Construction cost estimation for urban rail transit system based on ELM
-
摘要: 对城市轨道交通系统建设成本的估算能够在设计时实现城市轨道交通系统建设成本的控制与优化。针对传统成本估算模型计算量大、计算方法繁琐等缺点,基于多条在运营城市轨道交通线路的建设阶段成本数据,采用数据扩展的方法建立成本数据集。在选取少量关键成本指标的情况下,建立极限学习机(ELM,Extreme Learning Machine)模型,对城市轨道交通系统建设成本进行估算。测试结果表明,基于ELM的城市轨道交通系统建设成本估算模型的平均绝对百分比误差(MAPE,Mean Absolute Percentage Error)小于6%,在误差允许的范围内与实际数据吻合。该估算方法科学有效,能够满足城市轨道交通系统建设成本估算的工程需要。
-
关键词:
- 城市轨道交通系统 /
- 成本估算 /
- 极限学习机(ELM)
Abstract: The estimation of the construction cost of urban rail transit system can control and optimize the construction cost of urban rail transit system during the design.In view of the disadvantages of traditional cost estimation model, such as large amount of calculation, miscellaneous and tedious calculation methods, etc., based on the cost data in the construction stage for multiple operating urban rail transit lines, this paper used the method of data expansion to establish the cost data set, in the case of selecting a small number of key cost indicators, established the ELM (Extreme Learning Machine) model, estimates the construction cost of urban rail transit system.The estimation results show that the MAPE(Mean Absolute Percentage Error)of the construction cost estimation model of urban rail transit system based on ELM is less than 6%.The estimated results are in good agreement with the actual data.The method adopted in this paper is scientific and effective. It can meet the engineering needs of estimating the construction cost of urban rail transit system. -
装配式工程具有成品质量高、节约材料、环境污染小、建设周期短、人工成本低等优势,其作为一种新型工业化生产方式,代表了铁路工程新的发展方向,也是近年来智能建造的主要研究对象[1]。BIM(Building Information Modeling)是一个涵盖设计到运营维护(简称:运维)全生命周期的管理工具,利用BIM进行设计、施工应用和建设管理,可解决项目建设过程中复杂的技术问题,提升铁路精细化管理水平、增加资源利用率。铁路工程BIM技术的应用研究已取得一定成果[2],包括建立BIM协同设计平台[3]、制定BIM标准体系[4]、研发BIM信息化施工管理系统[5]等。将以BIM为中心的众多前沿信息技术与装配式工程相结合,实现融合创新,从而推进铁路建造的精益、智慧、高效、绿色协同发展,成为未来铁路工程建设的发展方向,也是铁路工程智能建造内涵在装配式结构领域的具体实现。
