CN117035431B - 基于人工智能的机场工程项目建设风险评估方法 - Google Patents
基于人工智能的机场工程项目建设风险评估方法 Download PDFInfo
- Publication number
- CN117035431B CN117035431B CN202311236740.0A CN202311236740A CN117035431B CN 117035431 B CN117035431 B CN 117035431B CN 202311236740 A CN202311236740 A CN 202311236740A CN 117035431 B CN117035431 B CN 117035431B
- Authority
- CN
- China
- Prior art keywords
- engineering
- project
- contract
- risk
- amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010276 construction Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000012502 risk assessment Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 38
- 239000004567 concrete Substances 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000012954 risk control Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000009412 basement excavation Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000002790 cross-validation Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000007596 consolidation process Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 42
- 238000004458 analytical method Methods 0.000 abstract description 12
- 239000004575 stone Substances 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 10
- 239000000463 material Substances 0.000 description 8
- 239000011435 rock Substances 0.000 description 8
- 238000005553 drilling Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 5
- 239000011384 asphalt concrete Substances 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000009430 construction management Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 239000011513 prestressed concrete Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009490 roller compaction Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000029052 metamorphosis Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000011178 precast concrete Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000010723 turbine oil Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的机场工程项目建设风险评估方法,包括:获取机场工程项目的工程指标信息;对所述工程指标信息进行概算编码处理,得到编码数据;将编码数据与每个合同报价单项建立联结关系,确定合同完成情况的统计表;将统计表输入预先训练好的深度学习模型中,输出风险评估值。对工程指标信息进行有效的管理,便于用户把握项目情况及项目风险。工程指标管理与工程其他指标融合管理,基于综合指标,实现多维度参与工程建设过程中的风险预警分析,以更全面的视角评估合同执行情况,避免过于简化的分析,提高决策的准确性。工程指标与现代工程风险管理深度结合,更准确地评估项目的风险和优化方向。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种基于人工智能的机场工程项目建设风险评估方法。
背景技术
目前,随着基础设施建设的不断推广和完善,各类基建工程不断增加,这也使得基础设施领域的施工难度不断增加。在大型基建工程的建设和施工过程中,有很多的风险和问题需要被有效的管控和解决。施工阶段风险是影响项目施工进度、质量、安全、成本等因素的重要指标。建设工程涉及的方方面面非常广泛,包括土地、设计、建造、材料、人员和设备管理方面等,它们互相影响导致了整体的风险变化。因此,施工过程的高质量管理成了保障工程质量和进度的重要手段。而施工指标则成了评估管理的重要依据,通过精细的施工指标管控研究,有助于在工程的施工阶段实现风险管控,降低项目经济成本,提高项目的竞争力和经济效益。因此,对于在机场工程项目风险管理领域中,研究一种基于人工智能技术的机场工程项目管理建设风险防范方案,对于提高建设工程项目施工阶段管理效率和风险控制能力具有重要意义。
