一种用于明挖管道施工中成本估算与优化整合的知识驱动决策支持参考架构

《Expert Systems with Applications》:A knowledge-driven decision-support reference architecture for integrating cost estimation and optimization in open-cut pipeline construction

【字体: 大 中 小 】 时间:2026年10月21日 来源:Expert Systems with Applications 9.4

编辑推荐:

   摘要:明挖管道施工(OCPC)涉及由不确定且相互依存的因素所驱动的复杂成本行为,使其成为决策领域的难点。尽管机器学习、仿真和优化方法已被单独广泛研究,但将它们整合为连贯的知识驱动决策支持系统仍然有限。本研究推导出一条结构化的概念路径,将成本估算与不确定性下的成本优化联系起来,

  

摘要:明挖管道施工(OCPC)涉及由不确定且相互依存的因素所驱动的复杂成本行为,使其成为决策领域的难点。尽管机器学习、仿真和优化方法已被单独广泛研究,但将它们整合为连贯的知识驱动决策支持系统仍然有限。本研究推导出一条结构化的概念路径,将成本估算与不确定性下的成本优化联系起来,并将其用作系统综述的组织框架。该路径包含七个相互关联的领域——成本估算、模糊逻辑、数值建模、机器学习、仿真、敏感性分析和优化——这些领域被组织为知识处理序列而非独立方法。对从1,030条Web of Science记录中筛选出的288篇研究进行的系统分析表明,现有研究缺乏结构化整合:本次综述所审视的研究中超过90%未应用超过两种方法,即使语料库中最常见的配对——成本估算与优化(47篇论文)——也仅达到统计独立性所预测频率的59%(φ = ?0.47)。本研究将方法之间的依赖关系明确为一种基于知识的参考架构——规定了其参数、模型和规则知识库;有序的前向链接推理序列;输入–输出表示;以及将系统支持的分析与规划人员判断分开的决策逻辑——并识别出五个缺失的推理链接。其贡献是绘制了一张精确的整合差距图谱,并规定了一种参考架构,用于开发统一预测建模、不确定性推理和优化的混合专家系统,以支持OCPC决策。

1. 引言

地下基础设施系统在支持城市发展和经济增长方面发挥着至关重要的作用。这些系统包括广泛的地下网络,如供水和配水管道、污水和雨水收集系统、天然气分配网络、电力电缆和通信电缆,它们构成了现代城市生活的根本骨架(National Research Council, 2013, Broere, 2016, Hojjati et al., 2017)。随着全球城市化进程的加速和对可靠公用服务需求的增加,地下基础设施的规划、设计和施工变得越来越复杂,对城市的长期可持续性和韧性至关重要(Bobylev, 2009, Peng et al., 2021)。仔细规划和协调开发这些地下系统是实现可持续城市环境的基础,因为管理不善的地下施工可能导致资源冲突、环境退化和土地利用低效(Hunt et al., 2014)。

1.1 管道施工

地下基础设施开发中最关键的组成部分之一是管道施工。水、污水、燃气及其他公用事业的埋设管道可通过多种方法安装,大致分为明挖(或开槽)技术和非开挖技术,每种方法根据项目条件、场地限制和环境考虑而具有不同的优势和局限性(Najafi, 2013, Kaushal et al., 2020)。随着对温室气体排放和管道项目环境足迹的日益关注,需要在经济、环境和社会维度上量化和比较这些安装方式的全面影响(Kaushal et al., 2020, Matthews et al., 2015)。

1.2 明挖管道施工

在各种施工方法中,明挖管道施工(OCPC)因其简单性、灵活性和相对较低的初始成本而仍然是最广泛使用的技术之一,尤其适用于浅层公用事业和地表约束较少的项目(Najafi, 2013)。然而,该方法与显著的经济、环境和社会影响相关,特别是在人口稠密的城市环境中,交通中断、商业中断和路面修复成本可能非常巨大(Kaushal, 2019, Gangavarapu et al., 2012)。研究表明,OCPC成本中约有70%可归因于开挖和地表恢复,而非管道本身,而且传统明挖方法可使路面使用寿命缩短多达30%,显著增加长期维护和修复支出(Tighe et al., 2002, Najafi and Kim, 2012)。

Kaushal等人(2022)使用来自多个北美项目的统计数据进行对比成本分析发现,原位固化管道(CIPP)翻新的平均施工成本比小、中、大口径卫生排水管道的明挖管道更换分别低57%、63%和18%。这一成本差异表明,尽管明挖仍然是新安装和全面更换场景的默认方法,但其直接施工成本显著高于微创替代方案,从而产生了更好地理解和优化OCPC成本驱动因素的强烈动机。

与此同时,Karkhanis等人(2025)的比较生命周期评估研究指出,尽管CIPP等非开挖翻新方法可以减少许多地表和环境影响,但明挖开挖对于倒塌管道、严重变形管段或根系和碎片严重阻塞而需要完全移除的管道仍然是不可或缺的,这进一步强调了需要改进明挖实践,而非将其视为未经审视的基准线。

一项基于系统综述和荟萃分析优先报告条目(PRISMA)的明挖和非开挖CIPP方法系统综述将施工、环境和社会成本确定为当前LCCA框架中的三个主要成本组成部分,其中管道尺寸、材料特性、项目位置、交通控制、噪声、道路修复和公众不便等变量影响总生命周期成本(Thakre et al., 2025)。这种更广泛的视角非常重要,因为它表明地下基础设施规划中的"成本"本质上是多维度的,不仅包括直接施工支出,还包括间接的社会和环境外部性,即使当前的综述选择主要关注经济维度作为第一步(Matthews et al., 2015, Thakre et al., 2025)。

1.3 OCPC中的不确定性

OCPC过程中的成本行为具有高度不确定性。项目绩效受到相互作用的多种因素影响,如沟槽深度、沟槽宽度、管道直径、管材、土壤特性、地下水条件、劳动生产率、设备效率、工作区约束和恢复要求。这些变量并非独立起作用,而是对项目成本产生非线性且依赖于上下文的效果(Najafi, 2013, Thakre et al., 2025)。传统确定性估算方法通常不足以表示这种不确定性,特别是在数据不完整的早期规划阶段,许多条件是以语言而非概率方式描述的(Thakre et al., 2025)。

OCPC项目中的成本超支是常见问题,通常源于场地条件、材料变异性、设备生产率和外部环境因素的不确定性(Flyvbjerg et al., 2018)。传统成本估算方法严重依赖确定性假设,无法捕捉施工过程固有的不确定性和复杂性,可能导致过于乐观或有偏的估算(Love et al., 2016)。

1.4 研究差距

近年来,包括机器学习(ML)和基于仿真的建模在内的数据驱动方法取得了进步,为改进施工成本预测和优化提供了新机遇(Darko et al., 2020, Chakraborty et al., 2020, Alshboul et al., 2022)。然而,这些进展作为孤立的能力积累,而非作为OCPC成本的集成方法:管道研究在对比评估和生命周期成本框架方面较为强大,但在集成优化方面较弱,方法学工作主要关注预测准确性而非决策支持,与多目标或生命周期导向的规划联系有限(Serajiantehrani, 2019)。

这种碎片化在地下管道领域内部也得到了记录。Thakre等人(2025)的PRISMA综述调查了845篇出版物,发现机器学习方法很少应用于OCPC成本;Kaushal等人(2020)发现环境和社会成本流与施工成本分开评估而非在统一模型中进行;Serajiantehrani(2019)表明基于ML的成本预测对于非开挖翻新可行但对于OCPC则缺失。在这些发现中,反复出现的模式并非缺乏有能力的方法,而是缺乏它们的整合——即使每种方法在单独使用方面已经成熟,模糊不确定性表示、敏感性驱动的优先级排序和优化仍然处于孤岛状态(Leu et al., 2001, Zheng and Ng, 2005, Eshtehardian et al., 2009)。本综述表明,关键限制不是方法的可用性,而是它们缺乏整合到统一计算框架中。

1.5 研究需求

到目前为止,地下基础设施成本估算已有一批相当可观且日趋成熟的文献:非开挖和明挖安装有参数化和回归模型(Kaushal and Najafi, 2020, Serajiantehrani et al., 2020),最近的综合研究整合了数百篇研究的估算证据基础(Thakre et al., 2025),机器学习开始在数据允许的地方扩展预测准确性(Atambo et al., 2022)。相比之下,成本优化在OCPC方面没有同样发达的基础,而且——最为关键的是——没有建立的方法论路径将成熟的估算文献与之相连。这种脱节的代价在规划阶段承担:一个无论多么准确的估算本身并不能告诉规划者应建造哪种配置、哪些不确定参数最驱动成本风险,或者在哪里进行额外的场地调查最能降低该风险。

弥合这一差距不仅仅需要一个更好的估算器或孤立的优化算法;它需要一个解释什么可以站在估算和优化之间,使得一个的输出在现实不确定性下成为另一个的可用输入。因此,本综述提出了一条连接OCPC成本估算和成本优化的结构化路径——其中间阶段由问题本身驱动而非临时拼凑,且其在文献中的当前地位可以测量而非假设。建立该路径并评估现有研究在多大程度上实现了它,是本综述所解决的需求。

1.6 研究目标

本研究的目标是开发OCPC成本相关知识结构的结构化概念表示,以支持计算推理和决策制定。具体而言,本研究旨在:(1)定义一个基于知识的框架,将成本估算与不确定性下的优化联系起来;(2)将分析方法之间的关系形式化为适用于专家系统表示的知识库、有序推理序列和决策逻辑;(3)评估现有研究在多大程度上支持这种结构;以及(4)识别限制智能决策支持系统开发的缺失知识链接。

