施工单位工程竣工结算的优化策略研究_席霞丽.pdf

13 2023 年第 2 期 总第 322 期收稿日期：2021-9-26作者简介：席霞丽（1990-），本科，工程师，主要从事工程造价工作。建筑与预算CONSTRUCTION AND BUDGET2023 年第 2 期DOI:10.13993/ki.jzyys.2023.02.005施工单位工程竣工结算的优化策略研究 席霞丽（中国甘肃国际经济技术合作有限公司，甘肃 兰州 730050）摘要：工程竣工结算直接决定施工单位的经济收益，但在实际结算过程受到多种因素的制约，需要针对性的提出优化策略。本文提出对竣工结算数据进行分类和挖掘，运用数据挖掘和数据分类技术，结合 BP 神经网络的优化算法，构建了大型工程项目竣工结算数据的分类分析模型。通过样本数据分析和验证，表明该方法能够精准定位竣工结算数据中误差最大项目，验证 BP 神经网络的数据分类分析模型是科学有效的，以期为施工单位提供一种竣工结算的优化策略。关键词：竣工结算；数据分析；数据挖掘；神经网络中图分类号：TU7 文献标志码：B 文章编号：1673-0402（2023）02-0013-03工程项目竣工结算的最终结果，决定了施工单位的收益和利润，甚至影响到其他项目的施工进度。为了合法保护施工单位的利润空间，施工单位必须对工程项目的结算流程和方法给予重视，并且提升自身计算和预结算的能力。建设工程的竣工结算，近年来取得了长足发展，结算机制和计算策略与时俱进，无论对中小型项目，还是超大型工程，都有某种对应的结算策略1。然而，现行工程竣工结算数据仍存在一些问题，例如，隐蔽工程数据统计不合理、工程计量方法不规范、取费计算多加少扣等，对施工单位的结算收益产生较多负面影响。再者，竣工结算数据种类繁多，分部分项种类千差万别，结合工程项目的功能，结算数据量尤为庞大2。因而，竣工结算需要精密的计算，细节上需要精益求精。本文提出一种优化竣工结算策略，对选定的样本进行数据分类和挖掘，结合BP神经网络的迭代训练能力和优化算法，进而找出引起竣工结算偏差较大的因素，为施工单位提供一种竣工结算优化策略。1 竣工结算数据的挖掘和分析数据挖掘技术方兴未艾，目前已经得到广泛应用。数据挖掘和分析的详细过程可划分为数据整理、数据选择、数据分类、数据处理、数据挖掘、数据评估等环节，利用对大量真实数据的提炼、分类、转化分析与处理，可以获得关键的目标值，基于这种特性，改善竣工结算的数据分类和数据分析。1.1 基于数据挖掘技术的工程竣工结算数据预处理对于大型复杂项目，尤其是 EPC 施工总包项目，工程类型较多、数量庞大。为此，引入决策树的数据分析方法，对结算数据进行分类，进而建立竣工结算数据分析模型。最终，实现将大量的结算数据先按照分类指标体系进行排序，按照工程类型、建设性质、单位工程、分部工程实现逐层划分，直至具体到工序层面。竣工结算数据通过决策树的统计、分类处理，有助于进行有效的样本筛选和分类，准确定位重点分析数据对象，从而大幅提升施工单位自身核算数据的效率，为竣工结算工作提供全面的数据分析策略。1.2 竣工结算数据相关的特征指标体系选择本文的研究对象主要是大型复杂工程，涉及类型多种多样，建筑功能亦有千差万别。忽略个性功能对数据的影响，经过多次讨论和分析验证，选定地基与基础、主体结构、建筑装饰、屋面工程、给排水和供暖、通风空调、建筑电气、智能建筑等工程特征指标建立工程特征指标体系。1.3 数据特征指标量化基于上述分析而确定的特征指标体系，尚不能用于计算，属于定性指标。为此，需要将 14 2023 年第 2 期 总第 322 期确定的指标类型，进行细化分解，进而量化，得到定量指标，方可用于编码计算。根据所选定的特征指标特点，并根据指标的具体特点，选定 2015 年甘肃省建筑与装饰工程计价表中相关的价格，以此完成定性指标的数量化。测定的相关指标的量化数值，如表 1 所示。