现有技术中存在以下技术问题:1.工程指标管理未与工程其他指标融合管理,结构单一。工程量指标是对构成工程实体主要构件或要素数量的统计分析,包括单方钢筋、混凝土、模板等工程量以及按建筑项目用途统计分析的单方地面、天棚、内墙、外墙等装饰工程量。少见与其他工程指标进行融合管理,单一指标管理无法最大化发挥工程指标的作用,不能多维度参与工程建设过程中的风险预警分析。2.工程指标未与现代工程风险管理深度结合,无法融入业务。在实际管理过程中,由于主观因素等原因,工程指标与建设管理实际脱离。工程指标不能与成本、进度等业务进行融合,无法参与施工阶段风险防范预判,降低了项目的经济性。3、对工程指标信息缺乏***性的管理,无法有效的形成项目的情况统计表,不利于用户把握项目情况及项目风险。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此,本发明的目的在于提出一种基于人工智能的机场工程项目建设风险评估方法,对工程指标信息进行有效的管理,便于用户把握项目情况及项目风险。工程指标管理与工程其他指标融合管理,基于综合指标,实现多维度参与工程建设过程中的风险预警分析,以更全面的视角评估合同执行情况,避免过于简化的分析,提高决策的准确性。工程指标与现代工程风险管理深度结合,更准确地评估项目的风险和优化方向。
为达到上述目的,本发明实施例提出了一种基于人工智能的机场工程项目建设风险评估方法,包括:
获取机场工程项目的工程指标信息;
对所述工程指标信息进行概算编码处理,得到编码数据;
将编码数据与每个合同报价单项建立联结关系,确定合同完成情况的统计表;
将统计表输入预先训练好的深度学习模型中,输出风险评估值。
根据本发明的一些实施例,对所述工程指标信息进行概算编码处理,得到编码数据,包括:
对所述工程指标信息进行解析,确定项目名称、工程项目概算、工程量指标及工程的成本管理对象;
根据项目名称、工程项目概算、工程量指标及工程的成本管理对象,基于分层次编码规则,实行四段式编码结构矩阵,生成编码数据。
根据本发明的一些实施例,所述四段式编码结构矩阵,包括:第一段为工程类别与项目名称,第二段为概算层级码,第三段为工程指标码,第四段为切块执行概算。
根据本发明的一些实施例,所述工程类别与项目名称,为一层编码,用一位字母表示项目名称;
所述概算层级码,为五层编码,第一层表示工程项目门类,用一位字母表示;第二层表示工程项目大类,用二位***数字表示;第三层表示工程概算一级项目,用二位***数字表示;第四层表示工程概算二级项目,用二位***数字表示;第五层表示顺序号,用两位***数字表示;
所述工程指标码,为四层编码,第一层用一位***数字或一位字母表示分类工程指标;第二层用一位***数字表示类别或性质;第三层及第四层表示工程指标详细分类;
所述切块执行概算,为一层编码,用三位字符表示分块概算,三位字符包括数字字符及字母字符。
根据本发明的一些实施例,所述工程指标信息包括:土方明挖工程、石方明挖工程、地下洞室开挖工程、土方填筑工程、石方填筑工程、砼工程、锚杆工程、锚索工程、帷幕灌浆工程、固结灌浆工程、接触灌浆和接缝灌浆工程、回填灌浆工程、砼防渗墙工程、设备费、临时施工房屋及永久施工房屋工程、其他工程。
根据本发明的一些实施例,所述设备费包括设备原价、运杂费、运输保险费、特大件运输增加费和采购及保管费。
根据本发明的一些实施例,得到预先训练好的深度学习模型的方法,包括:
获取不同项目的历史数据;所述历史数据包括合同金额、支付金额、概算金额、工程量清单项、工程单价、工程质量、工程进度、风险控制;
根据所述历史数据构建特征集合;所述特征集合包括工程量清单项的数量和类型、工程单价的分布和变化、工程质量评估、工程进度评估及风险控制评估;
基于预设算法设置预测综合指标,并根据预测综合指标构建基于神经网络的算法模型;
基于历史数据对算法模型进行训练,使用交叉验证来优化模型参数;
引入优化算法,采用遗传算法来优化计算预测综合指标的参数权重,根据最小化预测结果与实际情况的误差进行调优,得到优化算法模型;
获取测试项目数据,并根据测试项目数据对优化算法模型基于均方根误差指标进行评估,判断优化算法模型的性能,在性能合格时,得到训练好的深度学习模型。
根据本发明的一些实施例,基于预设算法设置预测综合指标,包括:
预测综合指标公式:
H=(α*(C-P)+β*R)*T*(W_1*Q_i+W_2*S_i+W_3*Ti)/(P*(A-C))
其中,α和β为用于平衡合同金额与支付金额差异以及合同金额与概算金额差异的权重系数;T为合同支付金额,是指统计表中计量工程量清单乘以单价的金额;T=∑(i=1)^(n)E_i*U_i;E_i为统计表中工程量清单的第i项工程量;U_i为统计表中工程量清单的第i项工程单价;n为工程量清单中的总项数;R为指支付金额与合同金额之差与合同金额与概算金额之差的比例;R=(C-P)/(A-C);C为合同金额,是指签订合同约定的付款总额,包括工程量清单、质量、时间;P为支付金额,是指已完成的实际付款总额,和合同金额相比可以反映目前的合同执行情况;A为概算金额,是指根据项目特性和预期范围,预先估算的工程总造价;H为预测综合指标,是用于评价合同的执行情况的风险和优化方向的一个数值;Q_i为工程的第i项质量得分;S_i为工程的第i项进度得分;T_i为工程的第i项风险控制得分;W_1为工程质量权重,是指工程质量对超概算和支付的影响程度;W_2为工程进度权重,是指工程进度对超概算和支付的影响程度;W_3为风险控制权重,是指风险控制对超概算和支付的影响程度。
根据本发明的一些实施例,根据预测综合指标构建基于神经网络的算法模型,包括:
分析评估机场工程项目的建设风险的复杂性和数据特点,确定神经网络结构:设置输入层:输入层的神经元数量应与机场工程项目中选择的特征数量相匹配,每个神经元对应一个特征;设置隐藏层:使用多个隐藏层来捕捉数据中的复杂模式;每个隐藏层的神经元数量和激活函数基于数据特点来设定;设置输出层:输出层的神经元数量为3,用于预测项目合同执行;选择激活函数:所述激活函数为ReLU、Sigmoid、Tanh中的至少一种;初始化权重和偏置:设置预测综合指标,对神经网络的权重和偏置进行随机初始化,后期在训练过程中进行调整;
选择优化算法:采用优化算法,用于更新权重和偏置,以最小化损失函数;
设置损失函数:使用均方根误差作为损失函数,用于度量模型预测值与实际值之间的差距;
模型编译:将神经网络结构、选择的优化算法和损失函数组合成一个完整的算法模型。
根据本发明的一些实施例,还包括:
将所述风险评估值与预设风险评估阈值进行比较,在确定风险评估值大于预设风险评估阈值时,发出报警提示至用户终端。
本发明提出了一种基于人工智能的机场工程项目建设风险评估方法,对工程指标信息进行有效的管理,便于用户把握项目情况及项目风险。工程指标管理与工程其他指标融合管理,基于综合指标,实现多维度参与工程建设过程中的风险预警分析,以更全面的视角评估合同执行情况,避免过于简化的分析,提高决策的准确性。工程指标与现代工程风险管理深度结合,更准确地评估项目的风险和优化方向。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明一个实施例的基于人工智能的机场工程项目建设风险评估方法的流程图;
