• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于GA-PB神經(jīng)網(wǎng)絡(luò)的山區(qū)公路橋梁造價預(yù)測模型
    ——以簡支T型梁橋為例

    2021-09-09 01:02:46羅婧文
    關(guān)鍵詞:輸入量梁橋山區(qū)

    陳 璨,羅婧文

    (1.重慶師范大學(xué)后勤與資產(chǎn)管理處,重慶 401331;2.重慶交通大學(xué)經(jīng)濟與管理學(xué)院,重慶 400074;3.重慶城市管理職業(yè)學(xué)院審計處,重慶 401331)

    0 引 言

    在山區(qū)公路橋梁建設(shè)項目投資決策階段,工程造價預(yù)估作為一項重要工作,預(yù)估的準(zhǔn)確性不僅影響到前期投資決策,也影響到后期造價的管理與控制[1]。

    目前山區(qū)公路橋梁常用的估算方法有定額計算法、類比工程法(參照類似項目套算法、經(jīng)驗公式法)、回歸分析法(數(shù)理統(tǒng)計法)、人工智能技術(shù)(專家系統(tǒng)、模糊數(shù)學(xué)、灰色理論、自適應(yīng)過濾技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù))等[2-4]。這些方法各有其優(yōu)缺點。例如,定額計算法雖然精度較高,但編制繁瑣耗時,且現(xiàn)有的公路工程定額用于山區(qū)公路橋梁估價時,存在定額缺項,無法有效套用;類比工程法雖然簡便、快捷,但估算精度低、誤差大;回歸分析法作為一種比較符合客觀實際的估計方法,是在收集大量統(tǒng)計資料的基礎(chǔ)上建立回歸模型進(jìn)行造價預(yù)估的,但數(shù)據(jù)收集工作量大,且回歸模型在處理不確定性因素時較困難;專家系統(tǒng)作為人工智能技術(shù)的一種,結(jié)合了知識庫技術(shù)和人工智能技術(shù)的優(yōu)勢,但準(zhǔn)確性取決于專家的經(jīng)驗,主觀性強。山區(qū)公路橋梁造價受到很多因素的影響,且在投資決策階段設(shè)計方案、工程量不夠明確的情況下,采用上述幾種傳統(tǒng)方法進(jìn)行造價估算可能會造成較大的誤差,進(jìn)而造成投資決策失誤,影響造價控制,最終影響到工程質(zhì)量。而人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習(xí)、非線性映像和信息處理能力強等特點。能夠?qū)蛄汗こ淘靸r進(jìn)行動態(tài)預(yù)測,與上述傳統(tǒng)方法相比,更加便捷、靈活、高效、精確。

    預(yù)測方法通常分為因果法和時間序列法。其中,基于因果法預(yù)測模型更為有效和常見,例如基于主成分因子方法的多元結(jié)構(gòu)整體線性回歸模型、灰色系統(tǒng)預(yù)測模型、神經(jīng)網(wǎng)絡(luò)模型等工程造價預(yù)測模型。其中,神經(jīng)網(wǎng)絡(luò)模型最為靈活、精準(zhǔn)。近年來,國內(nèi)外學(xué)者用神經(jīng)網(wǎng)絡(luò)模型來對公路工程造價、公路橋梁工程造價進(jìn)行預(yù)測。例如,王飛等[2]構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的公路工程造價預(yù)測模型,并得到較為精準(zhǔn)的預(yù)測結(jié)果,驗證表明該模型能適應(yīng)工程造價的動態(tài)變化;李芬等[3]構(gòu)建了基于模糊數(shù)學(xué)和BP神經(jīng)網(wǎng)絡(luò)的山區(qū)公路橋梁造價預(yù)測模型,以橋梁工程特征作為模型的輸入量,對山區(qū)高速公路橋梁工程造價進(jìn)行了有效預(yù)測;孫鑫[4]構(gòu)建了適用于市政橋梁工程(以空心板梁橋為例)的BP神經(jīng)網(wǎng)絡(luò)投資估算模型,并證明該模型能夠滿足詳細(xì)可行性研究階段估算誤差要求,可為投資決策階段的造價控制提供可靠的依據(jù)。其中,一些文獻(xiàn)基于層次分析(AHP )法、主成分分析法來篩選神經(jīng)網(wǎng)絡(luò)模型的輸入向量。而這些方法主要依靠專家經(jīng)驗來確定權(quán)重,未充分考慮專家判斷的模糊性,難以做到科學(xué)、合理的判斷。鑒于此,本文考慮專家判斷的模糊性,應(yīng)用直覺模糊AHP 法篩選對造價影響較大的工程特征,將其作為輸入向量。同時,考慮到傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢,易陷入局部極小的缺陷,本文用GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(GA-BP神經(jīng)網(wǎng)絡(luò)),構(gòu)建了基于模糊邏輯和GA-BP神經(jīng)網(wǎng)絡(luò)的山區(qū)公路橋梁造價預(yù)測模型。

