基于BIM和AI一体的建筑工程造价智能核算与偏差预警系统的制作方法

本发明涉及建筑工程造价管理，具体为基于bim和ai一体的建筑工程造价智能核算与偏差预警系统。

背景技术：

1、建筑工程造价核算通常依据bim模型提取的工程量清单与预设目标成本进行对比，这种方式未融合施工现场实时采集的温度、湿度、振动等环境参数以及设备运行状态数据，难以反映实际施工条件对造价的动态扰动。当工程数据因采集不全或施工变更而存在样本稀疏、特征缺失时，常规统计分析和机器学习模型容易出现过拟合或预测失稳，无法在施工早期阶段提供可靠的成本偏移信号。在偏差分析层面，现有方法多将各分项工程的成本偏差视为孤立事件，忽略建筑构件之间在空间位置、施工工序依赖、物料供应关联方面的耦合关系，导致难以还原偏差在构件网络中的传播路径和定位诱发偏差的根源构件。在预警环节，普遍采用基于预设阈值的静态报警规则，无法根据偏差的严重等级以及施工现场实时的环境与设备状态，动态调整预警动作类型和强度，容易出现过度告警或响应不足。由此衍生出两方面的核心难题：其一，如何从bim固有的几何物料信息与现场动态感知数据中提炼出紧致且具有强判别力的特征，并依此进行高精度的分项阶段性成本预测与偏差量化；其二，如何利用构件间的内在关联对偏差传播进行建模，从而准确发掘偏差源头，并结合工地实时状态生成差异化的自适应预警决策。

技术实现思路

1、本发明提供一种基于bim和ai一体的建筑工程造价智能核算与偏差预警系统，旨在解决现有技术中成本预测未充分利用现场实时数据且难以从稀疏样本中提取有效特征、偏差分析缺乏构件关联传播建模以及预警策略无法自适应动态调整的问题。

2、本发明的目的可以通过以下技术方案实现：

3、本发明提供一种基于bim和ai一体的建筑工程造价智能核算与偏差预警系统，该系统包括数据采集模块、特征增强模块、成本预测模块、偏差分析模块和预警决策模块。数据采集模块基于bim模型提取建筑工程的几何参数与物料属性数据，同时接入施工现场的实时传感器采集的环境参数与设备状态数据，构建初始特征矩阵，从而将静态的设计信息与动态的现场工况在数据层面进行统一融合。特征增强模块通过对抗生成网络对所述初始特征矩阵进行数据增强处理，生成扩充特征集，并利用自编码器对所述扩充特征集进行降维与重构，提取出造价相关隐变量，由此在保留造价影响因素关键信息的前提下有效消除数据冗余，提升后续预测的稳定性。成本预测模块将所述造价相关隐变量输入到基于注意力机制的时间卷积网络中，动态预测各分项工程的阶段性成本值，并同步计算出所述阶段性成本值与预设目标成本之间的原始偏差量，借助时间卷积网络对长距离时序依赖的捕捉能力以及注意力机制对关键时间步的筛选作用，使成本预测能够反映施工过程的动态变化且具备更高的时序精度。偏差分析模块根据所述原始偏差量，结合从bim模型中提取的构件关联关系图谱，采用图神经网络进行偏差传播分析，识别出关键偏差源构件，由此实现从整体偏差信号到具体责任构件的精确追溯。预警决策模块将所述关键偏差源构件的属性信息与实时传感器数据进行时空对齐，输入深度强化学习模型中，输出针对不同偏差等级的自适应预警策略，使得预警动作能够依据现场实际状态进行动态优化，避免人工设定阈值带来的预警滞后或误报。

4、作为本发明的一个优选方案，数据采集模块从bim模型的构件数据库中遍历所有建筑构件，提取每个构件的长度、宽度、高度、体积、表面积作为所述几何参数，提取每个构件的材料类型、材料强度等级、单位成本作为所述物料属性数据；通过无线通信协议连接部署在施工现场的温度传感器、湿度传感器、振动传感器以及设备运行状态监测器，采集每个传感器节点的实时数值作为所述环境参数与所述设备状态数据；以每个构件或每个传感器节点作为矩阵行索引，以提取的几何参数、物料属性数据、环境参数、设备状态数据的各个维度作为矩阵列索引，构建初始的二维数值矩阵，并对所述二维数值矩阵中的缺失值进行线性插值填充，得到所述初始特征矩阵。该方案确保了多源异构数据在统一特征空间中的完整性和可用性。

