英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
基于案例分析的初步工期估算在建筑工程项目中的应用
RunZhi Jin1; Sangwon Han, M.ASCE2; ChangTaek Hyun, M.ASCE3; and Yongwoon Cha4
摘要：基于案例的推理方法（CBR）的适用性和有效性已经在众多建设工程管理领域得到了验证,包括投标、国际市场选择、安全隐患识别、建设工程诉讼、初步成本估算等。尽管它作为一款建筑决策工具拥有较大潜力, 但只有少数研究项目应用CBR来估算决定建设项目成败的初步工期。在此基础上,本文建立了能够在初步阶段准确估计施工工期的CBR模型，通过对83个多住房项目的应用，验证了所开发模型的适用性和有效性。试验结果证实, CBR 在信息极为有限的初期阶段,依然能够准确估算施工工期。本文所涉及的研究具有重要意义：因为它为从业人员提供了一个可靠的决策工具,即可以准确估算施工工期,从而提高项目成功执行的可能性。
关键词：初步工期估算、基于案例的推理方法、初期阶段规划、成本及进度
引言
施工工期是评估建设项目总体业绩的一个重要方面,它需要从早期阶段就准确估计。准确的工期估计在投标阶段具有重大意义，因为低估项目工期可能会导致项目延迟完成而受处罚或引起承包商与业主之间的纠纷；高估工期则会降低投标阶段的竞争力。因此, 无论低估还是高估工期，都将会降低项目的绩效,阻碍项目目标的实现。
Gantt条形图或临界路径法/程序评估重新查看技术 (cpm/pert) 在建筑行业被广泛应用于进度估算中。然而,只有在详细设计进度过半的情况下,才能使用这些方法。然而, 事实上许多建筑项目的业主在详细设计之前很早就确定了总体施工工期 (即竣工截止日期),因为整体施工工期可以显著提高会影响项目的可行性。因此，若在没有仔细审查既定时间表是否适当的情况下确定了一个相当积极的基线时间表, 就可能导致效率低下和出现不稳定的项目执行环境。因此为了建设项目的整体成功,检查给定的时间表是否适合执行是很重要的一件事。
在没有详细设计信息的情况下, 学者们提出了多种在早期阶段系统地估计施工工期的方法，其中包括回归分析(RA),神经网络(NNs),蒙特卡洛模拟法 (MCS),和模糊理论。
RA是一种统计工具,它可用于分析和预测目的。基于RA的分析通常具有成本效益,因为它需要的时间和精力相对较少。然而它对异常值非常敏感,且一般被认为不适合计算大量变量及这些变量之间的相互作用。这些限制导致基于RA的准确性低,其在建筑行业中的使用较为有限。NNs同样是作为估算施工工期的一种可选方法。然而,它的学习过程较难理解(i.e., a black box),且这种方法在没有任何特定规则来确定每个隐藏层和节点的适当值的情况下,需要消耗大量的时间。有学者提出用模糊理论和MCS来解决调度估计中的不确定性问题。然而，学者们几乎都认为在MCS中选择适当的概率分布是十分困难的, 由于缺乏数学描述,证明模糊系统的特性在大多数情况下是困难的或不可行的。
在建筑管理领域,从过往类似工程中积累的知识或教训可以成为解决当前问题的宝贵财富。在这种思想的基础上,基于案例的推理(CBR)是人工智能的一个分支,它被认为是解决招标、制造加工或安全规划等若干与建筑有关的问题的可行方法。
值得注意的是,许多研究人员证明了CBR在建筑项目初步成本估算中的适用性和有效性。尽管CBR在初步成本估算中的应用是成功的, 它是建设项目总体成功的必要条件之一，但仍然只有少数研究将其应用于早期阶段的施工工期估算。这主要是因为在一个项目中,估计工期和成本方面存在差异。虽然建筑成本是通过对所有费用项目的汇总来估计的, 但施工工期并不是由所有活动的总和决定的,而只是由关键活动的总和来决定的。这就意味着,在初步工期估计时应当考虑的关键因素可能不同于初步费用估算的关键因素。确定对初步工期估计准确性具有决定性作用的关键因素是很重要的, 因为在初步阶段确定这些因素可以显著减少估计施工工期的不确定性。例如,若基础系统被确定为对施工工期有很大影响的重要因素 (即,施工工期随应用的铸造系统类型的不同发生较大差异), 则可以通过确定基础系统特定类型 (例如垫或桩基), 显著减少初始估计工期的变化。基于这一认识,本文旨在提出一个框架, 用于利用CBR模型确定建筑项目初步工期的关键因素, 并通过83个多住房项目测试该框架的适用性和有效性。
文献综述
