1、市政桥梁工程投资估算模型研究以空心板桥梁为例摘 要对我国目前市政工程建设的现状及市政桥梁在其中的地位进行了介绍，对我国市政桥梁建设过程中的工程投资估算的模型方法进行了介绍，指出目前模型存在的不足，提出了利用神经网络来构建市政桥梁工程投资估算模型，并且利用样本数据对模型进行了构建和仿真，实现了预期的效果。 关键词市政桥梁 投资估算 模型 研究 中图分类号：S882 文献标识码：A 文章编号：1009-914X（2016）10-0129-01 1.引言 在我国市政桥梁建设规模正在逐年的增多，并且迎来了高速建设的时期，很多城市都将设计难度较大，形状较为特殊的市政桥梁作为城市自身的标志。比如非常著名的
2、长约 36 公里的杭州湾大桥，该市政桥梁投资约为 107 亿元；苏通大桥全长 1.09 公里，投资人民币达到 64.5 亿元。这是较大的市政桥梁，在市政工程中所包含的中小型的市政桥梁更是不计其数，即桥梁规模不大的这种工程数量巨大，市政桥梁的存在大大拉升了市政工程建设过程中的投资。由于市政工程往往涉及的金额是巨大的，因而开展对市政桥梁工程的投资估算研究就显得极为迫切。市政桥梁工程不仅投资巨大而且工程非常复杂，因而市政桥梁的建设以及管理都要严格按照既定的程序来执行，目的就是对市政桥梁工程的造价进行控制。对于市政桥梁工程的估算往往是对市政桥梁工程造价进行控制的有效手段之一，投资估算编制是否合理也会直
3、接影响到对市政桥梁工程投资限额。因而如果在市政桥梁工程的前期没有对工程进行合理编制，所造成的后果往往就是预算编制和实际严重不符，就很可能会出现三超现象，以及资金不到位的问题。这种情况会严重阻碍市政工程的顺利执行，甚至可能导致市政工程建设陷入僵局，给国家带来巨大的经济损失。所以在桥梁市政工程执行的过程中，应该注意对于投资估算的决策，努力提高投资估算的准确程度，充分体现投资估算对于工程造价的控制作用，目前对于市政桥梁投资估算模型的研究为该领域的热点问题。 2.市政桥梁工程投资估算主要的模型 在市政工程建设的过程中都会具有一定的行业规范，在行业规范当中针对市政桥梁工程投资估算往往是以估算法作为各个指
4、标计算的基础。对于行业中的各个投资指标进行一系列的计算，目前针对市政桥梁工程投资估算的模型还没有像其他领域如公路工程那样规范，在规范中对于分部分项以及价格信息等都有较及时的体现，能基本满足对于市政桥梁项目实施可行性研究阶段所需要的指标和数据。从目前市政桥梁工程投资估算过程中对于各项指标的利用的情况来看，随着科学技术的不断进步，各种新的材料出现以及技术的进步，指标问题不全面以及指标价格不明确等信息成为了投资估算过程中的主要障碍，对于市政桥梁估算是一个不得不解决的问题。但是新的投资估算指标的建立过程又不是一蹴而就的，即在解决现实问题的过程中还没有特别合适的指标。因而目前亟待一种新的模型能够解决上述
5、问题。 3.基于神经网络的市政桥梁工程投资估算主要模型 本文将神经网络模型应用于市政桥梁工程投资估算模型，并且以空心板桥梁为例，通过对神经网络应用于市政桥梁估算模型的可行性分析，将神经网络模型应用于市政桥梁投资估算模型具备可行性和可实施性具备较好的性质。利用神经网络模型来对市政桥梁工程投资估算以空心板桥梁为例主要包括以下重要的环节：1）样本数据的采集；2）样本数据的归一化处理；3）对处理后的数据进行神经网络训练；4）对于训练输出的数据进行仿真等。 3.1 样本数据分析 根据上述神经网络的构建的过程，首要的是选取模型建立所需要的样本数据。样本数据是关于输入和输出的数据。首先对于指标进行因果检验看
6、其是否存在理论上的因果关系，如果二者存在因果上的关系则可以将二者一个参数作为输入而另外一个作为输出，即有多少个输入就需要做多少组因果分析，然后利用这些样本数据来构建神经网络模型，选择一部分数据作为模型构建使用以及最后的仿真验证使用，即不仅可以用于构建模型来使用而且还可以用来检验模型的精度。将选择的样本数据作为模型的输入，将模型中的参数利用有意义的字符串来代替，如桥梁的跨径，数量，桥梁宽度，桥面的厚度，以及承台和地质等，另外还包括项目措施和总的投资费用。将所选好的数据输入到神经网络模型中，首先生成数据矩阵，而投资的总额作为系统的输出，生成目标矩阵来使用。 3.2 数据归一化处理 然后对输入的数据
7、矩阵和目标矩阵进行归一化的处理，也就是对于数据进行预处理操作。归一化处理一般用于无量纲的数据处理，也就是将有量纲的数据通过统一标准的转化，将其变为无量纲表达的过程。归一化一般就是用于对样本数据进行归一化的处理，样本的统计概率分布在 0 和数值 1 之间，数值坐标的范围一般为-1 到 1 之间。正是由于在空心板桥梁建设的过程中有太多的参数的量纲不一致，这就是很多输入的指标参数不一致。而在神经网络模型训练的过程中所要求的必须要使得数据一致，通过这样方式消除噪声干扰，使得模型的准确性得到保障。在 matlab 软件中有相应的数据处理模块来对数据进行归一化的处理。本模型建立的过程中进行样本归一化处理就
8、是使用的 matlab 软件中的函数，在该函数的帮助说明中具有该函数的实现算法以及使用说明，可以根据该函数的说明来对所选取得样本数据进行归一化的处理，最终得到归一化的输入和输出矩阵。 3.3 神经网络参数训练 对于神经网络的参数进行计算，主要使用的是样本数据以及样本数据所形成的网络结构，通过对参数进行调整不断的进行逆向误差的计算，从整个神经网络模型的输出环节到输入环节不断的对各个参数进行修正，这些参数主要是指链接神经网络各个层次的权值。在 matlab 软件中也有专门的生产神经网络的函数 newff，该函数可以用于生成神经网络。PR参数为输入矩阵中的最大和最小值矩阵；其中 si 为第 i 层神
9、经网络的数量；TFi 为相对应的激励函数；BTF 为相应的训练函数；BLF 为学习算法；PF 为相应的性能函数。通过样本的输入及参数的训练就能够得到训练之后的神经网络，本实验将训练的次数设置在 1000，通过神经网络训练，可以从下面的曲线看出参数都有较好的收敛。 结论 市政桥梁工程在目前甚至是以后相当长的一段时间内仍然是我国市政建设过程中非常重要的一环。开展对市政桥梁工程投资估算模型的研究，能够有效的为我国市政桥梁的建设提供技术上的支持。并且能够有效的控制工程造价，对于我国市政工程的建设和发展具有十分重要的意义。 参考文献 1 刘立军.桥梁工程的经济分析及降低造价的措施J.科技与企业. 2012（19）. 2 李丽琴.增值税扩围改革试点地区的确定因素和选择基于聚类分析的结果J.地方财政研究.2012（09）. 3 刘忠林，白玉峰.桥梁工程造价管理与控制J.黑龙江科技信息. 2012（24）.
