劉紅波 張帆 陳志華 王龍軒
摘要:作為新一代產(chǎn)業(yè)變革的核心驅(qū)動力,人工智能是全面提高土木工程領(lǐng)域數(shù)字化、自動化、信息化和智能化的重要方法。為全面了解人工智能在土木工程中的發(fā)展及應(yīng)用,定性分析了人工智能的基本研究領(lǐng)域,定量分析了人工智能在土木工程設(shè)計、制造、養(yǎng)維護階段的研究現(xiàn)狀,利用CiteSpace可視化工具深入挖掘人工智能在土木工程中存在的問題、發(fā)展瓶頸和研究趨勢,并給出相應(yīng)的解決辦法及研究思路。通過文獻(xiàn)綜述發(fā)現(xiàn),土木工程領(lǐng)域已展開了大量人工智能研究
,但各階段智能化發(fā)展不均衡,實際應(yīng)用也存在一定局限性,需深入探索神經(jīng)網(wǎng)絡(luò)、大數(shù)據(jù)、深度學(xué)習(xí)等智能技術(shù)在土木工程全生命周期的交叉融合,促進土木工程領(lǐng)域人工智能研究的協(xié)同發(fā)展。
關(guān)鍵詞:土木工程;人工智能;智能設(shè)計;智能建造;智能養(yǎng)維護
中圖分類號:TU17;TP18? ? ?文獻(xiàn)標(biāo)志碼:A? ? ?文章編號:2096-6717(2024)01-0014-19
Applied research status and prospects of artificial intelligence in civil engineering field
LIU Hongbo1a,1b,2, ZHANG Fan1a, CHEN Zhihua1a,1b, WANG Longxuan1a
(1a. School of Civil Engineering; 1b. Key Laboratory of Coast Civil Structure Safety of China Ministry of Education, Tianjin University, Tianjin 300072, P. R. China; 2. School of Civil Engineering, Hebei University of Engineering, Handan 056000, Hebei, P. R. China)
Abstract: Artificial intelligence is the core driver of the next generation of industrial change. It is an important method to comprehensively improve digitalization, automation, informatization, and intelligence in the field of civil engineering. To gain a comprehensive understanding of the development and application of artificial intelligence in civil engineering. The basic research areas of artificial intelligence are analyzed qualitatively. The current research status of artificial intelligence in civil engineering design, manufacturing, and maintenance phases is quantitatively analyzed. The CiteSpace visualization tool is used to dig deeper into the problems, development bottlenecks, and research trends of artificial intelligence in civil engineering, and give corresponding solutions and research ideas. The review of the literature found that a significant amount of artificial intelligence research has been conducted in the field of civil engineering. However the development of intelligence has been uneven at various stages, and there are limitations in practical applications. Therefore, it is necessary to deeply explore the cross-integration of intelligent technologies such as neural networks, big data, and deep learning in the full life cycle of civil engineering. To promote the synergistic development of artificial intelligence research in the field of civil engineering.
Keywords: civil engineering; artificial intelligence; intelligent design; intelligent construction; intelligent maintenance
人工智能(Artificial Intelligent, AI)是一門利用計算機模擬、延伸及擴展人的理論、方法及技術(shù)的綜合性學(xué)科[1],被認(rèn)為是二十一世紀(jì)三大尖端技術(shù)之一,涵蓋了計算機科學(xué)、符號邏輯學(xué)、仿生學(xué)、信息論、控制論等眾多領(lǐng)域,屬自然科學(xué)、社會科學(xué)、技術(shù)科學(xué)三向交叉學(xué)科[2-3]。
自1956年美國達(dá)特矛斯會議(Dartmouth Conference)上提出“人工智能”的概念以來,其主要經(jīng)歷了3個發(fā)展階段,分別是1956—1980年的人工智能起步階段,1980—1990年的專家系統(tǒng)盛行階段,2000年至今的深度學(xué)習(xí)階段[4],如圖1所示。目前,人工智能已成為各領(lǐng)域的研究及應(yīng)用熱點,中國是世界上在人工智能領(lǐng)域內(nèi)行動最早、動作最快的國家之一,自2015年起,先后頒布了《中國制造2025》《積極推進“互聯(lián)網(wǎng)+”行動的指導(dǎo)意見》《“十三五”國家戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展規(guī)劃》《新一代人工智能發(fā)展規(guī)劃》等政策,從各個方面詳細(xì)規(guī)劃了人工智能的重點發(fā)展方向,并明確指出人工智能是新一輪科技革命和產(chǎn)業(yè)變革的核心技術(shù)[5]。
建筑業(yè)是中國國民經(jīng)濟的重要支柱產(chǎn)業(yè),隨著土木工程建設(shè)項目的不斷增多,中國基礎(chǔ)設(shè)施逐步完善,城鎮(zhèn)化水平穩(wěn)步提升。然而,在建筑業(yè)高速發(fā)展的同時,行業(yè)信息化水平較低、生產(chǎn)方式粗放、勞動生產(chǎn)率不高、資源消耗量大、科技創(chuàng)新能力不足等一系列問題愈發(fā)突出[6]。為實現(xiàn)土木工程行業(yè)的高質(zhì)量發(fā)展,將人工智能技術(shù)應(yīng)用于土木工程設(shè)計、建造、養(yǎng)維護的全生命周期中,深刻變革土木工程發(fā)展,全面提升土木工程行業(yè)的數(shù)字化、自動化、信息化和智能化。
目前,人工智能技術(shù)為建筑設(shè)計、生產(chǎn)建造及養(yǎng)維護等階段提供了新方法,在一定程度上實現(xiàn)了土木工程建設(shè)項目的智能化[7-8]。但人工智能技術(shù)在土木工程領(lǐng)域的應(yīng)用還未能全面普及,隨著物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)等相關(guān)科技產(chǎn)業(yè)的迅猛發(fā)展,將為實現(xiàn)智慧、綠色、可持續(xù)的土木工程建設(shè)項目帶來更多機遇和挑戰(zhàn)。
筆者定性分析了自然語言處理、計算機視覺、語音識別及交叉領(lǐng)域的研究現(xiàn)狀;定量分析了建筑設(shè)計、生產(chǎn)建造及養(yǎng)維護的智能化發(fā)展;利用CiteSpace可視化工具深入挖掘人工智能在土木工程中存在的問題、發(fā)展瓶頸和研究趨勢,并給出相應(yīng)的解決辦法及研究思路,為人工智能在土木工程領(lǐng)域的后續(xù)研究與發(fā)展提供參考。
1 人工智能的基礎(chǔ)研究領(lǐng)域