图2是根据本发明一个实施例的编码结构矩阵的示意图;
图3是根据本发明一个实施例的合同完成情况的统计表的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提出了一种基于人工智能的机场工程项目建设风险评估方法,包括步骤S1-S4:
S1、获取机场工程项目的工程指标信息;
S2、对所述工程指标信息进行概算编码处理,得到编码数据;
S3、将编码数据与每个合同报价单项建立联结关系,确定合同完成情况的统计表;
S4、将统计表输入预先训练好的深度学习模型中,输出风险评估值。
上述技术方案的工作原理:在建设机场工程项目的施工阶段,项目风险是影响项目成功与否的关键因素。因此,建立有效的施工指标管控***是保障施工管理效率、降低项目风险、实现项目管理可持续性的重要手段。获取机场工程项目的工程指标信息,对所述工程指标信息进行概算编码处理,得到编码数据;利用分层次结构编码方法,分为四段式编码结构,使得工程项目可以进行全方位管控,同时也提高了成本管控效率。
该实施例中,对所述工程指标信息进行概算编码处理,得到编码数据;将编码数据与每个合同报价单项建立联结关系,即确定每个编码数据对应的合同的资金项,确定关联关系,引入资金维度,参与施工阶段风险防范预判,便于提高风险评估准确性。确定合同完成情况的统计表;通过工程指标与概算结合,可实时查看各标段工程进展情况,反映工程投资完成情况、工程进展等情况。如图3所示,确定各个工程指标的合同工程量、合同金额、统计时间段内的工程量及金额、基于承包单位填报、监理工程师审核、项目部认定等确定的本月完成情况等。
该实施例中,风险评估值为预测综合指标数值。
上述技术方案的有益效果:对工程指标信息进行有效的管理,便于用户把握项目情况及项目风险。工程指标管理与工程其他指标融合管理,基于综合指标,实现多维度参与工程建设过程中的风险预警分析,以更全面的视角评估合同执行情况,避免过于简化的分析,提高决策的准确性。工程指标与现代工程风险管理深度结合,更准确地评估项目的风险和优化方向。
如图2所示,根据本发明的一些实施例,对所述工程指标信息进行概算编码处理,得到编码数据,包括:
对所述工程指标信息进行解析,确定项目名称、工程项目概算、工程量指标及工程的成本管理对象;
根据项目名称、工程项目概算、工程量指标及工程的成本管理对象,基于分层次编码规则,实行四段式编码结构矩阵,生成编码数据。
上述技术方案的工作原理及有益效果:基于项目名称生成编码数据的第一段为工程类别与项目名称,基于工程项目概算生成编码数据的第二段为概算层级码,基于工程量指标生成编码数据的第三段为工程指标码,基于工程的成本管理对象生成编码数据的第四段为切块执行概算,便于基于数字化的方式准确确定编码数据,便于进行数据管理,提高了数据管理的效率及准确性。
根据本发明的一些实施例,所述四段式编码结构矩阵,包括:第一段为工程类别与项目名称,第二段为概算层级码,第三段为工程指标码,第四段为切块执行概算。
上述技术方案的工作原理及有益效果:四段式编码结构矩阵,包括:第一段为工程类别与项目名称,第二段为概算层级码,第三段为工程指标码,第四段为切块执行概算,其中,概算层级码主要用于标识工程的成本管理对象,收集成本信息;切块执行概算则用于实现部门管理的贯通。对于工程建设的各个阶段,都需要从多个角度进行综合分析和管理,以避免潜在的风险影响。在这种情况下,建立工程资金链管控体系非常重要,可以提高工程建设的风险防范水平。根据对工程指标信息进行概算编码处理,形成工程资金链管控体系,通过数字化手段提供工程建设管理所需的各项基础数据,包括合同、成本数据等,以实现工程建设的高效率管理和风险控制。
根据本发明的一些实施例,所述工程类别与项目名称,为一层编码,用一位字母表示项目名称;
所述概算层级码,为五层编码,第一层表示工程项目门类,用一位字母表示;第二层表示工程项目大类,用二位***数字表示;第三层表示工程概算一级项目,用二位***数字表示;第四层表示工程概算二级项目,用二位***数字表示;第五层表示顺序号,用两位***数字表示;
所述工程指标码,为四层编码,第一层用一位***数字或一位字母表示分类工程指标;第二层用一位***数字表示类别或性质;第三层及第四层表示工程指标详细分类;
所述切块执行概算,为一层编码,用三位字符表示分块概算,三位字符包括数字字符及字母字符。
上述技术方案的工作原理及有益效果:各编码段含义如下:
第一段表示工程类别与项目名称,具体含义如下:第一段用一位字母表示项目名称。L表示xx基建工程;
第二段表示工程项目概算层级码,具体含义如下:第二段包括五层。第一层用一位字母表示工程项目门类,第二至五层分别用二位***数字表示概算的大类至四级项目。第一层表示工程项目门类,用一位字母表示。示例的,A施工辅助工程、B建筑工程、N表示其他不列投资项目。第二层表示工程项目大类,用二位***数字表示。如:在施工辅助工程类别下01表示施工交通工程、第三层表示工程概算一级项目,用二位***数字表示。如:在施工辅助工程的施工交通工程类别下01表示公路工程、其他类别依此类推。第四层表示工程概算二级项目,用二位***数字表示,如:在施工辅助工程的施工交通工程的公路工程类别下01表示左岸公路工程、02表示右岸公路工程。其他类别依此类推。第五层表示顺序号,用两位***数字表示。
第三段表示工程量指标码,具体含义如下:第三段包括四层,第一层用一位***数字或一位字母表示分类工程指标,第二层用一位***数字表示类别或性质,第三、四层表示工程指标详细分类。
第四段表示切块执行概算,具体含义如下:第四段包括一层,用三位字符表示分块概算,数字字符混用。如A00表示集团公司、B00表示工程***。概算编码主要用于标识工程的成本管理对象,收集成本信息。同时,每一个合同报价单项都必须和概算码建立联结关系。
如图2所示,示例的,从左到右对编码数据进行解析,第一段:L为XX基建工程(工程项目名称)、第二段:A为施工辅助工程(工程项目门类)、第一个01为施工交通工程(大类项目)、第二个01为公路工程(一级项目)、第三个01为左岸公路工程(二级项目)、第四个01为左进厂上延线隧洞(顺序码)、第三段:1200为土石方明挖(工程指标码)、第四段:A00(切块概算)。
根据本发明的一些实施例,所述工程指标信息包括:土方明挖工程、石方明挖工程、地下洞室开挖工程、土方填筑工程、石方填筑工程、砼工程、锚杆工程、锚索工程、帷幕灌浆工程、固结灌浆工程、接触灌浆和接缝灌浆工程、回填灌浆工程、砼防渗墙工程、设备费、临时施工房屋及永久施工房屋工程、其他工程。
根据本发明的一些实施例,所述设备费包括设备原价、运杂费、运输保险费、特大件运输增加费和采购及保管费。
