基于 BP神经网络水利工程设计阶段造价风险评价研究

基于 BP神经网络水利工程设计阶段造价风险评价研究

汤立文

长沙湘禹建设工程有限公司 湖南长沙 410000

摘 要：水利工程建设是国家大计，降低水利工程造价对于节约国家社会经济建设成本、拉动区域发展具有重要的意义。以湖南省某大型水利工程建设为例，基于BP神经网络模型对该工程造价风险主控因素进行研究，研究发现：该水利工程造价的主控风险因素为人工工资风险、利率变化风险、技术变更风险及技术变更风险，并根据评判结果提出相应的应对措施拍；基于BP神经网络模型水利工程造价主控风险因素具有高度合理性与准确性，能够有效预测造价风险并提出相应防范措施。

关键词: 水利建设；工程造价；BP神经网络；风险评价

近年来，建设大中型水利工程是发展农村农业经济，建设小康社会的重要抓手和生力军，也是夯实农业基础和促进区域经济平稳、有序发展的基础保障。水利工程建设过程中常需要面对各种各样的风险因素，如水库滑坡、坝基失稳、坝体出现裂缝等，这些不仅导致水利工程建设效果不 佳，各个很大程度的提高水利工程造价成本，不安全也不经济。然而，针对水利工程造价进行风险评价的理论研究尚不完善，还有待研究。因此，本文通过建立一套能够全面描述和反映大中型水利工程项目造价风险特征的指标体系，以便能够全面准确地评价和监控水利工程项目造价中的风险，从而降低项目投资的风险。投资方和施工企业之间互利共存、良性互动的产业生态。常见的风险评价方法主要有调查表法和主成分分析法、模糊数学法、层次分析法等。这些方法的不足之处在于：评价过程中人为设定各种因素的权重，人的主观因素成分比较大，容易导致决策失真。为解决这一问题,本文采用一种具有自学习、自适应能力特点的基于BP神经网络的风险评价方法。结合国内相关研究文献和经验，本文以水利工程设计阶段为基本研究对象，结合工程实践经验及计价依据进行整理并系统分析，提出了水利工程设计阶段造价问题并给出了相应解决措施建议。

BP人工神经网络

BP神经网络，又称反向传播神经网络，是以BP(Back-Propagation，反向传播)算法为学习算法的多层前馈式神经网络。

BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP神经网络算法的学习过程是由正向传播和反向传播两部分组成。在正向传播过程中，输入信息从输入层经隐含层，传向输出层,每一层神经元的状态只影响下一层神经元的状态，同层之间各神经元没有连接。如果在输出层不能得到期望输出,则转入反向传播过程。反向传播是将输出误差以某种形式通过隐含层反传向输入层，并将误差分摊给各层的所有单元,并根据各层单元的误差信号，修正各单元权值，不断调整网络的权值和阈值，训练BP神经网络以使网络的误差平方和最小。

一个三层的BP网络模型，包括输入层（input layer）、隐含层(hide layer)和输出层(output layer)。其中 为BP网络输入层的输入值， 为中间隐含层的输出值， 为输出层的输出值。 为输入层到隐含层的连接权值， 为隐含层到输出层的连接权值。 为隐含层节点的阀值， 为输出层节点的阀值。期望输出与实际输出之间的方差为误差为：

_（1）

具体的学习过程如下：

（1）初始化神经网络各层之间的连接权值和神经元的阈值，设定网络基本参数，如学习步长、误差精度等。准备输入训练样本数据集合，并对指标进行标准化处理。

（2）输入样本集合，对网络模型进行训练。设输入样本 ，输入层与隐含层之间的连接权值为 ，隐含层神经元的阀值为 ， 为神经元输入与输出之间的转换函数，有线性、正弦、双曲正切、阈值型、半升梯型和Sigmoid 型函数（简称为S型转换函数）。Sigmoid型函数由于对线性和非线性问题都能很好的适应，应用最广泛，其函数形式如下式所示:

（2）

隐含层各神经元的输出值的公式为：

（3）

为表示方便，令 ， ，则隐含层输出值的公式为：

（4）

（3）根据隐含层各节点的输出值 、隐含层到输出层的连接权值 和输出层节点的阀值 ，可得到输出层神经元的输出公式：

（5）

为表示方便，令 ， ，则输出层输出值的公式为：

（6）

（4）计算实际输出与期望输出之间的误差，并与预先设定的误差值比较。如果计算的误差值小于设定误差，则回到步骤（2），选取下一个样本进行训练；反之，转入反向传播过程，按照误差调整的原则，即使误差

