崔自強楊淑娟于德湖

(1.青島理工大學(xué)土木工程學(xué)院，山東 青島 266033；2.山東建筑大學(xué)土木工程學(xué)院，山東 濟(jì)南 250101)

0 引言

建筑業(yè)作為全球經(jīng)濟(jì)的重要支柱產(chǎn)業(yè)，在推動經(jīng)濟(jì)增長和國家長期發(fā)展方面發(fā)揮著關(guān)鍵作用[1]。根據(jù)麥肯錫全球研究院2017 年的一項調(diào)查，全球的建筑業(yè)產(chǎn)值占生產(chǎn)總值的13%，而且這個比例還在持續(xù)上升。 同時建筑相關(guān)企業(yè)為全球7%的人口提供了廣泛的就業(yè)機會，在全球經(jīng)濟(jì)發(fā)展中占據(jù)重要地位。 但施工行業(yè)也存在一個明顯的問題，即施工過程中勞動生產(chǎn)率低，從而導(dǎo)致人力、物力和財力的浪費。 如果施工生產(chǎn)效率提高至>50%，預(yù)計每年將為該行業(yè)帶來額外的1.6 萬億美元的經(jīng)濟(jì)價值，并進(jìn)一步推動全球GDP 的增長[2]。 除了經(jīng)濟(jì)方面，建筑施工行業(yè)一直被視為是最危險的行業(yè)之一，施工現(xiàn)場存在人員復(fù)雜、環(huán)境復(fù)雜多變、設(shè)備危險等安全隱患，致命事故的發(fā)生頻率要高于其他行業(yè)，事故死亡人數(shù)占所有行業(yè)的30%~40%[3]。 在中國，施工現(xiàn)場也已認(rèn)為是最危險的工作場所之一，致命事故發(fā)生量超過許多國家，且沒有明顯下降趨勢[4]。在“工業(yè)4.0”的背景下，建筑施工行業(yè)正在朝著數(shù)字化和智能化方向不斷創(chuàng)新，人工智能作為計算機科學(xué)的一個分支，在許多領(lǐng)域的應(yīng)用前景已經(jīng)得到證明，根據(jù)埃森哲公司的一份報告[5]，人工智能已經(jīng)改變了許多行業(yè)的生產(chǎn)方式，預(yù)計勞動效率將提高40%。 當(dāng)前建筑項目的工程數(shù)據(jù)空前增加，也為人工智能技術(shù)的應(yīng)用提供了數(shù)據(jù)基礎(chǔ)。 但總的來說，建筑施工領(lǐng)域人工智能技術(shù)的應(yīng)用仍落后于其他行業(yè)。 因此，有必要在建筑施工領(lǐng)域應(yīng)用各種人工智能技術(shù)，實現(xiàn)更高的效率和可靠性。

人工智能一詞最早是在1956 年的達(dá)特茅斯會議(Dartmouth Conference)中提出，之后的人工智能主要經(jīng)歷了3 個重要階段[6]。 1956—1980 年是人工智能的起步階段，此時的人工智能指的是讓計算機擁有類似人類智慧的智能，不同歷史時期人們對人工智能的認(rèn)識不同，早期人工智能領(lǐng)域的學(xué)者對人工智能的期望是讓機器能像人一樣思考，而到20世紀(jì)70 年代，隨著專家系統(tǒng)的出現(xiàn)，人工智能進(jìn)入到應(yīng)用發(fā)展階段，實現(xiàn)了人工智能從理論研究走向?qū)嶋H應(yīng)用，此時的關(guān)注點在于利用計算機去解決人類能解決的問題；與人類思考時的復(fù)雜過程不同，當(dāng)前計算機在解決一個復(fù)雜問題時往往是由數(shù)據(jù)驅(qū)動的；隨著機器學(xué)習(xí)和深度學(xué)習(xí)的發(fā)展，人工智能進(jìn)入到一個新的階段[7]，機器學(xué)習(xí)是人工智能領(lǐng)域的一個重要子集，指的是計算機程序可以在沒有得到人類幫助的情況下自動學(xué)習(xí)和適應(yīng)新數(shù)據(jù)，信息融合、計算機視覺、自然語言處理等應(yīng)用都可以利用機器學(xué)習(xí)技術(shù)實現(xiàn)。 深度學(xué)習(xí)是一種特殊的機器學(xué)習(xí)技術(shù)，在處理非結(jié)構(gòu)化數(shù)據(jù)(如文本、圖像或視頻)和大數(shù)據(jù)的分析處理方面展現(xiàn)出優(yōu)勢，由此開啟了人工智能的深度學(xué)習(xí)階段。 人工智能可分為弱人工智能和強人工智能兩類，前者體現(xiàn)了一個旨在執(zhí)行特定工作的系統(tǒng)，往往是執(zhí)行簡單且單一的任務(wù)；而后者則是執(zhí)行認(rèn)為類似人類任務(wù)的系統(tǒng)，這些系統(tǒng)往往更復(fù)雜，過程中可以運用類似人類的思考方式去解決問題[8]。 人工智能技術(shù)不斷發(fā)展使許多行業(yè)受益，作為中國國民經(jīng)濟(jì)的重要產(chǎn)業(yè)，建筑業(yè)在高速發(fā)展的同時也暴露出許多問題，如建筑施工領(lǐng)域的信息化水平較低、粗放式的生產(chǎn)模式、勞動生產(chǎn)率不高、科技創(chuàng)新能力不足等一系列問題。 為實現(xiàn)建筑施工行業(yè)的高質(zhì)量發(fā)展，將人工智能技術(shù)應(yīng)用到施工的各個環(huán)節(jié)中，實現(xiàn)建筑施工的數(shù)字化、自動化、信息化和智能化。