与主要编目方法或比较预测性能的先前综述不同,本综述采用系统级视角,将成本估算、不确定性建模和优化视为单个推理序列的互连组件,并将OCPC成本优化框定为一个知识组织问题,其中工程知识被结构化为适合智能系统的形式。本文主要面向智能决策支持系统和施工信息学领域的研究者。本文按顺序组织以回答三个问题:OCPC成本规划提出什么决策问题以及为什么它抵制当前工具(第1节引言、1.1管道施工、1.2明挖管道施工、1.3 OCPC中的不确定性、1.4研究差距、1.5研究需求、1.6研究目标、2方法论领域的推导);能够满足该问题的方法论链条,表述为组织分类法(第2节);以及文献在多大程度上实现了该链条,通过系统测量(第3节方法论、3.1系统文献综述协议、3.1.1文献检索策略、3.1.2检索字符串、3.1.3纳入和排除标准、3.1.4筛选和分类、3.1.5数据提取、3.2跨类别差距分析、4文献计量概览、5概念基础、5.1成本估算、5.2模糊逻辑、5.3数值建模、5.4机器学习、5.5仿真、5.6敏感性分析、5.7成本优化、6跨领域整合分析)。

2. 方法论领域的推导

本节引入的七个方法论领域作为综述的组织分类法呈现,而非作为已验证或唯一必需的路径。它们源自对一个功能解读的遵循,即从不确定成本估算到优化决策涉及什么:表示不确定输入、估算成本、传播不确定性、将其归因于其驱动因素,以及搜索决策空间。其他分解也是合理的。数值建模和机器学习可以合并为单一估算领域;模糊逻辑可以推广为接受区间、贝叶斯或证据理论表示的认识论不确定性领域;仿真和敏感性分析可以处理为单一不确定性分析领域。

## 目录

3. 研究方法

3.1 系统文献综述协议

3.1.1 文献检索策略

3.1.2 检索字符串

3.1.3 纳入与排除标准

3.1.4 筛选与分类

3.1.5 数据提取

3.2 跨类别差距分析

4. 文献计量学概览

5. 概念基础

5.1 成本估算

5.2 模糊逻辑

5.3 数值建模

5.4 机器学习

5.5 仿真

5.6 敏感性分析

5.7 成本优化

6. 跨领域整合分析

衡量文献在多大程度上展现并融合了本文所采用的领域,其流行度、深度和共现发现均以该分类法为条件;它并不检验这种分解是否有必要。从建造信息学视角来看,从成本估算到成本优化的过渡可以解释为预测模型向决策支持系统的演变。本文综述采用的七个方法论领域旨在涵盖这些功能阶段,并可被组织为一条分析流水线。

成本是地下基础设施决策最终作出的维度。建设成本决定了管道项目是否推进、选择哪种安装方法,以及有限的市政预算如何在相互竞争的更新需求之间分配(Najafi, 2013; Kaushal et al., 2020)。成本本身也是可持续性的支柱:可持续发展的标准三维理念赋予经济绩效与环境和社会成果同等的地位(WCED (World Commission on Environment and Development), 1987; Elkington, 1997),管道安装的生命周期成本分析正是将这一三元组合操作化,同时从建设、环境和社会成本方面比较不同方法(Kaushal et al., 2020; Matthews et al., 2015; Thakre et al., 2025)。成本失控的代价是系统性的而非局限于项目的:超支会转化为延迟维护、推迟更新和网络中其他地方的服务降级(Hunt et al., 2014),这一动态在国家和污水基础设施中记录的持续投资缺口中以全国规模可见(ASCE., 2025)。因此,控制成本是可持续基础设施提供的前提,而非狭隘的财务问题。然而,在成本可以被预测之前无法被控制,在预测与决策机制相连接之前无法被系统地降低。这种顺序——先估算,后优化——定义了一条计算流水线,其中每个未解决的问题都召唤一种特定的方法论能力。图1展示了从成本估算到成本优化的计算流水线。追踪该链条导出了构建本文综述的领域。

**图1. 连接成本估算、不确定性建模和优化的概念计算流水线,用于数据驱动的决策支持。**

### 2.1 阶段I – 构建具备不确定性能力的估算器

该链条始于成本估算,它根据项目定义的阶段,使用类比法、参数法或单价法预测定义范围内所需的资源(Oberlender and Trost, 2001; Akintoye and MacLeod, 1997)。早期估算的准确性更多受限于估算时项目信息的质量和完整性,而非计算复杂性(Trost and Oberlender, 2003),而这恰恰是早期阶段地下项目所缺乏的。此外,单独的估算是描述性的:它报告预期某配置的成本,而非应该建设哪种配置。

从估算转向成本优化(Deb et al., 2002; Marler and Arora, 2004)要求估算以优化器可以评估的目标函数的形式表达,这是一种在建造时间-成本权衡分析中有着悠久渊源的公式化方法(Zheng and Ng, 2005; Feng et al., 1997)。这种公式化暴露了三个问题,由该分类法的中间领域加以解决:估算的输入存在不确定性,输入-成本关系需要函数形式,并且优化器受益于知道哪些输入重要。

#### 2.1.1 用模糊逻辑解释不确定性

第一个问题是不确定性。建设成本估算系统性地不可靠——Flyvbjerg等人(2003)记录了地下工程平均45%的超支——而确定性点估算会掩盖驱动实际成本的场地条件、生产率和外部因素的变异性(Flyvbjerg et al., 2018; Love et al., 2016)。文献中的经典应对是概率性的:为不确定的输入分配分布并传播它们,这种做法在概率估算和应急模型中得到正式化(Diekmann, 1983; Touran, 2003)。然而,概率处理假设有足够的数据来指定分布。在早期规划阶段,当岩土勘察不完整时,已知的大部分信息是以语言形式表达的——"软土"、"高水位"、"拥挤通道"——无法支持分布假设(Love et al., 2016; Thakre et al., 2025)。

模糊逻辑正是针对这种认识论条件:它将模糊的、基于判断的知识编码为隶属度而非概率(Zadeh, 1965; Klir and Yuan, 1995)。其在建筑问题中的适用性已有充分文献记载——模糊技术已应用于建造管理中的风险评估、决策和绩效评估(Chan et al., 2009),包括专门建模影响成本绩效的全球风险因素(Baloi and Price, 2003)——并且它与预测和优化的混合是对部分基于判断而非纯粹随机不确定性的既定应对(Leu et al., 2001; Nguyen and Fayek, 2022)。

#### 2.1.2 用数值建模和机器学习构建估算器

第二个问题是函数形式:优化器需要一个将项目参数映射到成本的模型。两种建模范畴提供了这种映射。数值建模——主要是回归——提供可测量变量与单位成本之间透明的、参数化的关系,其系数本身可被解释为局部敏感性(Oberlender and Trost, 2001; Clark et al., 2002)。机器学习将映射扩展到抵抗解析规格的非线性及交互密集关系(Breiman, 2001; Chen and Guestrin, 2016);基于人工智能的参数化成本建模综述确认了其在数据充分时的优越预测准确性和在建设成本研究中的日益主导地位(Darko et al., 2020; Alshboul et al., 2022; Elmousalami, 2020)。这两种传统是互补而非竞争的:回归提供适合小样本的可解释基底,而机器学习代理在数据允许时捕捉复杂性(Serajiantehrani et al., 2020)。在提议的架构中,这两种传统是替代的估算器族:使用一个估算器,根据数据可用性和可解释性需求进行选择,而非两者兼用。

### 2.2 阶段II – 用仿真传播不确定性

第三个问题是,即使一个良好指定的具有不确定输入的模型本身也只能产生点或区间输出;风险知情的决策使用可能成本的完整分布。通过成本模型对输入空间进行蒙特卡洛仿真(Metropolis and Ulam, 1949; Vose, 2008)产生该分布并支持应急设置所依赖的风险调整分位数(Touran and Wiser, 1992),其输出的真实性取决于对输入分布及其相关性的适当处理(Wall, 1997)。在其模糊-随机扩展中,仿真共同传播可能性与概率不确定性(M?ller and Beer, 2004)——这正是早期阶段管道规划中的条件,其中某些参数已统计表征,而其他参数仅以语言描述。

### 2.3 阶段III – 用敏感性分析归因方差

然而,成本分布并不揭示成本为何变动,且输入所有参数的优化器会在不移动结果的变量上浪费精力。敏感性分析通过全局方差法(Sobol', 1993; Saltelli et al., 2000; Saltelli et al., 2008)和筛选设计(Morris, 1991)将输出方差归因于单个输入及其交互,从而弥合这一差距,这一方法论领域的现代整合本身也是近期的(Borgonovo and Plischke, 2016)。对于当前链条,其作用是关键的:它回答了后续每项活动所依赖的问题——哪些参数值得进一步的现场调查,哪些应作为决策变量进入优化。

### 2.4 阶段IV – 搜索变量的最优值

在确定成本驱动因素后,成本优化完成了该链条,在由前述领域表示的不确定性下,搜索优先级排列的参数空间,使用非支配排序遗传算法II(NSGA-II)以单目标或多目标形式寻找最小化成本的配置(Deb et al., 2002; Kang and Lansey, 2013)。

因此,这七个领域可以被组织为一个阶段性框架而非扁平分类法:成本估算、模糊逻辑以及一个数值或机器学习模型共同形成一个能够在OCPC(开挖法管道安装)不确定性条件下操作的估算器,而三个操作——传播、归因和搜索——将该估算器转化为决策工具。

