民用建筑施工用料量模型化分析

刘卫东 马海燕

（1.吉林省扶余市住房和城乡建设局，吉林 扶余 131200；2.松原市铁路机场建设办公室，吉林 松原 138000）

随着城镇化建设逐渐发展，我国对民用建筑的需求也不断增加。建筑企业承接越来越多民用建筑工程的同时，都希望降低建筑成本。民用建筑成本与建筑施工过程中需要的总用料量密切相关[1]。经验数据表明，很多民用建筑工程项目都存在浪费用料量的情况，导致民用建筑的总体成本增加。从技术角度看，基于人工经验的估算方法一直是民用建筑用料量的常用估算方法[2]，但该方法因为技术熟练程度不同、经验程度不同以及人的主观性，所以会导致用料量估算结果和工程实际结果有差异，这是民用建筑工程用料量浪费的重要原因[3]。利用BIM 技术，在设计阶段对民用建筑进行仿真建模，可以更精确地观测每个建筑单元的工程用料量，如果能将该方法和智能分析方法相结合，就能更准确地估算民用建筑的工程用料量，从而有效降低民用建筑的建设成本，避免浪费原材料。该文以此为切入点，结合民用建筑的BIM 模型数据和遗传算法模型，对其进行研究。

1 用遗传算法模型估算民用建筑用料量

根据人的经验估算民用建筑用料量的方法缺乏科学模型作为支撑。目前有很多智能方法可以估计、分析和预测数据，这样处理可以提高估计结果的准确性和可信度。在现有的智能方法中，比较常见的是极限搜索法、图形切割法、蚁群算法、鱼群算法、粒子群算法和神经网络算法。其中，遗传算法通过描述人类基因工程，借鉴父代和子代间的遗传关系，可以更好地模拟历史数据和新数据间的关联性，因此在数据估算方面得到广泛应用。

根据已经完成的工程项目的用料量历史数据，能更好地预测其他待建设项目的用料量。遗传算法建立在训练模型和特定的处理机制的基础上，通过学习大量的历史数据，对算法中适应度函数进行训练，从而估计未知数据。在使用遗传算法的过程中，适应度函数是训练学习的核心，设定如公式（1）所示。

式中：G为民用建筑施工用料量的适应度函数；λ为民用建筑施工用料量遗传迭代训练过程的调整参数；i为民用建筑施工用料量遗传算法模型中的基因序号；n为民用建筑施工用料量遗传算法模型中的神经元总数；ci为民用建筑施工用料量遗传算法模型中的实际输出数据；oi为民用建筑施工用料量遗传算法模型中的估算输出数据。

用遗传算法模型估算民用建筑的施工用料量，该方法有特定的操作方法和运算规则。最常见的运算规则包括选择运算、交叉运算和变异运算。其中，选择运算的核心处理方式，如公式（2）和公式（3）所示。

式中：Gi为民用建筑施工用料量的适应度函数的第i个适应度值。选择运算的具体规则是在迭代学习的过程中，不断用更小值去更新pi。

在民用建筑施工用料量的遗传迭代过程中，如果参数mk为第k个染色体，那么参数ml为模型中的第l个染色体，得到2 个染色体的数学表达，二者之间的交叉运算如公式（4）和（5）所示。

式中：R为民用建筑施工用料量估算遗传算法模型中使用的随机数。

若mmax为民用建筑施工用料量估算算法中的染色体上界，则mmin为民用建筑施工用料量估算算法中的染色体下界，可以得到变异运算规则，如公式（6）所示。

式中：ρ（d）为民用建筑施工用料量变异运算的参与函数，计算如公式（7）所示。

式中：R为民用建筑施工用料量估算遗传算法模型中使用的随机数。

从上述变异处理的规则看，存在2 个方向上的变异，如公式（6）的2 个公式，执行的边界以0.5 为界限。小于0.5 采用上面的公式；大于0.5 采用下面的公式。

通过遗传算法可以看出，与一般的迭代优化方法相比，遗传算法对历史信息的依赖更强，但历史数据通过遗传算法模型的迭代训练和学习，产生的估计结果更接近真实情况，优化效果也更理想。通过模拟基因工程的代际间遗传关联历史数据信息和优化结果，该遗传过程与选择、交叉和变异等操作相关。保证遗传准确性的关键是合理设计适应度函数。当用该模型分析和估算民用建筑的施工用料量时，可以充分利用同类别民用建筑施工用料量的历史数据，因此选用结构和特点有很大相似性的民用建筑，取得的效果更好。

