基于BIM技术的工程造价快速估算模型设计

张蓝鸽

(潍坊工程职业学院，山东 青州 262500)

0 引言

在大型工程建设施工中，通常需要进行工程造价的快速估算和预测，结合造价开销进行建筑施工的成本规划设计，能够提高对建筑施工的管理和过程控制能力[1]。因此研究工程造价快速估算模型，在促进施工的全寿命周期内的质量监控和效益监督中具有重要意义。对工程造价快速估算模型的设计是建立在对工程施工的成本序列估计和特征提取基础上，构建工程造价的统计分析模型，结合回归分析和特征提取方法，实现对工程造价的优化预测和评估，并在建筑的全寿命周期内，有效提高建筑施工的质量和成本预测能力，所以相关的工程造价的预测方法研究受到人们的极大关注[2]。

传统的基于BP神经网络的工程造价快速估算模型[3]和基于灰色预测的建筑工程造价快速估算模型通常都会存在估算精度低、时效性差等不足。针对传统方法在估算精度方面的弊端，本文提出一种基于BIM技术的工程造价快速估算模型，采用等效近似的线性模型进行工程造价估算过程中的统计分析，在高维造价预测序列分布空间中进行成本估算和预测，采用模糊关联度调度方法进行工程造价的主成分特征分析和模糊贴近度分析，实现工程造价的快速估算，并通过仿真实验和实证分析对本文方法进行性能测试。

1 工程造价统计序列分析和回归分析模型构建

1.1 工程造价统计序列分析

为了实现对工程造价快速估算模型设计，构建工程造价统计序列分析模型，结合大数据采样和信息融合技术，采用等效近似的线性模型进行工程造价估算过程中的统计分析模型。假设初始数据集为X={x1，x2，…，xn}，n是建筑工程造价信息的测试样本数据集X的序列数，在建筑工程造价信息管理过程中，通过对建筑工程进度的规划、运行可靠性评估和施工监理维护，进行建筑施工的全生命周期的造价管理。建筑工程造价信息估算的过程约束参量在X数据集中表示为一个P维矢量，X含有c个类别，分别表示建筑工程造价信息的不同模糊隶属度属性，把建筑工程造价度信息的类别属性通过模糊聚类分析方法进行特征分类识别，结合对建筑工程造价、建筑物的物理构件属性，进行特征分类识别，采用分块信息特征检测和数据融合匹配的方法进行建筑工程造价信息的自适应分组匹配[4]，基于BIM的综合性大数据信息处理技术，得到工程造价的统计分析指数时间序列{Xn}p，采用建筑工程造价信息融合重构的方法，得到工程造价快速估算的信息融合分布矩阵为：

(1)

式(1)中，分块信息特征检测的时间延迟为τ。对工程造价的估算模型进行统计分析，对统计特征量L进行奇异值分解：L=U×S×C，其中S为工程造价BIM信息L的奇异值，U和C是工程造价统计序列的特征分解矩阵。采用关联知识库进行造价序列的融合处理，可得知工程造价统计序列的特征分解矩阵U和C是正交矩阵，且C=(c1，c2，…，cn)。

对于工程造价BIM管理数据，构建建筑工程造价信息的参量自动采集模型，得到特征量满足：

A=diag(σ1，σ2，…，σn)，

(2)

式中σ表示工程造价统计序列分析的嵌入维数，σ1≥σ2≥…≥σn≥0。采用主成分分析方法，对工程造价的BIM信息进行全样本回归检验，得到造价的影响因素为n×m的子空间特征量，子空间分布矩阵B为：

(3)

式中Jm表示工程造价的初始统计样本信息。在此基础上，利用模糊聚类中心融合方法构建建筑工程造价融估算的统计分析模型，构建关联知识库进行建筑工程造价信息的BIM数据库模型D的设计，计算过程如下：

D=B×δxi，

(4)

(5)

通过上述算法设计，实现了对建筑工程造价信息的统计序列采样和BIM信息库调度。

1.2 工程造价估算的回归分析模型

建立工程造价快速估算的回归分析模型，结合BIM大数据信息分析技术进行工程造价估算过程中特征提取和信息挖掘。选择工程造价快速估算的主成分的个数，计算影响造价的因子系数，采用稀疏性的样本信息统计分析方法[5]，得到工程造价快速估算模型的统计分布协方差矩阵E：

(6)

(7)

结合模糊聚类分析模型，得到建筑工程造价信息查询的K个数据子集AK，AK表示建筑工程造价信息的融合性特征聚类集，求得工程造价快速估算的关联度φ为：

(8)

构建工程造价的统计时间分析序列，对特征序列进行空间分布重构[6]，得到成本控制系数ω的施工质量效益的联合统计分析计算式为：

(9)