人工智能可分為自然語言處理、計算機視覺、語音識別和交叉領(lǐng)域4個基礎(chǔ)研究領(lǐng)域[9]。
1.1 自然語言處理
自然語言處理(Natural Language Processing, NLP)是以計算機為媒介對人類特有的自然語言進行加工處理,使計算機能夠像人一樣“處理”和“理解”自然語言[10]。在土木工程領(lǐng)域,NLP從基礎(chǔ)性的語義相似度、依存句法分析到應(yīng)用性的人機互動、報告分析等均展現(xiàn)了巨大的應(yīng)用前景,利用NLP可將無結(jié)構(gòu)化的風(fēng)險信息、施工圖紙信息、施工組織方案信息轉(zhuǎn)化為結(jié)構(gòu)化信息,從而對土木工程建設(shè)項目的日常文檔進行隱性知識(如危險對象、危險位置、事故原因、事故類型等)挖掘[11-12]。
Tixier等[13]證明了使用NLP可消除由人工信息分析產(chǎn)生的報告誤差,利用NLP系統(tǒng)能自動掃描并快速分析大量非結(jié)構(gòu)化報告,準(zhǔn)確率超過95%,利用NLP系統(tǒng)還可從非結(jié)構(gòu)化信息報告數(shù)據(jù)庫中獲取大量可靠的結(jié)構(gòu)化數(shù)據(jù)集,從而提取新的安全信息,改善項目安全管理。王飛等[14]梳理了深度學(xué)習(xí)驅(qū)動下自然語言處理的發(fā)展,認(rèn)為深度學(xué)習(xí)推動了自然語言處理的進步,自然語言處理的進步也為深度學(xué)習(xí)提供了更為廣闊的應(yīng)用前景。Kim等[15]提出了基于NLP的建筑事故案例知識管理系統(tǒng),如圖2所示,在該系統(tǒng)中,利用信息檢索模型可查詢與用戶意圖相關(guān)度達(dá)97%以上的事故案例,利用信息抽取模型可自動分析事故案例中的隱性知識,達(dá)到高效風(fēng)險管理的目的。李舟軍等[16]介紹了NLP中靜態(tài)及動態(tài)預(yù)訓(xùn)練技術(shù),梳理了包括BERT和XLNet在內(nèi)的新型預(yù)訓(xùn)練方法,并給出了未來的發(fā)展方向。
綜合當(dāng)前研究現(xiàn)狀來看,NLP的研究深度和應(yīng)用范圍仍較低,首先表現(xiàn)為建筑領(lǐng)域詞庫通用性差導(dǎo)致的文件預(yù)處理質(zhì)量不高,這將對NLP過程中的文本數(shù)據(jù)分詞、詞性標(biāo)注等程序產(chǎn)生不利影響;然后是信息提取規(guī)則的制定有限,即在土木工程領(lǐng)域中難以獲得所有的項目數(shù)據(jù)(如項目合同書等),導(dǎo)致難以開發(fā)用于信息提取的所有可能的規(guī)則;此外,NLP的深度學(xué)習(xí)訓(xùn)練模型與地方性語言有關(guān),同一模型無法處理不同語言的文本信息,因此無法進行有效的遷移學(xué)習(xí);最后,當(dāng)前NLP多用于施工建造階段,而在設(shè)計、養(yǎng)維護等階段的應(yīng)用較少,導(dǎo)致土木工程全生命周期文件管理的效率及質(zhì)量較低。
1.2 計算機視覺
計算機視覺(Computer Vision)是以成像系統(tǒng)代替視覺器官作為輸入傳感手段,以智能算法代替人類大腦作為處理分析樞紐,從圖像、視頻中提取符號數(shù)字信息進行目標(biāo)的識別、檢測及跟蹤,最終使計算機能夠像人一樣通過視覺來“觀察”和“理解”世界[17]。計算機視覺在土木工程領(lǐng)域的混凝土裂縫檢測、結(jié)構(gòu)損傷識別、施工現(xiàn)場安全監(jiān)控等方面得到了大量研究,具有十分廣闊的應(yīng)用前景[18]。
