王林峰　張文靜　劉云　陳志賓　王立功

摘要：針對(duì)大數(shù)據(jù)環(huán)境下電力工程造價(jià)在精準(zhǔn)化、動(dòng)態(tài)化等方面存在的不足，提出了一種基于BIM與CNN的電力工程造價(jià)優(yōu)化算法。利用BIM技術(shù)的特點(diǎn)進(jìn)行電力工程全生命周期的造價(jià)管理，實(shí)現(xiàn)了造價(jià)的動(dòng)態(tài)化管控。并且采用Levenberg-Marquardt規(guī)則算法改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)改進(jìn)后的CNN網(wǎng)絡(luò)對(duì)每個(gè)工程環(huán)節(jié)的造價(jià)完成預(yù)測(cè)，從而優(yōu)化整個(gè)工程的施工方案。結(jié)合相關(guān)的電力工程造價(jià)數(shù)據(jù)，基于Matlab對(duì)所提算法進(jìn)行實(shí)驗(yàn)測(cè)試。結(jié)果表明，當(dāng)學(xué)習(xí)率為0．010時(shí)CNN網(wǎng)絡(luò)的性能最佳，所提算法的預(yù)測(cè)準(zhǔn)確率為94%，并且與造價(jià)的真實(shí)值最為接近。

關(guān)鍵詞：電力工程造價(jià)；BIM技術(shù)；卷積神經(jīng)網(wǎng)絡(luò)；大數(shù)據(jù)環(huán)境；Levenberg-Marquardt規(guī)則算法；全生命周期；動(dòng)態(tài)化管控；預(yù)測(cè)準(zhǔn)確性

中圖分類(lèi)號(hào)：TM73 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1000-1646（2024）01-0007-06

工程造價(jià)是工程設(shè)計(jì)的重要組成部分，有必要在電力工程造價(jià)過(guò)程中進(jìn)行合理的優(yōu)化，以保證電力工程建造秩序和工程質(zhì)量，同時(shí)降低工程成本。近年來(lái)，BIM技術(shù)憑借全面化、精準(zhǔn)化和動(dòng)態(tài)化的特點(diǎn)，在現(xiàn)代建筑、工程設(shè)計(jì)、大型機(jī)械以及項(xiàng)目管理等領(lǐng)域得到了廣泛應(yīng)用。

結(jié)合BIM技術(shù)，工程造價(jià)管理能夠全面提升項(xiàng)目開(kāi)發(fā)及建設(shè)質(zhì)量，有助于更好、更快地推進(jìn)項(xiàng)目的實(shí)施與完善。付歡針對(duì)工程參與方的信息交互方式提出了完整的BIM屬性信息檢驗(yàn)方法，并構(gòu)建工程成本預(yù)測(cè)模型用于指導(dǎo)工程決策，但模型未涉及工程的每一階段成本。李琦基于BIM建模和Unity3D技術(shù)快速挖掘工程中海量?jī)r(jià)值數(shù)據(jù)，提高了工程決策效益，但研究側(cè)重于數(shù)據(jù)可視化，在造價(jià)預(yù)測(cè)方面的應(yīng)用效果有待論證。丁政中等利用Mann-Kendall趨勢(shì)檢驗(yàn)法和三次指數(shù)平滑法（MK-TESM）構(gòu)建工程造價(jià)預(yù)測(cè)模型，模型可靠性較高，但對(duì)于工程全生命周期的造價(jià)管控力度有待提升。現(xiàn)有BIM技術(shù)在電力工程造價(jià)中應(yīng)用較少，尤其在物聯(lián)網(wǎng)大數(shù)據(jù)背景下，BIM技術(shù)結(jié)合各方數(shù)據(jù)挖掘結(jié)果進(jìn)行綜合分析的能力和預(yù)測(cè)準(zhǔn)確性還略顯不足，無(wú)法為工程實(shí)施提供精準(zhǔn)的數(shù)據(jù)支撐。