1 人工智能在建筑施工領(lǐng)域的文獻(xiàn)統(tǒng)計分析

發(fā)表文獻(xiàn)數(shù)量隨時間的變化可以很好地反映某一領(lǐng)域的學(xué)術(shù)動態(tài)。 以主題詞“人工智能” “建筑施工”以及其近義詞和主要下義詞設(shè)置檢索式，從中國知網(wǎng)數(shù)據(jù)庫中檢索中文期刊文獻(xiàn)；以主題詞“AI” “Construction” 以及其近義詞和主要下義詞設(shè)置檢索式，從Web of Science 數(shù)據(jù)庫中檢索英文期刊文獻(xiàn)。 根據(jù)發(fā)文時間和發(fā)文量統(tǒng)計分析，如圖1所示，自2012 年開始，對此領(lǐng)域的研究整體呈上升趨勢，在2019 年之前年發(fā)文量變化較為平穩(wěn)，中文文獻(xiàn)的發(fā)文量與英文文獻(xiàn)的發(fā)文情況差別不大，2019 年之后中文文獻(xiàn)與英文文獻(xiàn)發(fā)文數(shù)量差距變得越來越大，而2021 年中文文獻(xiàn)發(fā)文量僅為英文文獻(xiàn)的53%。

圖1 人工智能在建筑施工領(lǐng)域發(fā)文統(tǒng)計柱狀圖

從中國知網(wǎng)中檢索人工智能在不同學(xué)科領(lǐng)域應(yīng)用的文章，根據(jù)發(fā)文情況篩選出人工智能技術(shù)應(yīng)用最多的前15 個學(xué)科，如圖2 所示。 在這15 個學(xué)科中，建筑科學(xué)與工程發(fā)文量為1 440 篇，占比3.31%，相較于其他學(xué)科，建筑科學(xué)與工程領(lǐng)域?qū)θ斯ぶ悄軕?yīng)用的研究程度還比較低。 但結(jié)合歷年發(fā)文量的變化情況，說明人工智能技術(shù)在建筑領(lǐng)域的應(yīng)用程度正逐漸提高。

圖2 人工智能技術(shù)在不同學(xué)科的應(yīng)用發(fā)文情況圖

以主題詞“人工智能” “建筑施工”以及其近義詞和主要下義詞設(shè)置檢索式，從中國知網(wǎng)數(shù)據(jù)庫檢索期刊文獻(xiàn)，將檢索結(jié)果導(dǎo)入CiteSpace 軟件進(jìn)行關(guān)鍵詞分析，時間切片設(shè)置為1 a，得到具有544 個節(jié)點、1 000條連線的關(guān)鍵詞共現(xiàn)知識圖譜，如圖3 所示。

圖3 文獻(xiàn)關(guān)鍵詞共現(xiàn)圖

出現(xiàn)頻次越高的關(guān)鍵詞在圖中的節(jié)點越大，節(jié)點之間的線越粗，表示其共現(xiàn)強度越大。 統(tǒng)計出現(xiàn)頻次>50 的關(guān)鍵詞按頻次排序，見表1。 頻次排序前5 的關(guān)鍵詞分別為人工智能、優(yōu)化方法、專家系統(tǒng)、機器學(xué)習(xí)和施工技術(shù)。

表1 文獻(xiàn)高頻關(guān)鍵詞表

在關(guān)鍵詞共現(xiàn)分析的基礎(chǔ)上，對文獻(xiàn)進(jìn)行聚類分析，聚類算法選用對數(shù)似然率(Log Likelihood Ratio，LLR)算法，得到聚類結(jié)果如圖4 所示，可以看出人工智能、優(yōu)化方法、專家系統(tǒng)和機器學(xué)習(xí)同時出現(xiàn)在高頻關(guān)鍵詞和聚類標(biāo)簽中，除了人工智能外，其他3 個都是人工智能領(lǐng)域的具體技術(shù)方法，說明這些人工智能技術(shù)方法經(jīng)常應(yīng)用于建筑施工領(lǐng)域。

圖4 文獻(xiàn)關(guān)鍵詞聚類圖

突現(xiàn)詞的探測可以了解某一研究領(lǐng)域內(nèi)研究熱點的演替，也可輔助預(yù)測該領(lǐng)域未來的研究熱點和研究趨勢[9]。 以檢索式的方式從中國知網(wǎng)數(shù)據(jù)庫中檢索自2000 年以來的期刊文獻(xiàn)，在關(guān)鍵詞分析的基礎(chǔ)上探測突現(xiàn)詞，其突現(xiàn)的最小持續(xù)時間設(shè)置為2 a，篩選出前15 個突現(xiàn)詞見表2。 根據(jù)關(guān)鍵詞出現(xiàn)突現(xiàn)的時間可以看出，智慧工地、應(yīng)用、人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)、深度學(xué)習(xí)這些關(guān)鍵詞都是最近5 年開始突現(xiàn)且保持熱度，說明這些詞是近期研究的熱點，目前的研究正在向智能化、信息化、自動化的方向發(fā)展。