链条的每一步都允许有别于此处的选项;表1列出了主要选项及其可能更优的条件。

**表1. 提议架构每一步的替代方案。**

| 步骤 | 采用的选项 | 主要替代方案 | 替代方案可能更优时 |
|------|------------|--------------|---------------------|
| 表示认识论输入不确定性 | 模糊集与模糊推理 | 区间分析;贝叶斯征询;不精确概率(p-boxes);Dempster-Shafer证据理论;鲁棒优化(在搜索内处理不确定性) | 仅边界可信时用区间;专家能表述后续数据将更新的分布时用贝叶斯征询;来源冲突时用证据理论 |
| 成本估算 | 一个估算器:回归/参数或机器学习 | 另一种估算器族;混合或集成模型 | 小样本或系数必须可解释时用回归;大型非线性数据集时用机器学习 |
| 不确定性传播 | 模糊-随机蒙特卡洛仿真 | 纯蒙特卡洛仿真;α-截断区间传播;解析矩方法 | 所有输入都有拟合分布时用纯蒙特卡洛;无分布时用α-截断传播;近线性模型用矩方法 |
| 成本驱动因素归因 | Sobol'指数;当估算器为机器学习模型时用SHAP | Morris筛选;基于回归的指数;局部导数 | 输入众多且计算成本低时用Morris筛选;固定设计附近用局部度量 |
| 约简与搜索 | 基于敏感性的约简、多目标搜索及后优化检查 | 在整个输入向量上搜索;鲁棒或随机优化 | 输入较少时在整个向量上搜索;必须在不确定性范围内表现时用鲁棒优化 |

一个相邻的工作体系直接涉及这一点,并且必须与本文提出的主张加以区分:时间-成本权衡优化(TCTO),它数十年来一直优化建设阶段决策,并构成了最成熟的建设阶段优化传统(Feng et al., 1997; Leu et al., 2001; Zheng and Ng, 2005; Eshtehardian et al., 2009)。TCTO公式选择活动持续时间、班组和资源分配以及加速策略来在进度与成本之间权衡,越来越多地使用演化及多目标求解器。因此,本文综述的主张相应地不是说建设阶段成本优化在建设研究中缺席——TCTO恰恰证明了相反——而是说TCTO的决策空间是在活动与进度变量上定义的,其针对的是很大程度上确定性的成本函数,而本文综述识别的差距涉及在量化的输入不确定性下,对OCPC单价成本结构的物理与场地参数进行优化(沟槽几何、土壤处理、降水和支护要求、地表恢复)。两者是互补而非竞争的:OCPC参数范围优化可以直接继承TCTO的目标函数公式和演化求解方法。

### 3. 研究方法

本文的方法论在概念上与建造工程中既有的综述-框架构建方法学保持一致,其中结构化的文献综合为识别研究需求并提出新的分析方向提供实证基础(Darko et al., 2020; Nguyen and Fayek, 2022)。图2展示了本综述所采用的整体研究方法。

**图2. 研究方法。**

### 3.1 系统文献综述协议

本综述采用结构化综述方法,以确保文献综合透明、可复现,并与研究主题的跨学科性质一致。综述设计在概念上与地下基础设施研究中既有的技术综述方法保持一致,在这些方法中,研究被系统收集、筛选、分类和综合,以识别方法论趋势、关键变量和研究空白。特别是,综述结构受先前以基础设施为重点的综述研究启发,这些研究强调明确的检索策略、研究属性的提取以及比较性主题分析作为知识综合的基础(Kaushal et al., 2020; Thakre et al., 2025)。

#### 3.1.1 文献检索策略

系统检索在Web of Science (WoS)核心合集上进行。选择WoS作为唯一检索来源,是因为它提供了经过策展的、引文索引的语料库,具有元数据一致和受控查询语法,使得检索透明且完全可复现——这些特性对PRISMA协议至关重要。其对同行评审工程、建造管理和基础设施期刊的覆盖非常适合本综述的跨学科范围,该范围跨越计算方法与地下基础设施应用。

将检索范围限定在单一严格索引的数据库中,而非跨多个具有不同查询逻辑和重叠覆盖范围的异构平台聚合结果,是一项刻意的设计选择,旨在优先保障可重复性和受控去重;单数据库来源所带来的局限性已在本文综述的局限性部分予以承认。以"主题"字段查询,施加英语语言筛选及1990–2026年时间线过滤后,共返回1,030条记录,该集合作为进入筛选阶段的语料库。其他平台——包括ASCE Library、ScienceDirect和Google Scholar——未被用作独立检索来源;它们仅用于检索已在Web of Science(WoS)中识别出的记录的全文。

3.1.2. 检索式

检索以一条复合布尔查询在WoS的主题字段(TS)中执行,该字段将检索词匹配至标题、摘要、作者关键词和扩展关键词。该查询通过AND运算符组合了三个概念模块——方法路径、应用领域和成本聚焦——每个模块内的同义词和截断变体通过OR连接。同时施加了仅限英语语言和1990至2026年的时间线过滤。

截断符(*)用于捕获形态变体(例如model/modeling、pipe/pipeline),短语引号用于保留多词概念。将检索实现为一条复合查询式——而非运行并非正式合并多组临时关键词组合——确保了1,030条记录的结果集可以通过重新执行单一查询来再生成,这与PRISMA 2020报告期望以及同类建筑工程综述中所采用的聚簇术语策略(Thakre et al., 2025)相一致。此处提供完整的检索查询式以确保完全可重复性。

TS=("underground infrastructure*" OR "buried infrastructure*" OR "open-cut" OR "open cut" OR "open trench*" OR "trenching" OR "cut-and-cover" OR "pipeline*" OR "sewer*" OR "water main*") AND TS=("cost estimat*" OR "cost optimi*" OR "cost model*" OR "cost predict*" OR "cost analy*" OR "construction cost*" OR "life-cycle cost*" OR "LCCA" OR "multi-objective" OR "multi-criteria" OR "multi-scenario") AND TS=("fuzzy*" OR "numerical model*" OR "numerical simulat*" OR "machine learning" OR "artificial intelligence" OR "neural network*" OR "simulation*" OR "Monte Carlo" OR "sensitivity analy*" OR "algorithm*")

方法路径模块中的术语取自第2节所述的七个领域。因此,所检索到的语料库的结构受到其所用于检验的术语分类体系的影响:第4节文献计量概览、第5节概念基础、5.1成本估算、5.2模糊逻辑、5.3数值建模、5.4机器学习、5.5模拟、5.6敏感性分析、5.7成本优化以及第6节跨领域整合分析所描述的内容,说明了这些领域在文献中的分布与组合方式,且无法独立支持该术语分类体系。

3.1.3. 纳入与排除标准

满足以下至少一项条件的研究被纳入:

1. 直接针对管道、地下或公用基础设施项目中的成本估算、成本分析或成本优化问题。
2. 提出了与建筑和基础设施背景下不确定性建模、敏感性分析、模拟或优化相关的方法;或
3. 作为定义本综述关键概念领域之一的基础性参考文献。

若研究包含清晰的方法描述、识别了关键变量或成本驱动因素,或提供了与不确定性下的决策制定相关的综合分析,则优先纳入。符合以下条件的研究被排除:

1. 与基础设施或建筑背景无关,仅关注纯机械或材料行为且无决策或成本相关性;或
2. 缺乏足够的方法论清晰度以支持比较。

此外,高度专业化但无法迁移至OCPC经济规划背景下的论文被视为边缘性文献而非核心参考文献。此筛选逻辑遵循工程领域现状综述的通用原则,其目标并非穷尽式收集所有相关出版物,而是审慎选择支持主题综合与概念推进的文献(Grant and Booth, 2009; Snyder, 2019)。

3.1.4. 筛选与分类

2026年5月22日执行的WoS检索返回了1,030条记录。去除91条重复DOI后,939条唯一记录进入筛选阶段。首先根据纳入和排除标准按标题和摘要进行筛选,该阶段排除了69条超出范围记录——主要为无关领域研究(碳捕集硬件和处理器设计、生物医学、航空航天与机械、以及IT、电信或计算机科学应用),或无相关方法或领域信号的研究。剩余的870篇报告通过全文审查应用完整标准进行合格性评估,其中582篇被排除——最大单一原因是缺乏基础设施领域匹配(388篇),其余因应用领域超出范围或标称方法未实质性应用而被移除(194篇)。最终获得288项研究用于综合分析(图3)。

下载:下载高分辨率图像(235KB)
下载:下载全尺寸图像
图3. PRISMA流程图。

288篇纳入文献并非仅按应用领域组织,而是根据与综述关键词对应的主要方法论和概念主题进行分类。选择基于关键词的分类方式是因为它比简单的时序或纯领域综述更能有效支撑论文的逻辑流:它使综述能够先从每个概念的理论基础入手,再转向其在建筑和基础设施研究中的应用,最终将其连接到OCPC成本优化的特定语境。

所选文献还被分为两个层级。第一层——直接针对OCPC或地下公用设施安装的研究,其发现可直接为OCPC成本优化提供依据而无需语境转换。第二层——相邻土木与基础设施领域(供水管网、交通、能源、一般建筑)的研究,其方法论贡献可通过类比迁移至OCPC。层级区分服务于两个目的:明确哪些发现建立在直接OCPC证据之上,哪些建立在相邻基础设施领域的方法论类比之上;同时使分层统计成为可能,确保关于OCPC邻近文献的流行度主张不会由相邻领域研究驱动。

筛选概况——标题/摘要阶段排除较少(69篇)而多数(582篇)在全文阶段被排除——直接源于高召回率的查询设计。满足三模块布尔查询的记录在摘要层面几乎总是具有合理性,只能依据全文标准——即方法的实质性应用和基础设施领域相关性——来裁定。由于本综述的结论涉及方法组合的缺失,遗漏一项整合性研究(假阴性)对论证的代价将大于广泛查询所带来的额外筛选成本;因此精确度被有意让位于召回率,全文阶段被设计为主要承担筛选负担。

筛选和编码由第一作者根据所述纳入/排除标准及下述小节的编码规则进行。边界记录与第二作者共同审查,通过讨论直至达成共识。记录未经独立双筛选或双编码,未计算评定者间一致性统计量。未应用正式质量评估工具,因为分析单位是方法的存在与组合而非合并效应量;全文要求方法必须被实质性应用——已实施并贡献结果,而非仅被提及——作为操作性的充分性筛查。

3.1.5. 数据提取

对288项纳入研究的每项研究,记录了结构化属性集以支持比较和综合分析。这些属性包括发表年份、研究类型、研究领域、主要目标、关键变量或参数、所用方法、不确定性处理方式、优化能力和相关性。适用情况下,还提取了关于成本组件、数据来源以及研究是否提供结构化输出(如变量排序、情景比较或生命周期评估结果)的附加信息。

