1基于智能网络的施工进程控制方法

依托BIM模型进行施工进程的控制，其关键在于BIM模型可以提供建筑的结构设计、选材用料、工程进度等相关的各种数据和信息。而本文的思路是依托BIM模型，建立一种施工进程控制的自动化生成方法，而无需过多的人为干预，从而更高效率地完成施工以及建筑施工过程的监管。

为了达到上述目的，除了BIM模型及相关的各种数据作为输入以外，还需要依靠训练网络建立一种智能学习方法。这样，BIM模型中所带有的各种建筑结构设计信息、局部特征信息、选材用料信息，就会成为一个高数据量密集的训练样本，纳入到这个智能网络中。智能网络的输出是以各阶段施工周期的材料用量为训练样本。通过智能网络的训练，就可以实现输入和输出之间的对应关系。当智能网络达到稳定后，再用于对新建筑工程的各阶段合理材料用量进行分析，从而形成对施工进程的控制。

智能网络是以深度学习为基础的一种训练过程，目前在各个领域中广泛应用。从结构上看，智能网络具有输入、卷积、池化、连接、融合、输出等环节。根据所研究问题的不同，智能网络的结构也存在明显差异，其输入单元的数量、卷积层的数量、池化层的数量都会显著不同。训练过程中，通过不断地偏差判断，决定是否执行下一次迭代过程。如果偏差已经足够小，那么迭代过程可以停止。这个迭代过程一般通过训练适应度函数进行判断，其形式如公式（1）所示：

上述公式中，G表示的是用于智能网络迭代过程是否终止判断的适应度函数，λ表示的是用于智能网络迭代过程是否终止判断的调整参数，i表示的是智能网络迭代过程的训练次数，n表示的是智能网络迭代过程的总次数，c_i表示的是智能网络迭代过程中的实际输出数据，_io表示的是智能网络迭代过程中的预测输出数据。

进一步可以计算出智能网络迭代过程第i次迭代训练的调整度，其形式如公式（2）所示：

上述公式中，_iG表示的是用于智能网络迭代过程是否终止判断的第i代适应度函数值，g_i表示的是用于智能网络迭代过程是否终止判断的第i代调整值，λ表示的是用于智能网络迭代过程是否终止判断的调整参数。

进一步还可以计算出智能网络经过第i次调整后所在的位置，其形式如公式（3）所示：

上述公式中，g_i表示的是用于智能网络迭代过程是否终止判断的第i代调整值，g_j表示的是用于智能网络迭代过程是否终止判断的第j代调整值，p_i表示的是智能网络经过第i次调整后所在的位置，j表示的是智能网络迭代过程的训练次数，n表示的是智能网络迭代过程的总次数。

对应于本文中的建筑施工过程控制而言，不同输入单元经过不同通道的卷积处理、池化处理之后会形成融合。这里以两个通道中结果的融合为例，给出数学处理过程。其中，第一条输入数据与第二条输入数据经过卷积、池化、融合处理的效果，如公式（4）所示：

上述公式中，m_kj表示的是BIM模型及相关信息输入到智能网络中的第一条数据，R表示的是智能网络卷积层对输入数据的卷积效应，m_lj表示的是BIM模型及相关信息输入到智能网络中的第二条数据。按照同样的方法，可以得到二条输入数据与第一条输入数据经过卷积、池化、融合处理的效果，如公式（5）所示：

上述公式中，m_lj表示的是BIM模型及相关信息输入到智能网络中的第二条数据，R表示的是智能网络卷积层对输入数据的卷积效应，m_kj表示的是BIM模型及相关信息输入到智能网络中的第一条数据。

智能网络中，数据间的最终融合结果，如公式（6）所示：

m_ij表示的是两条数据经过融合处理后得到的最终结果，m_max表示的是BIM模型及相关信息输入到智能网络中各种数据中的最大值，m_min表示的是BIM模型及相关信息输入到智能网络中各种数据中的最小值，ρ(d)表示的是智能网络完成最终融合的融合函数。

2基于BIM模型的建筑施工进程控制实验结果与分析

在前面的研究工作中，依托BIM模型和智能网络的分析方法，建立了以材料用量为核心的建筑施工进程控制的技术框架。接下来通过具体实验，对这种技术产生的施工进程控制效果进行分析。实验过程中，选择的是一个大型的建筑工程项目，具体为一个包含了多个楼宇的住宅小区。这个工程项目要通过多个工期完成施工，共含有20个施工阶段，每一个施工阶段的BIM模型及相关信息，都成为智能网络的输入。这些输入对未进行的施工阶段材料用量，起到重要的借鉴和参考。据此，可以通过对材料用量的控制达到对施工进程的控制。

实验中，工程项目整体的BIM建模效果，如图1所示。

从图1中不难看出，BIM建模技术十分强大，形成了对各种建筑的3D仿真，便于设计者、施工方、承包商、销售商、用户，对整个建筑进行全面的观察。从这个整体效果来看，整个工程项目包含多个楼宇，其中高层楼宇有4个、多层楼宇有2个。各个楼宇的结构、单元数量并不完全相同。BIM建模不仅可以形成整体的效果，对于建筑内的每一个局部信息都可以形成局部展示效果，其细节特征十分清晰。例如，某一栋楼宇中的一层效果，可以抽出来进行观测，如图2所示。