    1 研究路線

    由于山區(qū)公路橋梁橋型較多(如簡支梁橋、連續(xù)梁橋、連續(xù)剛構(gòu)、拱橋等),且橋型對造價的影響很大,為了簡化研究模型,本文僅以山區(qū)公路簡支T型梁橋(圖1、2)為例展開研究。

    圖1 T梁架設(shè)Fig.1 Erection of T-beam

    圖2 簡支T型梁橋仰視圖Fig.2 Elevation view of simply supported T-beam bridge

    本文的研究路線為:對山區(qū)公路橋梁的工程特征進(jìn)行分析后,利用直覺模糊分析法篩選出對山區(qū)公路橋梁造價影響較大的工程特征,并將其作為模型的輸入量,構(gòu)建基于模糊邏輯和GA-BP神經(jīng)網(wǎng)絡(luò)的山區(qū)公路橋梁造價預(yù)測模型——用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行程序設(shè)計,選取已完工程數(shù)據(jù)對模型進(jìn)行訓(xùn)練、測試,以驗證該模型預(yù)測的精度;并從收斂性、精確性、穩(wěn)定性3個方面,對GA-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果與BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果進(jìn)行對比,以驗證基于模糊邏輯和GA-BP神經(jīng)網(wǎng)絡(luò)模型在山區(qū)公路橋梁造價預(yù)測中的可行性和有效性。

    2 模型輸入量選取

    采用神經(jīng)網(wǎng)絡(luò)進(jìn)行計算,模型輸入量的選取是建模的關(guān)鍵,直接影響到模型的規(guī)模和預(yù)測的精度。本文結(jié)合山區(qū)公路簡支T型梁橋的工程特征,初步確定了影響山區(qū)公路簡支T型梁橋造價的8個主要因素,即橋長、橋?qū)?、跨徑、基礎(chǔ)、墩臺、地質(zhì)(干處、水深等)、橋面鋪裝厚度、預(yù)制裝配程度[5],并作為工程特征,用直覺模糊層次分析法計算這些工程特征的影響程度系數(shù),選取對山區(qū)公路簡支T型梁橋造價影響程度大的工程特征(即影響程度系數(shù)較大的工程特征)作為預(yù)測模型的輸入量。

    2.1 直覺模糊判斷矩陣[4]

    通過構(gòu)造因素比較表(表1),兩兩比較上述8個因素對工程造價的影響。通過咨詢山區(qū)公路橋梁工程造價領(lǐng)域的專家,根據(jù)的直覺模糊判斷矩陣[6]得出判斷矩陣,并進(jìn)行一致性檢驗。

    表1 屬性重要程度定義標(biāo)度表[4]Tab.1 Attribute importance definition scale[4]

    2.2 影響程度系數(shù)計算

    設(shè)專家l對工程特征兩兩比較的直覺模糊矩陣為A(l)。利用公式(1)—(3)計算工程特征i的影響程度系數(shù)H(λi)[7]。由于手工計算量過大,本文用MATLAB編程進(jìn)行計算。

    (1)

    (2)

    (3)