Zaurin等[19]提出了利用計算機視覺進行橋梁結(jié)構(gòu)的健康監(jiān)測,將圖像、視頻結(jié)合計算機視覺技術(shù)來檢測、分類和跟蹤不同車輛,并利用傳感數(shù)據(jù)確定橋梁結(jié)構(gòu)的標(biāo)準(zhǔn)化響應(yīng)。Seo等[20]總結(jié)了基于計算機視覺的施工現(xiàn)場安全與健康監(jiān)測方法,將以往的計算機視覺研究分為目標(biāo)監(jiān)測、目標(biāo)跟蹤及動作識別3類,并提出基于計算機視覺的安全與健康監(jiān)測通用框架,如圖3所示。韓曉健等[21]采用計算機視覺技術(shù)進行混凝土表面裂縫檢測研究,建立了能從圖像中自動定位裂縫并獲得裂縫寬度的深度卷積神經(jīng)網(wǎng)絡(luò)裂縫識別模型,識別準(zhǔn)確率超過98%,如圖4所示。Zhou等[22]提出了基于計算機視覺技術(shù)和深度學(xué)習(xí)算法的車輛載荷非接觸式自動辨識方法,建立了8 624幅車輛圖像數(shù)據(jù)集并進行深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network, DCNN)訓(xùn)練,最后將遷移學(xué)習(xí)與ImageNet提取的通用特征相結(jié)合,在強化學(xué)習(xí)策略下的辨識度最高可達(dá)98.17%。宋燕飛等[23]利用雙目立體視覺技術(shù)及圖像識別技術(shù)提出了空間網(wǎng)架結(jié)構(gòu)的三維模型重建方法,并通過網(wǎng)架模型的實測試驗來驗證該方法的可行性。
隨著并行計算、云計算、大數(shù)據(jù)、深度學(xué)習(xí)等軟硬件技術(shù)的發(fā)展,計算機視覺技術(shù)得到不斷提升,但現(xiàn)
階段仍存在許多技術(shù)挑戰(zhàn)及應(yīng)用難題。例如,計算機視覺在結(jié)構(gòu)健康監(jiān)測方面的研究仍處于起步階段,如何減小由硬件因素、算法因素、環(huán)境因素等產(chǎn)生的誤差是未來的重要研究方向,如何提高計算機視覺的應(yīng)用效率和可靠性是后續(xù)的研究重點。此外,計算機視覺在檢測施工人員是否佩戴安全帽上取得了較好效果,但后期應(yīng)用中如何觸發(fā)報警系統(tǒng)及人機耦合等方面有待進一步研究。
1.3 語音識別
語音識別(Speech Recognition)是指計算機將輸入的語音信號進行識別理解后轉(zhuǎn)換為文本輸出的過程,使計算機能夠像人一樣具備“聽覺”功能[24]。
在建筑環(huán)境中,語音識別可用于車庫開關(guān)、語音密碼鎖,在家居環(huán)境中,語音識別可用于家電遙感,此外,語音識別還可用于關(guān)鍵詞檢索、號碼語音查詢等[25]。在未來的應(yīng)用研究中,語音識別可為建筑智能安裝提供幫助,如建筑路線語音導(dǎo)航、機器人人機交互等,還可為災(zāi)后生命體的有效識別提供協(xié)助。
在土木工程領(lǐng)域,目前語音識別的相關(guān)研究及應(yīng)用較少,研究難點主要集中在噪聲處理、魯棒性和語音模型上。首先,在輸入語音信號時,經(jīng)常會出現(xiàn)各種不同的噪聲,提高對噪聲的處理是改善語音信號識別準(zhǔn)確率的重要一環(huán)。其次,現(xiàn)有的語音信號識別系統(tǒng)對環(huán)境的依賴性普遍偏高,不同的環(huán)境會導(dǎo)致語音信號的識別準(zhǔn)確率有較大差異,增強語音識別系統(tǒng)的魯棒性有助于實現(xiàn)系統(tǒng)的實際應(yīng)用。最后,在語音交互時,語義、語速及情緒均會影響語音的真實含義,因此,語音模型的優(yōu)化也是研究的重難點。
1.4 交叉領(lǐng)域