表2 文獻(xiàn)突現(xiàn)詞分析表

2 建筑施工領(lǐng)域常用人工智能技術(shù)分析

2.1 機器學(xué)習(xí)

機器學(xué)習(xí)是人工智能領(lǐng)域的一個熱門話題，可以很好地解決分類、預(yù)測、計算機視覺、自然語言處理等問題。 目前，很多學(xué)者開始將其應(yīng)用于建筑施工領(lǐng)域。

在分類問題方面，周建亮等[10]以人格特質(zhì)作為分類特征，通過機器學(xué)習(xí)算法實現(xiàn)建筑工人不安全行為的識別，對比了決策樹、隨機森林、自適應(yīng)提升樹和梯度提升決策樹4 種分類算法，得出梯度提升決策樹是識別不安全行為的最佳分類算法模型的結(jié)論。 ATHA 等[11]提出的一種基于紋理和顏色分析的卷積神經(jīng)網(wǎng)絡(luò)在保證檢測準(zhǔn)確性的同時還能大大提高計算效率。 在計算機視覺方面，DING 等[12]開發(fā)了一種基于計算機視覺的安全管理方法，采用兩個卷積神經(jīng)網(wǎng)絡(luò)監(jiān)測目標(biāo)區(qū)域工人的存在和是否佩戴安全帶，識別不安全的行為再采取相應(yīng)措施，有效降低了高空作業(yè)安全事故的發(fā)生。 目標(biāo)檢測算法(You Only Look Once，YOLO)是除了卷積神經(jīng)網(wǎng)絡(luò)外另一個應(yīng)用比較多的深度學(xué)習(xí)算法，KIM 等[13]基于YOLO 算法定位目標(biāo)，自動測量現(xiàn)場各實體的距離，以期在危險發(fā)生前做出反應(yīng)，減少施工現(xiàn)場撞擊事故的發(fā)生；陳巨坤[14]和李建奎等[15]利用人臉識別技術(shù)和自適應(yīng)提升算法建立工地管理系統(tǒng)，可以實現(xiàn)考勤管理、人帽合一管理和人員設(shè)備出入場管理。 目前應(yīng)用到建筑施工領(lǐng)域的計算機視覺算法主要有以區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Region-based Convolution Neural Networks，R－CNN)為代表的基于區(qū)域的目標(biāo)檢測算法和以YOLO 為代表的基于目標(biāo)的目標(biāo)檢測算法兩類。 后者相對于前者最大的優(yōu)勢就是其運行速度非?？?，因此在施工現(xiàn)場風(fēng)險識別等要求及時性的任務(wù)時可以選擇此類算法，而對于時效性不強的任務(wù)建議選擇準(zhǔn)確率略高的基于區(qū)域的目標(biāo)檢測算法。

成本和安全是機器學(xué)習(xí)在建筑施工領(lǐng)域應(yīng)用的熱門話題，其典型應(yīng)用場景是利用機器學(xué)習(xí)預(yù)測建筑施工的成本和安全。 在解決成本問題時，應(yīng)用最多的機器學(xué)習(xí)模型是反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)，劉倩[16]基于BP 神經(jīng)網(wǎng)絡(luò)預(yù)測裝配式建筑的施工成本，相較于傳統(tǒng)方案更加準(zhǔn)確、穩(wěn)定。 而在解決安全問題時，機器學(xué)習(xí)主要在風(fēng)險識別和風(fēng)險預(yù)測方面發(fā)揮作用。 在風(fēng)險識別方面，應(yīng)用最多的機器學(xué)習(xí)模型是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)，ZHANG 等[17]以某基坑開挖現(xiàn)場為例，利用CNN 從復(fù)雜的施工現(xiàn)場中識別出可能出現(xiàn)的高風(fēng)險情況，提高了施工安全管理的效率。 關(guān)于風(fēng)險預(yù)測方面，循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)的應(yīng)用較多，歐斌等[18]等利用RNN 預(yù)測了混凝土壩的變形情況，證明了RNN 可以用來處理序列問題的風(fēng)險預(yù)測。

機器學(xué)習(xí)作為人工智能技術(shù)的重要方法，在實現(xiàn)信息融合和自然語言處理等技術(shù)方面也展現(xiàn)出優(yōu)勢，已有學(xué)者嘗試將其此方面的優(yōu)勢與建筑施工領(lǐng)域中的問題場景相結(jié)合。 ZHANG 等[19]利用機器學(xué)習(xí)和自然語言處理技術(shù)分析施工事故報告，可以有效地找出事故原因分類和進(jìn)行風(fēng)險識別；鄧達(dá)[20]結(jié)合CNN 和雙向長短期記憶神經(jīng)網(wǎng)絡(luò)，從建筑安全事故報告中提取語義特征，應(yīng)用關(guān)聯(lián)規(guī)則技術(shù)，實現(xiàn)了建筑事故報告中致因的準(zhǔn)確分析。 在建筑施工領(lǐng)域中，目前利用機器學(xué)習(xí)進(jìn)行自然語言處理的應(yīng)用場景還相對較少，應(yīng)根據(jù)工程項目的實際需要深入研究，提升解決實際工程問題的效率和質(zhì)量。