    取影響程度系數(shù)H(λi)≥0.5的工程特征——橋長、跨徑、基礎(chǔ)、墩臺作為預(yù)測模型的輸入量,取橋梁造價為模型的輸出量。

    3 GA-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

    基于GA-BP神經(jīng)網(wǎng)絡(luò)的山區(qū)公路橋梁造價預(yù)測模型構(gòu)建過程如圖3所示。

    圖3 預(yù)測模型構(gòu)建過程Fig.3 Predictim model construction process

    3.1 GA-BP神經(jīng)網(wǎng)絡(luò)

    遺傳算法(Genetic Algorithm,GA)與神經(jīng)網(wǎng)絡(luò)都具有極強的問題解決能力,本文用GA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。這里的優(yōu)化是指用遺傳算法使種群中每個個體都包含神經(jīng)網(wǎng)絡(luò)所有的權(quán)值和閾值,每個個體都用適應(yīng)度函數(shù)計算適應(yīng)度值,可通過GA算法中的遺傳操作(選擇、交叉和變異操作)找到最優(yōu)適應(yīng)度值對應(yīng)的個體(即最優(yōu)個體),再獲取其最優(yōu)權(quán)值和閾值,對網(wǎng)絡(luò)進(jìn)行賦值。

    3.2 訓(xùn)練樣本及歸一化處理

    本文對收集的山區(qū)公路簡支T型梁橋相關(guān)樣本進(jìn)行分析研究后,將之前提煉的4個主要工程特性,即對橋長、跨徑、基礎(chǔ)、墩臺進(jìn)行相應(yīng)處理,得到模型的輸入量。具體見表2工程特征表。其中,跨徑和橋長可按實際尺寸賦值,基礎(chǔ)和墩臺的賦值較難,故本文根據(jù)橋址處的地質(zhì)條件、地形、地貌狀況,以它們與橋梁上部構(gòu)造造價間的比值形式給出(因本文研究的為簡支T型梁橋,故上部構(gòu)造賦值均為1)。對收集到的大量山區(qū)橋梁造價樣本進(jìn)行統(tǒng)計分析后發(fā)現(xiàn),基礎(chǔ)與上部構(gòu)造造價之間的比值為0.1~0.6,墩臺與上部構(gòu)造造價之間的比值為0.2~0.7。在地質(zhì)條件差、地形復(fù)雜、地貌高程差大、河谷深的情況下,比值取高限,反之取低限。這些工程特征指標(biāo)均為數(shù)值型,為消除量綱對結(jié)果的影響,避免因數(shù)據(jù)過大致使網(wǎng)絡(luò)陷入局部極小值,本文對數(shù)據(jù)進(jìn)行歸一化處理,使數(shù)據(jù)分布為[-1,1]。歸一化結(jié)果見表3。

    表2 工程特征表Tab.2 Engineering feature table

    3.3 模型構(gòu)建

    由前文分析可知,本模型有4個輸入量(橋長、跨徑、基礎(chǔ)、墩臺)和1個輸出量(工程造價)。故輸入層節(jié)點數(shù)n=4,輸出層節(jié)點數(shù)m=1。根據(jù)Kolmogorov定理,隱含層節(jié)點數(shù)為2n+1=9,則該神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為4-9-1,模型結(jié)構(gòu)如圖4所示。該結(jié)構(gòu)共有4×9+9×1=45個權(quán)值,9+1=10個閾值。則遺傳算法個體編程長度為45+10=55。

    傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法容易陷入局部最小值的情況,故模型利用MATLAB工具箱提供的Levenberg-Marquardt優(yōu)化方法進(jìn)行訓(xùn)練。模型參數(shù)見表4。

    表4 GA-BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置Tab.4 Parameter setting of GA-BP neural network model

    4 模型預(yù)測、驗證

    調(diào)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱,編程構(gòu)建基于GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型,擬合工程特征與工程造價之間的非線性關(guān)系。將36組數(shù)據(jù)中的前32組作為訓(xùn)練數(shù)據(jù),用于網(wǎng)絡(luò)訓(xùn)練。用訓(xùn)練數(shù)據(jù)的預(yù)測誤差作為個體適應(yīng)度值,選擇個體適應(yīng)度最小的個體作為最優(yōu)個體。經(jīng)過不斷訓(xùn)練迭代,測試誤差在波動后呈逐步下降趨勢,直至滿足訓(xùn)練誤差,訓(xùn)練性能曲線如圖5所示。