2 导入民用建筑的BIM 模型数据

使用遗传算法模型对民用建筑的施工用料量进行估算，为保证估算结果和迭代过程的准确性，需要输入大量的历史数据。输入信息越丰富，迭代训练的学习效果越准确。民用建筑的信息化建模方法（BIM）可以满足需求。

BIM 技术可以对待施工工程进行三维仿真建模，通过缩放一定比例尺，建立真实场景和工程目标完全对应的三维模型。BIM 技术不仅能给建筑施工过程提供逼真的场景，还能提供丰富的数据信息。BIM 模型的每个细节都含有丰富的信息，包括墙体的高度、所用材料和材料价格等。这些信息导出方便，可以形成数据信息，为上文提出的遗传算法模型提供充足的输入信息。

在估算民用建筑的施工用料量过程中，导入BIM 数据的流程如图1 所示。

图1 导入民用建筑的施工用料量估算过程中的 BIM 数据

从图1 可以看出，在估算过程前导入BIM 数据，根据算法设计，由数据生成工程特征向量后，再纳入遗传算法模型进行学习、训练和估算。

3 估算民用建筑用料量的试验结果

该文提出用遗传算法模型估算民用建筑的施工用料量，该方法包括适应度函数、选择运算规则、交叉运算规则和变异运算规则。明确BIM 模型数据导入和遗传算法模型间的关系后，须进一步进行验证，检验其有效性。

在试验过程中，目标工程共20 个民用高层住宅小区。其中，前19 个民用高层住宅小区已经完成建设，可以作为历史数据。最后1 个民用高层住宅小区为待建项目，因此主要估算其用量料。民用高层住宅小区20 的整体布局的BIM 建模效果，如图2 所示。

图2 民用高层住宅小区的整体布局的BIM 建模效果

在漫游展示功能下，可以深入具体一桩楼宇的内部，观察内部的结构和细节。民用高层住宅小区的1 号楼8 层的细节，效果如图3 所示。

图3 民用高层住宅小区1 号楼的8 层细节

在BIM 模型下，每个住宅小区可以导出5 类施工用料量的数据，具体如下：施工面积大小、地界部分结构、楼梯连廊结构、楼顶防水结构和门窗电井结构，见表1。

表1 20 个民用高层住宅小区的相关用料量数据

对应于表1 中的各组数据，其中前5 列作为民用建筑施工用料量估算遗传算法模型的输入，将最后1 列作为民用建筑施工用料量估算遗传算法模型的输出。前19 个小区的相关数据都是训练数据，通过训练达到稳定后，估算小区20施工用料量。需要采用遗传算法的迭代训练估算得出表1中小区20 的最后一个数据。

根据表1 中的数据，对民用建筑施工用料量估算遗传算法模型进行迭代训练，模型的收敛过程曲线如图4 所示。

图4 遗传算法模型的收敛过程曲线

从图中曲线的变化情况可以看出：迭代20 次后，模型误差很小。当迭代35 次时，迭代误差在非常小的范围内达成稳定。模型达到收敛，因此根据表1 的数据，估算小区20 的总用料量为3401.9t。

4 结论

民用建筑是建筑领域的重要组成部分，准确计算和合理分配施工用料量有利于降低民用建筑的开发和建设成本。该文基于遗传算法模型，导入民用建筑的BIM 模型数据，准确估算民用建筑用料量。针对遗传算法模型，通过适应度函数、选择运算、交叉运算和变异运算，设计详细的运算过程，并对此进行分析。在试验过程中，对实验地的民用建筑进行研究，将前19 组建筑作为训练样本，结合BIM 模型数据和遗传算法模型的训练结果，迭代稳定后估算最后一组建筑的用料量，可以指导后续建设施工用料量。