论文部分内容阅读
【摘要】随着我国社会经济的迅速发展，人们生活水平逐渐呈现上升趋势，进而相应的建筑工程数量也逐渐增加。在整个建筑工程中，工程造价估算发挥着至关重要的作用，其往往存在较多的制约因素，在一定程度上直接影响建筑工程造价估算的准确性。在建筑工程造价估算中应用人工智能技术使得相应的准确率得以显著提升。本文分析基于人工智能技术的建筑工程造价估算，以供参考。
【关键词】人工智能技术；建筑工程；造价估算
目前我国家建筑业逐渐呈现上升趋势，相应的工程造价在整个建筑工程中具有十分重要的作用，进而准确估算建筑工程造价在一定程度上会降低施工成本，减少相关工程项目的预算以及费用，从而推动工程施工进度，提升工程质量。传统估算方式已不能适应新时代的发展需求，进而人工智能技术的提出能显著降低预算错误率，减少各数据间的偏差，避免资源浪费，从而相关施工单位减少相应的经济损失。在建筑工程造价估算中应用人工智能技术能科学合理的计算工程所需实际成本，为相关预算工作提供可靠性保障[1]。
1、人工智能技术的概念
近年来，计算机技术的出现改变人们的生活方式，而人工智能技术的出现在一定程度上则推动建筑业向着可持续的方向发展。人工智能（AI）指的是机器智能，其主要将程序自动化设计、机器自动化设计以及相应的识别技术进行研究探索，以计算机技术为关键点，科学合理的开展相应的复杂活动。人工智能技术主要将学习反馈、记忆处理以及思维能力进行有效融合，将传统的机器智能逐渐转变为人类智能系统，模拟并拓展其相关的活动。有效使用人工智能技术便于研究分析数据模型，让工程造价的估算转速更快，从而在一定程度上显著提升其精准度[2]。
2、构建建筑工程造价估算模型
2.1原理
目前人工智能技术中应用范围较广的是BP神经网络，其具有较为特殊的前向性。一般情况下，该结构进行反向传输便于对神经元中相关信息进行合理的模拟，研究其连接与传输关系，形成相应的连接关系则为非线性力学体系。其次，BP神经网络自身具有较强的学习适应能力，刺激各神经元产生的相关效应都比较强。以各神经元位置差异为基础，该网络主要分为三个层次：隐含、输出与输入，各层次相互连接各节点则能实现相关信息的传播。
2.2合理选择模型参数
根据建筑工程的实际需求，合理选择模型参数能准确计算出输入与输出各节点的数量。在选择初始权值时，建筑工程造价估算模型的输入层中往往会有定性与定量影响因素，将其在指定范围内需要对相关数据进行统一化处理，利用定量方法处理定性数据能减少相关数据间的误差，确保所有输入数据都具有有效性。
2.3合理选择学习算法
该算法主要有包括信息逆向与正向传播以及记忆与学习阶段。大量研究数据表明，在整个工程项目中，最重要的影响因素是水文地质、相应的施工技术、机械设备以及相关的建筑结构等。利用梯度算法，在指定空间内能够及时调整相应数据，得出最终的权重，从而减少数据误差。其次，在进行工程估算时要整理加工相关数据，将其作为训练样本，选择迭代方式获得预估样本。最后，加工处理各数据输入指定的估算系统即可[3]。
3、人工智能技术的建筑工程造价估算
3.1神经网络结合遗传算法
随着经济的逐渐发展，目前很多神经网络已经结合遗传算法。在人工智能技术中，神经网络自身具有良好的学习能力；全面搜索是遗传算法具有的实际功能。将这两者进行有效融合能起到互相补充的作用，优势互补，在一定程度上能强化两者的能力。将两者进行有效融合主要具备两种发展方向，首先是自动设计方式（ANN），其自身具有高效性。一般情况下，ANN由GA提供有效渠道，确保其能在指定环境下能进行高效作业。科学合理的使用自动设计方式能保障其充分发挥自身作用，将神经网络的消极影响能降到最低，同时让其能合理应用遗传算法。其次，要想确保遗传算法自身具有神经性能发展方向，以神经网络算法为基点，充分利用其相关工具，在指定范围内确保遗传算法的收敛性在一定程度上能得以发生改变[4]。
3.2神经网络需要遗传算法优化连接权
