基于BIM技术的土木工程料量智能分析

摘 要：信息化技术广泛应用于建筑领域，也为土木工程用料的智能化分析提供了技术条件。在BIM建筑信息模型化技术的框架下，引入GA算法，通过适应度函数配置、交叉、选择、变异等基本操作，构建了一种基于深度学习的土木工程用料量的智能化分析方法。在这种方法的基础上，给出了土木工程用料量的详细计算和分析流程。为了验证所提出的方法的有效性，以特定的研究对象为例，将19个施工单元的用料量作为输入，经过35次迭代使深度学习网络模型达到稳定，对第二十个施工单元进行分析，得到其合理的用料量分析结果。

关键词：BIM技术；土木工程；适应度；深度学习

中图分类号：TU 17 " 文献标志码：A

随着信息化进程的不断深入，国民经济的主要产业都受到了信息技术的影响。BIM技术也称为建筑信息化建模技术，它是建筑行业中具有支撑性的信息化技术[1]。利用BIM技术不仅能实现土木工程项目分析、前期设计的信息化，还能为土木工程项目的后期验收和改进提供极大的帮助。在BIM技术框架下，土木工程项目被模型化，以数字模型呈现在计算机上，具有良好的可视化效果[2]，再加上它具有漫游功能，可以为设计者和用户提供便捷、灵活的观察角度和观察方位，从而使土木工程的内部结构、局部细节都清晰地呈现在人们的面前。配合后台的计算和分析功能，不仅可以提供力学检验、有限元分析等安全校验结果，还可以给出准确的工程用料量化分析[3]。本文的研究目的是针对土木工程项目的设计阶段，利用BIM构建的信息化模型和分析技术，给出项目各种可能的用料方案，在保证工程项目质量的前提下供设计者或用户筛选最优用料方案。

1 嵌入BIM平台下的遗传算法模型

BIM平台不仅可以完成土木工程项目的信息化建模，还可以对项目本身进行整体到局部的各种参数和性能分析，其中也包括工程项目用料总量的分析。为了实现土木工程用料量的多种方案智能推荐，本文利用遗传算法（GA）构建基于GA的深度网络，以此作为土木工程料量的核心分析方法。

深度学习方法可以应用于很多领域，从数据处理的角度看，其主要过程就是通过大样本量训练完成深度模型的学习，深度模型的内核部分可以是卷积网络、循环神经网络等不同的形式。本文在遗传算法的基础上，设计具有GA性能的深度模型，形成用料量分析的深度网络。判断决策合理性的适应度函数是遗传算法中最关键的部分，其设计结果如公式（1）所示。

（1）

式中：G为土木工程用料量分析过程中的适应度函数；λ为土木工程用料量分析过程中的调整参数；i为土木工程用料量分析过程中的深度网络中的神经元；n为土木工程用料量分析过程中的深度网络中的神经元总数；ci为土木工程用料量分析过程中的深度网络中的真实输出；oi为土木工程用料量分析过程中的深度网络中的预测输出。

因为本文在GA方法基础上，构建了土木工程用料量的分析方法深度模型，所以在深度网络的训练、迭代、学习的过程中，离不开GA方法的基本操作，第一个基本操作是选择操作，如公式（2）、公式（3）所示。

（2）

（3）

式中：Gi为土木工程用料量分析过程中的第i个适应度函数；i为土木工程用料量分析过程中的深度网络中的神经元；pi为第i个适应度函数值在全部可能适应度函数中所占的比例。

GA方法的第二个基本操作交叉，如公式（4）、公式（5）所示。

mkj=mkj（1-R）+mljR （4）

mlj=mlj（1-R）+mkjR （5）

式中：mk j为更新后的染色体；R为GA方法执行过程中的随机数；ml j为迭代处理的中间染色体。

在两个染色体交叉的过程中，可能会出现不规则的情况，也就是GA方法的第三个基本操作变异，如公式（6）所示。

（6）

式中：mmax为染色体mij的上界；mmin为染色体mij的下界；ρ（d）为GA方法执行过程中的参数函数。

2 基于BIM技术的土木工程用料量分析流程

本文构建了基于GA算法的深度学习模型，需要进一步明确和BIM技术结合的方法，才能达到对土木工程用料量进行分析的目的。流程图如图1所示。

从图1中可以看出，当用料量分析流程到第三步和第四步时，基于GA算法的深度学习模型介入。无论何种形式的深度学习模型，都离不开大数据量的训练，深度学习模型达成稳定后，才可以进一步分析和处理。因此，需要将大量的土木工程BIM信息模型作为输入，连接到GA深度网络中。因为深度学习网络对输入数据有比较规范的要求，所以需要将BIM模型数据转化为工程特征向量。大量的数据信息输送到深度学习模型后，通过多次迭代训练才能使GA深度网络达成稳定，从而对未知的BIM模型进行分析，进而确定合理的土木工程用料量。