為此，本文提出了一種大數(shù)據(jù)環(huán)境下基于BIM與卷積神經(jīng)網(wǎng)絡(luò)（CNN）的電力工程造價(jià)優(yōu)化算法。該算法在利用BIM技術(shù)實(shí)現(xiàn)電力工程全生命周期管理的基礎(chǔ)上，利用CNN網(wǎng)絡(luò)預(yù)測(cè)每個(gè)環(huán)節(jié)的工程造價(jià)，為施工方案調(diào)整提供理論支撐，從而優(yōu)化了工程造價(jià)，保證項(xiàng)目的質(zhì)量和成本最優(yōu)。

1 電力工程全生命周期造價(jià)管理

BIM是基于網(wǎng)絡(luò)信息的建筑設(shè)計(jì)技術(shù)，用于建筑和基礎(chǔ)設(shè)施的規(guī)劃、設(shè)計(jì)、建造和管理，其組成元素包括業(yè)主、制造商、開(kāi)發(fā)商、施工經(jīng)理、承包商等。如果對(duì)其中某一設(shè)計(jì)對(duì)象進(jìn)行更改，則會(huì)反映在使用該對(duì)象設(shè)計(jì)的每個(gè)元素中，因此用戶就可以協(xié)作工作，不斷地更新模型。這一特性為構(gòu)建工程全生命周期管理模型提供了思路，通過(guò)BIM技術(shù)記錄工程的全部數(shù)據(jù)，優(yōu)化工程技術(shù)方案并及時(shí)調(diào)整參數(shù)，不僅能夠提高工程質(zhì)量，而且可以節(jié)約工程造價(jià)，實(shí)現(xiàn)相應(yīng)的設(shè)計(jì)目標(biāo)。

同時(shí)，隨著電網(wǎng)智能化的深入發(fā)展，電力工程項(xiàng)目的難度也在不斷上升，對(duì)于其項(xiàng)目成本管控也變得更為繁雜。電力工程造價(jià)管控中類(lèi)型繁多且分工不清晰，加上工程規(guī)劃準(zhǔn)則難以把控、新技術(shù)建材的價(jià)格估算模糊，導(dǎo)致建材浪費(fèi)和施工費(fèi)用增加。此外，電力工程施工時(shí)工程變更的現(xiàn)象頻發(fā)，導(dǎo)致制定的預(yù)算存有較大誤差。因此，針對(duì)上述情況，利用BIM技術(shù)設(shè)計(jì)了適用于電力工程的全生命周期造價(jià)管理模型，其中電力工程全生命周期造價(jià)管理內(nèi)容如圖1所示。

由于BIM技術(shù)具有協(xié)調(diào)性、可視化、仿真性、支持圖像輸出和成本精度高等特點(diǎn)，因此在工程施工管控過(guò)程中，可憑借BIM的數(shù)據(jù)分層歸類(lèi)系統(tǒng)和自動(dòng)累計(jì)系統(tǒng)保證數(shù)據(jù)的安全，便于數(shù)據(jù)的管理剖析。同時(shí)根據(jù)各個(gè)部門(mén)的需要，利用BIM技術(shù)的協(xié)調(diào)性完成數(shù)據(jù)剖析，以提升所有部門(mén)協(xié)作的效率。此外，BIM技術(shù)還可以詳細(xì)展示工程每一個(gè)階段的費(fèi)用使用情況，并利用仿真性估計(jì)工程進(jìn)度和造價(jià)，以有效控制施工進(jìn)度和費(fèi)用?；贐IM技術(shù)構(gòu)建的電力工程全生命周期造價(jià)管理模型不僅提高了施工預(yù)算的準(zhǔn)確性，而且支持預(yù)制加工，使施工管理水平大幅度提高。