采用多目标约束进化分析的方法，得到贴近度CL的数学模型表达为：

CL=maxΘ+S.t.ω，

(10)

式(10)中，Θ称为贴近度。根据上述分析，结合BIM大数据信息分析技术可进行工程造价估算过程中的快速估算[7]。

2 建筑工程造价快速估算模型优化

2.1 工程造价估算过程中特征提取和信息挖掘

在上述采用等效近似的线性模型进行工程造价估算过程中的统计分析的基础上，进行工程造价快速估算模型设计，提出一种基于BIM技术的工程造价快速估算模型，建立工程造价快速估算的回归分析模型，得到造价因子序列的使用概率P为：

(11)

式(11)中，μ表示因子负荷。在高维造价预测序列分布空间中进行成本估算和预测，采用模糊关联度调度方法进行工程造价的主成分特征分析，β指工程项目预算成本的模糊贴近度，且β>0；h是工程造价预测的分段回归检验的Hill系数。采用交叉均衡控制方法进行造价样本序列分析和自适应评估，得到回归分析模型：

(12)

假设建筑工程造价信息的分布特征量为W，结合模糊关联度挖掘方法，可得到建筑工程造价信息的多因子样本方差统计分析结果R，R可表示为：

R=W×M×Zf，

(13)

(14)

式中：rf表示建筑工程的成本开销与工序参量的联合统计分布特征量；Ur表示工程造价的多因子耦合比例。

根据上述分析，在高维造价预测序列分布空间中进行成本估算和预测，采用模糊关联度调度方法进行工程造价的主成分特征分析和模糊贴近度分析，提高造价估算和预测能力[9]。

2.2 造价的多因子联合估算

根据上述建筑工程造价信息的模型统计分析结果，构建分组匹配的造价联合故障模型，得到工程造价预测的分段回归检验约束参量V表示为：

(15)

(16)

在联合参量约束下，以造价成本、工程施工质量以及施工效率等参量为约束指标，采用多因子联合估计的方法，建立工程造价快速估算模型Ψ为[10]：

(17)

由此实现工程造价的快速估算。

3 仿真实验与结果分析

为了验证本文方法在进行工程造价快速估算中的应用性能，设计仿真实验进行验证。设计实验环境如下：采用Matlab进行模型的算法设计，以5个工程为测试对象，工程造价的BIM信息库的采样样本序列规模为2 000，训练集为120。工程造价的先验数据分布情况见表1。

使用本文所设计的工程造价快速估算模型，根据表1中的工程造价先验分布集进行工程造价的最优解集估算，得到估算结果见表2。

表1 建筑工程先验数据分布

表2 工程造价的最优解集估算结果

分析上述结果可知，可初步证明采用本文所设计的工程造价快速估算模型能有效实现对建筑工程造价的快速估算。

在上述实验的基础上，设计对比实验，验证本文所设计的工程造价快速估算模型估算的精度。将本文方法作为实验组，将基于BP神经网络的工程造价快速估算模型和基于灰色预测的建筑工程造价快速估算模型作为对照组，测试不同模型在不同强度的干扰下的估算精度，得到对比结果如图1所示，其中，模型A代表本文模型，模型B代表基于BP神经网络的工程造价快速估算模型，模型C代表基于灰色预测的建筑工程造价快速估算模型。

分析图1可知，随着干扰强度的增加，不同模型的估算精度也在逐渐变化。基于BP神经网络的工程造价快速估算模型的前后变化幅度最为明显，基于灰色预测的建筑工程造价快速估算模型次之，而本文所设计的模型的估算精度变化很小，始终保持着较高的估算精度，这证明本文模型对工程造价估算的精度较高、误差较小、抗干扰性较强，在工程造价估算领域中具有应用优势。

图1 工程造价估算精度对比

4 结语

对工程造价进行快速估算和预测，结合造价开销进行建筑施工的成本规划设计，有利于提高对建筑施工的管理和过程控制能力。针对传统方法的不足，本文提出一种基于BIM技术的工程造价快速估算模型，采用等效近似的线性模型进行工程造价估算过程中的统计分析模型，把建筑工程造价信息的类别属性通过模糊聚类分析方法进行特征分类识别，结合对建筑工程造价、建筑物的物理构件属性，进行特征分类识别，结合工程质量的模糊贴近度分析方法，进行质量效益控制，采用模糊关联度调度方法进行工程造价的主成分特征分析，在高维造价预测序列分布空间中进行成本估算和预测。经仿真实验验证可知，采用本文所设计的模型进行工程造价快速估算的精度较高，在建筑工程的施工质量控制和造价预算中具有应用价值。