上述技术方案的工作原理及有益效果:1.土方明挖工程:工程量以m3计,统计内容包括平整场地(以m2计的就地挖填找平项目,工程量不累加,费用计入土方明挖项目)、挖一般土方、挖淤泥流砂、清理塌方、挖沟槽、挖柱坑。2.石方明挖工程:工程量以m3计,统计内容包括干地石方明挖和水下石方明挖。其中:干地石方明挖包括一般石方开挖、沟槽石方开挖、坑石方开挖;水下石方开挖包括水下表层石方开挖、水下钻爆石方开挖、水下岩塞石方开挖。3.地下洞室开挖工程:工程量以m3计,统计内容包括石方洞挖和土方洞挖。包括平洞、洞室、斜井、竖井开挖。4.土方填筑工程:工程量以m3计。统计内容包括土方铺筑、土(石)方回填、袋装土堆筑、土工合成材料。5.石方填筑工程:工程量以m3计。统计内容包括堆石料填筑、过渡料填筑、垫层料填筑、反滤料填筑、一般石方填筑、抛投块体。6.砼工程:包括现浇砼工程、预制砼工程、碾压砼工程、沥青砼工程和喷砼工程。6.1现浇砼工程:工程量以m3计。统计内容包括坝体砼、防渗面板砼、基础底板砼、墩坎砼、溢流面砼、衬砌砼、板梁柱砼、膜袋砼、预应力砼、水下砼、二期砼等以及其他砼。6.2预制砼工程:工程量以m3计。统计内容包括预制普通砼构件、预制预应力砼构件的制作、运输、安装等。6.3.碾压砼工程:工程量以m3计。统计内容包括碾压砼、***砼。6.4.沥青砼工程:工程量以m3计。统计内容包括沥青砼面板、沥青砼墙。6.5.喷砼工程:工程量以m2、m3计,统计内容包括喷素砼和喷钢纤维砼。7.锚杆工程:工程量以根、吨计,统计内容包括普通锚杆、高强锚杆、预应力等各种工艺结构形式的锚杆。包括管棚、锚钉、锚桩。8.锚索工程:工程量以束计,统计内容包括各种工艺结构形式的砼或岩石预应力锚索。9.帷幕灌浆工程:统计内容包括钻帷幕灌浆孔、帷幕灌浆、排水孔、检查孔、检查孔压水试验、观测孔等,工程量分别以灌浆钻孔工程量m和以帷幕灌浆工程量m、吨计。注:减渗灌浆归入帷幕灌浆中。10.固结灌浆工程:统计内容包括钻固结灌浆孔、固结灌浆、排水孔、检查孔、检查孔压水试验、观测孔等,工程量分别以灌浆钻孔工程量m和以固结灌浆工程量m、吨计。11.接触灌浆和接缝灌浆工程:统计内容包括钻(扫)灌浆孔、接触和接缝灌浆、排水孔、检查孔、检查孔压水试验、观测孔等,工程量以接触和接缝灌浆工程量m2计。12.回填灌浆工程:统计内容包括钻(扫)回填灌浆孔、回填灌浆、排水孔、检查孔、检查孔压水试验、观测孔等,工程量以回填灌浆工程量m2计。13.砼防渗墙工程:统计内容包括各种结构和工艺形式的用于防渗的砼连续墙和高压旋喷墙等,工程量以m2或m3计。14设备费:由设备原价、运杂费、运输保险费、特大(重)件运输增加费、采购及保管费等组成。14.1国产设备原价:指设备出厂价。14.2进口设备原价由设备到岸价和进口环节征收的关税、增值税、银行手续费、外贸手续费、消费税、车辆购置税等组成。免征关税的设备应计列海关监管费。14.3大型机组分瓣运至工地后的现场拼装加工费用包括在设备原价内;如需设置拼装场,其建设费用也包括在设备原价中。14.4运杂费指设备由厂家或到岸港口运至工地安装现场所发生的一切运杂费用。主要包括运输费、调车费、装卸费、设备供销部门的手续费、包装绑扎费、变压器充氮费,以及其他杂费。但设备场内二次运杂费列入安装费中。14.5运输保险费指设备在运输过程中的保险费用。14.6特大(重)件运输增加费指水轮发电机组、桥式起重机、主变压器、GIS等大型设备场外运输过程中所发生的一些特殊费用,包括道路桥梁改造加固费、障碍物的拆除及复建费等。14.7采购及保管费指设备在采购、保管过程中发生的各项费用。主要包括、采购保管部门的管理费、零星固定资产折旧费,技术安全措施费和设备的检验、试验费等。14.8随设备成套供货的零部件(包括备品备件、专用工器具)、设备体腔内定量充填物(如透平油、绝缘油、SF6气体等)均作为设备。无论成套供应、现场加工或零星购置的贮气罐、贮油罐、盘用仪表、机组本体上的梯子、平台和栏杆等均作为设备。14.9SF6管型母线,110KV及以上高压电缆、电缆头等均作为设备。14.10管道和阀门如构成设备本体时作为设备,否则应作为材料。14.11.随设备供应的保护罩、网门等,已计入相应出厂价格中的作为设备,否则应作为材料。14.12机组试验模型费用列入设备费。15、临时施工房屋及永久施工房屋工程:工程量建筑平方米。统计内容包括构成房屋工程造价及室外工程的所有内容。16、其他工程是指除以上主要工程指标外的项目。
根据本发明的一些实施例,得到预先训练好的深度学习模型的方法,包括:
获取不同项目的历史数据;所述历史数据包括合同金额、支付金额、概算金额、工程量清单项、工程单价、工程质量、工程进度、风险控制;
根据所述历史数据构建特征集合;所述特征集合包括工程量清单项的数量和类型、工程单价的分布和变化、工程质量评估、工程进度评估及风险控制评估;
基于预设算法设置预测综合指标,并根据预测综合指标构建基于神经网络的算法模型;
基于历史数据对算法模型进行训练,使用交叉验证来优化模型参数;
引入优化算法,采用遗传算法来优化计算预测综合指标的参数权重,根据最小化预测结果与实际情况的误差进行调优,得到优化算法模型;
获取测试项目数据,并根据测试项目数据对优化算法模型基于均方根误差指标进行评估,判断优化算法模型的性能,在性能合格时,得到训练好的深度学习模型。
上述技术方案的工作原理及有益效果:该实施例中,首先进行数据收集及预处理,获取不同项目的历史数据;所述历史数据包括合同金额、支付金额、概算金额、工程量清单项、工程单价、工程质量、工程进度、风险控制等。例如,多个工程建设项目,每个项目有不同的项目概算、合同金额、支付金额、工程质量、工程进度等数据。
该实施例中,根据所述历史数据构建特征集合;所述特征集合包括工程量清单项的数量和类型、工程单价的分布和变化、工程质量评估(如质量合规性、质量问题数量等)、工程进度评估(如进度延误情况、关键里程碑达成情况等)及风险控制评估(如风险识别和应对策略的有效性);
该实施例中,基于预设算法设置预测综合指标,是将工程量清单乘以单价与支付金额、合同金额、概算金额等参数之间的关系进行综合评估,同时引入工程质量、工程进度和风险控制的权重因子,计算出来的一个数值,用于评价合同的执行情况的风险和优化方向。
该实施例中,基于历史数据对算法模型进行训练,使用交叉验证来优化模型参数,以提高预测准确性。
该实施例中,引入优化算法,采用遗传算法来优化计算预测综合指标的参数权重,具体为:工程质量权重(W1)、工程进度权重(W2)、风险控制权重(W3)。根据最小化预测结果与实际情况的误差进行调优,得到优化算法模型;