2.2 優(yōu)化算法

智能優(yōu)化算法是人工智能技術(shù)的一個重要應(yīng)用，其目的是在一系列可行方案中尋找最優(yōu)解。 優(yōu)化問題通?？梢苑譃閱文繕?biāo)優(yōu)化問題和多目標(biāo)優(yōu)化問題兩類。 處理建筑施工領(lǐng)域的單目標(biāo)優(yōu)化問題時，通常是在某些約束條件下，求解目標(biāo)函數(shù)的最值，如LIN 等[21]以施工活動的工期最短為目標(biāo)，利用自適應(yīng)粒子群算法對施工網(wǎng)絡(luò)計劃的工作次序優(yōu)化調(diào)整，在資源限制的條件下求解最短工期；PODOLSKI 等[22]以項目總成本為目標(biāo)，利用模擬退火算法建立多單元項目施工調(diào)度模型，通過優(yōu)化單元施工順序?qū)崿F(xiàn)項目總成本最低；張飛漣等[23]以鐵路工程的最小施工成本為目標(biāo)，建立施工進(jìn)度－成本動態(tài)優(yōu)化模型，在求解模型時對比了模擬退火算法、遺傳算法以及兩者結(jié)合的模擬退火遺傳算法，證明了模擬退火遺傳算法可以提高求解準(zhǔn)確率；王廣開[24]基于不同優(yōu)化算法的優(yōu)勢建立了山區(qū)鐵路選線模型，先利用遺傳算法求解優(yōu)度評價模型，再利用蟻群算法求解最優(yōu)路徑收斂模型，最終得到鐵路線路最優(yōu)走向方案。

然而，在工程實踐中由于情況復(fù)雜、各環(huán)節(jié)相互依賴，施工過程中遇到的優(yōu)化問題更多的是多目標(biāo)問題，由于不同控制目標(biāo)之間關(guān)系復(fù)雜，甚至可能存在沖突，多目標(biāo)問題往往面臨著多維度、非線性、動態(tài)性等特點，確定最優(yōu)解的過程非常復(fù)雜，智能優(yōu)化算法通常使用帕累托最優(yōu)的方法求解這類問題。 建筑施工中常見的優(yōu)化目標(biāo)包括工程質(zhì)量、工期、成本、安全等施工管理控制項目，優(yōu)化內(nèi)容包括調(diào)整資源和勞動力的分配調(diào)度、工序和任務(wù)優(yōu)先級排序、施工現(xiàn)場的布置規(guī)劃等，優(yōu)化時需要針對項目具體情況確定優(yōu)化目標(biāo)和內(nèi)容。 LIU 等[25]以工期最短和資源消耗最小為目標(biāo)，利用遺傳算法求解多目標(biāo)優(yōu)化模型，優(yōu)化施工調(diào)度計劃；FENG 等[26]為了減少施工階段對環(huán)境產(chǎn)生的影響，建立了環(huán)境－成本－工期多目標(biāo)優(yōu)化模型，通過集成離散事件仿真和粒子群優(yōu)化算法求解模型，提供權(quán)衡的解決方案；劉香香等[27]從裝配式建筑的施工工序出發(fā)，以成本、工期和碳排放為目標(biāo)建立多目標(biāo)優(yōu)化模型，利用蟻群算法求解，得到了綜合最優(yōu)的施工工序組合；馬聰聰?shù)萚28]將遺傳算法和模擬退火算法融合，解決地鐵施工的工期、成本和質(zhì)量3 目標(biāo)優(yōu)化問題，融合算法在有效避免模型陷入局部最優(yōu)的同時還能大大提高運算效率。

在施工過程中利用各種優(yōu)化算法，可以實時確保施工過程的安全性、工作效率和成本效益。 在利用優(yōu)化算法解決實際問題時，不同的優(yōu)化算法在多樣性和收斂速度方面各有利弊，單一策略的算法很難適用于所有優(yōu)化問題，所以仍需對算法的策略選擇等自適應(yīng)機制不斷完善，目前不同優(yōu)化算法在建筑施工中的應(yīng)用總結(jié)見表3。

表3 優(yōu)化算法在建筑施工中的應(yīng)用文獻(xiàn)分類索引表

2.3 人工智能物聯(lián)網(wǎng)

