建筑设计阶段的工程造价控制软件的开发

摘 要:在建筑设计阶段中,项目的工程造价在实际工作中较难掌控.在深入研究建设师的工作特点后,使用数据挖掘开发一种适合建筑设计师使用的简明软件具有很强的使用价值,为此所进行的跨建筑设计、建筑工程造价、计算机三个学科的工序研究和数据准备也很有实际意义.

关 键 词:工程造价预估软件数据准备概算模型

在项目建筑设计阶段时进行等价控制其重要性不言而喻.开发一种适合建筑设计师使用的工程造价控制软件是很有实用价值的.同时由于建筑的造价组成成份复杂、准确描述困难,随地域,时间的差别也会产生很大变化,因此,做好这款软件也是很具挑战性的工作.

在整个平台的开发过程中,进行有效和精确的数据准备是整个软件设计成败的关键.

1.建筑数据的采集与归纳

建筑师接手一个建筑项目开始到该项目设计完成,相关的数据量庞大杂乱.因此,如何从中遴选出简明的有效数据是非常关键的步骤.

1.1数据采集的正向思路

1.1.1根据建筑设计特点分析建筑设计师易于准备的数据构成:

虽然一般情况下,设计图纸中的每一个数据都是出自建筑设计师之手,但这不能代表他可以方便地准备所有数据.举个简单的例子:“内墙长度总长”是一个计算工程造价的敏感数据,可是如果你要求建筑师计算这个数据,一定会让他感觉大费周章.

1.1.2采集建筑的核心数据和敏感数据:

核心数据指的是在建筑设计中遵循的基础数据,如开间尺寸、层高、建筑类型等等,敏感数据指的易于对建筑造价结果造成很大影响的数据,它们基于建筑造价权重的考虑被优先选择.

1.2数据采集的逆向思路:

发现知识的方法是多种形式的,可以是数学的也可以是演绎归纳的.可以是正向的,采用专家系统的研究方向,也可以是逆向的,采用数据挖掘方法进行人工智能分析的研究方向.

1.2.1数据理解

建筑原始数据的形式基本上是由数字、文字和图形等组成的,很多情况下,它们的含义以及相互之间联系也是非常复杂和隐蔽的.经过归纳分类,这些数据大致可以分为:数量值、定性值、隐含值和逻辑值.

数量值是表示尺寸、重量等度量值的数据.定性值则是象基础类型、楼层构造等定性的文本型数据.

隐含值,象建筑形态系数B,形态越复杂的建筑,其造价也会越贵,通过多次应用数据处理技术我们得到一个描述其形态的十分简洁的隐含公式,如式1-1所示:

B等于m*N/M(1-1)

其中m:标准层建筑面积,N:建筑总数,M:总建筑面积

象平均高跨指数n,这一指数既易于归纳又能很好的反映梁柱的及其配筋的大小.其公式如式1-2所示:

n等于h+l0,(1-2)

其中h:平均层高,l0:平均跨度.

逻辑值,比如总价是由建筑工程和安装两部分相加而得,其中安装造价又为电气和给排水造价相加等等.

1.2.2应用数据挖掘技术进行数据处理

数据挖掘(DataMining)就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取潜在有用的信息和知识的过程.

1)建立数据库

将收集到的所有的XLS/DOC格式文件中的数据进行汇总整理,按统一标准存放,建立一个土建工程项目数据库.

2)数据的预处理

对于各种工程的历史数据采用的预处理方法主要有:空缺值的填补、平滑噪声数据、数据过滤等.

例如在描述地基状况时,利用加权平均方式将属性转换成标准值属性,如式1-3所示.

地基状况标准值等于wl×桩基础工程量+w2×挖基础土方+w3×带型基础工程量+w4×场地平整(1-3)式中:wl,w2,w3,w4是对应的加权系数.

3)相关性检验

在SPSS中进行属性的相关分析,以此来验证属性特征与最后单价之间是否存在线性的关联.

2.模型算法

2.1.RBP神经网络估算模型

以RBP径向基神经网络为估算模型的方法是近一段时期国外估算领域探讨的热点.它在预测、评价等方面,其准确性优于其他模型.

基于RBP神经网络的工程概算模型从大量过去的工程参数资料中自动提取工程特征与预算资料的规律关系,速度快,估算结果准确度高,操作简单.由于神经网络具有高度的容错性,因而对于工程资料中的差错有自动纠偏功能.

2.2模型的创建仿真

2.2.1基于神经网络的工具

Matlab是美国MathWorks公司生产的工程计算和仿真软件,其径向基神经网络(RBF-work)工具箱提供了两个函数:newrb和newrbe.这两个函数是MATLAB提供的用于实现RBF网络,它们都采用无导师和非监督学习算法.

用MATLAB来编写各种网络设计与训练的子程序,可以使用户从繁琐的编程中解脱出来,提高了工作效率和解题质量.

2.2.2分析判断

根据在仿真界面中得出的误差,如果误差值在允许范围内且曲线比较平滑,可以判断所建的模型是有效的,否则就要重新调整建模中的各项参数,直到满足要求为止.