该实施例中,获取测试项目数据,并根据测试项目数据对优化算法模型基于均方根误差指标((RMSE))进行评估,判断优化算法模型的性能,在性能合格时,得到训练好的深度学习模型,打造深度学习模型,将综合指标H方法与人工智能技术结合,构建一个基于机器学习的综合评估模型,以更准确地评估合同的执行情况的风险和优化方向。
根据本发明的一些实施例,基于预设算法设置预测综合指标,包括:
预测综合指标公式:
H=(α*(C-P)+β*R)*T*(W_1*Q_i+W_2*S_i+W_3*Ti)/(P*(A-C))
其中,α和β为用于平衡合同金额与支付金额差异以及合同金额与概算金额差异的权重系数;T为合同支付金额,是指统计表中计量工程量清单乘以单价的金额;T=∑(i=1)^(n)E_i*U_i;E_i为统计表中工程量清单的第i项工程量;U_i为统计表中工程量清单的第i项工程单价;n为工程量清单中的总项数;R为指支付金额与合同金额之差与合同金额与概算金额之差的比例;R=(C-P)/(A-C);C为合同金额,是指签订合同约定的付款总额,包括工程量清单、质量、时间;P为支付金额,是指已完成的实际付款总额,和合同金额相比可以反映目前的合同执行情况;A为概算金额,是指根据项目特性和预期范围,预先估算的工程总造价;H为预测综合指标,是用于评价合同的执行情况的风险和优化方向的一个数值;Q_i为工程的第i项质量得分;S_i为工程的第i项进度得分;T_i为工程的第i项风险控制得分;W_1为工程质量权重,是指工程质量对超概算和支付的影响程度;W_2为工程进度权重,是指工程进度对超概算和支付的影响程度;W_3为风险控制权重,是指风险控制对超概算和支付的影响程度。
上述技术方案的工作原理及有益效果:预测综合指标公式中,分子部分表示对超概算和支付的影响程度;分母部分表示工程造价的关键因素,考虑合同金额、概算金额之间的关系;W1、W2、W3是工程质量、工程进度、风险控制的权重,用于反映这些因素对超概算和支付的不同程度影响。
根据本发明的一些实施例,根据预测综合指标构建基于神经网络的算法模型,包括:
分析评估机场工程项目的建设风险的复杂性和数据特点,确定神经网络结构:设置输入层:输入层的神经元数量应与机场工程项目中选择的特征数量相匹配,每个神经元对应一个特征;设置隐藏层:使用多个隐藏层来捕捉数据中的复杂模式;每个隐藏层的神经元数量和激活函数基于数据特点来设定;设置输出层:输出层的神经元数量为3,用于预测项目合同执行;选择激活函数:所述激活函数为ReLU、Sigmoid、Tanh中的至少一种;初始化权重和偏置:设置预测综合指标,对神经网络的权重和偏置进行随机初始化,后期在训练过程中进行调整;
选择优化算法:采用优化算法,用于更新权重和偏置,以最小化损失函数;
设置损失函数:使用均方根误差作为损失函数,用于度量模型预测值与实际值之间的差距;
模型编译:将神经网络结构、选择的优化算法和损失函数组合成一个完整的算法模型。
上述技术方案的工作原理及有益效果:分析评估机场工程项目的建设风险的复杂性和数据特点,确定神经网络结构,即确定神经网络的层数、每层的神经元数量、激活函数等。输入层:输入层的神经元数量应与选择的特征数量相匹配,每个神经元对应一个特征。隐藏层:可以使用多个隐藏层来捕捉数据中的复杂模式。每个隐藏层的神经元数量和激活函数应根据数据情况来选择。输出层:输出层的神经元数量为3,用于预测项目合同执行。选择激活函数:根据模型的需要,选择激活函数ReLU、Sigmoid、Tanh等。初始化权重和偏置:设置预测综合指标,对神经网络的权重和偏置进行随机初始化,后期在训练过程中进行调整。选择优化算法:采用优化算法Adam、SGD等,用于更新权重和偏置,以最小化损失函数。损失函数:使用均方根误差(RMSE)作为损失函数,用于度量模型预测值与实际值之间的差距。模型编译:将神经网络结构、选择的优化算法和损失函数组合成一个完整的算法模型。
在一实施例中,还包括对基于神经网络的算法模型进行训练及优化处理,包括:
模型训练:使用历史数据对模型进行训练。在训练过程中,输入特征、概算和合同金额作为输入和目标,使用优化算法来更新权重和偏置,逐步减小损失函数;
交叉验证:使用交叉验证来评估模型的性能,防止过拟合,并进行超参数调优;
模型评估:使用测试数据对训练好的模型进行评估,计算预测值与实际合同金额的RMSE等指标;
权重优化:使用遗传算法等优化方法,调整工程质量、工程进度和风险控制的权重,以使模型更准确地预测综合指标H。
得到训练好的深度学习模型的具体实施方式:设以下特征用于预测项目合同执行:工程质量得分、工程进度得分、风险控制得分,选择一个包含一个隐藏层的神经网络,具体步骤如下:(1)确定神经网络结构:输入层(3个神经元),隐藏层(6个神经元),输出层(1个神经元)。(2)选择激活函数:在隐藏层使用ReLU激活函数,输出层不使用激活函数(线性激活)。(3)初始化权重和偏置:设置预测综合指标,使用随机初始化的权重和偏置。(4)选择优化算法:使用Adam优化算法。(5)损失函数:使用均方根误差(RMSE)作为损失函数。(6)模型编译:编译神经网络模型,选择Adam优化算法和RMSE损失函数。(7)模型训练:使用历史数据对模型进行训练,使用Adam算法更新权重和偏置。(8)交叉验证:使用交叉验证评估模型性能,调整神经网络参数。(9)模型评估:使用测试数据计算预测值与实际合同金额的RMSE。(10)权重优化:引入遗传算法调整工程质量、工程进度和风险控制的权重。
在一实施例中,还包括对训练好的深度学习模型进行实时预测和优化:在新项目中,使用训练好的模型对合同执行情况进行实时预测,得到综合指标H的估计值。根据预测结果,实时调整工程质量、工程进度和风险控制策略。持续改进:定期更新模型,纳入新的项目数据以适应实际情况的变化。根据模型的表现和实际结果,进行持续改进和优化。目标是通过训练好的模型来预测综合指标H,并根据预测结果优化各项目的执行情况。可更清晰的将综合指标H方法与机器学习相结合,以及根据预测结果来优化项目执行情况。
根据本发明的一些实施例,还包括:
将所述风险评估值与预设风险评估阈值进行比较,在确定风险评估值大于预设风险评估阈值时,发出报警提示至用户终端。
上述技术方案的工作原理及有益效果:将所述风险评估值与预设风险评估阈值进行比较,在确定风险评估值大于预设风险评估阈值时,发出报警提示至用户终端,便于自动提醒用户进行风险控制,推进项目进行,降低用户损失。