2 電力工程造價(jià)優(yōu)化算法

基于BIM技術(shù)平臺(tái)，能夠構(gòu)建面向各種工程方案的可視化模型，且每種方案均有與之相對(duì)應(yīng)的造價(jià)預(yù)估模型。因此將BIM模型和造價(jià)預(yù)估相聯(lián)系，從而生成每種方案的預(yù)估造價(jià)，然后憑借BIM技術(shù)的工程實(shí)施模擬和方案改進(jìn)等功能，全面對(duì)比剖析每個(gè)候選施工方案，從而能夠加深工程項(xiàng)目前期的規(guī)劃，進(jìn)一步完善工程項(xiàng)目的可研性，為項(xiàng)目的施工決策提供有效支撐。

CNN作為深度神經(jīng)網(wǎng)絡(luò)模型之一，目前已廣泛應(yīng)用于數(shù)據(jù)剖析領(lǐng)域。其權(quán)值共享網(wǎng)絡(luò)架構(gòu)與生物神經(jīng)網(wǎng)絡(luò)相似，能夠簡(jiǎn)化網(wǎng)絡(luò)模型、縮減權(quán)值量。CNN網(wǎng)絡(luò)大體包含了卷積層、子采樣層和全連接層，每一層次均包含數(shù)個(gè)二維平面。同時(shí)每一平面均包含數(shù)個(gè)分開(kāi)的神經(jīng)元，其典型架構(gòu)如圖2所示。

在CNN模型架構(gòu)中，最初的幾個(gè)層次主要是由卷積層與子采樣層交互連接組成的。然后經(jīng)過(guò)卷積層、子采樣層和全連接層的處理，將二維架構(gòu)的信息轉(zhuǎn)換為一維架構(gòu)的量輸出。其中在全連接層中將輸入量與權(quán)重進(jìn)行點(diǎn)積運(yùn)算，并經(jīng)過(guò)偏置運(yùn)算把學(xué)習(xí)結(jié)果傳至激活函數(shù)，以獲取模塊狀態(tài)。

電力工程造價(jià)包括其整個(gè)生命周期中各個(gè)階段產(chǎn)生的費(fèi)用，本文借助BIM技術(shù)得到數(shù)據(jù)集，利用CNN進(jìn)行造價(jià)預(yù)測(cè)，預(yù)測(cè)流程如圖3所示。

首先將訓(xùn)練的電力工程數(shù)據(jù)進(jìn)行簡(jiǎn)單的標(biāo)準(zhǔn)化處理，完成數(shù)據(jù)去噪、歸一化等預(yù)處理操作。為了避免訓(xùn)練數(shù)據(jù)中可能存在的不良數(shù)據(jù)對(duì)網(wǎng)絡(luò)訓(xùn)練造成的干擾，利用批處理模式進(jìn)行網(wǎng)絡(luò)訓(xùn)練，即隨意選擇一定數(shù)量的訓(xùn)練樣本組成一個(gè)小樣本作為輸入。采用反向傳播（BP）算法更新每一小樣本的權(quán)重?cái)?shù)值，直至滿足迭代停止條件，網(wǎng)絡(luò)訓(xùn)練完成。然后將電力工程造價(jià)的實(shí)驗(yàn)數(shù)據(jù)輸入至訓(xùn)練完成的CNN網(wǎng)絡(luò)，利用前向傳播獲得造價(jià)的預(yù)測(cè)優(yōu)化值[18]。

傳統(tǒng)BP算法存在一些弊端，例如收斂速度慢，新融入的樣本會(huì)對(duì)已有樣本產(chǎn)生干擾，網(wǎng)絡(luò)神經(jīng)元數(shù)量和權(quán)值初始值的選定均依賴經(jīng)驗(yàn)等。針對(duì)上述問(wèn)題，本文采用Levenberg-Marquardt訓(xùn)練前向網(wǎng)絡(luò)，以此提高收斂速度和運(yùn)算準(zhǔn)確度。

6）如果誤差e未達(dá)到期望值，則μ=μ-1，返回步驟2）；如果誤差e達(dá)到期望值，則CNN模型訓(xùn)練結(jié)束，得到最佳權(quán)重和閾值。