张胜超等人[6]以郑州南站为例,基于BIM技术开展了装配式联方网壳雨棚智慧建造技术研究;王永等人[7]针对铁路预制装配式桥墩,面向其全生命周期管理需求,依托BIM+GIS技术开展了精细设计、工艺仿真、沉降监测、建设管理等方面的研究;侯宇飞等人[8]在京雄城际铁路桥梁装配式一体化段落开展了BIM+GIS数据集成应用研究;王志伟等人[9]提出基于企业资源计划(ERP,Enterprise Resource Planning)系统、轻量化BIM与RFID技术深度融合的预制装配式隧道工程智能建造系统。既有铁路装配式工程BIM技术的研究应用主要以装配式桥梁隧道和站房为对象,较少涉及装配式路基工程。
本文依托北京—唐山高速铁路(简称:京唐高铁)建设项目,开展装配式U型槽设计施工一体化BIM技术研究,相关成果可有效降低钢筋干扰、增强设计整体性、提高混凝土预制构件外观质量检测的效率和精度。
1 工程概况
京唐高铁路基段落设置预制装配式U型槽,如图1所示。U11~U22采用C50防水钢筋混凝土预制,共12节,节长18 m。其中,U11~U16为路堑U型槽,边墙厚0.34 m,底板厚0.5 m;U17~U22为路堤U型槽,边墙厚0.4 m,底板厚0.5 m。
每单元拼装U型槽由2个L型墙及1块预制底板组成,构造复杂,设计、加工、装配精度要求高。为保证工程安全与质量,采用BIM技术对装配式U型槽开展预制构件深化设计、工程接口优化设计及外观质量自动化检测技术研究。
2 设计施工一体化BIM技术
2.1 预制构件BIM深化设计
对于每一环拼装U型槽单元,沿横断面方向,路堑段采用凹凸榫+交替布置直螺栓连接,路堤段采用凹凸榫+精轧螺纹钢连接,预制构件单元长度1.996 m;沿线路方向采用凹凸榫+精轧螺纹钢套筒连接。与现浇结构相比,预制装配式混凝土结构除了钢筋以外,还包含各类预埋装置,构造更加复杂。因此,在加工制造阶段,有必要对传统二维施工图成果进行深化设计,避免各类错漏碰缺问题。
2.1.1 钢筋BIM深化设计
对预制L型及一字型混凝土块体开展BIM深化设计,在Revit软件依次通过制作混凝土构件对象、设置保护层厚度、定制弯钩、制作形状族、放置并调整钢筋这5个步骤,创建钢筋模型。 最终形成包含纵向钢筋、横向钢筋、箍筋、直螺栓套筒、精轧螺纹钢套筒、预埋波纹管、预埋螺栓、预埋钢筋接驳器、振捣孔、下料孔在内的BIM深化设计成果,如图2所示。
2.1.2 空间干涉检查深化设计
通过深化设计,检查各类预制块体是否存在吊钉、预埋锚栓、注浆孔、排气孔与普通钢筋之间的空间干涉问题,如图3所示。这些干涉问题在二维设计环境下很难察觉,根据检查结果修改钢筋位置,有效避免了构件预制加工过程的返工现象。
2.1.3 工程数量统计
精确创建所有钢筋对象BIM模型后,借助Revit软件的明细表功能,按规定格式快速统计各类预制块体钢筋工程数量。
在混凝土工程量计算时,传统方式一般不扣除体内的钢筋、预埋件及小型挖孔(如排气孔)的体积。BIM设计环境下,能够将钢筋、预埋件及挖孔模型的空间占位情况都精确地体现出来,为进一步准确计算构件混凝土工程量提供了基础,因此,可得到扣除后的混凝土体积。
2.2 工程接口BIM优化设计
对于U型槽与泵站的接口,现阶段大部分高速铁路工程采用分设方案,将泵站设置在U型槽与隧道分界位置的U型槽一侧,距离U型槽结构5 m~10 m范围内单独建设泵房,通过管道连接U型槽结构和泵站,设计与施工接口多。
U型槽与管道连接主要有底板内布设和底板下布设这2种方式。管道自身、管道与U型槽连接处、管道与泵站连接处均暴露在土体中,易出现渗漏水病害。由于管道需要穿过U型槽的维护结构,增加了施工难度;同时,在运营过程中,强降雨工况下易出现机排渗水及泥土通过排水管道倒灌进入隧道等情况,影响列车通行。
为了提高工程整体质量、减少病害,在达索平台创建盾构管片环、U型槽、泵站的结构参数化工程模板,以空间坐标系为输入元素,通过工程模板实例化完成泵站与U型槽主体结构一体化BIM设计,如图4所示,泵站与U型槽结构共用侧墙,不存在暴露于土体中的管道及其连接薄弱点。
2.3 外观质量自动化检测
2.3.1 基于光学追踪激光扫描的三维数据获取
为满足大型构件三维数据采集需求,采用光学追踪三维激光扫描技术,该技术具有精度高、速度快、范围大的优点,且无须在检测构件上粘贴靶标。光学追踪三维激光扫描系统由三维激光扫描仪(简称:扫描仪)、智能光学追踪仪(简称:追踪仪)这2部分组成[10]。
由于一字型块体构造相对简单,本文重点介绍L型预制块体外观自动化检测的研究情况,采用国产扫描仪,对装配式U型槽的L型预制块体进行扫描,从而获取预制构件的三维点云数据。
扫描过程中,扫描仪始终处于移动变化状态,需要通过追踪仪完成坐标系固定。通过双目视觉追踪技术对360°可旋转的靶球进行追踪定位,而扫描仪设备则安置在靶球内部,与靶球之间属于刚性连接,使得追踪仪可直接对扫描仪进行定位。