本发明提出了一种基于人工智能的机场工程项目建设风险评估方法,将综合指标方法与现代机器学习算法相结合,以更精确、全面和实时的方式评估项目执行情况的风险和优化方向。本发明提供人工智能辅助,实现全方位可视化管理体系和多项集成应用,实现多维度工程执行情况分析预测,防范项目风险。具体来说,本发明的方法可在工程项目管理层面、工程施工现场层面和工程项目决策层面提供全方位的风险管理和优化方向评估,从而制定合理的工作安排和费用预算、指导工作流程和决策、分析整个工程项目的风险及执行情况、调整工程项目管理策略和决策方案,提高工程质量,降低施工风险,减少超支和延期现象,为决策人员提供科学依据和决策支持,是工程项目建设管理领域的一项重要创新,有助于推动机场工程基建行业的快速发展。1.工程项目管理方法层面:本发明创新地提出了综合指标方法,引入工程质量、进度和风险控制权重因子,综合评估工程量清单乘以单价与支付金额、合同金额、概算金额等参数之间的关系,从而更准确地评估项目的风险和优化方向。2.工程项目数字化管理层面:融合传统方法与机器学习,将传统的综合指标方法与机器学习相融合,通过机器学习模型来预测综合指标,使评估更加准确和全面,能够更好地应对复杂的关系和模式,现实人工智能辅助决策。3.数字化技术创新层面:一是综合多因素评估:引入工程质量、工程进度和风险控制等多个因素,以更全面的视角评估合同执行情况,避免过于简化的分析,提高决策的准确性。二是复杂模式捕捉使用深度神经网络等复杂模型,能够捕捉数据中的复杂关系,使模型更有能力预测风险和优化方向,应对现实中多样且变化的情况。三是实时动态优化:通过实时预测和调整,将评估过程置于实际时间背景下,使决策能够根据新信息调整,从而更好地应对变化的项目情况和风险。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种基于人工智能的机场工程项目建设风险评估方法,其特征在于,包括:
获取机场工程项目的工程指标信息;
对所述工程指标信息进行概算编码处理,得到编码数据;
将编码数据与每个合同报价单项建立联结关系,确定合同完成情况的统计表;
将统计表输入预先训练好的深度学习模型中,输出风险评估值;
对所述工程指标信息进行概算编码处理,得到编码数据,包括:
对所述工程指标信息进行解析,确定项目名称、工程项目概算、工程量指标及工程的成本管理对象;
根据项目名称、工程项目概算、工程量指标及工程的成本管理对象,基于分层次编码规则,实行四段式编码结构矩阵,生成编码数据;
所述四段式编码结构矩阵,包括:第一段为工程类别与项目名称,第二段为概算层级码,第三段为工程指标码,第四段为切块执行概算;
所述工程类别与项目名称,为一层编码,用一位字母表示项目名称;
所述概算层级码,为五层编码,第一层表示工程项目门类,用一位字母表示;第二层表示工程项目大类,用二位***数字表示;第三层表示工程概算一级项目,用二位***数字表示;第四层表示工程概算二级项目,用二位***数字表示;第五层表示顺序号,用两位***数字表示;
所述工程指标码,为四层编码,第一层用一位***数字或一位字母表示分类工程指标;第二层用一位***数字表示类别或性质;第三层及第四层表示工程指标详细分类;
所述切块执行概算,为一层编码,用三位字符表示分块概算,三位字符包括数字字符及字母字符;
得到预先训练好的深度学习模型的方法,包括:
获取不同项目的历史数据;所述历史数据包括合同金额、支付金额、概算金额、工程量清单项、工程单价、工程质量、工程进度及风险控制;
根据所述历史数据构建特征集合;所述特征集合包括工程量清单项的数量和类型、工程单价的分布和变化、工程质量评估、工程进度评估及风险控制评估;
基于预设算法设置预测综合指标,并根据预测综合指标构建基于神经网络的算法模型;
基于历史数据对算法模型进行训练,使用交叉验证来优化模型参数;
引入优化算法,采用遗传算法来优化计算预测综合指标的参数权重,根据最小化预测结果与实际情况的误差进行调优,得到优化算法模型;
获取测试项目数据,并根据测试项目数据对优化算法模型基于均方根误差指标进行评估,判断优化算法模型的性能,在性能合格时,得到训练好的深度学习模型;
基于预设算法设置预测综合指标,包括:
预测综合指标公式:
H=(α*(C-P)+β*R)*T*(W_1*Q_i+W_2*S_i+W_3*Ti)/(P*(A-C))
其中,α和β为用于平衡合同金额与支付金额差异以及合同金额与概算金额差异的权重系数;T为合同支付金额,是指统计表中工程量清单的所有项的工程量乘以单价的金额; E_i为统计表中工程量清单的第i项工程量;U_i为统计表中工程量清单的第i项工程单价;n为工程量清单中的总项数;R为支付金额与合同金额之差与合同金额与概算金额之差的比例;R=(C-P)/(A-C);C为合同金额,是指签订合同约定的付款总额,合同包括工程量清单、质量及时间;P为支付金额,是指已完成的实际付款总额,和合同金额相比反映目前的合同执行情况;A为概算金额,是指根据项目特性和预期范围,预先估算的工程总造价;H为预测综合指标,是用于评价合同的执行情况的风险和优化方向的一个数值;Q_i为工程的第i项质量得分;S_i为工程的第i项进度得分;T_i为工程的第i项风险控制得分;W_1为工程质量权重,是指工程质量对超概算和支付的影响程度;W_2为工程进度权重,是指工程进度对超概算和支付的影响程度;W_3为风险控制权重,是指风险控制对超概算和支付的影响程度;
根据预测综合指标构建基于神经网络的算法模型,包括:
分析评估机场工程项目的建设风险的复杂性和数据特点,确定神经网络结构:设置输入层:输入层的神经元数量应与机场工程项目中选择的特征数量相匹配,每个神经元对应一个特征;设置隐藏层:使用多个隐藏层来捕捉数据中的复杂模式;每个隐藏层的神经元数量和激活函数基于数据特点来设定;设置输出层:输出层的神经元数量为3,用于预测项目合同执行;选择激活函数:所述激活函数为ReLU、Sigmoid、Tanh中的至少一种;初始化权重和偏置:设置预测综合指标,对神经网络的权重和偏置进行随机初始化,后期在训练过程中进行调整;
选择优化算法:采用优化算法,用于更新权重和偏置,以最小化损失函数;
设置损失函数:使用均方根误差作为损失函数,用于度量模型预测值与实际值之间的差距;
模型编译:将神经网络结构、选择的优化算法和损失函数组合成一个完整的算法模型;
所述基于人工智能的机场工程项目建设风险评估方法,还包括对基于神经网络的算法模型进行训练及优化处理,对基于神经网络的算法模型进行训练及优化处理,包括:
模型训练:使用历史数据对模型进行训练;在训练过程中,输入特征、概算和合同金额作为输入和目标,使用优化算法来更新权重和偏置,逐步减小损失函数;
交叉验证:使用交叉验证来评估模型的性能,防止过拟合,并进行超参数调优;
模型评估:使用测试数据对训练好的模型进行评估,计算预测值与实际合同金额的RMSE等指标;
权重优化:使用遗传算法等优化方法,调整工程质量、工程进度和风险控制的权重,以使模型更准确地预测综合指标H。