7）將c（j）輸入訓(xùn)練好的CNN模型，得到輸出的電力工程造價(jià)值為F（·）f*（fNK（fi（[c（1），c（2），…c（M）]））），其中，f*為最終模型輸出和工程造價(jià)值的轉(zhuǎn)換函數(shù)。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證所提算法的可靠性和對(duì)工程項(xiàng)目的優(yōu)化性能，對(duì)某省級(jí)電力公司相關(guān)工程造價(jià)數(shù)據(jù)進(jìn)行收集，并選擇其中400項(xiàng)作為樣本數(shù)據(jù)，部分?jǐn)?shù)據(jù)如表1所示。前326項(xiàng)數(shù)據(jù)作為訓(xùn)練集，后74項(xiàng)數(shù)據(jù)作為測(cè)試集。

同時(shí)，基于Pytorch深度學(xué)習(xí)框架搭建預(yù)測(cè)模型，用于分析選取的電力工程數(shù)據(jù)集。其中CNN模型的參數(shù)設(shè)置為：優(yōu)化器為Adam，激活函數(shù)為ReLU，Dropout為0.4，迭代次數(shù)為1000。

此外，實(shí)驗(yàn)中采用造價(jià)水平預(yù)測(cè)準(zhǔn)確率PL評(píng)估所提算法的優(yōu)化性能，計(jì)算表達(dá)式為

3.1 參數(shù)分析

CNN網(wǎng)絡(luò)的學(xué)習(xí)率θ對(duì)模型訓(xùn)練準(zhǔn)確率有著較大干擾，為此選取不同的學(xué)習(xí)率進(jìn)行實(shí)驗(yàn)，學(xué)習(xí)率對(duì)損失函數(shù)的影響如圖4所示。

從圖4中可以看出，隨著學(xué)習(xí)率的增加，收斂速度在不斷加快。即當(dāng)學(xué)習(xí)率為0.010時(shí)，迭代僅20次便趨于穩(wěn)定，此時(shí)損失函數(shù)約為0.02；當(dāng)學(xué)習(xí)率為0.015時(shí)，迭代約15次便實(shí)現(xiàn)收斂，收斂速度更快，但損失函數(shù)值接近0.15。因此，實(shí)驗(yàn)中優(yōu)化CNN網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)為0.010。

在選定學(xué)習(xí)率為0.010基礎(chǔ)上，研究不同卷積層和采樣層數(shù)對(duì)準(zhǔn)確率的影響。通過(guò)實(shí)驗(yàn)結(jié)果選擇最優(yōu)的CNN網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行電力工程造價(jià)預(yù)測(cè)，以提高預(yù)測(cè)的準(zhǔn)確性。實(shí)驗(yàn)中，將卷積層和采樣層的總層數(shù)依次設(shè)成2、4、6、8，并采用兩者交互連接的形式，實(shí)驗(yàn)次數(shù)設(shè)為400，將預(yù)測(cè)準(zhǔn)確率均值作為實(shí)驗(yàn)評(píng)價(jià)結(jié)果，如圖5所示。

從圖5中可以看出，當(dāng)卷積層和采樣層共為4層時(shí)，CNN網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確率最高，因此，實(shí)驗(yàn)中優(yōu)化CNN網(wǎng)絡(luò)的卷積層和采樣層共選為4層。

3.2 與其他算法的對(duì)比分析

為了進(jìn)一步驗(yàn)證所提算法的性能，將本文算法與其他研究結(jié)果進(jìn)行對(duì)比分析，綜合造價(jià)水平預(yù)測(cè)準(zhǔn)確率如圖6所示。