此阶段记录的方法相关字段——所用方法、不确定性处理、优化和敏感性分析——为下一节报告的方法论频率、共现和方法论深度统计提供了基础。此提取策略类似于近期污水管道现状综述中使用的方法(Kaushal et al., 2020; Thakre et al., 2025),这些综述收集了发表年份、模型类型、变量和验证相关信息以支持跨研究系统比较。然而,在本综述中,提取框架得到了扩展以反映主题的跨学科性质并支持最终的汇总表、因素术语表及可视化综合。

仅当方法被实质性执行——已实施、参数化并贡献已报告结果——而非仅被提及、综述或作为未来工作提出时,研究才被编码为应用了该方法。操作上:机器学习要求有训练模型并报告输入与性能;模拟要求随机抽样(例如蒙特卡洛)产生已报告的输出分布或风险度量;优化要求有公式化目标函数并已执行的搜索或求解过程;敏感性分析要求报告参数影响度量,局部或全局;模糊逻辑要求构建模糊集合或对研究变量执行模糊推理;数值建模要求显式确定性计算模型针对成本或成本相关量;成本估算要求成本数值或成本函数作为研究输出。方法独立且非互斥编码,因此任何子集可在一项研究中存在;后续节报告频率、深度和共现统计量均由这些字段机械导出。研究级编码见补充表S1。

3.2. 跨类别差距分析

方法论的下一阶段涉及跨类别综合,旨在识别七个文献类别间的方法论差距。分析并非孤立评估每个类别,而是考察不同领域的方法如何在文献中仍然薄弱且不一致地整合(例如模糊逻辑、机器学习和敏感性分析是否与另一领域的(如成本优化、生命周期评估和管道特定建模)方法结合或未结合)。这种跨映射方法很重要,因为它不仅揭示了已有研究的内容,还揭示了哪些组合仍未被探索。

具体而言,差距分析围绕三个引导问题构建:

1. 现有管道成本研究在多大程度上纳入了模糊逻辑或蒙特卡洛模拟等不确定性建模技术,而非依赖确定性假设?
2. 在涉及建筑领域优化的研究中,有多少整合了敏感性分析以确定在优化过程之前或期间哪些参数最影响成本结果?
3. 是否存在一个将基于模糊的不确定性表征、敏感性驱动的参数优先级排序和成本优化结合在单一集成流水线中的框架用于OCPC规划?

这些问题被应用于已提取的文献以映射当前的整合状态。

4. 文献计量概览

在对288项纳入研究进行集中的主题综合之前,所检索语料库的时间与主题结构为该领域提供了高层次方向定位。检索记录的年度产出(图4)显示,在2000年代中期之前,成本估算、优化与地下基础设施交叉领域的研究几乎可以忽略不计,自2009年左右开始稳步增长,2020年后急剧加速——从2020年的43条攀升至2024年的104条,2025年达到191条的峰值,2026年的计数(134条)反映的是不完整年度。约一半的检索记录发表于2023年及之后,表明该领域既年轻又快速扩张;因此本综述识别出的方法论差距之所以持续存在,并非因为缺乏近期关注,而是尽管有近期关注仍然存在。

下载:下载高分辨率图像(171KB)
下载:下载全尺寸图像
图4. Web of Science核心合集检索记录年度分布(n=1,030)。

关键词共现网络(图5)将文献解析为若干明确分离的主题社群。由于检索查询中的方法术语取自同一术语分类体系,该图谱描述了这些术语在检索记录中如何分布和连接;它并不提供对术语分类体系的独立支持。最大且最核心的术语"多目标优化""优化""遗传算法"和"NSGA-II"形成了一个优化方法核心,这与优化在语料库中的主导地位一致。一个明显分离且紧密连接的机器学习社群("机器学习""深度学习""人工智能""神经网络",附着有"成本估算"和"建筑成本")位于对侧,第三个聚簇围绕生命周期成本、可持续性、多准则决策和修复展开。值得注意的是,"模糊逻辑"和"不确定性"仅作为小而边缘的节点出现而非枢纽,且敏感性分析根本未在图谱的标注术语中出现——其在检索记录中的关键词频率低于网络的最小出现标注阈值。

本图谱层面的观察针对检索集合(n = 1,030),与所纳入语料库(n = 288)的全篇编码相互独立,但二者一致——在后者中,敏感性分析实质性应用于11项研究(3.8%;见表2)。下载:下载高分辨率图片(410KB)下载:下载全尺寸图片 图5. 检索语料库的关键词共现网络(n = 1,030)。 表2. 七个方法论领域及其在文献中的存在与空白总结。 领域 | 核心概念 | 语料库存在情况(n, %)| OCPC应用中的主要局限 | 参考文献 成本估算 | 通过类比法、参数法和单价法预测项目成本 | 136(47.2%)| 确定性与参数稀疏;未与不确定性或优化建立联系 | Thakre等人(2025)、Bansal等人(2025)、Shehab等人(2010)、Shahata和Zayed(2013)、Dunovic等人(2021) 模糊逻辑 | 非统计性不精确的连续(国家研究委员会,2013)隶属度 | 20(6.9%)| 用于分类与风险评估,而非单价成本传播 | Ebenuwa等人(2021)、Chang等人(1997)、Lin等人(2023)、Roghani等人(2024) 数值建模 | 回归映射项目参数至单位成本 | 33(11.5%)| 缺乏可推广的多变量OCPC成本模型 | Peng等人(2021)、Khan和Tee(2016)、Islam等人(2017)、Bansal等人(2024) 机器学习 | 数据驱动的非线性映射及SHAP归因 | 44(15.3%)| OCPC成本领域几乎空白;无SHAP成本驱动因子研究 | Bansal等人(2025)、Alex等人(2010)、Shehab和Farooq(2013)、Miao和Zhao(2024) 模拟 | 基于采样的不确定性传播 | 32(11.1%)| OCPC领域未展示模糊-随机传播 | Azeez等人(2013)、Gomes和Beck(2014)、Park等人(2020)、Kourtis等人(2021) 敏感性分析 | 输入方的方差归因(Sobol'指标) | 11(3.8%)| OCPC中敏感性分析至优化的关联缺失 | Kourtis等人(2021)、Al-Zahrani等人(2016)、Saldarriaga等人(2024)、Zhang等人(2025) 成本优化 | 目标函数最小化,包括多目标(NSGA-II) | 170(59.0%)| OCPC施工阶段参数优化缺失 | Halfawy等人(2008)、Ward和Savic(2012)、Tee等人(2014)、Kaddoura和Zayed(2021)、Mohamed等人(2023) 同一网络的时间叠加(图6)表明该结构并非静态。优化核心属于中等年代的研究主题,而机器学习领域——包括"可解释人工智能""特征选择"和"XGBoost"——是该领域最新的增长前沿,集中于2023至2024年;值得注意的是,"成本估算"与近期机器学习活动共定位,表明当代成本估算工作日益数据驱动。相比之下,模糊逻辑以及较早的建模与修复术语位于时间轴更早的位置,并非近期增长的一部分。检索语料库中的势头因此集中于机器学习,而综合成本优化所核心的不确定性和敏感性处理方法既不普遍存在,也未在近期扩张——这进一步强化了稀缺性和非整合性的结论。 下载:下载高分辨率图片(365KB)下载:下载全尺寸图片 图6. 关键词共现网络的时间叠加(n = 1,030)。 5. 概念基础 本节界定构成本述评结构的七个方法论领域,并对每个领域确立其理论基础、其在建筑与地下基础设施研究中的地位,以及限制其在OCPC成本优化中应用的具体空白。论述刻意紧凑,侧重于采用与空白论证,而非教程式的完整性。各方法论领域在288篇论文语料库中的经验存在情况总结于本节末尾的表1中。 5.1 成本估算 建筑成本估算是对给定项目定义阶段特定范围所需资源的预测,从早期阶段的类比法和参数法到设计详细化时的单价法(自下而上)估算(Oberlender和Trost, 2001)。对于OCPC,单价估算是标准做法——按设备、劳动力和材料费率对每项施工作业(开挖、支护、垫层、回填、路面恢复、交通管理)进行计价——其精度主要取决于现场勘察数据质量,而非方法的复杂程度(Oberlender和Trost, 2001; Akintoye和MacLeod, 1997)。Flyvbjerg等人(2003)发现的地下工程造价系统性超出预算平均达45%这一文献记录,使结构化不确定性表示成为确定性点估算的必要制衡。已发表的OCPC成本模型,包括Kaushal和Najafi(Kaushal和Najafi, 2020)的结构化单价框架、Kakde等人(2022)以及Shirkhanloo等人(2023)的模型,均为活动层级但统一采用确定性方法且参数稀疏,仅依赖少量输入(管径、埋深、土类),未表征早期阶段勘察固有的不精确性。它们既不传播不确定性,也不将成本方差归因于驱动因子,更不将估算输出与优化连接——这正是剩余领域所针对的三个缺失。 5.2 模糊逻辑 模糊集理论将二元集合隶属推广为连续隶属度(国家研究委员会, 2013),使研究者能够表征模糊性和以语言表述的非统计性知识(Zadeh, 1965; Klir和Yuan, 1995)。这使得模糊表示与概率方法形成互补而非竞争关系:它编码了稀疏现场数据无法支撑为概率分布的不精确性。通过将活动参数表示为模糊数(公式1),如三角模糊数或梯形模糊数(公式2、3),研究者能够捕捉专家判断或历史数据相关的模糊性。设A为一个模糊数: (1) $X: A = \{(x, \mu_A(x)) | x \in X\}$ 其中 $\mu_A(x)$ 为隶属函数,取值在(国家研究委员会, 2013),指定x属于A的程度。 在工程应用中,以下两种形式最为常见。三角模糊数由三元组(a, b, c)定义,其隶属函数为: (2) $\mu_A(x) = \begin{cases} \frac{x-a}{b-a}, & a \leq x \leq b \\ \frac{c-x}{c-b}, & b \leq x \leq c \\ 0, & \text{否则} \end{cases}$ 梯形模糊数由四元组(a, b, c, d)定义: (3) $\mu_A(x) = \begin{cases} \frac{x-a}{b-a}, & a \leq x \leq b \\ 1, & b \leq x \leq c \\ \frac{d-x}{d-c}, & c \leq x \leq d \\ 0, & \text{否则} \end{cases}$ 此外还提出了并集、交集等若干模糊运算以操作模糊数之间的关系。在这些运算中,公式4展示了一个关键分析概念——α截集(alpha-cut):由所有隶属值等于或大于α的元素构成的精确实集A_α: (4) $A_\alpha = \{x \in X : \mu_A(x) \geq \alpha\}, \quad \alpha \in (0,1]$ α截集将模糊算术分解为嵌套区间,使区间型不确定性传播得以在计算中实现。对于基于规则的评估,Mamdani和Assilian(Mamdani和Assilian, 1975)展示了模糊推理系统(FIS)在控制应用中的实用价值,确立了以模糊规则后件为特征的Mamdani型FIS,该框架至今仍是最广泛部署于工程评估的框架。图7展示了从精确实输入经模糊化、基于规则的推理、聚合和去模糊化的标准Mamdani FIS计算框架。 下载:下载高分辨率图片(86KB)下载:下载全尺寸图片 图7. Mamdani FIS计算框架。 在建筑与基础设施研究中,模糊方法已被应用于不确定性表征,并与风险分析、预测、模拟和优化混合使用——例如在排水管网风险评估(Arsov和Igneva-Danova, 2009)、模糊与模拟生命周期成本对比(Azeez等人, 2013)、基础设施的模糊混合优化与决策模型(Liu和Chen, 1999; Ebenuwa等人, 2021; Elshaboury和Marzouk, 2022)以及管道状况与非开挖适用性评估(Rajani等人, 2006; Koo和Ariaratnam, 2006)中。然而,模糊方法直接应用于建筑成本的案例仍然罕见:Chang等人(1997)的模糊回归成本模型是模糊逻辑与成本估算模型结合的早期且基本未被重复的实例。 5.3 数值建模 在成本语境中,数值建模指将可测量的项目参数(埋深、管径、土类、路面恢复类型)映射为预测单位成本的统计与参数模型——主要是回归——而非结构行为的物理模拟。线性、对数线性(成本弹性)和多项式形式为标准方法,以普通最小二乘系数及诊断指标(R2、RMSE)构成验证框架(Oberlender和Trost, 2001)。回归系数本身即为局部敏感性度量,而残差分布则为蒙特卡洛传播提供了自然的输入——这些特性使透明的回归模型成为敏感性驱动优化的分析基底。参数化线性成本模型的一般形式如公式5所示: (5) $C = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_k x_k + \varepsilon$ 其中C为总成本或单位施工成本,x?, …, x_k为成本驱动参数(埋深、管径、土质、城市因素等),β?, …, β_k为通过普通最小二乘法(OLS)最小化Σ(C_i ? ?_i)2估计的回归系数,ε ~ N(0, σ2)为残差误差项。 当成本与参数关系为非线性时(例如开挖成本随埋深超线性增长),采用如公式6所示的对数线性或多项式变换: (6) $\ln(C) = \beta_0 + \beta_1 \ln(d) + \beta_2 \ln(D) + \varepsilon$ 其中d为沟槽深度,D为管径。此对数-对数形式隐含幂律关系 $C = e^{\beta_0} \cdot d^{\beta_1} \cdot D^{\beta_2}$,在基础设施成本建模中广泛使用,因为单位成本经常随几何参数呈现收益递减或递增(Clark等人, 2002; Marchionni等人, 2016)。 就OCPC而言,文献稀少且分散:Clark等人(2002)的OCPC成本回归近二十五年仍是引用最多的研究,而后续模型(Marchionni等人, 2016; Bansal等人, 2025)仅针对特定地理区域标定,不具有普适性。所回顾的文献中无任何研究开发出了同时纳入土类、覆土深度、管材、路面恢复类型和城市环境的多变量OCPC成本模型——而这是支持规划阶段敏感性分析和优化所必需的预测变量集合。 5.4 机器学习 机器学习通过最小化正则化经验损失从数据中拟合输入-输出映射,涵盖树集成方法(随机森林、梯度提升、XGBoost)、支持向量机和神经网络(Breiman, 2001; Chen和Guestrin, 2016)。其在此处的相关性体现在两个方面:ML回归能够捕捉难以解析指定的非线性成本关系,且模型无关的归因方法——尤其是Shapley加性解释(SHAP)值(Lundberg和Lee, 2017)——提供变量重要性度量,可补充正式敏感性分析并可在优化循环中作为代理目标函数。 ML成本预测在一般建筑领域已成熟,但在OCPC中几乎不存在。在地下领域,其应用集中于状况与退化评估(Atambo等人, 2022; Malek Mohammadi等人, 2020);最接近的成本类比是Serajiantehrani等人(2020)针对非开挖修复成本的ML框架。Thakre等人(2025)的PRISMA述评确认了AI和ML在OCPC成本中的有限应用,且未发现任何将基于SHAP的归因应用于OCPC成本驱动因子的研究。 5.5 模拟 模拟(例如MCS,蒙特卡洛模拟)通过从分配的概率分布中采样来传播输入不确定性,对每个样本评估成本模型,并从结果组装输出成本分布,从中提取风险调整分位数(P50、P90)以支持应急储备的设定(Metropolis和Ulam, 1949; Vose, 2008)。当概率不确定性与可能性不确定性共存时——这是OCPC早期阶段的典型情况——模糊-随机(fuzzy-stochastic)扩展允许模糊编码的参数通过MCS传播(M?ller和Beer, 2004)。 对于成本模型 C = f(x),N个样本下期望成本及其方差的MCS估计量如公式7和8所示: (7) $E(C) = \frac{1}{N}\sum_{i=1}^{N} f(x_i)$ (8) $Var(C) = \frac{1}{N}\sum_{i=1}^{N} [f(x_i) - E(C)]^2$ 其中x_i为从联合输入分布p(x)中抽取的第i个样本。MCS计算框架如图8所示。从输入概率分布p(x)中采样N次;对每个样本评估成本模型;从结果组装输出分布F(C)。 下载:下载高分辨率图片(94KB)下载:下载全尺寸图片 图8. 建筑成本风险分析的MCS计算框架。 MCS在隧道与地下施工风险领域已建立完善基础(Touran和Wiser, 1992),并支撑非开挖与明挖修复的模拟型生命周期成本对比(Serajiantehrani等人, 2020; Kakde等人, 2022)。然而,其对OCPC特定成本结构的应用仍然稀少,而适合数据匮乏规划中概率性与不精确性输入共存情况的模糊-随机变体尚未在该领域得到验证。 5.6 敏感性分析 敏感性分析量化模型输出对输入变化的响应。局部逐变量方法——传统上可视化为龙卷风图(Howard, 1988)——在名义点处线性化行为,而全局基于方差的方法——Sobol'指标(Sobol', 1993; Saltelli等人, 2000; Saltelli等人, 2008)和基本效应筛选(Morris, 1991)——在全输入空间上归因输出方差并捕捉交互效应,使其成为非线性成本模型的适当选择。 对于OCPC,敏感性分析可识别众多成本驱动因子中哪些最决定总成本变异性,从而将勘察工作和优化引导至真正重要的参数。然而在实践中,建筑领域的敏感性分析研究止步于变量排序:将敏感性结果与最优参数范围定义连接的步骤在已应用建筑成本文献中极为罕见,在所回顾的明挖专项工作中更是完全缺失。 5.7 成本优化 优化是在约束条件下选择决策变量值以最小化目标函数;在工程成本语境中,目标为总成本或生命周期成本,多目标形式将相互冲突的目标(如成本与工期)解析至Pareto前沿,最常用NSGA-II方法(Deb等人, 2002)。

在不确定输入下,确定性目标被其期望值取代,或在无法指定可靠分布时,被模糊表示或区间表示取代,从而使优化直接与前述各域相连。在地下基础设施领域,网络级管道选型与修复排序的优化已相当成熟(Kang and Lansey, 2013; Savic and Walters, 1997)。然而,在施工阶段、基于参数范围的 OCPC 成本优化——依托敏感性分析与模糊随机成本模型——的研究在很大程度上尚属空白,而本研究所提出的整合路径正是针对这一缺口。

6. 跨域整合分析

6.1 各方法论领域的应用模式

在 288 篇论文的语料库中,方法论画像明显失衡(图 9)。优化(170 篇,59%)与成本估算(136 篇,47.2%)占主导地位,而模拟仅出现在 11.1% 的论文中,模糊逻辑为 6.9%,敏感性分析则仅为 3.8%。这些频率为描述性报告。并不存在一个基准,可以据此判断某种方法在成熟领域中"应当"出现的频率,且低普及率本身并不等同于缺陷。此处它们的相关性在于与本文所提架构的关系:该架构依赖的连接估算与优化的方法——即不确定性编码、传播与归因——恰好在语料库中代表最少,并且如 6.2 节"方法论深度与整合"与 6.3 节"方法共现"所示,它们也最少与语料库中占主导的方法相结合。这表明的是当前实践与本文所提架构之间的差距,而非该领域的缺陷。这一模式并非一级与二级文献汇总所致:优化在直接面向 OCPC 的一级论文中的占比反而更高(142 篇中占 63.4%),高于相邻领域的二级论文(146 篇中占 54.8%),因此汇总数据实际上低估而非夸大了优化在 OCPC 邻近文献中的主导地位,并且不确定性处理方法在两个层级中的稀缺排序均成立。