2.如权利要求1所述的基于人工智能的机场工程项目建设风险评估方法,其特征在于,所述工程指标信息包括:土方明挖工程、石方明挖工程、地下洞室开挖工程、土方填筑工程、石方填筑工程、砼工程、锚杆工程、锚索工程、帷幕灌浆工程、固结灌浆工程、接触灌浆和接缝灌浆工程、回填灌浆工程、砼防渗墙工程、设备费、临时施工房屋或永久施工房屋工程。
3.如权利要求2所述的基于人工智能的机场工程项目建设风险评估方法,其特征在于,所述设备费包括设备原价、运杂费、运输保险费、特大件运输增加费和采购及保管费。
4.如权利要求1所述的基于人工智能的机场工程项目建设风险评估方法,其特征在于,还包括:
将所述风险评估值与预设风险评估阈值进行比较,在确定风险评估值大于预设风险评估阈值时,发出报警提示至用户终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311236740.0A CN117035431B (zh) | 2023-09-22 | 2023-09-22 | 基于人工智能的机场工程项目建设风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311236740.0A CN117035431B (zh) | 2023-09-22 | 2023-09-22 | 基于人工智能的机场工程项目建设风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117035431A CN117035431A (zh) | 2023-11-10 |
CN117035431B true CN117035431B (zh) | 2024-04-16 |
Family
ID=88639449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311236740.0A Active CN117035431B (zh) | 2023-09-22 | 2023-09-22 | 基于人工智能的机场工程项目建设风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117035431B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593169B (zh) * | 2024-01-19 | 2024-04-09 | 杭州智诚惠通科技有限公司 | 基于大数据的大件运输过程的安监预警方法、***和介质 |
CN118036832B (zh) * | 2024-04-12 | 2024-07-16 | 大连新天勤轨道交通有限公司 | 铁路建设工程质量安全管理***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100712050B1 (ko) * | 2006-04-25 | 2007-05-02 | 연세대학교 산학협력단 | 현금흐름의 분석에 의한 건설공사용 리스크 관리방법 및장치와 이를 이용하여 포트폴리오의 분석에 의한건설공사용 리스크 관리방법 및 장치 |
CN108241964A (zh) * | 2017-11-23 | 2018-07-03 | 贵州电网有限责任公司铜仁供电局 | 基于bp人工神经网络模型算法的基建现场管控移动应用平台 |
CN109858751A (zh) * | 2018-12-26 | 2019-06-07 | 中国大唐集团科学技术研究院有限公司 | 电力工程项目评审*** |
CN114202243A (zh) * | 2021-12-31 | 2022-03-18 | 杭州电子科技大学 | 一种基于随机森林的工程项目管理风险预警方法及*** |
CN114219198A (zh) * | 2021-10-27 | 2022-03-22 | 湖南大唐先一科技有限公司 | 一种大型建设项目投资管控方法及*** |
CN115169818A (zh) * | 2022-06-14 | 2022-10-11 | 武汉建科科技有限公司 | 一种基于数字化建模的技术工程测算方法及*** |
CN115860499A (zh) * | 2023-02-28 | 2023-03-28 | 安徽智享云科技有限公司 | 一种基于bim技术的多专业工种协调施工管理*** |
-
2023
- 2023-09-22 CN CN202311236740.0A patent/CN117035431B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100712050B1 (ko) * | 2006-04-25 | 2007-05-02 | 연세대학교 산학협력단 | 현금흐름의 분석에 의한 건설공사용 리스크 관리방법 및장치와 이를 이용하여 포트폴리오의 분석에 의한건설공사용 리스크 관리방법 및 장치 |
CN108241964A (zh) * | 2017-11-23 | 2018-07-03 | 贵州电网有限责任公司铜仁供电局 | 基于bp人工神经网络模型算法的基建现场管控移动应用平台 |
CN109858751A (zh) * | 2018-12-26 | 2019-06-07 | 中国大唐集团科学技术研究院有限公司 | 电力工程项目评审*** |
CN114219198A (zh) * | 2021-10-27 | 2022-03-22 | 湖南大唐先一科技有限公司 | 一种大型建设项目投资管控方法及*** |
CN114202243A (zh) * | 2021-12-31 | 2022-03-18 | 杭州电子科技大学 | 一种基于随机森林的工程项目管理风险预警方法及*** |
CN115169818A (zh) * | 2022-06-14 | 2022-10-11 | 武汉建科科技有限公司 | 一种基于数字化建模的技术工程测算方法及*** |
CN115860499A (zh) * | 2023-02-28 | 2023-03-28 | 安徽智享云科技有限公司 | 一种基于bim技术的多专业工种协调施工管理*** |
Non-Patent Citations (2)
Title |
---|
The Research on Bridge Engineering Risk Management and Assessment Model Based on BP Neural Network;Xin Wang等;IOP Conference Series: Earth and Environmental Science;20200105;第455卷;第1-7页 * |