    圖5 訓(xùn)練性能曲線Fig.5 Training performance curve

    表5 誤差分析表Tab.5 Error analysis table

    5 模型對比

    從收斂性、精確性和穩(wěn)定性3個方面對GA-BP神經(jīng)網(wǎng)絡(luò)模型與BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果進(jìn)行對比后發(fā)現(xiàn):

    1)較BP神經(jīng)網(wǎng)絡(luò)模型而言,GA-BP神經(jīng)網(wǎng)絡(luò)模型可經(jīng)過更少次數(shù)的迭代達(dá)到預(yù)設(shè)的訓(xùn)練誤差,說明GA-BP神經(jīng)網(wǎng)絡(luò)模型收斂速度更快。

    2)將GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測誤差與BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測誤差進(jìn)行對比,對比結(jié)果見表6。由表6可知,GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的相對誤差更小,說明用GA優(yōu)化后的模型預(yù)測精度得到很大的提高。

    表6 誤差對比Tab.6 Eerror comparison

    3)GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測輸出均方差更小,說明訓(xùn)練結(jié)果更加穩(wěn)定。

    4)GA-BP神經(jīng)網(wǎng)絡(luò)模型收斂速度更快、精確度更高、穩(wěn)定性更好,進(jìn)一步驗證了基于模糊邏輯和GA-BP神經(jīng)網(wǎng)絡(luò)的山區(qū)公路橋梁造價預(yù)測模型的可行性和有效性。

    6 結(jié) 語

    1)本文對山區(qū)公路橋梁的工程特征進(jìn)行分析后,利用直覺模糊分析法篩選出對山區(qū)公路橋梁造價影響較大的工程特征,并將其作為模型的輸入量。簡化了模型,提高了精度。

    2)構(gòu)建了基于模糊邏輯和GA-BP神經(jīng)網(wǎng)絡(luò)的山區(qū)公路橋梁造價預(yù)測模型。并選取36組已完工程數(shù)據(jù)對模型進(jìn)行訓(xùn)練、測試、驗證,驗證表明該模型預(yù)測精度滿足要求,可應(yīng)用于山區(qū)公路簡支T型橋梁的造價預(yù)測。

    3)將GA-BP神經(jīng)網(wǎng)絡(luò)模型與BP神經(jīng)網(wǎng)絡(luò)模型的結(jié)果進(jìn)行對比,對比表明GA-BP神經(jīng)網(wǎng)絡(luò)模型收斂速度更快、精確度更高、穩(wěn)定性更好,進(jìn)一步驗證了基于模糊邏輯和GA-BP神經(jīng)網(wǎng)絡(luò)的山區(qū)公路橋梁造價預(yù)測模型的可行性和有效性。

    4)如需進(jìn)一步提高此模型的泛化能力。需在收集大量工程樣本的基礎(chǔ)上,充分考慮時間和地域因素對造價的影響,進(jìn)一步提高模型的預(yù)測精度。

    猜你喜歡
    輸入量梁橋山區(qū)
    售電側(cè)開放市場環(huán)境下基于多分位魯棒極限學(xué)習(xí)機的短期負(fù)荷預(yù)測技術(shù)
    電流互感器測量結(jié)果不確定度評定
    《山區(qū)修梯田》
    輸入量與尿量比在深Ⅱ度燒傷患者休克預(yù)防性補液中的應(yīng)用分析
    山區(qū)
    小太陽畫報(2018年7期)2018-05-14 17:19:28
    郵一堆微笑到山區(qū)
    π型鋼板應(yīng)用于板梁橋加固的非線性研究
    大熱輸入量耐火鋼埋弧焊方法
    基于攝動法的梁橋開裂后模態(tài)分析
    基于減隔震設(shè)計連續(xù)梁橋支座的選擇
    民勤县| 丹巴县| 错那县| 江城| 通山县| 安达市| 潼南县| 鄱阳县| 景德镇市| 乐东| 措美县| 翁牛特旗| 新泰市| 霍州市| 肥东县| 洛南县| 湄潭县| 新河县| 乐平市| 洛浦县| 府谷县| 改则县| 太康县| 磐安县| 绥化市| 阿合奇县| 米林县| 凤山县| 铁岭县| 铁岭市| 湄潭县| 昭苏县| 江永县| 林甸县| 达尔| 马山县| 珲春市| 安龙县| 仙居县| 重庆市| 黑龙江省|