在本文的研究过程中，建筑工程项目整体分为20个施工阶段，每一个施工阶段要完成某栋楼宇或楼宇局部的建设。为了便于说明本文所建立了基于BIM模型和智能网络的效果，将已经完工的前19个施工阶段的相关数据，全部作为输入，这样可以形成一个数据量非常丰富的输入样本。然后，通过这些样本对智能网络的训练，等智能网络达成稳定后，对第20个施工阶段进行预测计算，从而得到这一阶段合理的材料用量，再通过这些材料用量的合理分配，就可以达到对施工进程的有效控制。

图1 实验中建筑工程项目的整体BIM建模效果

图2 一层建筑内部的BIM模型效果

前19个施工阶段中，每个施工阶段都对应有BIM模型及配套的各种数据，从而形成五大类输入数据，可以录入到深度网络中形成输入样本。这五大类输入数据分别是：第一组输入数据，前19个施工阶段所完成的建筑面积的大小；第二组输入数据，前19个施工阶段的地基体积及选用材料；第三组输入数据，前19个施工阶段的楼梯和连廊结构及选用材料；第四组输入数据，前19个施工阶段的顶层防水及选用材料；第五组输入数据，前19个施工阶段的门窗电水井及选用材料。智能网络的输出，统一为前19个施工阶段的材料用量。对上述五组输入数据进行归一化处理，在表1中展示。

表1 五组输入数据及输出数据的展示结果

如表1所示，第一列展示的是整个建筑工程项目的各个施工阶段的序号，第二列到第六列展示的各个阶段的五组输入数据，这些数据也全部执行了归一化，这样最大值也不超过1。经过这种归一化处理，就消除了五组输入数据的量纲差异和数值大小差异，从而便于更好地送入智能网络中进行训练。最后一列展示的各个施工阶段的材料用量，单位是吨。这样在这些输入数据和输出数据的训练之下，智能网络就可以达到稳定。其后，再将其应用于第20个阶段，就可以对其材料用量进行准确预测，从而实现对这一阶段施工过程的合理控制。

在本文的研究过程中，表1中的数据送入智能网络，经过公式（1）到公式（6）的处理，就可以实现对输入数据的卷积、池化、融合等处理，并根据适应度值判断迭代过程何时结束，即智能网络何时达到稳定。整个训练过程显示，在表1中数据的训练之下，经过40次左右的迭代处理，迭代误差已经在0.001左右的水平，整个智能网络达到稳定，可以用于对第20个施工阶段的材料用量进行估算了。迭代过程的迭代误差变化情况，如图3所示。

图3 迭代过程的迭代误差变化曲线

图3中展示了本文智能网络迭代过程中迭代误差的变化规律，其横坐标代表了迭代次数，以5次为间隔，从0次开始，分别记录了0次、5次、10次、15次、20次、25次、30次、35次、40次等关键节点。纵坐标代表了迭代误差的大小，是一个无量纲单位。根据图中展示出的结果可以看出，在15次迭代之后，智能网络的迭代误差就已经很小了。但为了确保施工过程控制的精度，进一步执行迭代处理。在迭代30次以后，迭代误差达到0.001左右的水平，并且基本不再变化，表明智能网络确实达到了稳定状态。

此时，用智能网络对第20个施工阶段的材料用量进行分析预测，结合第20个施工阶段的五组输入数据的要求，最终得到第20个施工阶段的材料用量应为3 481.2吨。按照这个总体用量要求，可以对施工进程进行有效控制。

3结语

在计算机技术、信息技术、数字技术的有力支撑下，建筑工程实现了更大规模、更高高度、更大难度的跨越式发展。从施工进程方面，先进技术从根本上改变了人工设计和人工计算时代所造成的效率低下问题。在各种先进技术中，BIM技术是在建筑领域应用最为成功的技术。BIM建模技术对建筑工程的设计及施工具有非常重要的意义，尤其是通过BIM技术构造的建筑模型，形成了建筑设计的三维化、可视化。

本文中，为了避免人为因素的干预，实现施工过程的有效控制，依托BIM模型构建了智能网络，用于建筑施工进程的控制。这个智能网络以BIM模型及相关数据为输入，进而经过卷积、池化、融合等处理，最终和施工阶段所需的材料用量建立联系。对于这个智能网络，给出了迭代误差判定的适应度函数、卷积、池化、融合等关键处理。实验过程中，针对实验地的建筑工程项目进行测试，以前19个阶段的五组输入数据和材料用量作为输出数据，对智能网络进行训练，迭代30次以后智能网络达成稳定，在40次训练后迭代误差小于0.001。由此，对第20个施工阶段的材料用量进行预测，得到其合理值为3 481.2吨。按照这个总体用量要求，可以对施工进程进行有效控制，形成对施工进程控制的有效指导。