物聯(lián)網(wǎng)(Internet of Things，IoT)是將各種物理設(shè)備和互聯(lián)網(wǎng)連接的技術(shù)手段，如施工現(xiàn)場的各種傳感器、無人機、射頻設(shè)備、激光掃描儀等，將這些設(shè)備連接到建筑資源，收集有關(guān)項目狀態(tài)的實時數(shù)據(jù)。人工智能物聯(lián)網(wǎng)(Artificial Intelligence Internet of Things，AIoT)是新一代物聯(lián)網(wǎng)，將人工智能技術(shù)融入物聯(lián)網(wǎng)基礎(chǔ)設(shè)施，以實現(xiàn)更高效的數(shù)據(jù)采集和數(shù)據(jù)分析。 相較于傳統(tǒng)的物聯(lián)網(wǎng)，人工智能物聯(lián)網(wǎng)的優(yōu)勢在于應(yīng)用了各種人工智能方法對數(shù)據(jù)進(jìn)行深入分析，可以在物聯(lián)網(wǎng)的應(yīng)用層面自動化實時決策，從而遠(yuǎn)程控制施工現(xiàn)場。 ZHANG 等[29]基于AIoT 技術(shù)搭建了隧道施工實時監(jiān)控系統(tǒng)，將施工過程中的盾構(gòu)機運行參數(shù)和隧道變形情況通過互聯(lián)網(wǎng)實時傳輸和儲存，之后基于采集到的數(shù)據(jù)利用系統(tǒng)集成的人工智能算法做出隧道變形的智能預(yù)測，為下一步的施工決策提供依據(jù)；胡翀赫[30]基于AIoT 設(shè)計的智能巡檢機器人系統(tǒng)，融合了物聯(lián)網(wǎng)全面感知和人工智能分析決策的優(yōu)勢，可以在施工現(xiàn)場實現(xiàn)日常例行巡檢、數(shù)據(jù)采集、安全報警等場景，避免了人工巡檢效率低、周期長、存在盲區(qū)等問題。 建筑信息模型(Building Information Modeling，BIM)和AIoT 的融合應(yīng)用也是當(dāng)前研究的熱點，BIM 模型中儲存了大量建筑信息，提高了項目施工管理的效率[31]，在BIM 中集成AIoT 可以實現(xiàn)項目實況和數(shù)字模型之間實時的信息交互，同時也能保證BIM 中的大量信息能夠被深度利用。 融合BIM 和AIoT 的方案在建筑施工領(lǐng)域已經(jīng)有了一些嘗試，買亞鋒等[32]建立的智能建造綜合管理系統(tǒng)，集成了BIM、IoT 和人工智能等技術(shù)，借助5G 的快速傳輸途徑可以高效、及時、精確地進(jìn)行現(xiàn)場施工及運維管理，完成了時間與空間的精確統(tǒng)一。 總的來說，BIM 提供了一個信息傳遞和管理的平臺，而物聯(lián)網(wǎng)技術(shù)提供了實時穩(wěn)定的數(shù)據(jù)流，不斷豐富BIM 模型集成的信息，人工智能技術(shù)則提供強大的數(shù)據(jù)分析和處理能力，可以充分地利用數(shù)據(jù)。

然而，AIoT 技術(shù)在建筑施工領(lǐng)域的實際應(yīng)用還處于起步階段，仍然存在邊緣計算問題、信息安全問題等亟須解決的難題，但隨著建筑業(yè)龐大的數(shù)據(jù)基礎(chǔ)和5G 等新一代通信技術(shù)的發(fā)展，AIoT 在建筑施工領(lǐng)域的應(yīng)用存在巨大潛力，可以預(yù)見，在5G 通信下，基于云計算的數(shù)據(jù)采集、數(shù)據(jù)傳輸和數(shù)據(jù)處理的效率將大大提高，AIoT 和BIM 的協(xié)同應(yīng)用將成為未來研究的熱點。

3 人工智能在建筑施工管理中的應(yīng)用場景分析

施工管理是保證工程項目順利進(jìn)行的重要措施，在管理中要做到統(tǒng)籌考量。 質(zhì)量、安全、成本、進(jìn)度是項目施工管理中的4 大控制要素，由于工程相關(guān)管理模式復(fù)雜、影響因素多，且各影響因素之間又相互關(guān)聯(lián)，傳統(tǒng)控制方法很難實現(xiàn)施工管理精益化。融合人工智能技術(shù)，為探索施工精益化管理提供了新的解決方案。

3.1 質(zhì)量控制

保證工程質(zhì)量是建筑施工的首要目標(biāo)，施工階段的質(zhì)量控制很大程度上決定了工程產(chǎn)品的質(zhì)量。而傳統(tǒng)的質(zhì)量控制方法存在許多難以克服的問題，如質(zhì)量缺陷追溯、實時的施工質(zhì)量監(jiān)控以及標(biāo)準(zhǔn)化的質(zhì)量評價體系等。 各種人工智能技術(shù)的應(yīng)用為解決這些難題提供了新的思路。

案例推理技術(shù)通過總結(jié)和學(xué)習(xí)以往項目的經(jīng)驗來指導(dǎo)新項目的施工工作，可以用于解決質(zhì)量缺陷追溯問題。 趙子豪[33]在分析裝配式鋼結(jié)構(gòu)住宅質(zhì)量影響因素的基礎(chǔ)上，提出了一種基于案例推理的質(zhì)量缺陷追溯方法，并利用遺傳算法確定所用各類案例信息的權(quán)重，在案例應(yīng)用中可以有效地追溯到引起質(zhì)量缺陷的原因，施工過程中可以有針對性地管控；劉星[34]結(jié)合BIM、物聯(lián)網(wǎng)和機器學(xué)習(xí)等技術(shù)建立的深基坑智能監(jiān)測系統(tǒng)，除了對施工質(zhì)量的實時數(shù)據(jù)監(jiān)控，還能基于機器學(xué)習(xí)技術(shù)實現(xiàn)數(shù)據(jù)預(yù)測和專家研判等功能。 除了上述基于BIM 和物聯(lián)網(wǎng)的質(zhì)量控制場景，計算機視覺技術(shù)、目標(biāo)檢測算法等人工智能技術(shù)也已應(yīng)用到了施工質(zhì)量控制場景。 劉全等[35]為實現(xiàn)強夯施工質(zhì)量的智能監(jiān)測，利用基于卷積神經(jīng)網(wǎng)絡(luò)的計算機視覺技術(shù)建立了智能監(jiān)測平臺，可以實現(xiàn)對夯次、夯沉量、夯坑位置等施工參數(shù)的實時監(jiān)測，實現(xiàn)遠(yuǎn)程實時的施工質(zhì)量監(jiān)控；柴英濤[36]針對目前對混凝土表觀質(zhì)量評價缺乏標(biāo)準(zhǔn)化體系的現(xiàn)狀，提出了一種基于本體推理和計算機視覺的混凝土表觀質(zhì)量評價方法，利用計算機視覺技術(shù)不僅能自動地檢查結(jié)構(gòu)質(zhì)量缺陷，還能分析出如鋼結(jié)構(gòu)腐蝕物成分等人眼無法直接判斷的問題。 對于施工質(zhì)量評價方面，當(dāng)前的施工質(zhì)量評價是由審計員的經(jīng)驗和主管評價得出的結(jié)果，盡管規(guī)定了一般的評價原則和程序，但沒有形成一套客觀標(biāo)準(zhǔn)的評價體系，為了解決這一問題，F(xiàn)AN[37]結(jié)合了網(wǎng)絡(luò)分析法(Analytic Network Process，ANP)和模糊集合(Fuzzy Set，F(xiàn)S)基于歷史項目的審查中存在的質(zhì)量缺陷，分析頻率和權(quán)重，建立了一套客觀的施工質(zhì)量評價標(biāo)準(zhǔn)，可以為建立標(biāo)準(zhǔn)化的施工質(zhì)量評價提供參考。

綜合人工智能技術(shù)在施工質(zhì)量控制方面的應(yīng)用可以看出，當(dāng)前應(yīng)用比較廣泛的是質(zhì)量評估、質(zhì)量驗收、質(zhì)量監(jiān)控和結(jié)構(gòu)缺陷檢查等事后控制的場景，對施工質(zhì)量的事前和事中控制的研究還比較少，為了更好地滿足施工質(zhì)量控制的要求，還需要加強對此方面的探索。

3.2 成本控制

施工中成本控制的目的是在保證建筑安全和質(zhì)量的前提下盡可能減少施工成本的支出，但施工階段過程復(fù)雜，涉及的人員、設(shè)備、材料和工序等任何一個環(huán)節(jié)出錯都會直接影響到施工成本。 傳統(tǒng)施工成本控制存在動態(tài)管理差，資源配置不合理、施工設(shè)備選型不合理等問題。 將人工智能技術(shù)應(yīng)用到施工成本控制，有助于解決上述問題，提高全過程的成本控制水平。

在施工前的設(shè)計和準(zhǔn)備階段，優(yōu)化算法可以規(guī)劃布置現(xiàn)場的運輸線路、倉庫、加工廠以及機械設(shè)備等，TAO 等[38]為了提高施工效率，減少運輸成本，基于BIM 技術(shù)建立了施工現(xiàn)場的布局規(guī)劃模型，通過粒子群優(yōu)化算法求解總運輸成本最低的布置方案，將總運輸成本降低了約40%。 除了優(yōu)化算法，專家系統(tǒng)和機器學(xué)習(xí)等技術(shù)可以根據(jù)施工計劃在施工開始前對工程量和成本做出合理預(yù)測和評估，劉倩[16]通過分析影響裝配式建筑施工成本的主要因素，利用BP 神經(jīng)網(wǎng)絡(luò)建立裝配式建筑施工成本預(yù)測模型，可以為項目投資決策提供依據(jù)，提升經(jīng)濟(jì)效益。

施工過程中成本控制涉及資源分配、材料管理以及勞務(wù)計酬等方面，其重點是成本的動態(tài)控制，需要根據(jù)施工中實時的項目情況進(jìn)行成本控制。 謝存仁等[39]考慮了施工期間的資源價格波動情況，建立考慮資源價格波動的施工組織動態(tài)規(guī)劃模型，運用適應(yīng)性權(quán)重遺傳算法進(jìn)行模型求解，實現(xiàn)施工期間的資源需求隨價格的波動動態(tài)調(diào)整，提升施工期間資源均衡度的同時降低了資源成本；張飛漣等[23]考慮了資金成本和費用發(fā)生時點，建立鐵路工程施工進(jìn)度－成本動態(tài)優(yōu)化模型，通過模擬退火遺傳算法優(yōu)化后的方案相較于原方案有效降低了施工成本，提高了資金使用效率。 為了動態(tài)量化施工階段的成本指標(biāo)，王雅慧[40]利用歷史項目數(shù)據(jù)訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)預(yù)測施工階段的月實際成本，之后根據(jù)預(yù)測結(jié)果通過模糊聚類分析法劃分預(yù)警等級，實現(xiàn)施工成本的動態(tài)控制。 工人的勞務(wù)計酬也是施工過程中成本控制的重要部分，譚毅飛[41]基于計算機視覺和傳感技術(shù)建立的勞務(wù)計酬模式，使建筑業(yè)的勞動計酬具有更好的及時性和可追溯性。