众所周知，将遗传算法与神经网络进行有效结合在一定程度上能优化神经网络的连接权限。在神经网络中，相关的权值训练较为复杂，经过大量训练后，只有及时分析并调整相关数据，同时优化相关函数，才能确保相关的连接权得以最优。但是，权值的日常训练一般会存在很多影响因素，在合理选择相关参数时往往会出现很多不必要的误差，导致相应的训练时间加以延长，同时神经网络可能会出现震荡，使得较低的收敛率最终影响相关数据的准确性，甚至导致局部网络可能会有极值出现。除此之外，要想准确获取权值，就要在BP网络中使用梯度下降方式。该方式在初始获得相关权值时，一般会显著提升相应的敏锐度，造成最终具有较高的偏差。因此，神经网络需要遗传算法才能优化相应的连接权，同时为确保对应的连接权，在权值分布以及整个编码过程中，初期就要提升相应权值的准确度，让相应的样本训练函数能在一定程度上有效避免不必要的误差，进而确保开展的整个权值训练都具有有效性[5]。
结语：
综上所述，随着时代的进步，传统预算技术已不能适应新时代的发展需求，人工智能技术的出现必将成为未来相关技术发展的必然追求。人工智能技术是以计算机给予支持，以相关学科发展作为重要参考标准，从而被广泛应用于各建设项目领域。在建筑工程造价估算中应用人工智能技术能显著提升相关预算的准确性，从而推动我国建筑业向着长远的方向发展，提升相关施工单位的经济效益。
参考文献：
[1]朱莉.基于人工智能技术的建筑工程造价估算研究分析[J].四川水泥，2015（8）：208-208.
[2]徐彬彬.基于人工智能技术的建筑工程造价估算研究[J].湖南城市学院学报（自然科学版），2016，25（4）：24-25.
[3]王云峰，姚黎明，帅朝暉.施工图设计与工程造价的一体化[J].建筑施工，2016，38（6）：809-810.
[4]潘雨红，张宜龙，蔡亚军，等.基于GA-BP算法的公路工程造价估算研究[J].重庆交通大学学报（自然科学版），2016，35（2）：141-145.
[5]王欣.基于GA-BP算法的节能建筑成本估算研究[J].中国工程咨询，2017（5）：29-32.
作者简介：
王菲菲，青岛新华友建工集团股份有限公司。
【关键词】人工智能技术；建筑工程；造价估算
目前我国家建筑业逐渐呈现上升趋势，相应的工程造价在整个建筑工程中具有十分重要的作用，进而准确估算建筑工程造价在一定程度上会降低施工成本，减少相关工程项目的预算以及费用，从而推动工程施工进度，提升工程质量。传统估算方式已不能适应新时代的发展需求，进而人工智能技术的提出能显著降低预算错误率，减少各数据间的偏差，避免资源浪费，从而相关施工单位减少相应的经济损失。在建筑工程造价估算中应用人工智能技术能科学合理的计算工程所需实际成本，为相关预算工作提供可靠性保障[1]。
1、人工智能技术的概念
近年来，计算机技术的出现改变人们的生活方式，而人工智能技术的出现在一定程度上则推动建筑业向着可持续的方向发展。人工智能（AI）指的是机器智能，其主要将程序自动化设计、机器自动化设计以及相应的识别技术进行研究探索，以计算机技术为关键点，科学合理的开展相应的复杂活动。人工智能技术主要将学习反馈、记忆处理以及思维能力进行有效融合，将传统的机器智能逐渐转变为人类智能系统，模拟并拓展其相关的活动。有效使用人工智能技术便于研究分析数据模型，让工程造价的估算转速更快，从而在一定程度上显著提升其精准度[2]。
2、构建建筑工程造价估算模型
2.1原理
目前人工智能技术中应用范围较广的是BP神经网络，其具有较为特殊的前向性。一般情况下，该结构进行反向传输便于对神经元中相关信息进行合理的模拟，研究其连接与传输关系，形成相应的连接关系则为非线性力学体系。其次，BP神经网络自身具有较强的学习适应能力，刺激各神经元产生的相关效应都比较强。以各神经元位置差异为基础，该网络主要分为三个层次：隐含、输出与输入，各层次相互连接各节点则能实现相关信息的传播。