CBR是一种以知识为基础的技术,它通过消除先前类似的情况并重新利用获得的信息和知识来解决某个新问题。CBR应用程序涉及四个不同的阶段: 检索、重新利用、修改和保留。每个阶段都有以下主要功能: 从案例库中检索最相似的前一个案例;
在解决新问题时, 重新利用检索到的案例中的信息;
修改被检索案例的解决方案,寻找案例与新问题之间的差异;
并在案例基础上寻求新的解决方案,以解决未来类似的问题。
与其他人工智能技术 (如基于规则的方法) 相比, CBR在知识获取、表示、重用、更新和论证方面都具有优势, 在搜索方面更为实用和灵活。由于这些优势, CBR已在许多领域证明了其有效性, 包括法律案例的推理、膳食规划、加工制造、功率负荷水平预测、机器人控制、分子生物学、医学和医疗保健、诊断。
在利用CBR的优势方面, 建筑行业也不例外, CBR作为一种决策支持工具得到了建筑领域的广泛应用, 包括景观设计、建筑设计、投标决策、国际市场选择、安全危害识别、建筑诉讼和初步成本估算。在这些领域中, 初步成本估算备受关注, CBR的适用性和有效性使得它的推广和应用非常成功。
尽管CBR在初步成本估算中的应用是成功的,但只有少数研究将这种方法应用于初步工期估计。Koo等人开发了一个混合CBR模型,该模型结合了多个RA(MRA)、NNs、遗传算法(GA)、MCS和CBR。他们确认了其在估计建筑项目初步工期和费用方面的适用性。虽然该模型对CBR从潜在应用领域扩展到初步工期估计具有重要意义,但它过于复杂,更重要的是,它确实为新问题与检索到的问题之间的偏差提供了补偿。鉴于世界上没有两个完全相同的问题,必须考虑用修正的方法得出准确的解决办法。假设施工项目经理在早期阶段通过参考以前的类似项目来估计施工工期,如表1所示，那么在这种情况下,尽管检索到的案例与新的案例相似,但由于属性之间的差异：包括总建筑面积、楼层数和基础系统。新案例的建设工期很有可能与检索到的案例的建设工期不同 (即780天)。
鉴于每个建设项目都是独特的,许多研究人员强调了修正阶段的重要性,并建议人为进行修正工作。然而,人类的修正是主观的,容易出错,因此缺乏可靠性。
为解决这一问题,Lee等人提出了初步估计工期的CBR模型。他们开发了一种算法, 能够补偿检索到的案例和新案例之间的属性偏差。然而,该算法只考虑数量变量的偏差 (如总建筑面积或家庭数量),而分类变量 (如基础系统或土壤条件)中大多数信息仅在早期阶段可用,并且通常比定量对项目工期的影响更大。定量变量自然被认为是有意义的算术运算,而分类变量采用的值是几个可能的类别之一。
Jin等人认识到在估算建设项目成本时，修正初步变量时数量变量和分类变量的重要性。他们开发了基于RAS的修正算法,补偿了定量变量和分类变量的偏差,并证明了它的有效性。想要准确地初步估价并不容易，这是由于早期掌握的资料十分有限,预计使用定量和分类变量都能提高初步估算的准确性。本文以Jin等人为研究对象,建立了初步工期估算的CBR模型, 并对其适用性和有效性进行了验证。
模型开发
如前所述,利用CBR解决问题的过程被划分为一个四阶段的过程, 包括检索、重用、修改和保留。预计初步工期估算模型是在四个阶段之后开发的, 如图中所示(图 1)。
检索
此阶段的主要目的是从案例库中检索过往最相似的案例以解决新问题, 共涉及三个步骤: (1) 计算属性相似性 (ASs),派生属性权重 (AWs),(3) 计算加权案例相似性 (CSs)。
在计算分类属性的相似性时,当新的情况和检索到的情况相同时,系统会赋值1,否则为0。另一方面, 用Kim等人和Dogan等人建议的近邻检索方法,用eq. (1) 计算了数量属性的相似性。
其中，ASi = 属性i的相似性,
AVi新案例=新案例的属性i的值,
AVi检索案例=检索到的案例的atub-ty的值。
相似性评估涉及将新案件和存储在案例库中的过往案例的属性进行系统比较的过程。不同的AW会导致不同的情况相似度,因此可以检索不同的过往案例以解决新的问题。通常,匹配关键特征比匹配许多琐碎特征重要得多,因此在从案例库中检索过往案例时,重要的属性应该比微不足道的属性得到更多的重视。为解决这一问题,学者采用了等重法、特征计数法、梯度下降法、层次分析法、决策树、多元回归分析、神经网络和遗传算法等多种方法，预先计算CBR模型中的AW,以提高估算性能。在这些方法中,从RA得出的标准系数在以前的CBR模型中得到了最广泛的应用,因为它可以确定和定量地衡量自变量(即属性)对因变量的影响。在上述研究的推动下,本文采用标准系数计算了所提出的CBr模型的AW。加权CSs是用 eq. (2)使用Aws和Ass计算的。
