神經網絡方法在鋼筋混凝土工程估價中的應用.doc

1、神經網絡方法在鋼筋混凝土工程估價中的應用摘 要：在發(fā)展中國家，神經網絡方法可以為混凝土工程的造價分析提供一種指導性的工具，以克服各種變化因素已經主觀因素的影響。本文中,提出3中神經網絡方法來評價一個發(fā)展中建筑市場里模板工程、鋼筋工程以及混凝土工程的生產率。18名專家被分在6個項目中手機數據，92項數據被收集用于分析。應用了商業(yè)軟件進行神經網絡的計算。處理過的數據被用于建立、訓練、檢驗神經網絡.神經網絡產生的框架顯示出足夠的收斂性已經相對較強的普遍適用性。當對輸入數據進行敏感性分析時，本框架也能對變化趨勢的做出很好的表示.關鍵詞:神經網絡;混凝土；生產率；計算機輔助；發(fā)展中國家；項目管理前 言投

2、資估算對于順利完成建設工程項目是很必要的內容。對建筑工程的估算可以分為對直接費用、間接費用、不確定費以及利潤等.直接費用包括材料費、人工費和機械費。直接費是指構成工程實體的各項費用,它由各項定量指標和定性指標構成.定量因素包括單位材料價格、單位人工工資、單位設備租賃費用和折舊。定性因素更難確定，包括各種生產率以及建設風險等.有經驗的估價師依靠他們的經驗對定性因素做出判斷。而相對缺少經驗的估算師則可以通過工具來組合各種不確定因素。神經網絡方法是通過模仿人腦的功能，像人腦一樣，通過對以往的學習,對數據做出歸納和總結.數據網絡在建設工程方面得到很多的應用。Portas和Abourizk（1997）設

3、計了一套神經網絡系統(tǒng)對梁、板、墻工程中模板的生產率進行分析。Sonmez和Rowings（1998）發(fā)展了對模板組裝、混凝土澆搗、凝固過程的估算。Arditi和Tokdemir（1999）試圖用神經網絡預測建筑工程訴訟的結果.Alsugair和Al-Qudrah（1998）則用神經網絡決定公路的翻新與否.Hegazy和Ayed(1998）則用神經網絡對高速公路進行估價.Li et al(1999)則對建筑項目的投標確定進行順利網絡分析。在發(fā)展中國家，整個建筑工程環(huán)境由于許多不確定因素的影響而顯得更加具有風險性，因此對直接工程費的影響也就更大.這些國家的工程師需要有效的工具來幫助他們更好地完成工

4、程的估價.本文把目光投向埃及，一個有著新興經濟體制，擁有7000萬人口和廣泛基礎設施及工業(yè)工程項目需求的中東國家.在埃及,混凝土結構占了建筑工程的大多數。我們嘗試說明神經網絡在對混凝土相關工程中工人生產率進行估算的過程。這以研究是通過實際工程項目中由專家掌握的數據來實現的.方法論這項研究的目標是在考慮定量因素和定性因素的情況下建立能夠預測模板組裝、鋼筋搭接、混凝土澆搗過程中的生產率的神經網絡模型.為實現這個目標，系統(tǒng)方法論是可行而且必要的。 調查表格最初的調查表格是以文獻查閱的方式獲得的,它包含了影響混凝土工程生產率的各因素(Chao and Skibniewski 1994；Halligan

5、 et al.1994;Ersoz 1999;Thomas et al。 1999)。最初的表格經過5名經驗豐富的工程管理專家的的討論和修改，目的是將文獻中的各項因素于當地市場的實際情況想結合。 具體表格見圖1混凝土工程生產率調查表本調查的目的是在考慮定性和定量因素情況下各因素對混凝土工程生產率的影響。參與者資料填表人 地點 公司 填表日期 項目信息項目名稱 業(yè)主 項目位置 項目顧問 項目類型 承包商 總體情況結構類型 混凝土用量 工期（模板、鋼筋以及鋼筋） 溫度條件 冷 適中 熱 施工環(huán)境 良好 適中 惡劣 模板組裝信息工種人數 工期 模板類型 腳手架類型 監(jiān)理力度 小 充分 嚴格 工人熟練

6、度 不熟練 適中 熟練 工人加班時數 多 少 工藝復雜程度 典型 復雜 材料可達性 高 適中 低 返工率 無 中等 高 鋼筋工程信息工種人數 工期 鋼筋重量 監(jiān)理力度 小 充分 嚴格 工人熟練度 不熟練 適中 熟練 工人加班時數 多 少 工藝復雜程度 典型 復雜 材料可達性 高 適中 低 返工率 無 中等 高 混凝土澆搗信息工種人數 工期 澆搗方式 預制 現澆 混合監(jiān)理力度 小 充分 嚴格 工人熟練度 不熟練 適中 熟練 工人加班時數 多 少 工藝復雜程度 典型 復雜 材料可達性 高 適中 低 返工率 無 中等 高 總體評價 圖1 混凝土工程生產率調查表數據收集數據收集包括對定性數據和定量數據