2.2合理选择模型参数
根据建筑工程的实际需求，合理选择模型参数能准确计算出输入与输出各节点的数量。在选择初始权值时，建筑工程造价估算模型的输入层中往往会有定性与定量影响因素，将其在指定范围内需要对相关数据进行统一化处理，利用定量方法处理定性数据能减少相关数据间的误差，确保所有输入数据都具有有效性。
2.3合理选择学习算法
该算法主要有包括信息逆向与正向传播以及记忆与学习阶段。大量研究数据表明，在整个工程项目中，最重要的影响因素是水文地质、相应的施工技术、机械设备以及相关的建筑结构等。利用梯度算法，在指定空间内能够及时调整相应数据，得出最终的权重，从而减少数据误差。其次，在进行工程估算时要整理加工相关数据，将其作为训练样本，选择迭代方式获得预估样本。最后，加工处理各数据输入指定的估算系统即可[3]。
3、人工智能技术的建筑工程造价估算
3.1神经网络结合遗传算法
随着经济的逐渐发展，目前很多神经网络已经结合遗传算法。在人工智能技术中，神经网络自身具有良好的学习能力；全面搜索是遗传算法具有的实际功能。将这两者进行有效融合能起到互相补充的作用，优势互补，在一定程度上能强化两者的能力。将两者进行有效融合主要具备两种发展方向，首先是自动设计方式（ANN），其自身具有高效性。一般情况下，ANN由GA提供有效渠道，确保其能在指定环境下能进行高效作业。科学合理的使用自动设计方式能保障其充分发挥自身作用，将神经网络的消极影响能降到最低，同时让其能合理应用遗传算法。其次，要想确保遗传算法自身具有神经性能发展方向，以神经网络算法为基点，充分利用其相关工具，在指定范围内确保遗传算法的收敛性在一定程度上能得以发生改变[4]。
3.2神经网络需要遗传算法优化连接权
众所周知，将遗传算法与神经网络进行有效结合在一定程度上能优化神经网络的连接权限。在神经网络中，相关的权值训练较为复杂，经过大量训练后，只有及时分析并调整相关数据，同时优化相关函数，才能确保相关的连接权得以最优。但是，权值的日常训练一般会存在很多影响因素，在合理选择相关参数时往往会出现很多不必要的误差，导致相应的训练时间加以延长，同时神经网络可能会出现震荡，使得较低的收敛率最终影响相关数据的准确性，甚至导致局部网络可能会有极值出现。除此之外，要想准确获取权值，就要在BP网络中使用梯度下降方式。该方式在初始获得相关权值时，一般会显著提升相应的敏锐度，造成最终具有较高的偏差。因此，神经网络需要遗传算法才能优化相应的连接权，同时为确保对应的连接权，在权值分布以及整个编码过程中，初期就要提升相应权值的准确度，让相应的样本训练函数能在一定程度上有效避免不必要的误差，进而确保开展的整个权值训练都具有有效性[5]。
结语：
综上所述，随着时代的进步，传统预算技术已不能适应新时代的发展需求，人工智能技术的出现必将成为未来相关技术发展的必然追求。人工智能技术是以计算机给予支持，以相关学科发展作为重要参考标准，从而被广泛应用于各建设项目领域。在建筑工程造价估算中应用人工智能技术能显著提升相关预算的准确性，从而推动我国建筑业向着长远的方向发展，提升相关施工单位的经济效益。
参考文献：
[1]朱莉.基于人工智能技术的建筑工程造价估算研究分析[J].四川水泥，2015（8）：208-208.
[2]徐彬彬.基于人工智能技术的建筑工程造价估算研究[J].湖南城市学院学报（自然科学版），2016，25（4）：24-25.
[3]王云峰，姚黎明，帅朝暉.施工图设计与工程造价的一体化[J].建筑施工，2016，38（6）：809-810.
[4]潘雨红，张宜龙，蔡亚军，等.基于GA-BP算法的公路工程造价估算研究[J].重庆交通大学学报（自然科学版），2016，35（2）：141-145.
[5]王欣.基于GA-BP算法的节能建筑成本估算研究[J].中国工程咨询，2017（5）：29-32.
作者简介：
王菲菲，青岛新华友建工集团股份有限公司。