关键词：人工智能技术；建筑工程造价；估算
引言：随着信息技术的快速发展，人工智能技术在建筑工程领域的应用是建筑工程发展的必然趋势。在人工智能技术中计算机技术作为重要的技术保障，因此，基于人工智能技术的在建筑工程造价估算中应用的研究具有非常重要的意义，人工智能技术可以保证数据估算的准确率，提高建筑工程项目的经济效益。
1.人工智能技术概述
随着现代化科学技术的迅速发展，计算机技术在人们的工作和生活领域得到了广泛的应用，计算机技术作为人类智能活动的主要工具，取代人类手工生产方式已经成为了一种科学技术发展的必然趋势。计算机技术的发展和计算机设备的应用促进了人类智能技术的发展。人工智能是人类智能的行为，依据人类智能生活发展的规律，通过计算机来运行特定的程序代码，完成人类的任务活动的行为。人们使用计算机技术建立人工智能系统，帮助人们实现某种特定的行为。人类智能技术就是通过对计算机技术的研究和开发来对人类的智能行为进行模拟。随着人工智能技术的快速发展，人工智能化系统在建筑工程造价估算中也得到了广泛的应用。通过人工智能技术对建筑工程项目的造价进行管理，对建筑工程项目进行监督，使用科学方法来提高建筑工程造价估算的准确度。
2.人工智能技术在建筑工程造价估算中的应用
在人工智能系统中把人工神经网络和遗传算法做好很好的融合，人工智能技术中的遗传算法和传统的算法相比，具有独特的功能，满足建筑工程造价估算算法的需要，提高了工程项目造价估算的准确率。
2.1人工智能技术引入工程量计算
对于工程量来说，主要是利用物理计算单位以及自然计算单位表示各个工程项目的数量，自然计量单位主要利用物体的自然数来表示工程量。工程量的计算直接以直接费为基础，并且其中工程量的计算程度也十分的精确，一些重算以及漏算将会直接影响工程造价的精确程度。对于工程量的计算其工程量很大，同时工作也十分细致，在工程编制预算中将会耗费大量的时间，并且施工企业也必须要配备大量专业的人员进行全面的设计。为了做好对工程量的计算，那么必须要制定出一个被同行业所认可的计算方式，也就是所谓的工程量计算规则，要能够保证对相关工程量的计算准确性。
2.2建筑工程造价估算模型建立
BP人工神经网络是一种常用的反向传播网络，BP人工神经网络模型包括输入输出层和隐藏层。在模型中的每一层的里面都有很多个节点，这些节点代表神经元。在 BP人工神经网络模型的每一层内，节点与节点之间不相互连接，在相邻的层与层之间节点之间是相互连接的。信息在输入层进入系统内部，在系统内每个层之间是单向传播的，通过模型内部的各个层之后从输出层离开系统。
在BP人工神经网络模型中，每一层与层之间的节点时完全连接的，层与层之间的神经元按照二权连接的方式实现连接，在单独层的神经元与神经元之间没有连接。BP网络学习过程包括正向和反向两种传播方式。
期刊文章分类查询,尽在期刊图书馆正向传播输出的误差值与预期的精度值相比，如果误差值小于设定的精度值，那么我们可以对各层神经元的权值沿着误差值的反向梯度进行修改，这样可以减小误差值，反复进行操作，如果网络中的全局误差比设定的值大了，那么就应该停止上述操作。
2.3遗传算法和人工神经网络的融合
把遗传算法和神经网络的优势进行有效的融合，遗传算法具有全局搜索的能力，这是遗传算法最大的优势。通过遗传算法对神经网络进行有效的优化，最主要的是结构化的设计。神经网络可以为遗传算法提供有效的辅助作用，遗传算法的建立我们可以在神经网络的基础之上。遗传算法对神经网络的连接权进行优化，遗传算法可以优化神经网络权值中对相应的函数，调整先关的数据，使神经网络具有更好的连接权。工程项目估算系统的所有数据都包含在神经网络的权值中。
自动设计方式是遗传算法和神经网络的一种融合方式，自动设计方式效率高，可以通过遗传算法对神经网络进行优化，这样神经网络的消极因素也就降低了，神经网络提供的神经性能的算法也是遗传算法和神经网络的一种融合方式，神经网络算法中的算法工具采用神经网络权值，可以实现对遗传算法的收敛性的改变。遗传算法对神经网络连接权进行有效的优化，可以保证遗传算法与神经网络进行很好的融合。神经网络连接权权值训练是通过函数进行优化，调整数据分析，查找出最优化的连接权。但是在一般情况的权值训练中，由于受多种方面的因素影响，参数在选择上容易出现问题，权值的训练时间会被延迟，造成收敛效率变低，整个神经网络会发生震荡的现象，工程项目估算的值准确度会受到影响，极值会出现在整个网络局部位置。神经网络连接权的优化我们通过遗传算法的方式进行计算，保证权值与连接权相对应，把样本函数的误差降到最低，提高权值的准确度，保证整个权值训练的顺利进行。
3.人工智能技术在建筑工程造价估算中的实例分析
3.1建筑工程概况
某底层建筑物，总建筑面积为4326平方米，每层为六户，共七层。该项目经实地勘察后设计，基础经填塘处理，设计使用筏板基础。外墙设置清水勾缝，内墙面进行普通粉刷，并对墙裙与地面进行油漆。
3.2建筑工程造价估算
将两个结构与类型相似的已建工程A、B作为研究对象，并根据工程特征分解为房型、楼层、基础结构以及内外部装饰等项目。依据工程项目的特征以及工程项目承包单位给出的相关费用统计表，分别赋予每个项目相应的隶属值。将每个分解项目所得的隶属值带入输入模式向量欢中进行计算，并向已建成项目的造价人员进行学习，综合分析建筑项目的影响因素，避免带入计算时出现溢出。在计算单方造价时将所有数据除以一千，即换算为每平方米一千元。构建BP神经网络模型，设置输入层的节点数为7，并根据公式得出隐含层的神经元数目为12，输出层为1。采用BP算法进行迭代计算后，得出样本的总体误差E。之后对各节点的权值进行调整与修正，进而估算建筑项目工程总价S，得出工程造价为每平方米148.89元。
将估算所得数值与建筑工程项目建成后的实际工程造价进行对比，进而验证准确度。计算输出为148.89元/平方米，实际造价为154.67元/平方米，误差比率为0.0578.
通过上述工程造价估算可知，采用BP神经网络模型对工程造价进行估算，精确度达到95%以上，这对于早期工程项目已经是较为满意的结果。在建筑工程项目建设初期可用于研究的数据并不多，通常工程造价估算的误差在10%左右。本次研究中精确度超过95%，可见准确度较高，表明这种方法是可行的。
结束语：总之，随着社会的不断发展，对于工程造价估算来说，为了保证其结果的精确性，那么一定要采用先进的人工智能化技术，从而对影响因素进行全面的分析，最终提升其准确性。
参考文献
[1]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.2016.
[2]晏文超，高淑影，耿宝亮.基于人工智能技术探讨建筑工程造价的估算[J].城市建设理论研究.2015.
[3]邢丽.基于人工智能技术的建筑工程造价估算探究[J].装饰装修天地.2016.
论文作者:陈丰迪
论文发表刊物:《建筑学研究前沿》2018年第11期
论文发表时间:2018/9/7
标签：神经网络论文; 人工智能论文; 算法论文; 工程造价论文; 建筑论文; 工程项目论文; 技术论文; 《建筑学研究前沿》2018年第11期论文;