减小到设定水平，调整和修正网络各层的连接权值。输出层的连接权修正公式如下：

（7）

又由于

（8）

同时 （9）

（10）

所以： （11）

由公式（1.6）、（1.7）和（2.0），可得隐含层到输出层之间的连接权值调整公式：

（12）

同理，可以推导出输入层与隐含层之间的连接权值调整公式：

（13）

（5）如果网络的全局误差小于设定误差，则结束训练。否则，重新开始以上的步骤。

由于BP算法具有良好的非线性逼近能力、自学习能力、自适应能力、容错性等优点，因此被广泛应用于神经网络中。据统计显示，在实际应用中，近90%的人工神经网络采用的是BP网络或者其变化形式。

2 水利工程设计阶段造价风险评价BP网络模型

2. 1 工程概况

为研究大型水利工程造价风险主控因素以对其提出有效的防治措施，以辽宁省某水库为例，该水库的主要功能为区域灌溉蓄水、夏季防洪防涝以及部分水域水产品养殖。

该水库的流域控制面积达 52. 36km2，水库正常水位 83. 15m，枯水水位42. 36m，水库整体库容量超过 1000 万 m3。水库枢纽工程主要建筑物为建筑在坝基上的混凝土坝体、放水涵道、溢洪道及相关建筑物，大坝上游为干砌石护坡，下游为绿化护坡。

2. 2 主控风险评价指标体系的建立

参考相关文献资料，主控风险因素识别流程如图1 所示，根据层次分析法基本原理，对案例水利工程建设造价风险因素确立目标层A、准则层 Ai、子层 Aij之间的从属关系见表2，构建判断矩阵。

图 1 水利工程造价主控风险因素识别流程图

通过项目组专家的共同探讨与决定，并经过计算得七个出准则层权重为: 0. 128，0. 097，0. 243，0. 088，0. 120，0. 263，0. 061。子层权重赋值以后，可以得到子层的综合权重，如表1所示。

根据表1 所示该水利工程主控风险因素评判结果，可知属于Ⅰ级危险风险的有人工工资风险 A32、 材料设备风险A33、技术变更风险A62、技术变更风险 A62，属于Ⅱ级一般风险的风险因素有勘察设计风险 A11、投标决策风险A12、合同内容风险 A22、 计价方式风险 A23、不可抗力风险A41、气候变化风险 A42、管理人员风险 A51、场地协调风险 A52，属于Ⅲ级轻微风险的风险因素有施工工艺风险A13、施工工艺风险 A13、利率变化风险 A31、现场实际风险 A43、审计人员水平风险 A71、审计人员道德风险 A72。故可知人工工资风险 A32、材料设备风险 A33、技术变更风险 A62、技术变更风险 A62属于该大型水利工程造价风险因素中的主控因素。

表1 主控风险评价指标体系

3 相关措施建议

(1) 成本费用管理

由上述分析可知，经济风险尤其是人工工资风险以及材料设备价格变化风险是水利工程造价的主控风险因素。经济风险的起因受控于市场供需关系的波动变化，而随着工程建设，材料价格、设备价格以及人工工资水平一般均会有所提升，导致工程造价成本上升。因此建议通过采取早期大量购入材料设备，保证后期工程顺畅运行；并尽量雇用同批员工，避免发生人员变更； 最主要的是要求有关部门严密关注市场波动状态，以免再高价时购入相关物资。

(2)变更、签证费用管理

设计与技术的变更是由现场条件的突然变化导致，主要通过两种手段解决；

第一、如现场情况的突变是由于突发灾害导致，如暴雨、地震等，则应当通过及时采取有效手段降低损失或设定一定的防范措施进行防治；

第二、场地条件的突变多是由于对现场条件勘察不足，对于大型水利工程，一定要做足充分的准备工作，通过资料查询、现场踏勘、周边走访等多重手段充分了解工程附近气候条件、地层分布、地质构造发育状态等情况，作出合理的设计与施工工艺技术选择。

4结束语

基于层次分析法基本原理，通过集对分析理论对层次分析法权重计算结果进一步准确化得出更为精确合理的权重分配结果，以得出大型水利工程项目建设造价风险主控因素。

以你湖南省某水利工程为例，分析该工程造价的风险因素并根据集对分析法计算得出其主控风险素为人工工资风险、利率 变化风险、技术变更风险及技术变更风险，并提出相应的解决措施建议，并在后期建设中取得了良好的管控效果， 如图 2 所示，以求为我国大型水利工程建设工程造价成本控制提供良好的范例。

图2 水利工程造价主控风险因素管控效果

参考文献：

［1］张琦．建设项目工程造价控制方法的研究与运用［J］．财会学习，2018(32):73-74 + 77．

［2］冯江波，王鑫，李玥璿．水利工程设计阶段造价的计价依据分析［J］．山东水利，2018(08):21-22．

［3］王路．如何强化水利工程造价控制的办法［J］．黑龙江水利科技，2018，46(09):119-120．

［4］李紫薇．水利工程造价全过程的控制措施与管理分析［C］．云南省水利学会2018年度学术交流会论文集．云南省水利学会，云南省科学技术协会．2018:5．