摘要:为提升公路工程造价估算的准确性,应用模糊神经网络法对公路工程造价进行估算。结合工程案例,详细探讨了公路工程造价估算中模糊神经网络的应用,结果表明,采用模糊神经网络方法能够有效降低公路工程造价估算结果的平均误差,可以极大程度提高工程造价计算精度,获得合理的造价。

关键词:公路工程;造价;估算;模糊

神经网络对于公路工程建设企业来说,工程估价的准确性与合理性,直接决定着项目投资决策的正确性,是分析工程项目可行性的主要环节,同时也是公路工程项目标底编制的主要控制标准,因此工程造价估算的准确性,是各建设单位研究的重点内容,其对加强公路工程项目成本管理,有着积极的作用。

1公路工程造价估算的必要性

公路工程管理工作中,造价管理是主要内容,此项工作直接影响着建设企业的效益与工程的质量,历来都是管理的核心部分。工程造价估算是项目前期管理的重要内容,是实现项目成本控制目标的基础。造价估算能够为项目施工方提供成本控制方案编制的依据。在设计招标前,明确工程预计造价,能够避免招标环节恶意行为的发生。

2模糊神经网络应用流程优势

2.1模糊神经网络应用流程。近年来,公路工程造价估算工作中,多采取模糊神经网络来进行估算。公路工程造价估算,多是通过输入公路工程相关要求与特点,最后输出估算结果,这与模糊神经网络应用原理极为相似,其具体流程如下。

(1)构建信息库基于已有工程信息,包括工程特征因素与工程造价等材料,构建造价信息库。

(2)取值结合公路工程施工要求,明确各类特征因素,包括评价指标,确定数据取值。

(3)选取输入与输出向量基于模糊神经思想法,在造价信息库内,至少选择3个已完成施工的项目,作为基础数据,以供神经网络学习与训练。输入向量选择为各类特征因素值,输出向量为造价估算值。

(4)迭达运算基于系统内的造价数据来编制算法程序,以供神经网络学习,设计学习率,通过多次迭达运算,保障造价估算的准确性。

2.2模糊神经网络的应用优势。公路工程造价估算中,采取模糊神经网络法,具有以下优点。

(1)造价模型化利用模糊数学,可以高效处理模糊信息。采取对比已建设和新建的公路工程,进行定量化描述,使得相关问题可以模型化。

(2)结果更为科学开展公路工程造价估算,应用模糊神经网络,再通过构建数学模型,进行数学计算分析,能够减少人为计算的误差,计算结果的准确性与科学性较高。

(3)适应性强公路工程造价具有动态变化特性,模糊神经网络模型能够很好地适应此特性。此估算方法的应用,主要是依靠计算机,不仅运算速度快,而且运算精度较高。

3模糊神经网络在公路工程造价估算中的应用

模糊神经网络估算方法较多,文中选择BP神经网络法,是基于仿人脑的神经系统结构,具有较强的学习能力,为非线性自适应动态系统[1]。现对其在公路工程造价估算中的应用,做以下的分析。

3.1公路工程样本描述与定量。公路工程构件主要包括底层、基层、面层等,工程造价是由各构件类型与价格等因素决定,实物工程量取决于工程结构设计参数。已建工程造价变动,主要是受到构件因素的影响,被称作是工程特征。基于工程特性,将公路工程划分为不同类别,若按照路面形式划分,主要包括沥青路面和水泥路面等,为特征类目。对于工程定量化,是按照特征类目,依据定额水平与工程特征,填入相关数据,如表1所示。由表1能够看出,每个公路工程模式均可以利用表格的形式来定量化描述,一个特征可以由多个类目组成,按照比例来计算量化结果。

3.2BP神经网络学习算法。在BP神经网络中,需要将信息传递到网络隐节点上,使用S型激活函数,把信息传出,接着发挥激活函数的作用,成功输出结果。在网络隐节点以及输出节点位置处,选择S型激活函数,即f(x)=11+ex,若此结果未能按照正常程序开展,此时要转变成反向传播。假设存在N个样本,定义描述为(Xk,yk)(k=1,2,⋯,N),其中某个输入值为Xk,对应的神经网络输出值是yk,而隐层节点I的输出值是Oj[2]。

3.3工程造价估算模型。基于BP神经网络,构建公路工程造价快速估算模型。针对以往工程案例,开展估算研究,将工程特征定量化数值,设为Xij(i=1,2,3,⋯,n;j=1,2,3,⋯,n),将相应的工程造价定额预算相关资料,设为yis(i=1,2,3,⋯,n;s=1,2,3...n),不考虑市场价格调整。明确BP神经网络结构系统参数,包括输入层节点数m、输出层节点数n、隐层节点数L。以Xij为输入,以yis为输出,开始神经网络训练,获得新建工程的造价估算神经网络,反向估算新建工程造价[3]。

3.4计算实例。以某省道一级公路和二级公路工程为例,其中一级公路使用的是沥青混凝土路面,记为T19;二级公路使用的是水泥混凝土路面,记为T20,检验18个样本工程造价数据,基于检验结果能够了解,T19造价指数是0.98,T20造价指数为0.96,获得预算资料如下:T19路面类型是半柔性路面;基层为水泥稳定碎石;底层材料为石灰土;路面结构为沥青混凝土;面层厚度为15cm;基层厚度为14cm;底层厚度为10cm;T20路面类型是刚性路面;基层为工业废渣稳定土;底层材料为石灰土;路面结构为水泥混凝土;面层厚度为12cm;基层厚度为16cm;底层厚度为12cm。将获得的预算材料和表1资料进行对比分析,能够明确T19工程特征定量化描述是T19=(3,1,2,2,2,6,2.5),T20工程特征定量化描述是T20=(5,4,7,3,4,3,4.1),将T19与T20,输入到经过训练的BP神经网络中,获得的结果为T19=(0.4029,0.4056,0.5005,0.4365),T20=(0.6277,0.6156,0.4290,0.5661),经过反算,获得工程造价资料预测值,其中V19=(481.74,16.44,0.0046,145.85),V20=(1185.82,37.16,0.0033,247.07),预测的相对误差O19=(1.61%,4.65%,4.15%,1.40%),O20=(3.76%,3.67%,5.70%,1.84%),由此能够看出,基于BP神经网络预测的工程造价估算精度较高[4]。

4结语

模糊神经网络的应用,主要是基于模糊数学与神经网络理论,借助类似工程之间存在的相似性,采用BP神经网络法进行公路工程造价估算,能够快速获得估算结果,具有较强的应用优势。

参考文献:

[1]王运琢.基于BP神经网络的高速公路工程造价估算模型研究[J].石家庄铁道大学学报(自然科学版),2011,24(2):61-64.

[2]刘湘雄.人工神经网络在工程造价估算中的应用[J].建筑,2012(12):68-69.

[3]陈文盛.工程造价估算模型研究与基于层次分析法的BP神经网络模型应用[J].价值工程,2015(29):86-89.

[4]陈宏伟.公路工程估价的分布估计神经网络算法[J].价值工程,2013(8):105-106.