大数据环境下基于BIM与CNN的电力工程造价优化算法

TM73; 针对大数据环境下电力工程造价在精准化、动态化等方面存在的不足,提出了一种基于BIM与CNN的电力工程造价优化算法.利用BIM技术的特点进行电力工程全生命周期的造价管理,实现了造价的动态化管控.并且采用Levenberg-Marquardt规则算法改进卷积神经网络,通过改进后的CNN网络对每个工程环节的造价完成预测,从而优化整个工程的施工方案.结合相关的电力工程造价数据,基于Matlab对所提算法进行实验测试.结果表明,当学习率为 0.010 时CNN网络的性能最佳,所提算法的预测准确率为94%,并且与造价的真实值最为接近....

Celý popis

Uloženo v:
Podrobná bibliografie
Vydáno v:沈阳工业大学学报 Ročník 46; číslo 1; s. 7 - 12
Hlavní autoři: 王林峰, 张文静, 刘云, 陈志宾, 王立功
Médium: Journal Article
Jazyk:čínština
Vydáno: 河北省电力有限公司 经济技术研究院,河北 石家庄 050001%河北省电力有限公司 互联网部,河北 石家庄 050001 2024
华中科技大学 电气与电子工程学院,湖北 武汉 430074
华北电力大学 电气与电子工程学院,河北 保定 071003%河北省电力有限公司 经济技术研究院,河北 石家庄 050001
武汉大学 电气与自动化学院,湖北 武汉 430072%河北赛克普泰计算机咨询服务有限公司 软件造价部,河北 石家庄 050081
Témata:
big data environment
BIM技术
convolutional neural network
电力工程造价
大数据环境
dynamic management and control
Levenberg-Marquardt规则算法
动态化管控
预测准确性
BIM technology
卷积神经网络
全生命周期
whole-life-cycle
prediction accuracy
power engineering cost
Levenberg-Marquardt rule algorithm
ISSN:1000-1646
On-line přístup:Získat plný text
Tagy: Přidat tag
Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!
Popis
Shrnutí:TM73; 针对大数据环境下电力工程造价在精准化、动态化等方面存在的不足,提出了一种基于BIM与CNN的电力工程造价优化算法.利用BIM技术的特点进行电力工程全生命周期的造价管理,实现了造价的动态化管控.并且采用Levenberg-Marquardt规则算法改进卷积神经网络,通过改进后的CNN网络对每个工程环节的造价完成预测,从而优化整个工程的施工方案.结合相关的电力工程造价数据,基于Matlab对所提算法进行实验测试.结果表明,当学习率为 0.010 时CNN网络的性能最佳,所提算法的预测准确率为94%,并且与造价的真实值最为接近.
ISSN:1000-1646
DOI:10.7688/j.issn.1000-1646.2024.01.02