【摘要】随着我国城镇化建设的迅速发展，各城市基础设施规模也相应扩大，同时各级政府也在投入大量的资金进行市政工程建设。在工程建设中，工程造价是建设的核心，而工程造价估算又是工程造价的基础，是工程建设可行性的前提。因此，本文针对工程建设中的排水工程造价估算做出研究，以便为市政排水工程保质保量建设有所帮助。
【关键词】市政排水工程；造价估算
近几年，随着市政工程建设的发展，工程造价估算理论也相应取得了不少研究成果，如数理统计、模糊数学、自适应过滤技术、专家系统与人工神经元网络技术等新的估算方法。可以说，这些模型方法在其他学科都有着广泛的应用，尤其是模糊数学和神经网络的应用。如武汉水利电力大学的胡志根、天津城市建设学院的李涛、阜新矿业学院的邵良杉等都采用模糊数学方法对土建工程与井建工程造价估算做出了分析；西安建筑科技大学的周丽萍、长沙交通学院的唐先英等也将神经网络方法应用于工业与民用建筑工程、水利水电工程及其井巷工程的造价估算。但是通过模糊数学、神经网络、灰色理论等方法对排水工程造价估算的不多见，因此，本文分别通过用灰色理论、模糊数学、神经网络及灰色理论与RBF神经网络相结合的四种估算模型对排水管道工程进行造价估算。以便为排水工程造价估算有所帮助。
1. 利用灰色理论估算排水工程造价
（1）此方法需要选取排水工程的工程特征及其造价样本，然后针对这些实例样本（一部分是已建工程，一部分是待估工程）的工程参数与特征，赋予工程特征参数系数及其权重，然后计算出各自的排水工程参数系数与每个影响因素所对应的权重。
（2）根据灰色理论估算原理及其模型流程图，利用计算机程序在每次选好的几个典型工程中，将任意一个典型工程当作欲估工程，轮流计算各典型工程自身的单位估价，看是否满足精度要求。具体实例中，选取那些误差最小的样本工程作为典型工程来估算待估工程的造价。具体的计算步骤是：首先为了方便计算，对这几个典型的工程按照编号由大到小排列，然后对这些序列的参数系数进行初值化；然后计算各子序列与母序列在第k点的序列差；再次计算出两级最小差、两级最大差、关联度与关联系数；最后计算待估工程的造价（在计算出来的关联度中选取最大的三个关联度，按从大到小的顺序排列，进而找到对应的三个典型工程）。可见，通过利用灰色理论法可以估算出待估工程的造价，只要与其实际造价相对误差在正负10%以内，便符合精度要求。
2. 利用模糊数学估算排水工程造价
（1）此方法同样选取灰色理论中实例的几个样本作为典型工程来估算待估工程的造价。其中，灰色理论中的参数系数就是模糊数学中的“隶属度”，然后对待估工程逐个估算工程造价。
（2）具体过程：首先对贴近度计算，也就是计算待估工程与每个典型工程隶属度的交并集，在计算后选取贴近度较大的前三个典型工程计算；然后计算调整系数（包括对拟建工程的模糊关系系数与所选典型工程的模糊关系系数的计算）；最后计算待估工程造价估算。通过利用模糊数学估算的待估工程造价与实际造价误差也是在正负10点以内即可。
3. 利用神经网络估算排水工程造价
（1）神经网络估算法主要是基于Matlab工具箱，利用Matlab神经网络工具箱函数，编制计算程序。径向基函数隐层是由两层神经元构成，第一层为径向层，神经元传递函数为radbas，加权函数为dist，输入函数为netprod；第二层神经元的传递函数为纯线性函数purelin，加权函数为dotprod，输入函数为netsum。在程序中，首先实例中样本数据进行归一化处理，归一化处理函数用prestd；创建 RBF神经网络模块，其格式为net=newrb（p，t，goal，sp，mn，df），其中p是典型工程的输入值，t是典型工程的目标值即每个工程对应的造价，goal是网络的均方误差性能指标，sp是扩展常数，mn是神经元个数最大值，df是训练过程的显示频率，利用这些参数使得神经网络进行学习训练；该函数利用迭代方法建立网络，开始时网络径向基层的神经元个数为零，然后每迭代一次，径向基层就添加一个神经元，在每次迭代中，训练好的网络首先进行仿真并找到对应于最大输出误差的输入样本值，然后径向基层添加一个神经元并把权值设为该输入值，最后再修改线性层的权值以达到最小误差。仿真通常用的函数为sim，其格式为t0=sim（net，p0） ，p0 为待估工程的输入值， t0为所求的输出值；利用归一化函数的反函数对神经网络的输出值 t0进行处理，即可得到预测的待估工程的造价。
（2）通过对程序运行，可以得到RBF神经网络训练误差变化曲线图，从图中找到神经网络训练次数，输出矢量与目标矢量之间的均方误差，最终满足了网络训练的目标值0.001。最终所得到的样本造价估算与实际造价误差在正负10点内即可。
4. 利用灰色神经网络模型估算排水工程造价
（1）通过上述计算可知，与计算机技术相结合的这三种估算模型各有其优点及适用条件，特别是径向基神经网络估算模型，有估算精度高、对样本的数量无限制等优点，但当样本数量过大，采用径向基神经网络估算模型势必会增加计算机的存储量，同时对样本不加筛选的进行训练，徒劳的增加了样本的训练时间。为了弥补径向基神经网络估算模型的缺陷，本文将灰色理论与径向基神经网络相结合，形成灰色神经网络估算模型。
（2）灰色神经网络估算模型的基本思想就是首先运用灰色理论法从已搜集的工程造价数据库中选取若干个与待估工程比较相似的工程作为典型工程，然后再用这些典型工程的数据资料作为神经网络的输入值来估算待估工程的造价。
（3）利用灰色理论估算原理及其模型流程图，选取与待估工程比较相似的几个样本工程作为典型工程，然后把典型工程作为RBF神经网络的输入值进行网络训练，RBF神经网络共训练了5次，就满足了网络训练的目标值0.001，较之神经网络法，其训练速度加快。训练误差变化曲线图。最终所得到的样本造价估算与实际造价误差在正负5点内即可。
参考文献
[1]羊英姿，利用灰色关联理论估测市政管道造价[J]，四川建筑，2006，05.
[2]周其明，神经网络集成在工程造价估算中的应用研究[J]，重庆交通学院学报，2005，04.
[3]孙金丽，基于神经网络的工程造价估算方法及其Excel实现[J]，基建优化，2003，01.
[4]程鸿群等，工程造价管理[M]，武汉大学出版社，2004，04.