交叉領(lǐng)域(Interdisciplinary Fields)是指眾多跨學(xué)科性的學(xué)科群體,體現(xiàn)了科學(xué)研究向綜合性發(fā)展的趨勢,具有較高的復(fù)雜性、廣泛性和多樣性[26]。人工智能與土木工程的學(xué)科交叉可極大地提高基礎(chǔ)建設(shè)項目的工程質(zhì)量和工作效率,十分契合中國對土木工程行業(yè)高質(zhì)量發(fā)展模式的要求,是傳統(tǒng)土木工程行業(yè)轉(zhuǎn)型升級的發(fā)展趨勢[27]。
唐和生等[28]建立了基于人工神經(jīng)網(wǎng)絡(luò)的矩形混凝土柱屈服強度預(yù)測模型,解析了影響混凝土柱屈服性能的關(guān)鍵因素,并利用Garson敏感性分析證明了該模型的合理性。丁楊等[29]以大體積混凝土澆筑過程為例,建立了混凝土水化放熱內(nèi)部溫度預(yù)測模型,為后續(xù)養(yǎng)維護的監(jiān)測、預(yù)測、預(yù)警提供依據(jù)。趙平等[30]為提高古建筑修繕階段的火災(zāi)監(jiān)測水平,提出一種基于YOLO-BP神經(jīng)網(wǎng)絡(luò)的火災(zāi)監(jiān)測方法,如圖5所示,利用該方法監(jiān)測古建筑修繕階段火災(zāi)的準(zhǔn)確率達(dá)93.9%。趙艷男等[31]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的樹狀結(jié)構(gòu)智能找形方法,利用該方法可對下層分級節(jié)點進行智能定位,從而實現(xiàn)樹狀結(jié)構(gòu)的整體幾何形態(tài)智能找形。
隨著工業(yè)化、信息化和智能化的深度融合,傳統(tǒng)土木工程行業(yè)面臨深刻變革。全面開展智能設(shè)計、智能建造、智能養(yǎng)維護的技術(shù)研發(fā)與實踐,加強人工智能與土木工程的學(xué)科交叉體系建設(shè),是促進土木工程全生命周期智能化發(fā)展的關(guān)鍵所在。此外,在人工智能與土木工程的交叉學(xué)科體系構(gòu)建中,應(yīng)堅持以土木工程為主體,以人工智能為輔助,用人工智能技術(shù)來支持和促進土木工程全生命周期的智能化發(fā)展。
2 人工智能在土木工程中的研究現(xiàn)狀
人工智能在土木工程領(lǐng)域的交叉研究主要體現(xiàn)在智能設(shè)計、智能建造和智能養(yǎng)維護3個方面。
2.1 智能設(shè)計
2.1.1 城市規(guī)劃設(shè)計
城市規(guī)劃是指對城市發(fā)展進行規(guī)范、對城市布局進行研究、對城市建設(shè)進行部署,合理的城市規(guī)劃是確保城市有序發(fā)展的前提[32]。將人工智能技術(shù)應(yīng)用到城市規(guī)劃中被視為該領(lǐng)域的標(biāo)志性變革,使用人工智能技術(shù)分析處理影響城市規(guī)劃的環(huán)境地質(zhì)條件、人與交通行為等客觀因素,進行人工智能模式下的規(guī)劃設(shè)計,規(guī)避可能出現(xiàn)的規(guī)劃錯誤,從而實現(xiàn)智能規(guī)劃[33]。
吳志強[34]結(jié)合實際規(guī)劃項目構(gòu)建了城市智能模型,用人工智能輔助城市規(guī)劃,進行精準(zhǔn)布局,并闡述了“流”與“形”交互迭代的城市規(guī)劃新思想。甘惟[35]探索了長三角城市群落的智能模型,推演了各城市在區(qū)域基礎(chǔ)設(shè)施、生態(tài)資源、土地利用及產(chǎn)業(yè)分工等領(lǐng)域競爭合作關(guān)系下的發(fā)展路徑,如圖6所示。林博等[36]建立了城市規(guī)劃案例數(shù)據(jù)庫,利用機器學(xué)習(xí)和深度學(xué)習(xí)進行城市布局的智能規(guī)劃,并以溫州中央綠軸為例驗證了該方法的可行性。
2.1.2 專家系統(tǒng)
專家系統(tǒng)(Expert System)主要應(yīng)用于早期的人工智能結(jié)構(gòu)設(shè)計中,屬智能計算機程序系統(tǒng),該系統(tǒng)包含了土木工程領(lǐng)域?qū)<宜降闹R與經(jīng)驗,以人工智能來模擬專家的決策過程,從而解決領(lǐng)域內(nèi)需要專家決定的復(fù)雜問題[37-38]。
朱浮聲等[39]進行了基坑支擋結(jié)構(gòu)專家系統(tǒng)的研發(fā),利用該系統(tǒng)可幫助巖土工程師進行基坑支擋結(jié)構(gòu)設(shè)計方案的選擇,還可提供更加合理的基坑支擋結(jié)構(gòu)設(shè)計。徐宇鳴[40]利用人工智能技術(shù),研發(fā)了基于邏輯和規(guī)則的能對多層鋼結(jié)構(gòu)住宅進行結(jié)構(gòu)設(shè)計的專家系統(tǒng),并利用人工神經(jīng)網(wǎng)絡(luò)編制了結(jié)構(gòu)選型程序,對工程設(shè)計有一定指導(dǎo)意義。
2.1.3 拓?fù)鋬?yōu)化
拓?fù)鋬?yōu)化(Topology Optimization)是一種在給定荷載約束條件下尋求材料在設(shè)計區(qū)域內(nèi)的最佳分布形式、獲得相應(yīng)結(jié)構(gòu)輕量化或某些性能最優(yōu)的設(shè)計方法[41]。但對于大規(guī)模拓?fù)鋬?yōu)化的求解,完成結(jié)構(gòu)優(yōu)化需要進行數(shù)百次甚至上千次的迭代計算,難以滿足高效優(yōu)質(zhì)的設(shè)計需求。近年來,越來越多的專家學(xué)者將機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)與拓?fù)鋬?yōu)化框架結(jié)合,以提高拓?fù)鋬?yōu)化的計算效率,實現(xiàn)實時拓?fù)鋬?yōu)化[42]。
機器學(xué)習(xí)與拓?fù)鋬?yōu)化。Lei等[43]采用可移動變形組件法將拓?fù)鋬?yōu)化數(shù)值計算框架與機器學(xué)習(xí)相結(jié)合,利用機器學(xué)習(xí)給出初步拓?fù)錁?gòu)型預(yù)測,將預(yù)測結(jié)果作為迭代優(yōu)化的初始布局進行后續(xù)優(yōu)化,從而獲得最終的拓?fù)錁?gòu)型,如圖7所示。Jiang等[44]研究了基于機器學(xué)習(xí)的可移動變形組件拓?fù)鋮?shù)優(yōu)化策略,將極端隨機樹ET(Extra-Trees)圖像分類器集成到優(yōu)化框架中,并與粒子群算法(Particle Swarm Optimization, PSO)相結(jié)合,形成閉環(huán),從而使優(yōu)化過程無需人工參數(shù)調(diào)整即可得到設(shè)計區(qū)域內(nèi)的最優(yōu)解,如圖8所示。Qiu等[45]提出了一種用于點陣結(jié)構(gòu)的基于K-mean聚類的并發(fā)拓?fù)鋬?yōu)化,該方法將宏觀優(yōu)化區(qū)域分為若干子區(qū)域,以減少所需優(yōu)化的微觀結(jié)構(gòu)數(shù)量。
