承包商工程索赔预测模型应用.docVIP

承包商工程索赔预测模型应用 　　[摘 要]应用LM算法人工神经网络对承包商工程索赔进行预测。在此基础上，通过研究工程中引起索赔的各种因素，建立了基于LMBP神经网络的非线性系统，并利用该网络模型来预测工程索赔出现的可能性，结果表明，LM算法可以解决工程索赔的预测问题，而且算法快，精度高，是运用人工神经网络预测工程索赔的较好网络。 　　[关键词]工程索赔 LM算法 非线性系统 预测 　　作者简介：李颖（1969-），女，浙江建设职业技术学院，高级工程师，注册造价工程师，杭州市评标专家，从事建筑工程经济管理。康铁钢（1968-），男，浙江经济职业技术学院，高级工程师，注册建造师，从事房地产经济管理。 　　 　　工程索赔是在工程承包合同履行中，当事人一方由于另一方未履行合同所规定的义务或者出现了应当由对方承担的风险而遭受损失时，向另一方提出赔偿要求的行为。我国《建设工程施工合同示范文本》中索赔是双向的，索赔既包括承包人向发包人的索赔，也包括发包人向承包人的索赔。索赔有非常好的经济效果。根据国外资料的统计，在正常的情况下，工程承包能得到的利润约占工程合同价的3％-10％，而在许多国际工程索赔中，索赔额高达合同价的10%-20%；甚至有些项目工程索赔将超过合同价。 　　在工程实践中，发包人索赔数额较小，而且处理方便，可以通过冲账、扣拨工程款、扣保证金等方法实现对承包人的索赔；而承包人对发包人的索赔则比较困难一些，每一个工程合同中都存在着各种合同变化因素，这些变化因素的综合作用如何，是否引起施工索赔，如果承包商能够预先知道这些判断结果，就可以在施工索赔管理中掌握主动权，因此，建立一个适应性强，便于应用计算的工程索赔预测模型是十分必要的。 　　本文提出一种基于人工神经网络纳Levemberg Marquad算法 (简称为LM算法)进行承包商工程索赔的预测，它充分运用了神经网络高度的非线性、高度的容错性和鲁棒性、自学习及实时处理等特点，利用了神经网络存储专家的设计经验和具有渐进的学习功能。针对承包人（施工单位）在合同实施过程中，如何应用索赔预测模型对工程进行索赔预测进行了分析和研究，帮助承包商减少自身风险，保护自己的经济利益。 　　 　　一、工程索赔 　　施工索赔是通过承包施工合同条款的规定，对合同价进行适当的公正调整，以弥补承包商不应承担的损失，使承包合同的风险分担程度趋于合理。现实工程合同索赔事件内容迥异，通常包括不利的自然条件、认为障碍、施工条件变化、政策法规变化、物价上涨、汇率变化、工程变更、工期延期或提前、管理失误、合同单方不正当终止、不可抗力等。索赔事件是引发索赔的外因，合同当事人利益驱动是引发索赔的内因，而合同风险分担不均、内容存在缺陷是引发索赔的潜在原因。在施工过程中，引起索赔的原因很多，根据目前的工程统计数据，可将承包商成立索赔的原因分为六大类：工程变更；新增施工项目；发包人违约；地质变化；外部环境和合同缺陷。 　　以上这些因素综合引起的施工索赔结果按索赔目的可划分为三类： 　　（一）工期索赔，就是承包商向业主要求延长施工的时间，使原定的工程竣工日期顺延一段合理的时间。 　　（二）费用索赔，就是承包商向业主要求补偿不应该由承包商自己承担的经济损失或额外开支。 　　（三）工期和费用索赔，对工期和费用同时提出索赔。 　　 　　二、LMBP神经网络预测模型 　　（一）神经网络 　　神经网络是基于仿生学原理建立起来的新型学科。它由最简单的神经元开始，然后按照大脑的基本结构连接组合为层次模型，最后通过学习使其具备智能性。神经网络具有良好的非线性映射能力、快速的并行处理能力、较强的自学习自组织能力及完备的联想能力。其中，BP网络是目前应用最广的神经网络模型之一，其结构简单，仿真能力强、易于实现，近年来已被广泛地应用于评估预测、专家系统、图像处理、故障诊断等领域[3]。但是BP算法在训练过程中易陷入局部最小，从而导致网络学习速度慢，收敛时间长，严重时甚至出现网络麻痹现象。 　　（二）LM算法 　　LMBP (Levenberg Marquardt Back Propagation)预测模型是一种基于LM算法的BP神经网络。其作为一种数值优化技术，实质是牛顿法的变形，用以最小化那些作为其他非线性函数平方和的函数，这个特性非常适合于性能指数是均方误差的神经网络训练[4]。LM算法中误差平方和为 　　E=1/2∑（εp）2=1/2‖ε‖2 （1） 　　式中P是第P个样本；ε是以εp为元素的向量。假设当前位于ωold，并向新位置ωnew移动，如果ωnew-ωold移动量很小，则可将ε展成一级Taylor级数 　　ε（ωold）＋Z（ωnew-ωold） （2） 　　（Z）pi=εp/ωi （3）