竣工結(jié)算階段也是施工成本控制的重要階段，涉及施工資料整理、合同條款的核對、設(shè)計變更的審查、工程簽證審查等工作，人工智能技術(shù)在此階段的應(yīng)用還比較少。 區(qū)塊鏈和自然語言處理等技術(shù)在資料管理和審查方面的優(yōu)勢已經(jīng)在許多行業(yè)得到證明，結(jié)算階段的成本控制可以借鑒這些經(jīng)驗，利用區(qū)塊鏈和自然語言處理等技術(shù)提高結(jié)算效率，從而合理地控制成本。

3.3 進(jìn)度控制

進(jìn)度管理指依照實際施工情況和項目任務(wù)的完成情況進(jìn)行全面管理。 施工進(jìn)度控制可以分為進(jìn)度優(yōu)化和進(jìn)度監(jiān)控兩個方面。 調(diào)查顯示，>70%的承包公司提到，施工現(xiàn)場協(xié)調(diào)不佳是項目超出預(yù)算和截止日期的主要原因；傳統(tǒng)的進(jìn)度監(jiān)控基于人工和勞動密集型的信息收集、文件編制以及定期報告項目狀態(tài)的程序，這種監(jiān)控方法實踐繁瑣、容易出錯、速度慢，并且經(jīng)常報告冗余信息，從而阻礙了管理人員做出及時的決策。 為解決這些問題，建筑施工行業(yè)正在探索各種新興技術(shù)，一些人工智能技術(shù)在進(jìn)度控制方面的應(yīng)用中顯示出巨大潛力。

進(jìn)度優(yōu)化指的是通過調(diào)整工作的組織措施來達(dá)到縮短工期的目的，在施工開始前需要管理者提前編制進(jìn)度計劃，如果對項目缺乏透徹的了解或經(jīng)驗不足，可能會造成不必要的時間和成本的浪費。 遺傳算法、粒子群算法等智能優(yōu)化算法已經(jīng)應(yīng)用到了施工進(jìn)度優(yōu)化方面:謝存仁等[42]基于BIM 和遺傳算法建立了施工進(jìn)度多目標(biāo)優(yōu)化模型，求解各工序最優(yōu)持續(xù)時間以及非關(guān)鍵工序最優(yōu)開始時間，實現(xiàn)了施工進(jìn)度的合理安排，相較于初始的進(jìn)度計劃工期縮短了40 d；原媛等[43]結(jié)合高樁碼頭施工特點，利用量子粒子群優(yōu)化算法優(yōu)化施工進(jìn)度，以較少成本將總工期縮短了70 d，為水工建筑的施工進(jìn)度優(yōu)化提供了方案。

進(jìn)度監(jiān)控的目的是獲取實時的進(jìn)度信息，施工過程中可能會出現(xiàn)各種無法預(yù)料的因素造成進(jìn)度的滯后，管理者需要根據(jù)實際情況及時做出決策，結(jié)合人工智能技術(shù)的進(jìn)度監(jiān)控可以有效避免人工巡檢的效率低、易出錯等缺點，魯振川[44]提出一種基于有限狀態(tài)機和計算機視覺技術(shù)的施工進(jìn)度識別方法，避免了人工巡檢耗時費力的缺點，保證了獲取進(jìn)度信息的準(zhǔn)確性和時效性。 通過進(jìn)度監(jiān)控了解實時的進(jìn)度情況也是進(jìn)度動態(tài)優(yōu)化的前提，何敏杰等[45]基于模糊算法和BIM4D 技術(shù)研發(fā)施工進(jìn)度動態(tài)控制模型，以實際進(jìn)度作為數(shù)據(jù)來源建立進(jìn)度預(yù)測模型并設(shè)置預(yù)警機制，實現(xiàn)施工進(jìn)度的動態(tài)控制。

雖然目前基于人工智能的施工進(jìn)度控制已取得了一定的進(jìn)展，但將先進(jìn)的優(yōu)化理論、智能算法及BIM 技術(shù)相結(jié)合的集成深化應(yīng)用研究還相對較少，需要深入多理論交叉融合研究，提出更加高效的施工進(jìn)度管理方法。

3.4 安全管理

施工現(xiàn)場具有作業(yè)連續(xù)性強、施工設(shè)備之間相互聯(lián)系、現(xiàn)場環(huán)境復(fù)雜等特點，在工程施工階段一直存在許多安全隱患，施工現(xiàn)場通常會被人們看作較為危險的工作場所。 匯總住建部公布的歷年事故數(shù)和事故死亡人數(shù)，得到統(tǒng)計數(shù)據(jù)如圖5 所示，建筑行業(yè)的安全事故一直處于一個比較高的水平，且近幾年的事故數(shù)量和死亡人數(shù)還處于一個上升的趨勢。