2.3.2 预制构件三维检测数据分析
采用三维激光扫描手段获取高精度点云数据,分割每个面的点云,再基于分割后的点云重建各表面三维模型,最终在重建后的三维模型基础上自动计算U型槽外形尺寸,L型预制块体的部分外观尺寸检测结果如图5所示。
本项目采用铁路预制装配式U型槽结构,目前,国内尚无针对此类结构外观质量的专门规范,因此,综合参考《铁总科技[2013]125号(后张法)》《CJJT 164-2011盾构隧道管片质量检测技术标准》《高速铁路桥涵工程施工质量验收标准》(TB10752-2018)等技术文件和规范对无砟轨道板、盾构管片、装配式桥梁等预制构件外观质量的要求,制定预制U型槽构件外观质量检测标准。完成对U型槽L型预制块体的长、宽、厚、角度等关键尺寸的分析处理后,根据设计资料获取上述关键尺寸的理论数据,与检测结果比较,形成如表1所示的分析结果。
表 1 外观质量检测分析结果序号 尺寸类型 理论值 最不利
检测值容许差值 实际差值 结果 1 侧墙高度/mm 4610 4607.217 3 2.783 合格 2 节段长(负检测值)/mm 1996 1995.924 1 0.076 合格 3 节段长(正检测值)/mm 1996 1997.535 3 1.535 合格 4 底板厚度/mm 500 501.818 3 1.818 合格 5 侧墙与底板夹角/° 90 90.015 1 0.015 合格 可以看出,当前L型侧墙各尺寸检测结果均符合要求,侧墙高度的尺寸偏差与容许值最为接近,需要在剩余节段预制过程中多加注意。
3 应用效果
本文研究的装配式U型槽设计施工一体化BIM技术已在京唐高铁建设项目成功应用,结果如下:
(1)使用Revit软件开展预制L型及一字型混凝土块体BIM深化设计,精细化模拟钢筋、套筒、波纹管、下料孔等的空间位置关系,进行干涉检查,优化钢筋布置,自动统计工程数量,有效避免构件预制加工阶段的返工现象;
(2)针对目前高铁U型槽与泵站分设方案易出现渗漏水病害的问题,通过BIM手段开展泵站与U型槽主体结构一体化设计,二者共用侧墙,使得泵站与U型槽间不存在暴露在土体中的管道及连接薄弱点;
(3)调研铁路预制工程有关技术文件,制定预制U型槽外观质量检测标准;通过光学追踪激光扫描仪获取预制构件点云,开展预制块体关键尺寸分析处理,与理论尺寸及检测标准比较,形成分析报表,实现外观质量自动化检测。
4 结束语
本文研究铁路路基装配式U型槽设计施工一体化BIM技术,详细阐述钢筋混凝土预制构件BIM深化设计、工程接口BIM优化设计、基于三维激光扫描的预制构件外观自动化检测技术,将其应用于铁路工程实际设计与施工,验证了该技术路线在铁路行业的适用性。未来将进一步增强BIM技术在铁路工程智能运维领域的应用广度和深度,实现BIM技术的铁路工程全生命周期应用价值。
-
表 1 线路建设成本数据表
单位:亿元/km 线路名称 前期准备成本 土建成本 车辆成本 车辆基地成本 机电设备成本 贷款利息 其他成本 延米造价 北京4号线 0.309 4 1.985 0 0.605 3 0.246 5 0.999 8 0.294 5 1.309 5 5.750 0 北京5号线 0.284 2 1.623 5 0.471 3 0.312 0 0.924 1 0.278 0 0.986 9 4.880 0 北京10号线 0.347 6 2.245 2 0.364 4 0.221 7 1.086 7 0.337 2 1.097 2 5.700 0 北京八通线 0.088 2 0.441 5 0.288 6 0.143 4 0.378 5 0.108 0 0.351 8 1.800 0 北京13号线 0.110 4 0.376 6 0.301 6 0.143 0 0.302 5 0.064 2 0.311 7 1.610 0 广州2号线 0.367 4 1.988 5 0.709 5 0.265 3 1.357 1 0.225 2 0.887 0 5.800 0 南京1号线 0.281 7 1.104 8 0.553 7 0.104 2 0.691 5 0.254 9 0.929 2 3.920 0 天津3号线 0.189 0 1.481 0 0.394 9 0.178 9 0.757 5 0.304 8 0.733 9 4.040 0 表 2 成本估算模型估算误差列表