基于BP神经网络的综合型水利工程项目风险评价研究;李上潮;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190515(第05期);第C038-1111页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117035431A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117035431B (zh) | 基于人工智能的机场工程项目建设风险评估方法 | |
Lin et al. | Novel model for risk identification during karst excavation | |
Dede et al. | Usage of optimization techniques in civil engineering during the last two decades | |
Jeyanthi et al. | Utilising recurrent neural network technique for predicting strand settlement on brittle sand and geocell | |
Kulandaivel | Sewer pipeline condition prediction using neural network models | |
An et al. | [Retracted] Comparison and Economic Envelope Structure Schemes for Deep Foundation Pit of Subway Stations Based on Fuzzy Logic | |
Atabay | Value engineering for the selection of the filler material between shoring wall and the structure | |
Langdon | Spon's Civil Engineering and Highway Works Price Book 2001 | |
Dahiya et al. | Energy analysis of high-rise residential buildings under demolition using controlled explosion: An Indian case study | |
Lee et al. | Risk response analysis model for construction method using the forced-decision method and binary weighting analysis | |
Pourhashemi et al. | A review on the risk analysis and construction claims in Tehran underground projects | |
Xu et al. | Risk management for Beijing subway tunnel construction using the New Austrian tunneling method: A case study | |
Gwozdz-Lason | Impact of mining exploitation on properties with engineering structures by Local Urban Development Plans | |
Likhitruangsilp | A risk-based dynamic decision support system for tunnel construction | |
Fraile-García et al. | Analysis of cumulative energy demand and carbon footprint in residential building structures | |
Antoniou et al. | Cost and Material Quantities Prediction Models for the Construction of Underground Metro Stations. Buildings 2023, 13, 382 | |
Corredor | Structural damage identification for robustness assessment of railway infrastructure under flood effects | |
Sprague et al. | Coastal Master Plan: Attachment F1: Project Definition | |
Zbidi et al. | New Selection Process for Retaining Walls Based on Life Cycle Assessment and Economic Concerns | |
Han et al. | Verification of bridge foundation design assumptions and calculations | |
Adams et al. | Expert system architecture for retaining wall design | |
Meng et al. | Optimization of deep excavation construction using an improved multi-objective particle swarm algorithm | |
Hossain | Structural optimization and life-cycle sustainability assessment of reinforced concrete buildings in seismic regions | |
Florius | Decision Tool for Prioritizing Bridge Repair or Replacement | |
Karamouz et al. | Optimal design of water diversion system: A case study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |