基于供需平衡的装配式PC构件运输成本优化

杨虎林 周东明 陆子雨

青岛理工大学土木工程学院 山东 青岛 266033

目前，装配式构件多以粗放方式一次或几次供应，构件运输与施工进度不匹配致使现场构件大量堆放，以此带来存储成本的增加。不考虑施工进度需求的构件供应方式势必会带来成本增加，因此有必要建立基于供需平衡的动态运输方法。

现阶段影响装配式建筑在我国推广的主要原因是装配式建筑的建造成本偏高。

张琦等[1]通过装配式建筑与传统现浇建筑成本对比分析，指出控制装配式建筑成本的关键在于生产运输阶段。

段海宁[2]通过成本数据分析影响预制构件成本的主要因素，针对性地提出了生产运输阶段的成本控制措施。

通过大量的文献研究和调研，分析预制构件的成本构成，得出预制构件的生产成本和运输成本对预制构件的成本有较大的影响，本文主要针对运输成本进行重点研究。

BIM技术与装配式建筑项目结合是未来建筑发展热点和趋势，BIM技术有助于装配式建筑实现优化管理[3]。

我国许多专家学者对BIM技术在装配式建筑工程中的应用方面进行了较为深入的研究。

项勇等[4]运用RFID（射频识别）技术构建预制构件全过程质量追踪模型，提高装配式建筑质量管理效率。

姜东民等[5]构建基于BIM＋RFID技术的施工管理系统架构，实现施工过程中的信息共享与实时管理。林敏等[6]开发具有RFID功能的BIM平台，提高了BIM系统对现场施工的实时管理效率。

常春光等[7]将BIM和RFID相结合，建立信息共享平台架构，探讨了集成BIM＋RFID系统的应用过程。

葛跃等[8]提出了基于BIM与RFID的施工现场建筑材料实时定位、识别与分类的安全管理系统。目前，将BIM＋RFID技术应用于装配式建筑预制构件运输成本控制的研究较少。

本文结合施工实际供求计划，探讨将BIM＋RFID技术应用于构件运输的成本管理，建立成本优化管理模型，优化构件的运输成本（图1）。

图1 基于BIM的装配式PC构件运输成本优化技术框架

本文对装配式建筑PC构件成本进行分析，以PC构件运输成本为主线，借助BIM＋RFID技术实现构件需求动态管理，建立PC构件运输成本优化方案，并将该方案运用到实际案例中，验证其可行性。

1 装配式建筑构件成本分析

1.1 装配式建筑构件成本构成

根据PC工业化预制技术情况进行调研，深入剖析增量成本的构成，综合技术、管理、人工、工程配套设施、运输、环境、工期以及税收等多种因素，并与普通现浇结构进行对比分析，发现装配整体式结构和预制装配式结构的工程造价总体分别增加了7%和15%左右。

PC构件为成形构件，运输过程中构件的放置、吊装，构件的长度、高度、质量以及构件运输距离等因素使得运输过程中成本增量不断上升。本文着重分析运输阶段成本，以控制构件运输成本为主建立成本优化方案，控制成本增量，实现构件成本管理。

1.2 PC构件运输成本分析

预制构件生产完成后在施工现场进行安装，构件运输是装配式建筑重要的一环。构件运输的费用主要由构件起吊、运输的机械费，场地堆放费，二次搬运费等构成。目前，在构件运输过程中，大型复杂预制构件运输存在构件装卸混乱、运输路线不合理、没有专门的运输方案等情况，增加了构件运输费用。施工现场大量堆放构件影响施工操作，降低施工效率。构件不合理堆放造成现场吊装困难，增加二次搬运费用。

在构件的运输阶段，应根据预制构件的数量和尺寸，合理选择运输机具。水平构件层叠平放运输时，宜在构件与刚性搁置点处塞柔性垫片或垫木，层与层间的垫木在同一位置，构件的具体叠放情况如图2所示。构件运输装车时应根据现场施工实际情况分类进行，以避免现场堆放混乱。

现场多层码垛存放构件时，层与层应垫平，各层垫块或方木上下对齐。水平分层堆放时，应分型号码垛，预制楼板和预制楼梯每垛不宜超过6块；构件堆放情况如图3所示。堆放方案的合理设计可降低构件堆放成本，构件合理摆放可减少吊装使用频率与二次搬运费。