5、优选的，特征增强模块将所述初始特征矩阵作为真实样本输入到对抗生成网络的判别器中，同时从随机噪声分布中采样生成假样本输入到对抗生成网络的生成器中，通过交替训练判别器与生成器直至纳什均衡状态，得到增强后的合成特征样本；将所述初始特征矩阵与所述合成特征样本进行纵向拼接操作，构建所述扩充特征集；将所述扩充特征集输入堆栈式自编码器的编码部分，通过逐层非线性映射将输入数据压缩到低维隐空间中，得到初始隐变量；将所述初始隐变量输入到堆栈式自编码器的解码部分进行重构操作，计算重构误差，并反向传播调整编码器与解码器的权重参数，使重构误差最小化，将最小化重构误差后编码器输出的低维表示确定为所述造价相关隐变量。通过对抗生成网络与自编码器的协同工作，既扩充了样本多样性又实现了对造价核心驱动因素的无监督压缩，有效缓解了实际施工数据不足所带来的过拟合问题。

6、成本预测模块具体按照施工进度将所述造价相关隐变量沿时间轴进行分段排列，构建时序特征张量；将所述时序特征张量输入到时间卷积网络中的扩张因果卷积层中，通过增大卷积核的感受野提取不同时间尺度的局部依赖特征；将所述局部依赖特征输入到注意力机制模块中，计算每个时间步的注意力权重，并根据所述注意力权重对所述局部依赖特征进行加权求和操作，生成加权时序特征；将所述加权时序特征输入全连接回归层中，输出每个分项工程在多个预设时间节点下的所述阶段性成本值；从bim模型中读取每个分项工程对应的所述预设目标成本，将所述阶段性成本值与所述预设目标成本逐节点进行差值计算，得到所述原始偏差量。其中，所述时间卷积网络中的扩张因果卷积层采用指数级增长的扩张率，并在每个卷积块后添加残差连接，以防止梯度消失并稳定深度网络的训练过程。通过上述设置，网络能够在保证因果时序约束的前提下捕获不同时间跨度下的成本演化规律，提高了对成本拐点及突发偏差的感知灵敏度。

7、偏差分析模块从bim模型中提取所有建筑构件的空间位置关系、施工工序依赖关系以及物料供应关联关系，以构件为节点、以关系类型为边构建所述构件关联关系图谱；将所述原始偏差量作为初始特征赋值给对应分项工程所关联的构件节点，对于无直接偏差的构件节点赋予零值，形成节点初始特征矩阵；将所述节点初始特征矩阵与所述构件关联关系图谱的邻接矩阵输入到图卷积网络中，通过逐层聚合邻居节点的特征信息更新每个构件节点的偏差表征向量；在所述图卷积网络的输出层之后连接一个节点级回归器，输出每个构件节点的预测偏差贡献值，将所述预测偏差贡献值超过预设阈值的构件节点确定为所述关键偏差源构件。该图卷积网络采用三层的图卷积层结构，每层后接批量归一化层和relu激活函数，并在邻域聚合时使用注意力机制动态调整不同邻居节点对目标节点的影响权重。这样不仅能够描述偏差沿工序、空间及供应链路径的传播效应，还能量化各构件的偏差责任，使得偏差定位结果更加可靠。

8、预警决策模块从bim模型中提取所述关键偏差源构件的几何尺寸、材料标号、施工工艺参数以及上游连接构件标识，构建构件属性向量；按照所述关键偏差源构件在bim模型中的空间坐标，匹配距离最近的实时传感器，提取所述实时传感器在同一时间戳下采集的环境参数与设备状态数据，构建环境状态向量；将所述构件属性向量与所述环境状态向量按特征维度进行拼接操作，得到对齐后的联合状态表征；将所述联合状态表征作为当前状态输入到深度q网络中，所述深度q网络根据当前状态计算每个可执行预警动作的动作价值，并采用贪婪策略选择最大动作价值对应的预警动作，输出针对不同偏差等级的自适应预警策略。该深度q网络在训练过程中采用经验回放机制和目标网络软更新策略，以历史偏差事件中的联合状态表征、执行的预警动作、获得的奖励及下一时刻状态作为训练样本，迭代优化网络参数。上述技术手段将构件属性与实时环境统一纳入决策状态空间，使得输出的预警策略能综合考虑构件自身的工艺要求和外部施工条件，实现自适应、多等级的差异化预警。

9、在输出自适应预警策略之后，系统进一步执行预警指令生成与分发步骤：解析所述自适应预警策略中的动作类型字段，所述动作类型字段包括调整施工速度指令、增加物料检验频次指令、触发备料采购流程指令以及暂停当前工序指令；根据所述关键偏差源构件的空间坐标信息，从施工人员定位系统中查询距离最近的现场管理人员终端地址，以及从bim模型中提取负责该构件的施工班组组长终端地址；将解析后的动作类型字段与所述原始偏差量、所述关键偏差源构件的标识信息打包为预警指令数据包，通过5g通信链路分别发送至所述现场管理人员终端地址和所述施工班组组长终端地址。由此确保了预警信息能够精准投递至具体执行人，减少信息传递延迟与误传。