数据集序号 MSE RMSE MAE MAPE 1 0.067 6 0.260 0 0.223 3 6.84% 2 0.042 3 0.205 7 0.160 9 3.70% 3 0.045 1 0.212 3 0.174 3 6.28% 4 0.045 6 0.213 5 0.162 8 4.57% 5 0.075 6 0.275 0 0.210 3 4.95% 6 0.099 9 0.316 0 0.261 1 7.23% 7 0.103 6 0.321 8 0.256 3 6.70% 8 0.053 1 0.230 4 0.177 6 4.07% 9 0.074 0 0.271 9 0.220 0 6.68% 10 0.055 4 0.235 4 0.191 9 4.35% -
[1] 王夏冰, 王瑛.BIM在轨道交通工程造价方面运用研究[J].魅力中国, 2019(23): 260-261. https://www.cnki.com.cn/Article/CJFDTOTAL-JUSH201909054.htm [2] 吕芳.低能耗建设工程动态成本预算控制模型研究[J].环境科学与管理, 2019, 44(8): 52-55. https://www.cnki.com.cn/Article/CJFDTOTAL-BFHJ201908012.htm [3] 孙亚南.盘山灌区改造工程造价动态估算研究[J].黑龙江水利科技, 2019, 47(7): 43-45, 185. https://www.cnki.com.cn/Article/CJFDTOTAL-HSKJ201907013.htm [4] 杨磊, 应黎明, 王玉磊.变电站建设全生命周期成本估算研究[J].计算机仿真, 2017, 34(1): 123-128. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJZ201701033.htm [5] 刘敬严, 陈蕾, 宋宁, 等.绿色高铁建设环境成本CS、BPNN估算方法研究[J].铁道工程学报, 2015(7): 111- 116. https://www.cnki.com.cn/Article/CJFDTOTAL-TDGC201507021.htm [6] 段晓晨, 田贺, 张小平.绿色高铁运营环境成本非线性估算方法研究[J].铁道工程学报, 2016, 33(5): 123- 128. https://www.cnki.com.cn/Article/CJFDTOTAL-TDGC201605022.htm [7] ]HUANG Guangbin, ZHU Qinyu, Chee-Kheong Siew. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2005, 70(1) : 489-501.
[8] 宋坤骏, 丁建明.代价敏感正则化有限记忆多隐层在线序列极限学习机及图像识别应用[J].铁路计算机应用, 2018, 27 (5): 18-22, 37. http://tljsjyy.xml-journal.net/article/id/4385 [9] 温廷新, 朱静.基于SAPSO-ELM的边坡稳定性预测[J].安全与环境学报, 2018, 18(6): 2146-2150. https://www.cnki.com.cn/Article/CJFDTOTAL-AQHJ201806017.htm [10] Kiyoumars Roushangar, Saba Mirza Alipour, Dominique Mouaze. Linear and non-linear approaches to predict the Darcy-Weisbach friction factor of overland flow using the extreme learning machine approach[J]. International Journal of Sediment Research, 2018, 33(4):415-432.
[11] 杨文成, 王圆圆, 孙军先.基于KR-SVM的城市轨道交通建设成本估算评价模型研究[J].交通工程, 2017, 17(3): 40-46. https://www.cnki.com.cn/Article/CJFDTOTAL-DLJA201703007.htm [12] 宋苏民, 旷文珍, 许丽, 等. RBF神经网络在铁路货运量预测中的应用[J].铁路计算机应用, 2017, 26(1): 47-51. http://tljsjyy.xml-journal.net/article/id/4120 -
期刊类型引用(1)
1. 刘星. 铁路桥梁深基坑智能监测技术研究与应用. 铁路技术创新. 2022(04): 118-124 . 百度学术
其他类型引用(1)