图2 构件运输叠放

图3 构件现场堆放

2 基于BIM＋RFID技术的PC构件管理应用

2.1 基于BIM＋RFID技术的PC构件管理框架

BIM模型是构件信息的载体，但不能记录构件的状态信息，而RFID技术可以实现构件从成品、运输、存储等环节的实时监控。基于BIM与RFID技术的PC构件管理系统（图4），以BIM模型数据库为基础，将不同阶段的构件信息写入RFID数据库中，并将定位与进度属性与BIM模型相匹配。通过RFID实时跟踪信息，明确构件位置与进度，对建筑构件实施动态进度管理。

图4 基于BIM与RFID技术的PC构件管理系统

2.2 信息采集交互处理阶段

在BIM中确定每个构件的属性信息及计划进度，并将其录入BIM的构件数据库中，交付生产前将构件属性信息和计划进度录入RFID标签。

通过扫描RFID标签，实时采集构件状态、进度信息及相关管理人员等信息，同时将RFID数据库和BIM数据库中的信息进行实时交互，生成符合BIM数据库要求的数据，并上传至BIM数据库。

2.3 信息提取分析阶段

BIM集成了每个预制构件的基本属性信息，计划进度与实际进度信息，实时掌控构件的实施情况。通过计划进度与实际进度查询对比，对不同状态点进行进度分析，统计构件各阶段的信息或构件某一时间点实际状态，计算构件在各状态临界点的计划时间与实际时间差值。若出现构件延迟运送，则将延迟构件的相关信息进行反馈，进而及时调整构件运输方案，保证构件的准确运输。

3 PC构件成本优化模型

3.1 PC构件运输成本优化数学模型

为实现PC构件运输成本最优化，研究时拟从构件厂向多个施工工地实施运输任务，通过合理安排运输车辆的运输路径，使所求目标函数得到最优解，在满足约束条件的情况下，使运输车辆的数量最少以及运输成本最低。数学模型及其限制条件如下：

其中：f1为构件运输成本最小值；f2为运输车辆最小值；K为预制构件从构件厂到施工工地所需的运输车辆数量；Cij为从施工工地到施工工地的运输成本；P1为惩罚函数；Hi为配送车辆到达的时间；Ti为配送车辆卸载货物的时间；xijk在配送车辆从施工工地i到施工工地j时等于1，否则等于0；ri为施工工地i的配送量；R为配送车辆的运载能力；yik在施工工地i的运输任务由运输车辆k运输时等于1，否则等于0；t为车辆运输时间；wi为车辆现场停留时间；TEi为开始接收时间，TLi为结束接收时间，[TEi,TLi]为施工工地的接收时间窗；惩罚函数P1表示配送车辆在之前到达或之后到达均有处罚，其设定如下：

其中，ai、bi均为惩罚系数。

运用MATLAB软件对模型进行求解，在可行域得到最优解，即构件成本最优。

3.2 改进混合蚁群算法

改进混合蚁群算法是蚁群算法和遗传算法的融合，先根据不同适应度函数利用遗传算法生成信息素分布，再在一定初始信息素分布的情况下，充分利用蚁群算法并行性、正反馈性、求解精度效率高的特点，快速求得多目标优化问题最优解。

3.2.1 信息素初始值设置

根据遗传算法得到最优解，选择适应度较高的n个个体组成一个矩阵T。假设节点数目最大个体长度为m，则n个个体构成的矩阵T的维数为m×n。计算在T中每2个节点连接τijk中出现的次数，将τij/(2n)作为初始信息素矩阵中Sij＝Sji的值，对于没有出现的连接，其对应的初始信息素值设为0。

生成一定的路径信息素后，为了增加算法的探索，避免算法过早收敛，采用最大-最小蚁群（MMAS）系统算法把各路径信息素初始值设置为最大值Smax，通过遗传算法得到一定路径信息素，信息素初始值设置为：

其中，SC为信息素常数，相当于MMAS算法中的Smin；SG是遗传算法求解出的最优解所转换的信息素值[9]。

3.2.2 信息素更新模型

采用蚁周模型进行信息素更新，即一周中只有最短路径的蚂蚁才进行信息素修改增加，而所有路径的轨迹更新方程为：

其中：Sij(t)为路径（i, j）在t时刻的信息素轨迹强度；(t)为蚂蚁k在路径（i, j）上留下的单位长度轨迹信息素数量；ρ表示轨迹的持久性，0≤ρ＜1，将（1－ρ）理解为轨迹衰减度。