7、的收集。定量數據對神經網絡不會對造成太多的干擾，因為它是在同一環(huán)境和時間段內記錄的數據,而定性數據有一定的主觀性，主要靠專家的判斷和經驗。為了最大程度地減少這種影響，筆者傾向于對以往調查問卷中的數據進行訓練.這種訓練從調查者手中的數據得到更好更持續(xù)的反饋。18名專家分別在6個不同項目中收集了92份調查表格。被調查者都是當地擁有510年混凝土工程施工經驗的工程師。每個被調查者都是具有相對獨立性（在不同的公司或者項目等）.本研究選擇項目主要從3個方面考慮.首先，被選擇的項目必須有較多的混凝土施工資料。第二，在調查期的12年之間，這些項目中的混凝土施工方法基本相同。第三，調查中的混凝土構件和材料應當

8、是在當地具有普遍性的構件和材料.如上，我們選擇了平板混凝土基礎、獨立基礎、斜面上的筏板、樓面板、梁、柱和剪力墻.較新的模板工藝如滑模、上升模板、提升樓板。這些工程中普遍采用40MPa以下的混凝土標號，并且包含了商業(yè)、工業(yè)、住宅等各類建筑。數據處理 數據處理包含3項步驟。第一步為將調查表格中的數據輸入到一張主要表格中。主表格分為5部分,第一部分處理總體數據,而對于模板工程、鋼筋工程、和混凝土澆搗,數據的輸入部分是一樣的，分別為：項目名稱、項目地點、參與者的關系、結構構件類型、混凝土用量、溫度條件已經施工環(huán)境。而第二、第三、第四部分為三個獨立部分,分別包括影響混凝土工程中的3大要素的各因素，每一部

9、分被用于發(fā)展出獨立的數據網絡。 表1中列出發(fā)展各自數據網絡的因素。而第五部分則是三大主要部分的每日預期生產率。 表1. 影響相應神經網絡（NN）的因素因素 模板工程NN 鋼筋工程NN 混凝土澆搗及凝固NN結構構件 · · · 混凝土用量 · ·鋼筋用量 · 工種人數 · · ·腳手架類型 · 模板類型 · 澆搗類型 ·監(jiān)督 · · ·工人技術 · · ·加班 · · ·工藝復雜程度 &#

10、183; · ·材料可達性 · · ·返工率 · · ·溫度條件 · · · 第二步就是把數據轉化為可用于數據網絡計算的數值和計算公式.如果表中的數據為數值，則可直接轉化，每個數值數據都與矩陣中特定的位置想對應并且直接填入，這種數據包括：混凝土用量、鋼筋重量、和工種人數。如果數據是以文字形式出行，必須將它轉化為數值形式以便計算。表2列出文字選項以及其在神經網絡中對應的數值。表中數據越小，表示對生產力的影響越大，然后專家的描述和文字記錄確定其相應的數值和在神經網絡中的位置。表2. 文字數

11、據的數值轉化因素 選擇結構構件類型 PC基礎 FC基礎 筏基 水平構件 垂直構件 1 2 3 4 5腳手架 木腳手架 鋼腳手架 1 0 模板 木模 膠合板 鋼模 2 1 0 澆搗類型 傳統(tǒng)澆搗 商品砼 配料車間 2 1 0 監(jiān)理力度 少 充分 嚴格 2 1 0 工人技術 少 中等 高 2 1 0 加班情況 無 有 1 0 工藝復雜程度 典型 復雜 1 0 材料可達性 容易 適中 困難 2 1 0 返工率 無 適中 高 2 1 0 溫度條件 冷 適中 炎熱 2 1 0 工作環(huán)境 良好 適中 惡劣 2 1 0 神經網絡的輸出層表示預期能實現的生產率。可以計算人均指標（Portas and Abou

12、rizk 1997)。每一個分矩陣和主表格之前都有計算式聯(lián)系以計算生產率.計算式如下： 模板工程生產率（工日/m3）= 模板工種人數 模板工程時間（天)/ 混凝土用量(m3） 鋼筋工程生產率（工日/ts) 鋼筋工種人數 鋼筋工程時間（天)/ 鋼筋重量（ts） 混凝土工程生產率（工日/m3） 混凝土工種人數 * 混凝土澆搗時間（天）/ 混凝土用量(m3） 以上等式包含了工日的概念，而其它概念如（m3/天）則未包含人均的因素. 數據處理的第三步是對數據進行隨機化和標準化。這以部分運用到商業(yè)軟件（NeuroSolutions 4 2001)。因為數據主表格的數據是從人工記錄得來,為了防止數據單調性，

13、隨機化數據是必要的。數據隨機化使神經網絡的的有和好的普適性和更平滑的收斂性。而標準化是軟件的另一用處，這以過程把矩陣中的數據轉變?yōu)?1中的數值,這一轉變能夠讓神經網絡的運算更迅速，執(zhí)行力更高。 網絡結構網絡體系包括神經網絡基本單元的構成，它們的組織，以及影響它們的參數。NeuroSolution 4 2001 被用于生成、訓練及測試神經網絡。為了選擇合適的神經網絡，眾多的網絡結構被生成、訓練以及比較,以下為選擇網絡結構的依據：1、神經元的數量應該合適，即要滿足集聚又不能過多導致神經網絡記憶過多。2、隱層的數量應該盡量少以減少過長的訓練時間.神經網絡的選擇依據是通過均方差（MSE）。詳細的論述入

14、下.網絡結構的參數用神經網絡解決問題時需要確定的關鍵問題是訓練法則。有很多法則可供選擇，后傳播的運算法則屬于有指導的學習規(guī)則,這種法則理論性強在非線性模型中運用較好，編碼簡單。本文中在3個神經網絡中運用的轉換函數為雙曲線正切函數（tanh）。軟件提供的S形曲線函數、線性函數以及其它函數也被測試,得出的結果都不夠理想。連機訓練指每次訓練或者樣本輸入之后對積累的誤差進行處理。批處理訓練指總數據進行訓練之后對積累的總誤差進行處理。這兩種處理方式的結果表明，在本例中，批處理方式能產生更好的收斂性。選定的訓練組中所有案例的訓練叫做一批（epoch）,批中所含有訓練的數量叫做批的規(guī)模.批的規(guī)模在10005

15、0000之間，我們選擇25000作為批的規(guī)模。因為批規(guī)模低于25000時收斂性不滿足要求，而大于25000時，訓練時間會明顯增加.因此在此規(guī)模下平均訓練時間在1040分鐘之間,這于神經元的數量也有關系。選擇合適的隱層數量和相應的神經元數量。在模板工程NN、鋼筋工程NN和混凝土工程NN上實驗過的神經網絡分別有22個、15個和51個。這些神經網絡的不同就在于神經元和隱層數量的不同。最后確定神經網絡的依據達到3項允許值均方差，分別為訓練均方差，訓練輸入/輸出均方差,檢驗輸入/輸出均方差.訓練均方差是神經網絡中每個神經元的預期值和需要值之間的差的平方和.均方差的表達式為:MSE= MSE:均方差 P：

16、輸出子項數 N：樣本數 dij：樣本i中j子項的預期輸出值 Yij：樣本i中j子項的模型輸出值 表3 3個神經網絡的隱層數量和相應的神經元數量。參數 另外一項重要步驟是訓練樣本和測試樣本數據的分配。訓練樣本為神經網絡的學習提供數據，而測試樣本對神經網絡的計算不起作用，它只用來測試神經網絡的概括性和兼容性。對于訓練樣本和測試樣本的比例分配并沒有明確的規(guī)則和指標,但是保證足夠的訓練樣本以使神經網絡收斂是很重要的。訓練和測試的過程是動態(tài)和連續(xù)的,也就以為著有更多數據的情況下，可以進行進一步的訓練和測試.為了決定兩者之間合適的比例,本文采用兩種分組,即90訓練數據和10%測試數據，以及50%訓練數據和

17、50%測試數據.在初步測試后發(fā)現第一種組合的準確性更高。因此本研究采用了90%10%的比例。表4列出3個神經中數據的分配情況。 綜上所述，本文使用的神經網絡的訓練數據和測試數據的比例分配為90對10，都采用后傳播的運算法則，并在批的規(guī)模為25000下使用雙曲線正切函數為激發(fā)函數。神經模型合理性驗證 在選定批規(guī)模下訓練完成后，神經網絡會使用它達到的內部各神經元的權重。此后的計算都會采用這些權數。因此，需要驗證神經網絡的概括性和學習范圍.對模型輸出生產率和預期生產率之前進行比較可以得出神經網絡的正確性。我們用模型輸出值達到預期輸出一定范圍內的比例來衡量神經網絡的正確性。筆者選擇了70%、80、90%三個等級表征神經網絡的可靠性，需要說明的是,這種可靠性是建立在有限數據進行訓練和測試的基礎上。訓練樣本和測試樣本的預測 表57列出模板工程、鋼筋工程以及混凝土工程的訓練樣本的正確性。數據表明本研究的神經網絡已經具備足夠的收斂性。在正確率為70%的水平時，模板工程NN、鋼筋工程NN和混凝土工程NN的生產率分別為95、99%、88。在正確率為90的水平時,模板工程NN、鋼筋工程NN和混凝土工程NN的生產率降為91、97%、38%?；炷凉こ淌呛细衤?/p>