下载:下载高分辨率图片(162KB) 下载:下载全尺寸图片
图 9. 各方法论方法出现的频率。

6.2 方法论深度与整合

方法被组合的程度是更为关键的衡量指标。在 288 篇论文中,55.6% 仅采用单一方法,另有 35.8% 组合了两种方法,因此十篇中有九篇以上使用的不超过两种方法;仅有 8.7%(n = 25)整合了三种或以上方法,组合四种方法的仅占 1.7%(图 10)。表 3 汇总了采用三种或更多方法的论文。

下载:下载高分辨率图片(77KB) 下载:下载全尺寸图片
图 10. 语料库中使用单一方法或多方法的百分比。

表 3. 语料库中的多方法研究(n = 25)。

| 研究 | 所组合的方法 | 层级 | 缺失的方法 |
|---|---|---|---|
| Di et al., 2026 | CE + NM + ML + OPT | Tier 2 | FL, SIM, SA |
| Jiang and Zhao, 2023 | CE + NM + ML + OPT | Tier 2 | FL, SIM, SA |
| Eckart et al., 2018 | NM + ML + SIM + OPT | Tier 2 | CE, FL, SA |
| Marzouk and Osama, 2017 | CE + FL + SIM + OPT | Tier 1 | ML, NM, SA |
| Marzouk and Omar, 2013 | CE + ML + SIM + OPT | Tier 1 | FL, NM, SA |
| Hashemi, 2026 | FL + ML + OPT | Tier 1 | CE, NM, SIM, SA |
| Zhou et al., 2026 | CE + NM + OPT | Tier 2 | FL, ML, SIM, SA |
| Li et al., 2025 | CE + SIM + OPT | Tier 2 | FL, NM, ML, SA |
| Zhang et al., 2025 | SIM + SA + OPT | Tier 1 | CE, FL, NM, ML |
| Zang et al., 2025 | NM + ML + OPT | Tier 1 | CE, FL, SIM, SA |
| Zerouali et al., 2024 | CE + ML + SIM | Tier 2 | FL, NM, SA, OPT |
| Elshaboury and Marzouk, 2022 | FL + ML + OPT | Tier 2 | CE, NM, SIM, SA |
| Kourtis et al., 2021 | NM + SIM + SA | Tier 1 | CE, FL, ML, OPT |
| Mahjoubi et al., 2021 | CE + ML + OPT | Tier 2 | FL, NM, SIM, SA |
| Cai et al., 2020 | CE + ML + OPT | Tier 2 | FL, NM, SIM, SA |
| Rasoulkhani et al., 2019 | CE + ML + SIM | Tier 2 | FL, NM, SA, OPT |
| Altarabsheh et al., 2018 | CE + SIM + OPT | Tier 1 | FL, NM, ML, SA |
| Islam et al., 2017 | CE + NM + OPT | Tier 1 | FL, ML, SIM, SA |
| Khan and Tee, 2016 | CE + NM + OPT | Tier 1 | FL, ML, SIM, SA |
| Parvizsedghy et al., 2015 | CE + FL + SIM | Tier 2 | NM, ML, SA, OPT |
| Piratla and Goverdhanam, 2015 | CE + NM + ML | Tier 2 | FL, SIM, SA, OPT |
| Gomes and Beck, 2014 | CE + SIM + OPT | Tier 1 | FL, NM, ML, SA |
| Luo et al., 2014 | CE + SIM + OPT | Tier 2 | FL, NM, ML, SA |
| Shahata and Zayed, 2013 | CE + ML + SIM | Tier 1 | FL, NM, SA, OPT |
| Ali et al., 2007 | CE + FL + ML | Tier 1 | NM, SIM, SA, OPT |

注:CE = 成本估算;FL = 模糊逻辑;NM = 数值建模;ML = 机器学习;SIM = 模拟;SA = 敏感性分析;OPT = 优化。

单一方法与双方法研究的普遍性是描述性观察,且当单一方法即可回答所提问题时,方法论上的简洁本身即为优点。结合第 2 节的分类法来读,少于十分之一的研究组合了三个或以上领域这一发现,表明文献中很少组装出此处所提的完整链条。对此有两条可能的解释,而语料库本身无法加以区分。第一条是需求未被满足:整合本可以改进 OCPC 规划决策,却很少被尝试,例如是因为所需方法涉及不同的专门专业知识。第二条是整合往往不值得其代价:当单一不确定性源主导项目成本,或数据过于稀疏无法支撑归因时,一种方法也可能导出与多种方法相同的决策。每增加一种方法,都提高了数据、专业能力与计算方面的需求,而这些在早期规划阶段未必能得到正当化;此外,缺乏共享的 OCPC 成本数据集也限制了组合方法所能进行的标定。因此,此处的论断是条件性的:当概率输入与不精确输入并存、且优化决策对取值不确定的参数敏感时,整合预期会增加价值;而当这些条件不成立时,则更简单的路径更为可取。整合链条是否以及在何时能带来更好的规划决策,是一个实证问题,无法由一次综述断定;用项目数据加以检验正是本研究后续阶段的目的。

6.3 方法共现

共现结构(图 11)只有结合期望值来解读原始计数才具有信息量。成本估算与优化共现于 47 篇论文(占语料库的 16.3%),为最大的原始配对计数。若成本估算出现在 136 篇(47.2%)论文中、优化出现在 170 篇(59.0%)论文中,则在统计独立性假设下重叠部分应为 80.3 篇(27.9%);实际观察到的 47 篇仅为该值的 59%。就同一张表的汇总而言,该关联为负且中等强度(φ = ?0.47)。我们不予报告显著性检验:语料库是通过一个查询检索得到的,其方法术语取自本文所考察的分类法,288 项研究中仅 29 项同时不带这两种标签,而对以这种方式选择的样本做推断统计,会暗示该设计无法支撑的精确度。因此,该模式应描述性地理解,作为本语料库内部方法标签的属性,并不表明以估算与优化为中心的研究社群在组织上相互分离。

下载:下载高分辨率图片(274KB) 下载:下载全尺寸图片
图 11. 方法共现(同时应用两种方法的论文数)。

五种耦合定义了整合机会,且每一种在语料库中均罕见或缺失;没有任何一项研究中出现过完整的序列(表 4)。其一,模糊编码的参数输入成本估算模型——即将模糊值应用于单价、回归或机器学习成本算法。其二,对这些模糊参数化模型进行蒙特卡洛传播,即模糊随机模拟。其三,将 Sobol 敏感性分析应用于模拟的输出分布,即在模拟之后(而非在建模之前)使用敏感性分析。其四,将 SHAP 等机器学习归因与 Sobol 指数配对以表征成本驱动因素,即机器学习—敏感性分析配对。其五,敏感性知情的优化,即由敏感性排名决定哪些变量进入优化、哪些变量予以固定。

表 4. 数据驱动成本建模框架中关键的缺失整合。

| 整合组件 | 描述 | 文献中的状态 | 与数字施工的相关性 |
|---|---|---|---|
| 模糊与成本估算 | 将语言性不确定性整合入成本模型 | 罕见(有限证据) | 支持早期阶段的数据不精确性处理 |
| 模糊与模拟 | 混合模糊—蒙特卡洛不确定性传播 | 缺失 | 支持现实的不确定性表征 |
| 模拟与敏感性 | 对模拟输出进行方差型敏感性分析 | 罕见 | 识别主导性成本驱动因素 |
| 机器学习与敏感性 | 将机器学习归因(如 SHAP)与方差型敏感性指数配对 | 缺失 | 区分模型学到了什么与哪些输入不确定性主导成本 |
| 敏感性与优化 | 利用敏感性输出指导优化变量 | 罕见 | 提升优化的效率与相关性 |

这五种耦合是本文所提参考架构所依赖的链条;它们并非从估算到优化的唯一路径。每一种都执行第 2 节所描述链条中的一步。模糊编码的估算把在早期规划阶段仅以专家区间或语言性评估形式已知、而非以拟合分布形式已知的输入予以表征。模糊随机模拟传播那些部分为模糊、部分为概率的估计器,而这无法由标准蒙特卡洛采样单独完成。对传播后的输出进行方差型敏感性分析,可识别哪些不确定性主导成本,从而判断哪些值得开展现场调查、哪些可予以固定。将机器学习归因与方差型指数配对则服务于不同的目的:SHAP 值把拟合模型的预测归因于其输入,描述数据训练所得模型学到了什么;而 Sobol 指数则在给定输入分布下分解输出方差,描述哪些输入不确定性重要。由于二者回答不同的问题,它们的相互一致并不能相互验证,而彼此不一致也可能具有信息量;当只有其中一个问题与决策相关时,仅用其一即可。敏感性知情的优化则利用归因结果在搜索前压缩决策空间。其他方法也能完成其中若干步骤,因此这些耦合的稀缺所反映的是相对于本文架构的缺口,而非该领域本应组装却未能组装的一组必需要素。

这些缺失的整合,凸显了在统一的决策支持框架内连接预测、不确定性建模与优化的端到端参考架构的缺位。

将上述要素联结起来的分析逻辑是顺序式的——模糊输入进入成本估算模型,模型输出进入蒙特卡洛模拟(MCS),MCS 的输出分布由敏感性分析加以排序,敏感性分析进而引导优化,而机器学习代理模型则在循环内加速目标函数评估。所综述语料库中没有任何论文展示了这一链条;完整序列是一个研究前沿。

图 12 将七个领域组装为这一链条所暗示的参考架构——一个能处理不确定性的估算器,接受传播、归因与搜索的处理,敏感性结果再反馈到输入的精化中。此处把它作为分类法所暗示的架构呈现,而非一个已完善的框架;该参考架构的架构规范、模块设计与验证超出本综述范围,将在本研究的后续阶段加以开发。该图也反映出一个分层知识处理架构,由获取、建模、推理与决策模块构成。

下载:下载高分辨率图片(637KB) 下载:下载全尺寸图片
图 12. 面向数据驱动成本估算、不确定性传播、敏感性分析与优化的集成参考架构。

7. 对施工信息学的启示

本综述的发现对施工信息学研究具有直接意义,在该领域中,将数据驱动模型整合进决策支持参考架构仍是一项核心挑战。尽管机器学习与优化方法在预测能力上已有显著进展,但其孤立应用限制了其在实践中的可用性。

本研究识别出的整合路径,为开发能够融合预测、不确定性传播与优化的计算系统提供了一个结构化基础。此类系统契合数字施工领域的新兴趋势,包括人工智能支持的决策、概率规划与数据驱动的基础设施管理。

通过将成本优化刻画为一个集成性的信息学问题,本研究凸显了对一种混合参考架构的需求,该架构能够支撑施工规划与基础设施系统中的实时、不确定性感知决策。

表 5 将五个决策示例映射到所需输入、构成复杂性的不确定性来源、整合路径中最适合解决这些问题的方法,以及由此产生的决策支持形态。这一映射是示意性的而非穷尽的:其目的不在于列举,而在于把上述各域回顾的实际收益具体化,让规划者不仅看到存在哪些方法,也看到每个方法在规划序列的哪个环节变得相关。

表 5.

OCPC 规划决策与输入、不确定性来源、推荐方法及决策输出的映射示例

| OCPC 规划决策 | 所需输入 | 不确定性来源 | 推荐方法 | 决策输出 |
| :--- | :--- | :--- | :--- | :--- |
| 线路与沟槽配置选择 | 土质剖面、埋深、地下水位、路面类型、用地约束 | 岩土变异性、管线拥堵、现场数据不完整 | 模糊编码;单价估算;模糊随机模拟 | 每种候选配置的成本分布;超过预算阈值的概率 |
| 预算设定与应急储备金规模 | 单价、工程量计算、市场指数 | 早期定义阶段的价波动、工程量不确定性 | 概率估算;蒙特卡洛传播 | 百分位估计(例如 P50/P80);按选定置信水平设定的应急储备金规模 |
| 现场勘探优先级排序 | 当前参数范围及其来源 | 土壤、地下水和现有管线数据中的认知差距 | 对传播后的成本模型进行全局(Sobol')敏感性分析 | 成本驱动因素排名;按方差减少程度排序的勘探支出顺序 |
| 施工方法与生产计划 | 生产率、班组与设备成本、支护与排水要求 | 生产变异性、天气、地下意外 | 数值/机器学习估算;场景模拟 | 不确定性下的场景成本比较;方法选择的鲁棒性 |
| 设计参数优化 | 决策变量界限、工程与法规约束 | 残余(门控后)参数不确定性 | 对缩减后的决策向量进行敏感性门控多目标搜索 | 优选配置集(附带成本分布而非点值) |

**8. 局限性**

本综述存在若干局限性。首先,本综述仅依赖单一数据库,即 Web of Science 核心合集。这一选择确保了完全可复现的单一查询搜索及一致的元数据,且搜索范围涵盖了主要的 ASCE、Elsevier 和 Springer 建筑工程期刊;然而,它系统地低估了会议论文集、从业者来源以及仅在 Scopus、IEEE Xplore 或 Engineering Village 中索引的期刊。会议论文集、仅在 Scopus 收录的出版物、从业者来源及其他遗漏材料可能与索引文献存在系统性差异;这种选择效应的方向及幅度均未知。因此,此处报告的流行度、深度和共现统计应被视为描述此处检查的 WoS 索引语料库的特征,而非整个领域的特征,且已识别的整合差距应视为多数据库搜索可进一步验证的发现。我们指出,本综述得出的核心结论——OCPC 成本研究中不确定性处理方法稀缺且未整合——是基于本综述检查的 WoS 索引语料库得出的。

其次,由于搜索查询是基于分类法自身的术语构建的,本综述无法将提出的分类法与其他结构进行比较。此类比较需要使用未参考该分类法设计的查询,并通过无监督主题建模或共被引聚类等与查询无关的方法进行分析,这留待未来工作完成。

第三,筛选和编码并未对所有记录进行独立重复,因此不能完全排除对边缘研究的错误分类。研究层面的编码已在补充表 S1 中提供,以便读者检查并重新推导报告的统计结果。由于未记录个别边缘决策的编码说明,补充表 S1 记录的是所应用的编码,而非每次分配背后的推理过程。

第四,分析侧重于方法论整合,而非模型性能的定量比较,因此不包含正式的元分析。

第五,虽然研究确定并构建了整合路径,但并未实施或利用项目数据对提出的参考架构进行实证验证。未来工作应侧重于利用现实世界数据集开发和验证集成计算模型。

**9. 专家系统参考架构**

提出的整合路径可解释为适合智能决策支持系统的工程知识结构化表示。与其将七个领域视为独立的分析技术,它们可以被建模为形成计算推理序列的相互依存的知识模块。以下规范是该系统的参考架构;它不是一个已实施或验证的专家系统。

**9.1. 知识库**

架构的知识库由三种存储知识组成。参数知识包括 OCPC 的成本驱动参数及其允许范围和不确定性表征——在数据支持的地方使用概率分布,在仅有专家范围或语言评估的地方使用模糊隶属函数。模型知识包括将参数与成本联系在一起的估算关系:单价函数、回归模型或训练好的机器学习替代模型。规则知识包括表达为 IF-THEN 产生式规则(表 6)的程序性惯例。每个存储都有定义的模式。参数条目记录参数标识符、单位、允许范围、不确定性描述符(概率分布或隶属函数)、来源(投标汇总数据、文献或专家征询,含引用和日期)以及最后修订日期。模型条目记录函数形式、输入集、校准数据、有效范围及性能指标。规则条目记录规则标识符、条件、动作、优先级、知识来源及版本。

**表 6. 参考架构的规则库**

| 规则 | 条件 (IF) | 动作 (THEN) | 优先级 | 来源 |
| :--- | :--- | :--- | :--- | :--- |
| R1 | 参数具有足够的项目或投标数据样本 | 将其编码为拟合的概率分布 | 1 | 数据 |
| R2 | 参数仅由专家范围或语言术语表征 | 将其编码为参数存储库中的模糊数 | 1 | 专家征询;文献 |
| R3 | 同时存在数据和专家范围,但样本低于最小尺寸 | 将其编码为以观测数据范围为基础的模糊数 | 1 (比 R1 和 R2 更具体) | 数据和专家征询 |
| R4 | 项目记录满足学习模型的最小尺寸 | 选择机器学习估算器;否则选择回归或单价估算器 | 2 | 模型存储库 |
| R5 | 输入同时包含模糊和概率编码 | 通过模糊随机蒙特卡洛模拟传播;如果所有输入均为概率,则通过标准蒙特卡洛模拟传播 | 3 | 文献 |
| R6 | 所选估算器是机器学习模型 | 除 Sobol 指数外,计算 SHAP 值 | 4 | 文献 |
| R7 | 参数的总阶 Sobol 指数低于规划者的阈值 | 将其固定在其众数值,并在搜索中视为常数 | 5 | 规划者设置 |
| R8 | 固定参数在返回的解处的局部敏感性超过阈值 | 将其恢复为带入搜索的不确定输入集,并重复搜索 | 6 | 规划者设置 |

**9.2. 推理机制与不确定性推理**

推理以有序的前向链接序列进行:模糊输入被编码(模糊逻辑),成本模型被评估(数值或机器学习建模),不确定性通过模型传播(模拟,在存在两种不确定性类型时采用模糊随机形式),传播的输出被归因于其驱动因素(敏感性分析),并在缩减的问题中搜索优选解(优化)。每个阶段消耗前一阶段的输出作为其输入——这一顺序是本综述提出的方法间依赖结构,而其语料库中的缺失正是上述记录的差距。图 12 操作性地说明了该序列。

**10. 算法 1:参考架构的推理序列**

**输入:** 项目描述(路段长度、管道直径、深度、土壤和现场条件、位置);包含参数存储库、模型存储库和规则存储库的知识库;规划目标(例如成本和工期);项目约束;敏感性阈值。
**输出:** 推荐的施工配置,每种配置的成本分布,以及解释所采取决策的日志。

**步骤 1 编码输入:** 对于每个输入,应用规则决定如何表示其不确定性。记录应用了哪条规则及原因。
**步骤 2 选择估算器:** 根据可用数据量和可解释性需求,从模型存储库中选择一个成本估算模型。
**步骤 3 传播不确定性:** 运行模糊随机蒙特卡洛模拟。在每次迭代中,采样概率输入,在选定置信水平下获取模糊输入,并使用所选估算器计算成本。结果是项目的成本分布。
**步骤 4 识别成本驱动因素:** 计算 Sobol 敏感性指数,以衡量每个输入的不确定性对成本方差的贡献程度。如果使用了机器学习估算器,还计算 SHAP 值,以显示模型依赖哪些输入。
**步骤 5 缩减决策空间:** 将敏感性低于阈值的模糊输入固定在其众数值,并记录原因。标记不由规划者控制的高敏感性模糊输入以进行进一步调查。将剩余的模糊输入作为随机变量带入搜索;决策变量是要优化的设计选择。
**步骤 6 优化:** 对剩余的决策变量运行多目标搜索,例如 NSGA-II,针对规划目标并受项目约束。这将返回一组优选配置。
**步骤 7 检查缩减:** 在每个优选配置处,重新检查步骤 5 中固定的每个输入的敏感性。如果有任何现在超过阈值,将其返回决策变量,记录原因,并重复步骤 6。
**步骤 8 报告:** 在每个优选配置处重新运行模拟,以获得其成本分布。返回配置、其成本分布及决策日志,这使规划者能够追溯每个输入为何被如此处理。