10、优选的，系统在计算出原始偏差量之后，还对其进行时序平滑滤波处理：按照时间顺序缓存连续多个施工周期输出的所述原始偏差量，构建偏差量滑动窗口序列；对所述偏差量滑动窗口序列中的每个偏差量进行异常值检测，将超过均值三倍标准差的偏差量标记为离群点，并用窗口中相邻偏差量的中位数值替换该离群点；将替换离群点后的偏差量滑动窗口序列输入到卡尔曼滤波器中，通过预测步骤与更新步骤的迭代计算，输出滤波后的偏差量序列，用所述滤波后的偏差量序列替换原始的所述原始偏差量。经滤波后的偏差量序列能够有效抑制传感器噪声与偶然因素引起的随机波动，使得偏差趋势更加清晰连续，为后续图神经网络分析提供更可靠的基础信号。

11、进一步地，识别出关键偏差源构件之后，系统执行因果追溯步骤：以识别出的所述关键偏差源构件为起点，在所述构件关联关系图谱中执行反向广度优先搜索操作，查找所有能够通过有向边到达该关键偏差源构件的上游构件集合；从施工记录数据库中提取每个上游构件的实际施工时间、实际物料消耗量以及实际人工工时，与bim模型中对应的计划值进行差值计算，得到每个上游构件的执行偏差向量；计算每个上游构件的执行偏差向量与所述关键偏差源构件的原始偏差量之间的余弦相似度，将余弦相似度超过预设相似度阈值的上游构件标记为潜在根因构件，并将所述潜在根因构件与所述关键偏差源构件关联输出。通过对偏差源的上游因果追溯，能够揭示偏差产生的深层原因，为后续工艺改进和减少重复偏差提供依据。

12、另外，为持续提升预警策略的适应性，系统在每次执行完预警策略后，对深度强化学习模型进行在线更新：每次执行完所述自适应预警策略后，采集预设时间窗口内的实际成本变化数据与偏差纠正效果数据，构建奖励反馈信号；将执行所述自适应预警策略时所使用的联合状态表征、所选择的预警动作以及采集到的所述奖励反馈信号组成一个经验元组，并存储到经验回放缓冲区中；从所述经验回放缓冲区中随机采样多个经验元组，计算每个经验元组的时间差分误差，利用所述时间差分误差通过梯度下降法更新深度强化学习模型中的深度q网络的权重参数，完成深度强化学习模型的在线增量更新。这种在线学习机制使得预警模型能够根据实际干预效果不断自我优化，使系统越使用越精准，逐渐形成与具体工程场景高度适配的预警经验。

13、本发明的有益效果：

14、采用对抗生成网络对初始特征矩阵进行数据增强，生成扩充特征集，并借助堆栈式自编码器对扩充特征集进行降维与重构，提取造价相关隐变量。对抗生成网络通过生成器与判别器的博弈学习，拟合原始特征分布并合成具有相似统计特性的特征样本，扩充了训练数据的规模和多样性，缓解了因施工数据采集不全或构件样本不足导致的模型学习不充分问题。自编码器通过逐层非线性压缩与重构最小化误差，剥离与成本变动无关的冗余信息，所提取的隐变量以低维形式浓缩了造价敏感特征，将其作为下游预测模型的输入，能够有效提升模型对成本驱动因素的识别能力和预测稳定性。将造价相关隐变量输入到基于注意力机制的时间卷积网络中，时间卷积网络通过扩张因果卷积以指数增长的感受野捕获不同施工周期下的长短期依赖，注意力机制自动为对成本波动贡献大的时间步分配更高权重，使阶段性成本预测更贴合施工过程的时变特性，从而在早期阶段即可捕捉到微弱的成本偏移趋势，生成更准确的原始偏差量。结合从bim模型中提取的以构件为节点、以关系类型为边的构件关联关系图谱，将原始偏差量作为节点初始特征输入图卷积网络，通过逐层聚合邻居节点的偏差信息更新每个构件的偏差表征向量，并输出节点级的预测偏差贡献值。图卷积网络利用构件之间的空间位置、工序依赖和物料供应等关联边进行偏差传播建模，使得偏差信号沿真实工程依赖链流动，能够追溯隐蔽的间接影响，有效从众多关联构件中分离出引发连锁偏差的关键偏差源构件，改变了仅依据单点超支幅度判别根源的粗放方式。将关键偏差源构件的属性信息与距离最近且同时间戳的实时传感器数据进行特征拼接，构建对齐后的联合状态表征，输入深度q网络等深度强化学习模型，依据偏差等级和现场环境状态计算各可执行预警动作的动作价值，输出自适应预警策略。深度强化学习通过历史偏差事件的经验回玩与在线增量更新，持续优化策略网络，在面对不同偏差严重程度和动态变化的工地环境时，能够自主选择包括调整施工速度、增加物料检验频次、触发备料采购或暂停工序等差异化动作，从而提升预警响应的针对性和时效性，降低因预警措施不当或滞后引发的成本进一步超支风险。