從圖6可以看出，當(dāng)數(shù)據(jù)量增加時(shí)，各種算法的預(yù)測(cè)準(zhǔn)確率均有所上升。但相比于其他算法，所提算法的預(yù)測(cè)準(zhǔn)確率更高，接近94%。因?yàn)樗崴惴ɑ贐IM技術(shù)考慮了電力工程的整個(gè)生命周期，同時(shí)利用CNN網(wǎng)絡(luò)對(duì)每個(gè)時(shí)期的工程造價(jià)進(jìn)行預(yù)測(cè)，因此整體的預(yù)測(cè)性能得到了大幅度提升。文獻(xiàn)[4]和文獻(xiàn)[5]均基于BIM技術(shù)進(jìn)行工程造價(jià)管理，但未對(duì)每個(gè)時(shí)期的造價(jià)進(jìn)行優(yōu)化，因此預(yù)測(cè)性能較差。同樣，文獻(xiàn)[6]利用MK-TESM方法實(shí)現(xiàn)了工程造價(jià)估算，但缺乏對(duì)電力工程整個(gè)時(shí)期的全局管控，因此預(yù)測(cè)準(zhǔn)確率低于90%。

為了論證所提算法對(duì)各個(gè)工程節(jié)點(diǎn)的造價(jià)優(yōu)化效果，將其與文獻(xiàn)[4]、文獻(xiàn)[5]、文獻(xiàn)[6]在各個(gè)工程等方面進(jìn)行預(yù)測(cè)造價(jià)對(duì)比分析，結(jié)果如圖7所示。

由圖7可以看出，所提算法對(duì)大部分工程項(xiàng)目的造價(jià)預(yù)測(cè)結(jié)果與真實(shí)值最為接近，僅在基礎(chǔ)工程項(xiàng)目中稍劣于文獻(xiàn)[6]。由于所提算法結(jié)合BIM技術(shù)進(jìn)行電力工程的全過(guò)程管控，其中運(yùn)用CNN網(wǎng)絡(luò)提供造價(jià)預(yù)測(cè)能夠優(yōu)化工程決策并及時(shí)調(diào)整施工方案，從而減少工程造價(jià)預(yù)測(cè)偏差。其他對(duì)比算法僅從工程或純算法單一層面考慮，因此整體性能較差，無(wú)法很好地應(yīng)用于電力工程造價(jià)的優(yōu)化研究。

4 結(jié)束語(yǔ)

由于以往電力工程造價(jià)估算大多依靠經(jīng)驗(yàn)豐富的人員進(jìn)行手動(dòng)分析與推測(cè)，錯(cuò)誤率較高且無(wú)法實(shí)時(shí)動(dòng)態(tài)快速調(diào)整。為此，提出了一種大數(shù)據(jù)環(huán)境下基于BIM與CNN的電力工程造價(jià)優(yōu)化算法。利用BIM技術(shù)可以實(shí)現(xiàn)電力工程全生命周期造價(jià)的動(dòng)態(tài)化管控，一旦出現(xiàn)調(diào)整，便能夠快速更新施工方案。利用改進(jìn)后的CNN網(wǎng)絡(luò)對(duì)每個(gè)工程環(huán)節(jié)的造價(jià)進(jìn)行預(yù)測(cè)，以優(yōu)化整個(gè)電力工程的造價(jià)方案，確保了工程質(zhì)量與經(jīng)濟(jì)性?；贛atlab平臺(tái)對(duì)所提算法進(jìn)行實(shí)驗(yàn)論證的結(jié)果表明，當(dāng)學(xué)習(xí)率為0．010且卷積層和采樣層共為4層時(shí)，CNN網(wǎng)絡(luò)的性能最佳，具備較為理想的優(yōu)化性能。

BIM技術(shù)在電力工程造價(jià)領(lǐng)域的研究仍處于起步階段，所提算法也僅針對(duì)某一工程進(jìn)行了論證。在接下來(lái)的工作中，考慮將所提算法中的CNN網(wǎng)絡(luò)替換成更為主流的處理算法，以提高所提算法的泛化能力與造價(jià)優(yōu)化能力。

（責(zé)任編輯：景勇 英文審校：尹淑英）