次數(shù)。如果樣本數(shù)據(jù)差異性較大，在訓練過程中會帶來梯度爆炸問題，因此，需要調節(jié)學習率。結合工程實際情況，經(jīng)過調試，學習率取值為在10-9～10-8較為合適。如果訓練次數(shù)過小會影響結果精度，訓練次數(shù)過大會引起誤差反饋的結果震蕩。結合工程實際情況，經(jīng)過調試，確定訓練次數(shù)為29。綜上所述，BP神經(jīng)網(wǎng)絡預測模型構建流程如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡預測模型構建流程

基于上述流程建立BP神經(jīng)網(wǎng)絡預測模型，將訓練及預測樣本的工程數(shù)據(jù)導入模型，并按照上述調試結果將各層節(jié)點個數(shù)、學習率與訓練次數(shù)等信息輸入模型，最后對BP神經(jīng)網(wǎng)絡預測模型進行訓練。

4.3 模型仿真分析

為了驗證基于BP神經(jīng)網(wǎng)絡的裝配式建筑成本預測模型的適用性，選取本地區(qū)4個已經(jīng)竣工的裝配式建筑工程為研究樣本。樣本數(shù)據(jù)真實可靠，地區(qū)與建設條件較為相似。運用上述流程進行樣本成本預測，樣本預測值與實際值誤差對比結果見表2。

表2 樣本預測值與實際值誤差對比結果

由表2可知，單方造價預測值與單方造價實際值的最大誤差值為196.42元/m2，在可以接受范圍內，最小誤差值為27.94/m2，較為接近實際值。相對誤差的最大值為9.63%，位于行業(yè)標準誤差范圍內，說明該模型預測值較為準確，具有一定的應用價值。

經(jīng)過上述驗證可知，該模型擬合較好，具有一定的適用性。結合相對誤差計算結果可知，該試驗預測模型具有一定的穩(wěn)定性且在時效上具有一定優(yōu)勢。由此可見，BP神經(jīng)網(wǎng)絡成本預測模型在一定程度上可以推動裝配式建筑發(fā)展進程。

5 結語

通過梳理和分析相關研究文獻可知，裝配式建筑成本比傳統(tǒng)現(xiàn)澆建筑成本高20%～30%，成本問題在很大程度上制約了裝配式建筑的發(fā)展，因此，對裝配式建筑成本進行研究十分必要。目前，裝配式建筑成本數(shù)據(jù)獲取效率較低。為了解決這一問題，本文構建了裝配式建筑成本預測模型，以更加便捷地獲取裝配式建筑成本信息。

首先，利用BIM技術解決復雜工程數(shù)據(jù)收集與處理問題；其次，利用BP神經(jīng)網(wǎng)絡建立裝配式建筑成本預測模型。實例證明，該模型對于裝配式建筑成本預測具有良好的適用性，且信息獲取效率較高，具有一定的應用價值。但是，由于不同工程項目的施工要求和環(huán)境條件等有所差別，試驗數(shù)據(jù)也存在一定差異。今后，隨著裝配式建筑項目日益增多，設計、施工規(guī)范越來越標準化，裝配式建筑成本預測結果將更為精準。