表1 定性指标的量化值类型名称1234567地基与基础地基基础基坑支护地下水控制土方边坡地下防水主体结构 混凝土砌体钢结构铝合金钢管混凝土型钢混凝土-建筑装饰建筑地面抹灰外墙防水门窗吊顶饰面幕墙屋面工程基层保护保温隔热防水密封瓦板板面细部构造-给排水和供暖管道安装设备安装配件安装卫生器具防腐绝热试验调试-通风空调送风系统排风系统 防排烟 除尘系统净化空调设备自控-建筑电气室外电气变配电室供电干线电气动力电气照明电源防雷接地智能建筑智能化集成综合布线有线电视设备监控 机房-1.3.1 数据指标值的标准化在对数据运算之前，需要对数据进行标准化处理，以避免不同数量级的数据之间对比失效。通常可采用线性方法对不同数量级的指标值进行标准化，确保数据的等效性。标准化处理按公式（1）进行：（1）式中：为样本数据，是某类别数据中第 k 个指标的最大值。1.3.2 计算关联系数关联系数反映了某个样本数据与目标值的关联程度。关联系数按如下公式（2）计算：（2）式中：为辨别系数，一般可取 0.35，该值用于界定关联系数之间的相关度。1.3.3 计算关联度。关联系数可反映单个样本数据与目标值的关联程度，对于不同种类或者不同功能的工程项目，如果直接比较，则会具有一定的片面性。为此，通过均值法引入具体某个数据的关联度，参照公式（3）计算得到：（3）在数据初始化后，通过对得出的数据样本的关联度进行比较，关联度越大，则表示该样本数据与目标值差异越小。2 竣工结算数据的 BP 神经网络优化策略2.1 BP 神经网络BP 神经网络在各个领域均有应用，是一种前馈神经网络，具有误差反向传播学习的自适应能力，对于处理竣工结算数据非常合适。通常，BP 神经网络结构可分解为输入层、隐含层和输出层，是一种典型的三层结构，每层之间通过节点直接映射，形成类似神经元的网络拓扑结构4。通过对数据的初始化、训练，逐步逼近解析的目标值，在训练过程中，样本数据可以正向传递迭代信息，同时，目标值也需要反向馈送，三层之间的权值可以不断被迭代优化，形成负反馈作用机制，直到目标函数值达到设定标准。所以，BP 神经网络具有自适应能力和自学习能力，适用于大型数据库的模式识别、非线性目标值逼近等数据分析和模式识别领域5。三层神经网络的拓扑结构如图所示。X1X2X3XnY1Y2Ym输入层隐含层输出层WiWj图1 三层神经网络的拓扑结构由图中可以看出，BP 神经网络模型的输入层可连续表示为，神经网络的输出层可连续表示为，输入层和输出层之间，通过映射的方式直接连接，通常只包含一层隐含层。为输入层-隐含层的权重系数，则是隐含层-输出层的权重系数，系数的大小决定了该数据的重要程度。上述神经网络模型，输入层有神经元，输出层有个神经元，则可以产生的单向映射关系。神经网络迭代训练的基本原理是求解误差函数，得到目标值。为了获得最优值，通常是求解误差函数的最小值。为了快速得到最优解，最初的迭代训练可人为设定误差阈值。例如，10e-5，达到该值即可结束训练。迭代训练算法一般可采用牛顿法，其优点是收敛速度快。仿真过程中，可选用目标函数的梯度方向进行迭代学习，不断择优选取权重系数。2.2 神经网络结构搭建2.2.1 神经网络结构参数的设置通常神经网络只设置一个隐含层，在工程技术领域已经完全满足精度要求。通过设定一个具体的三层神经网络结构，即可完美的逼近一个非线性的优化目标。选定的神经网络三层结构后，输入层神经元的数目由初始样本数据决定，按照上文所述，输入层神经元数目为 8，即 X1X8；输出层神经元数目设定为 3，即Y1Y3。隐含层所需要的神经元数目由下式（4）计算得到：（4）式中：n 为输入层的神经元数量，m 为输出层的神经元数量，可根据需要设定具体个数，均必须取整数。a 为由经验确定的变量，通常取210，可取非整数值。15 2023 年第 2 期 总第 322 期根据上文选定的特征指标体系以及取a=5，计算得出隐含层的神经元数量为 8.3，取整后，可确定隐含层神经元的数量为 8。