3 基于BIM技术的土木工程用料量分析试验

本文基于GA算法构建了一种适用于土木工程用料量分析的深度学习方法，并对其实施流程进行了框架设计。在工作中，以具体的土木工程项目的工程用料量分析为案例，对提出的方法和流程的有效性进行验证。验证试验的案例是一个规模较大的居民小区项目，小区内住宅主要为高层建筑，同时配合少量的多层建筑。为了便于分析工程的用料量，以单元为单位对小区项目进行划分，其中包括25个施工单元，其空间布局，如图2所示。

由图2可知，某小区共有25个施工单元。其中，施工单元1、施工单元2、施工单元3、施工单元4、施工单元5、施工单元6在水平方向构成一个整体建筑。施工单元7、施工单元8、施工单元9、施工单元10在水平方向共同构成一个整体建筑。施工单元11、施工单元12、施工单元13、施工单元14、施工单元15、施工单元16、施工单元17、施工单元18在右侧竖直方向上构成一个整体建筑。施工单元19、施工单元20、施工单元21、施工单元22在水平底部方向上构成一个整体建筑。施工单元23、施工单元24、施工单元25在左侧竖直方向上构成一个整体建筑。

在图2所示的某小区25个施工单元中，已经完成了19个施工单元，因此可以将这些施工单元的BIM信息作为输入，利用大量的数据信息对本文提出的基于GA算法的深度学习模型进行训练。当网络达成稳定后，对第二十个施工单元进行用量分析。

实际上，每个施工单元的用料量在很大程度上与土木工程的内部结构存在密切关系。但BIM信息模型可以对此进行清晰展示。

土木工程的用料量受到多种因素的影响，对某工程项目的用料量影响较大的因素一共有5类，因此设定5类工程特征数据，如图3所示。

图3中，有以下5类工程数据。

工程特征数据A：施工单元范围内的施工面积。

工程特征数据B：施工单元范围内的地基结构和用料因子。

工程特征数据C：施工单元范围内的楼梯连廊结构和用料因子。

工程特征数据D：施工单元范围内的顶层防水结构和用料因子。

工程特征数据E：施工单元范围内的门窗电水结构和用料因子。

为便于运用深度学习模型，对5类工程特征数据进行归一化，并将其作为输入。将每个施工单元的用料量作为输出，具体数据配置情况见表1。

根据表中的数据，将前19个施工单元作为输入数据，代入基于GA算法的深度学习模型中，对深度网络进行训练，经过35次迭代计算，深度学习网络达成稳定，迭代过程的变化曲线，如图4所示。

由图4可知，从纵坐标可以看出，每个刻度表示一个数量级的变化，越往下迭代误差越小。从迭代过程的变化可以看出，随着迭代次数的不断增加，深度学习模型的迭代误差不断缩小，当30～35次时迭代误差的变化幅度已经很小时，这表明此时的深度学习网络已经接近稳定。

此时，证明基于GA算法的深度学习网络在19个施工单元的BIM模型数据训练下达成稳定，已经具备了工程特征数据到用料量智能分析的能力。确定稳定的深度网络后，代入第二十个施工单元的工程特征数据，计算施工用料量，得到的结果是3418.2t。

4 结论

土木工程项目的施工用料，决定了项目的成本。如果能够在保证土木工程质量的前提下，尽可能地减少施工用料总量，那么对开发方是非常有利的。传统的人工核算计算量大，一旦出现局部改动就会导致大量重复性工作。因此，充分运用信息化技术构建一种智能化的用料量自动分析方法有十分重要的意义。在研究的过程中，本文基于GA算法的框架，构建了一种基于GA算法的深度学习模型。在构建方法的过程中，详细地给出了GA算法的适应度函数设计结果、3类基本操作的过程，并给出了针对土木工程项目用料量分析的算法实施流程。为了验证所提出方法的有效性，以某市某小区项目为研究对象，将大量的已完工单元的BIM数据作为输入，对深度网络进行训练，待其稳定后，对一个尚未进行施工的单元进行用料量分析，自动计算其合理的用料量为3418.2t。

参考文献

[1]胡秀芝，鲍安红，曹树星，等.基于PKPM的重庆三峡库区农村建筑节能改造——以丰都县某村委会楼为例[J].西南师范大学学报（自然科学版），2013，38（10）：161-164.

[2]李勇，管昌生.基于BIM技术的工程项目信息管理模式与策略[J].工程管理学报，2012（4）：17-21.

[3]杨震卿，张莉莉，张晓玲，等.BIM技术在超高层建筑工程深化设计中的应用[J].建筑技术，2014，45（2）：115-118.