神經(jīng)網(wǎng)絡(luò)與拓?fù)鋬?yōu)化。Ulu等[46]將主成分分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合進行結(jié)構(gòu)拓?fù)鋬?yōu)化研究,以一組最優(yōu)拓?fù)錁?gòu)型為初始數(shù)據(jù),進行主成分分析并將其投影到低維空間,再利用神經(jīng)網(wǎng)絡(luò)進行拓?fù)錁?gòu)型訓(xùn)練,從而實現(xiàn)拓?fù)浣Y(jié)構(gòu)的預(yù)測功能,如圖9所示。White等[47]提出了一種基于神經(jīng)網(wǎng)絡(luò)代理模型的多尺度拓?fù)鋬?yōu)化,使用高分辨率微尺度代理模型進行訓(xùn)練,從而預(yù)測具有微觀結(jié)構(gòu)的超材料等效材料屬性。Deng等[48]提出了一種基于神經(jīng)網(wǎng)絡(luò)的拓?fù)鋬?yōu)化方法,討論了隱含層數(shù)量對模型幾何特征描述能力的影響,并實現(xiàn)了三維拓?fù)錁?gòu)型的快速預(yù)測。
深度學(xué)習(xí)與拓?fù)鋬?yōu)化。Sasaki等[49]進行了基于深度學(xué)習(xí)的拓?fù)鋬?yōu)化研究,證明了在不同工況、不同模型情況下,與傳統(tǒng)拓?fù)浞椒ㄏ啾龋矸e神經(jīng)網(wǎng)絡(luò)(CNN)訓(xùn)練得到的優(yōu)化結(jié)果在結(jié)構(gòu)性能上相似,但計算成本降低了10%~33%。Tan等[50]針對微結(jié)構(gòu)提出了一種基于深度卷積生成對抗網(wǎng)絡(luò)(DCGAN)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的深度學(xué)習(xí)模型,其中DCGAN用于生成滿足幾何條件的結(jié)構(gòu)構(gòu)型,CNN用于預(yù)測相關(guān)力學(xué)響應(yīng)。Wang等[51]提出了一種用于結(jié)構(gòu)拓?fù)鋬?yōu)化的具有較強泛化能力的深度卷積神經(jīng)網(wǎng)絡(luò),即使在只有一個邊界條件的訓(xùn)練數(shù)據(jù)集中,其泛化能力也能使模型以一定準(zhǔn)確性解決具有不同邊界條件的拓?fù)鋯栴}。Nie等[52]提出了基于深度學(xué)習(xí)的生成式拓?fù)鋬?yōu)化模型TopologyGAN,在未知邊界條件情況下,與傳統(tǒng)cGAN框架相比,TopologyGAN框架在均方誤差上降低了3倍,在絕對誤差上降低了2.5倍,大幅提高了拓?fù)浣Y(jié)構(gòu)的預(yù)測精度,如圖10所示。
2.2 智能建造
智能建造(Intelligent Construction)是指將信息化、自動化、智能化與工程建造過程高度融合的建造方式[53],主要包括:施工現(xiàn)場智能管理、BIM、數(shù)字孿生、3D打印和智能機器人等。
2.2.1 施工現(xiàn)場智能管理
傳統(tǒng)的施工現(xiàn)場管理大多采用人工監(jiān)察,存在效率低、排查慢、預(yù)防性差等問題,利用人工智能技術(shù)對施工現(xiàn)場進行智能識別、智能排查、智能報警,可有效避免各種違規(guī)行為,實現(xiàn)施工現(xiàn)場的智能管理[54]。
Park等[55]提出了一種基于計算機視覺的施工人員安全帽佩戴檢測方法,該方法首先在視頻幀中識別人體和安全帽,再進行人體和安全帽的空間關(guān)系匹配,最后對未佩戴安全帽的施工人員發(fā)出相應(yīng)警報。Yu等[56]提出了一種基于圖像骨架的參數(shù)化方法,該方法的核心理念是姿態(tài)引導(dǎo),通過將動態(tài)行為轉(zhuǎn)化為靜態(tài)姿態(tài)來實現(xiàn)建筑工人不安全行為的實時監(jiān)察。Fang等[57]利用深度學(xué)習(xí)技術(shù),進行了遠(yuǎn)程監(jiān)控視頻中施工人員安全帽佩戴的檢測識別研究,根據(jù)施工現(xiàn)場視覺特征,將圖像分為19類數(shù)據(jù)集進行試驗,結(jié)果表明,該方法的識別精度超過90%,如圖11所示。
2.2.2 BIM