需要注意，隐含层神经元数通常不小于输入层神经元数，且一般不大于输入层神经元与输出层神经元数量之积。2.2.2 神经网络结构函数的选取对于典型的神经网络，为了实现快速迭代训练，通常需要保证网络的输出为-1,1。本文中，输入变量和输出变量之间呈非线性的关系，所以，隐含层的计算函数选用线性激活函数 tansig()，输出层选用单极性 S 函数 logsig()；训练函数则定为自适应学习率的梯度下降函数 traingda()，可以加快神经网络的迭代训练速度，在较短时间内收敛，得到最优解。2.2.3 数据标准化处理竣工结算的数据量非常巨大，种类繁多，样本数据在数量级和量纲上差异较大，样本数据的取值类型也有很大不同。如前所述，这会严重影响 BP 神经网络模型的迭代训练速度，以及目标值的优化速度。为了便于神经网络迭代训练，按照上述公式(1)将数据做标准化处理。经过上述步骤后，典型结构的 BP 神经网络结构即搭建完成。通过矩阵实验室 Matlab 2020b 的虚拟仿真环境，得以实现具体的运算试验。神经网络的迭代训练流程如图 2 所示。开始数据空间初始化达到训练目标网络训练构建神经网络系统建模隐含层节点最优寻优测试数据神经网络测试结束是是否否图 2 神经网络迭代训练流程2.3 验证分析为验证上文构建的神经网络模型的合理性和准确性，确保数据分析在实际工作中具有较强的实用价值，选取了近年来甘肃省 30 个已竣工结算的大型房地产建设项目，从甘肃省工程造价信息网获取样本数据，对模型进行仿真分析验证。仿真分析前，将样本数据划分为 2 部分，前 20 组数据为训练样本数据，剩余 10 组作为测试样本数据，在上述仿真环境中用于检验神经网络模型的迭代训练优化结果。经过仿真计算，20 组训练样本数据的网络训练过程曲线如下图 3 所示，横坐标为 BP 神经网络的迭代优化次数，纵坐标为目标函数的误差均方值。每一次的训练过程都以 20 组样本数据的输入量和输出值，进行相应的迭代学习和误差调整。图 3 神经网络训练过程从图 3 中可以看出，当训练次数达到 1250 时，目标函数的误差均方值为 10e-5，此精度已经完全满足工程需要，此时停止训练。经过反向解码，预测结果的误差率如表2所示。表 2 数据分析结果类型/名称误差最大的项目偏差数值/万元误差率%地基与基础土方109958.69主体结构钢管混凝土115416.67建筑装饰外墙防水115605.34屋面工程防水密封16168.71给排水和供暖配件安装9737.92通风空调除尘系统8704.53建筑电气防雷接地9915.82智能建筑智能化集成7736.25由表 3 中的结果可以看出，BP 神经网络建立的数据分类分析优化模型，能够精准定位竣工结算数据中误差最大项目。而且，经过大量的测试样本数据验证，显示的误差率均在10%以内，对实际的工程项目的竣工结算具有实用意义。3 结语运用数据挖掘和数据分类技术，结合 BP 神经网络出色的迭代训练能力，构建了大型工程项目竣工结算数据的分类分析模型。通过对样本数据的分析和验证，结果表明，本文提出的方法能够精准定位竣工结算数据中误差最大项目，表明 BP 神经网络的数据分类分析模型是科学有效的。施工单位参加竣工结算之前，应该着重对上述分析得出的数据类别进行分类整理，精确预结算，在实际的工程项目的竣工结算具有实用意义。参考文献：1 朱芳琳,曹译匀.BIM 技术在建设工程竣工结算中的应用分析 J.价值工程,2014,33(25):119-120.2 邵雅楠.基于主成分分析和 BP 网络的高层住宅工程投资估算方法 D.秦皇岛:燕山大学,20153 艾涛.电网建设项目的竣工结算数据挖掘技术应用J.电子技术与软件工程,2016(22):181-182.4 杨帆.基于改进 BP 神经网络的住宅工程造价估算模型研究 D.重庆:重庆大学,2016.5 孟俊娜,梁岩，房宁.基于 BP 神经网络的民用建筑工程造价估算方法研究 J.建筑经济,2015(9):64-68.