其中CS =大小写相似性,
AWi =属性i的权重。
重新利用
由于CBR所依据的假设是,类似的问题有类似的解决办法,在检索过去与给定问题高度相似的案例后,很有可能获得准确的解决办法。根据这一假设,这一阶段使用 eq.(3)计算最相似的结果(3)
其中HCS=最大值
CSm =存储在案例库中的案例数。
修正
如前所述,CBR旨在发现与特定问题类似的案件。但是,如果检索到的CSs最高的案例与给定的问题并非很相似,则应调整适用于重新审判的案件的解决方案,以补偿检索到的案件与当前问题之间的偏差。为解决这一问题,Jin等人采用了基于回归的修正算法,采用了非标准化系数(UC),分别使用eq.s（4）和（5）补偿数量属性和分类属性的偏差。
其中RVi=考虑到度量属性i的修正值,
UCi=属性i的UC值,
AVi=新案例值的属性i的值
AVi=检索案例的属性i的值
其中RVj=修订值考虑分类属性j的偏差,
UCj新问题=新问题的虚拟属性j,
UCj检索问题=检索问题的虚拟属性j。
回到表1中讨论的示例,Eq.(4) 用于补偿检索到的情况和新案例之间的数量属性偏差(即总建筑面积200平方米和楼层数2层)。此外, Eq.(5)用于计算绝对属性的偏差(即基础系统的不一致)。然后,利用eq.（6）计算考虑数量属性和分类属性偏差的总修正值。
其中TRV=总修订值,
n=数量属性的数量,
m =分类属性的数量。
最后,通过增加检索案件 (V修正)和TRV的工期,获得了新案件(V修正)的修订施工期限, 如eq.(7)所示
其中V修正=修正值(最终解决方案),
V检索=检索到的值(检索案件的工期)。
保留
在此阶段,新案例和解决方案的属性(例如,修正工期)都被存储在案例库中,以解决将来的类似问题。这一阶段最重要的任务是选择适当的方法,在案件基础上对新案件进行索引, 以便有效和高效地检索案件,供今后解决问题。
模型应用
模型可以分为因果描述性(即类似理论)或相关性(即纯粹的数据驱动)。在主要为预测目的(例如时间序列或回归模型)而构建的相关模型中,如果模型的输出与某些指定精度范围内的实际输出匹配,而非有效存在于其中的个体关系，则不对其有效性提出任何质疑。由于本文建议的CBR模型是一个相关模型,因此对其进行验证测试,该模型的实际完成数据是韩国国家住房公司(KNHC)在执行中发挥中心公共作用的83个多家庭住房项目的国家土地项目的实际数据。由于这些项目是由一家拥有相同项目执行战略的上市公司规划和开发的,因此可确定用于开发建议模型的案例 (即83个多住房项目) 较为可靠。
为了建立CBR模型,本文通过仔细分析83个多住房项目的竣工报告,并收集数据。然后使用了两个选择标准，进而表示每个案例的变量。第一项标准是,数据应在初步阶段提供,因为现阶段会用到该模型。第二个是数据应与工期估算有显著关系。根据这两个选择标准,经过与83个项目的项目施工经理讨论, 最终选择了12个属性 (表 2)。
在83个项目(即案例)中, 63个项目使用了CBR模型进行评估,其余20个项目被用来测试其适用能力和有效性。为了防止测试案例选择中的偏差,所有案例都按总建筑面积的升序排序。随后,每4个案件(共 2 0 起)被选定为检测案例, 其余 6 3 起案件被用于确定案件基础。然后根据63个案例(表 3) 开发了以下回归模型:
表3显示了根据63个案件得出的MRA结果。确定系数(R^2)和F值的显著概率分别为0.760 和0.000,表明估计回归模型的结果是符合统计学结果的。每个独立变量的显著概率结果表明,X5(家庭数量)和X11(土壤范围)均小于0.1,其他变量小于0.05,表明这些自变量分别在90%和95%的置信区间内符合统计学规律。如果自变量之间存在多重共线性,则RA的结果可能出现较大误差。为解决这一问题,本文采用了最广泛使用的指标[即方差通货膨胀系数(VIF)值小于10],以检验自变量之间存在的多重共线性。试验结果表明,自变量之间不存在多共线性,通过CBR模型对初步工期的估算是相当可靠和准确的。
表3中定量变量的UC可以相互预置, 如下所示。对于
全文共18429字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[2853]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