圖5 建筑施工事故數(shù)及死亡人數(shù)統(tǒng)計圖

施工中安全管理的3 個重點是人的不安全行為、物的不安全狀態(tài)、作業(yè)環(huán)境的不安全因素和管理失誤。 人工智能可以從對施工階段的監(jiān)控、識別、評估和優(yōu)先級排序方面入手改善施工安全問題[46]。施工現(xiàn)場工人是導(dǎo)致施工安全事故的重要因素之一，工人在施工現(xiàn)場的活動一直是動態(tài)的，也是現(xiàn)場最難控制的安全因素之一。 隨著計算機視覺技術(shù)的發(fā)展，一些相關(guān)技術(shù)開始應(yīng)用于工人安全裝備的使用場景:WU 等[47]提出的一種基于計算機視覺技術(shù)的安全帽佩戴檢測方法，在監(jiān)測工人是否佩戴安全帽的同時還能識別安全帽的顏色，其準(zhǔn)確率>90%；FANG 等[48]針對工人高空墜落的風(fēng)險分別使用CNN 和R－CNN 建立安全帶佩戴監(jiān)測模型，在武漢市的幾個建筑項目的數(shù)據(jù)測試中均能達(dá)到良好的準(zhǔn)確率，可以有效減少工人因未佩戴安全帶而引起高空墜落事故的發(fā)生。 物的不安全狀態(tài)是導(dǎo)致施工安全事故的另一個重要因素，施工過程中必須確?，F(xiàn)場的各種機械設(shè)備和建筑結(jié)構(gòu)處于安全的狀態(tài)，李佩琪等[49]總結(jié)了不合格材料使用、特殊材料存放、設(shè)備超負(fù)荷運行以及陳舊帶病機械設(shè)備使用危害等危險源，利用物聯(lián)網(wǎng)和BIM 技術(shù)建立智慧工地平臺，可以準(zhǔn)確識別現(xiàn)場的材料和設(shè)備等危險源，能有效地防止安全事故的發(fā)生。 除上述施工安全管理要點外，工人、施工現(xiàn)場設(shè)備及材料等之間的交互也是安全管理的重難點，如不同施工設(shè)備之間的碰撞，尤其是重型施工設(shè)備。 施工設(shè)備與材料之間、施工設(shè)備與工人之間也是施工現(xiàn)場安全事故的重要類型。閆海生[50]研究了城市軌道交通工程基于超寬帶定位的人機碰撞技術(shù)，利用定位標(biāo)簽使施工設(shè)備生成實時的電子圍欄，現(xiàn)場工人通過佩戴定位標(biāo)簽與電子圍欄產(chǎn)生信息交互，預(yù)警潛在的碰撞風(fēng)險；何光輝[51]考慮現(xiàn)場風(fēng)險源和障礙區(qū)域，利用游走算法優(yōu)化設(shè)計施工通道，通過前期設(shè)置量化的風(fēng)險指標(biāo)進(jìn)行評估，以期從組織設(shè)計環(huán)節(jié)預(yù)防事故的發(fā)生。

除此之外，人工智能技術(shù)還能以其他方式參與建筑施工的安全管理，自然語言處理可以代替人工從大量文本數(shù)據(jù)中獲取有價值的信息，從安全報告和施工日志中檢索重要信息，分析出可能存在的風(fēng)險行為或因素，并進(jìn)行人工干預(yù)。 智能機器人技術(shù)可以代替人工實施一些危險作業(yè)，能夠有效降低工程事故發(fā)生的可能性和造成的人員傷亡，同時也有助于解決建筑工人老齡化問題。

4 展望

近年來，人工智能技術(shù)在建筑施工中的融合應(yīng)用受到國內(nèi)外學(xué)者的高度關(guān)注，機器學(xué)習(xí)、優(yōu)化算法以及人工智能物聯(lián)網(wǎng)等技術(shù)已經(jīng)應(yīng)用于建筑施工領(lǐng)域，并取得了顯著成效。 然而，人工智能技術(shù)在建筑施工領(lǐng)域的應(yīng)用仍處于初級階段，許多研究尚未達(dá)到實際應(yīng)用的程度，一些問題亟需深入研究和解決，包括:(1) 工程數(shù)據(jù)的相對保密性導(dǎo)致的數(shù)據(jù)獲取問題 數(shù)據(jù)作為人工智能的3 大要素之一，是人工智能理解現(xiàn)實問題的基礎(chǔ)，但由于施工企業(yè)的分散性和競爭關(guān)系，一些企業(yè)很難獲得多元大量的工程數(shù)據(jù)來滿足人工智能技術(shù)的應(yīng)用；(2) 尚沒有高度集成化的產(chǎn)品 當(dāng)前人工智能技術(shù)在特定施工環(huán)節(jié)的應(yīng)用不斷增多，但由于建設(shè)項目唯一性的特點，許多研究的適用范圍比較局限，未來仍需要在大量局部應(yīng)用的基礎(chǔ)上建立高度集成化的智能施工平臺，將人工智能技術(shù)深度應(yīng)用到建筑施工的全過程；(3) 人工智能模型的可解釋性差 可解釋性是一項技術(shù)能否真正得到廣泛應(yīng)用的關(guān)鍵，尤其是應(yīng)用到建筑施工領(lǐng)域中重要的決策問題時，更需要用戶理解人工智能模型的決策過程和結(jié)果，因此建筑施工領(lǐng)域有必要加強對可解釋人工智能的研究和應(yīng)用。