在改进算法中，MMAS[10]算法较标准蚁群算法（AS）有以下改进：

1）为使算法在初始阶段进行更多的探索，将信息素轨迹初始化设置为最大值Smax。

2）完成一次迭代后，只最优解所在路径信息素修改增加，与AS模型调整相似。

3）为避免搜索停滞，将各路径的信息素轨迹强度限制在[Smin,Smax]，超出范围的被强行设定为Smin或Smax，从以往的试验结果[11]可得，MMAS算法在防止过早停滞方面较AS算法有较大改进。

改进混合蚁群算法是求解多目标问题的一种有效方法，将其应用到PC构件运输管理中，可以有效优化运输路径。结合BIM和RFID技术，实现对PC构件运输路径动态控制，节约运输路径成本。

4 装配式PC构件运输成本优化技术案例分析

青岛市西海岸某装配式高层住宅项目，总建筑面积201 800 m2，装配式预制构件应用量较大，通过对其中某一建筑物BIM模型拆分得出该建筑物初始的需求量，单层构件进场数量约为540块，单层工期7～9 d。其余建筑需求量均可通过模型拆分算得。预制构件厂需要对7个施工工地进行配送工作，规定每个施工工地的需求量不大于车辆的运载量，对一定时间段内的7个施工工地实施一次完整的构件运输任务。

4.1 成本优化方案的运用

该优化方案以施工现场供需平衡为导向，制定良好的供求计划和存储计划，合理安排车辆运输，降低运输成本和现场构件存储成本。

将优化方案运用到该案例中，以现场供需计划为主，分批次进行运输，合理选择车辆的数量及行驶路线，运输与存储总成本为43 334.90元；若构件一次性运输量超过需求量1倍，运输成本虽然有所降低，但现场存储成本增加约7%。

4.2 PC构件运输成本优化求解

根据BIM信息模型，获取PC构件运输成本优化模型的基本参数，并代入改进混合蚁群算法中，通过MATLAB软件求解，构件厂共有3种车型可以选择，每种车型不超过7辆，根据此情况，将求解过程分为3组，分别为A、B、C这3种不同车型的2～7辆车的运输成本。根据以上计算，将各个车型计算数据进行统计，如表1～表3所示。

表1 车型A计算数据

表2 车型B计算数据

根据表中数据，绘制3种车型运输成本折线图（图5），根据折线图可以得出若选用A车型，则选择运输车辆为4辆的时候运输成本最优，最优运输成本为39 334.90元；若选用B车型，则选择车辆为2辆的时候运输成本最优，最优运输成本为45 983.02元；若选用C车型，则选择车辆为3辆的时候运输成本最优，最优运输成本为43 473.09元。综上分析，构件厂应选用A车型4辆车。

表3 车型C计算数据

图5 运输成本折线图

4.3 改进混合蚁群算法对比

为了检验改进蚁群算法在路径优化上更有优势，以选用车型A情况为例进行计算，把计算得到的最优运输成本与标准蚁群算法（AS）进行对比，其对比结果如表4所示。

表4 AS算法与改进混合蚁群算法计算数据对比

通过表4可以看出，以A车型为例，不论选用的车辆数为多少，改进混合蚁群算法所得的运输成本都不大于AS算法所得的运输成本。

结果表明：改进混合蚁群算法在车辆运输成本优化中比其他算法具有更大优势，为预制构件厂在车辆的选型和数量决策上提供了有效的解决方案。

5 结语

本文以施工实际需求的装配式建筑预制构件成本为主线，在分析PC构件成本因素的基础上提出运输成本优化模型，借助BIM＋RFID技术实现对PC构件成本的动态控制，并将模型运用于实际工程中。本文的主要结论如下：

1）BIM与RFID结合能够更好地实现信息接收、传递以及反馈，保证了构件信息快速准确采集、传输和分析利用。

2）改进混合蚁群算法是求解多目标问题的一种有效方法。将其应用到PC构件运输管理中，可以有效优化运输路径[12]。

3）以青岛市西海岸项目为例，运用AS算法和改进混合蚁群算法对其运输成本进行计算，通过结果对比，发现改进混合蚁群算法较AS算法运算成本降低约5%，证明改进混合蚁群算法在车辆运输成本的优化上具有更大优势。