当多个规则适用时,首先应用更具体的规则(R3 在 R1 或 R2 之前),然后是优先级较高的规则;剩余的并列情况交由规划者处理。随着信息到达,知识库会更新:当项目、投标或现场勘探数据可用时,参数条目会被修订,因此一旦数据充足,R2 或 R3 下的模糊编码会转变为 R1 下的拟合分布;模型条目会根据新的项目记录重新校准;规则变更会被版本化。每条触发的规则都会被记录,包括触发它的事实和采取的动作。日志提供推理可追溯性,并支持规则式专家系统中标准的解释类型。它通过返回规则和触发事实来回答参数为何被如此编码或固定,并通过返回触发的规则序列来回答返回的解是如何达到的。

**10.1. 输入 - 输出表示**

输入是带有异构不确定性描述符(清晰、概率或模糊)的参数值。阶段之间传递的中间表示依次为:编码后的参数集、传播后的成本分布、成本驱动因素排名和缩减后的决策问题。输出有两部分:一份排名的成本驱动因素列表,它将数据收集和现场勘探引向主导成本方差不确定性;以及一组优选解,附带成本分布而非点估计。

**10.2. 决策逻辑与用户交互**

规划者在三个点与序列交互:提供和修订参数知识;设置敏感性阈值、约束和目标;以及根据项目特定偏好从返回的解中进行选择。系统结构化并告知决策,但不做出决策——这是专家系统意义上决策支持的特征分工,其中编码的工程知识通过固定的推理程序应用于项目特定输入,而判断和问责权仍保留在人类规划者手中。

**10.3. OCPC 推理跟踪示例**

以下假设示例通过架构跟踪一个规划决策,以显示信息如何在阶段间移动。考虑一个 500 米的排污管道安装项目,其直径由水力设计固定。

在输入编码(步骤 1)中,具有历史投标数据的挖掘和管道铺设单价及每日交通管制成本被编码为概率分布(R1)。仅通过专家评估已知为“中高”的地下水严重性被编码为模糊数(R2)。由少量钻孔支持的土壤自立时间被编码为以观测范围为基础的模糊数(R3)。由于项目记录太少无法训练学习模型,选择单价估算器(R4),将源于沟槽几何形状、支护方法和恢复区域的工程量映射到成本(步骤 2)。由于输入结合了模糊和概率编码,因此应用模糊随机蒙特卡洛模拟(R5),在每种置信水平下产生成本分布而非点估计(步骤 3)。

随后计算 Sobol 总指数;由于估算器不是学习模型,因此不计算 SHAP 值(步骤 4)。假设指数显示地下水主导成本方差,而管道铺设率贡献很少。管道铺设率被固定在其众数值(R7)。地下水不能被固定或优化,因为它不在规划者的控制之下;其高指数反而引导现场勘探指向它(步骤 5)。

决策变量是设计选择:沟槽支护方法(放坡开挖、沟槽箱式支护或板桩),这决定了沟槽宽度和挖掘量;恢复方法;以及班组配置。在工程和法规约束下,搜索平衡预期成本、高分位数成本和工期的配置(步骤 6)。由于支护方法与地下水相互作用,归因所建议的勘探本身可能会改变哪种配置更受青睐。在优选配置处,重新测试固定的管道铺设率。

例如,如果双班组配置对铺设产能具有显著影响,则将铺设速率恢复为随机输入并重新执行搜索(R8,第7步)。每种优选配置均返回其成本分布,以及一份日志,记录每个参数的编码方式、估计器及其版本、以及所有触发规则(第8步)。规划者通过日志可以了解为何地下水被标记为需调查项,以及为何管道铺设速率被固定不变。该示例仅演示信息流与内部一致性,并不构成实证验证。

**11. 结论与未来方向**

本研究将施工成本管理优化视为一个知识组织问题,同时也是一项预测建模任务,为施工信息学中集成化的、数据驱动的决策支持系统提供了基础。未来的研究应在计算上实现所提出的参考架构,将机器学习、仿真与优化方法整合到施工规划的专家系统之中。以下描述本研究的關鍵发现、主要贡献、意义以及正在进行的研究。

**11.1. 关键发现**

本综述旨在梳理从成本估算到成本优化的方法学路径,适用于OCPC,并评估现有文献在多大程度上实现了这一路径。文中提出了一条由七个方法学领域组成的链条,作为组织分类法;随后对从1,030条WoS记录中筛选出的288项研究进行了系统综述,测量文献在多大程度上展现并组合了这些领域。主要发现如下。

第一是分类法本身:即从具有不确定性的成本估算到优化决策的一次功能分解,其中,由成本估算、模糊逻辑以及数值建模和机器学习建模构建的具备不确定性处理能力的估计器,由仿真、敏感性分析和优化方法对其进行操作。其他分解方式同样可行(见第2节),以下发现均以此分解为前提。关键词共现网络展示了各领域术语在检索记录中的分布情况;由于检索查询是由相同术语构建的,因此这描述的是在该分类法下的语料库,而非独立地支持该分类法。

在应用层面,地下基础设施规划文献主要在网络规模和方案比较层面运作,缺乏施工阶段参数级别的成本建模。可持续性与全寿命周期成本研究确认了OCPC的经济与社会意义,并建立了方法层面的基准,但针对OCPC的参数级优化尚未开展。OCPC的成本估算方法仍以确定性点值模型为主,既无法表征参数不确定性,也无法将估算输出与优化相连接。

在各具体方法中,同样的部分发展模式反复出现。模糊逻辑在管道状态评估和安装方法选择方面已经成熟,但很少应用于施工阶段单价成本问题。OCPC的数值成本建模已达到结构化单价框架的水平,但几乎所有已发表模型仍为确定性模型。机器学习成本预测在一般施工领域已趋成熟,但在OCPC领域几乎空白,而具有可解释性、基于SHAP归因的机器学习在此领域前景可期。用于施工成本风险的蒙特卡洛模拟(MCS)已有较好发展,但尚未应用于OCPC特定的成本结构,且其适用于早期阶段估算(概率输入与不精确输入并存)的模糊随机变体在该领域尚未使用。敏感性分析在基础设施应用中持续增长,但全局方差分析方法尚未应用于OCPC成本模型;优化方法虽然被广泛应用于网络设计和修复调度,但未用于施工阶段的参数范围成本优化。

语料库层面的综合量化证实了上述观察。优化(59%)和成本建模(47.2%)主导了文献分布,而集成框架所依赖的不确定性与敏感性处理方法处于边缘地位——仿真仅占11.1%,模糊逻辑占6.9%,敏感性分析占3.8%。该排序在直接领域和邻近领域两个层级中均成立,表明稀缺性是跨两个层级存在的,而非与OCPC核心的距离相关的成熟度梯度。

方法学深度相应地较浅:超过百分之九十的论文仅应用不超过两种方法,仅8.7%的组合了三种或更多方法。共现结构表明,架构所依赖的耦合关系在文献中极为罕见或完全缺失。五个耦合定义了集成机会——模糊与数值成本建模、模糊随机仿真、对仿真输出进行Sobol'敏感性分析、机器学习与敏感性分析配对,以及基于敏感性信息的多目标优化。

**11.2. 主要贡献**

在施工研究中,关于加强方法学集成的呼吁并不新鲜,已有若干综述以一般性术语倡导集成框架。本文所声称的贡献因此更为有限且专门针对OCPC成本建模。本文的主要贡献为:(1)提出了适用于OCPC的从成本估算到成本优化的方法学路径,以七个按功能组织的领域链条表达,提供了一个明确的分类法,可据此衡量集成的实现程度;(2)在该分类法下对方法的普及程度、方法学深度及共现关系进行了语料库层面的量化,并以一目了然的综合方式将每个领域与其特定的OCPC缺口以及可操作的研究议程相链接;(3)识别了所提架构所依赖的五个方法学耦合,指出这些耦合在文献中缺失或极为罕见。据我们所知,本文属于首批明确阐述OCPC成本建模集成路径并系统筛选语料库以对其加以衡量的综述之一。

**11.3. 对数字施工与决策支持的启示**

本综述的发现对数字施工工具和决策支持系统的开发具有重要启示。当前的成本估算方法,即便借助机器学习加以增强,仍主要为预测性,并不能直接支持不确定性条件下的优化决策。这在数据不完整且变异性大的早期规划阶段尤为受限。

本综述所识别的集成缺口凸显了需要新一代分析框架的迫切性,该框架应将数据驱动建模、不确定性传播、敏感性分析和优化方法整合于统一的参考架构之中。此类集成与建筑4.0的更广泛趋势相一致,在该趋势下,数字孪生、AI驱动分析和概率决策越来越多地用于改善基础设施规划和资产管理。

对于从业者而言,所提出的集成路径通过识别关键成本驱动因素、优先安排数据收集工作以及评估不确定性条件下的替代施工情景,支持更为明智的决策。对于研究者而言,它明确了开发混合计算模型的方向,以弥合预测与决策支持之间的鸿沟。

**11.4. 正在进行的研究**

本综述为正在进行的多阶段研究项目提供了概念基线及语料库层面的测量数据,以下阶段描述正在开展的工作。该项目的下一步目前处于高级草案阶段,正在开发OCPC的成本参数分类法。它基于从文献中汇编的一套成本驱动参数工作库,对每个参数按处理方式、不确定性表征和数据可获得性进行刻画——直接满足了本文所推导路径中所需的输入刻画要求。在参数分类法的基础上,下一步将处理数据融合与归一化问题:将该分类法来源研究中异质的单位、粒度和报告惯例调整为适合路径估算阶段的统一基准。再进一步,将按照第9节正式化的阶段序列实现一个可运行的计算系统:对不精确输入进行模糊编码、数值和机器学习成本建模、模糊随机蒙特卡洛传播、Sobol'敏感性归因以及NSGA-II多目标优化,将它们组装为集成架构——本综述已证明该架构的组成部分可单独获得但从未被组合使用。最后一个阶段将针对真实的OCPC投标数据和案例项目数据对该架构进行标定与验证,提供本综述概念路线图明确推迟的实证演示。这些阶段共同设计,旨在将本文所推导并测量的路径从概念路线图转化为已实现并经验证的决策支持系统。

Dipro Biswas | Vinayak Kaushal | Mohammad Najafi
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号