建筑信息模型(Building Information Modeling, BIM)是以建設(shè)項目信息數(shù)據(jù)為輸入,通過整合建筑數(shù)據(jù),實現(xiàn)建筑信息的共享傳遞,是建設(shè)項目物理設(shè)施和功能特性的數(shù)字化表達(dá)[58]。運用BIM技術(shù)可有效排查圖紙設(shè)計錯誤、降低方案優(yōu)化成本、縮短施工工期、提高項目效益[59]。
Kwon等[60]運用BIM技術(shù)、圖像匹配技術(shù)及增強現(xiàn)實技術(shù)開發(fā)了施工缺陷管理系統(tǒng),該系統(tǒng)中的圖像匹配功能可使質(zhì)量檢測無需在施工現(xiàn)場進行,降低了施工現(xiàn)場的返工成本,此外,還可自動檢測施工現(xiàn)場的尺寸誤差。白庶等[61]進行了BIM在裝配式建筑中的應(yīng)用價值分析,認(rèn)為利用BIM技術(shù)可有效改善裝配式預(yù)制件的生產(chǎn)流程,有助于裝配式建筑向智能化、信息化方向發(fā)展。
2.2.3 數(shù)字孿生
數(shù)字孿生(Digital Twin, DT)是將現(xiàn)實世界中的物理模型映射到數(shù)字世界中,在虛擬的數(shù)字世界中形成與現(xiàn)實世界物理模型相對應(yīng)的數(shù)字模型[62]。利用數(shù)字孿生技術(shù)可實現(xiàn)雙向的信息交流與迭代優(yōu)化,達(dá)到對現(xiàn)實世界物理系統(tǒng)的改善目的[63]。
Tao等[64]提出了數(shù)字孿生車間的概念,設(shè)計了數(shù)字孿生車間的組成與運行機制,為數(shù)字孿生在生產(chǎn)制造環(huán)節(jié)的落地應(yīng)用提供了基礎(chǔ)理論支撐。謝琳琳等[65]通過集成BIM、物聯(lián)網(wǎng)、大數(shù)據(jù)等先進信息技術(shù),構(gòu)建了基于BIM+數(shù)字孿生技術(shù)的裝配式建筑項目調(diào)度智能化管理平臺,實現(xiàn)了物理施工系統(tǒng)與虛擬施工系統(tǒng)間的實時交互,提高了裝配式建筑調(diào)度的自主性、預(yù)測性與智能性。劉占省等[66]提出了基于數(shù)字孿生的智能建造方法框架,使用實時監(jiān)測數(shù)據(jù)與理論模型進行對比,進而對物理空間的實際施工過程進行調(diào)整與修正,并以輪輻式索桁架智能張拉提升縮尺模型試驗為例,進行了驗證,如圖12所示。
2.2.4 3D打印
3D打印(3D Pinting, 3DP)是以三維模型數(shù)據(jù)為輸入,將結(jié)構(gòu)模型轉(zhuǎn)化為虛擬代碼,通過切片軟件及操作系統(tǒng)引導(dǎo)3D打印機逐層積累材料,實現(xiàn)實體結(jié)構(gòu)的成型。3D打印是近年來最為熱門的高新技術(shù)之一,具有無需機械加工、無需組裝、設(shè)計空間無限制、實體制造精確、所需物理空間低等優(yōu)點,已在諸多領(lǐng)域得到廣泛應(yīng)用[67]。
Perkins等[68]回顧了3D打印技術(shù)在建筑行業(yè)的應(yīng)用狀況,認(rèn)為3D打印技術(shù)與建筑行業(yè)智能化、信息化的發(fā)展方向十分契合。丁烈云等[69]對3D打印的研究現(xiàn)狀進行了梳理歸納,以需求為導(dǎo)向,將3D打印分為兩大類:一類是代替人工面向大型構(gòu)件、房屋建筑物的自動化建造,另一類是面向雕塑、異形構(gòu)件的個性化制造,最后指出3D打印技術(shù)距離應(yīng)用到高層或超高層建筑的建造還有較大差距。
2.2.5 智能機器人
智能機器人(Intelligent Robot)是指按照計算機程序或施工人員指令工作,代替或協(xié)助施工人員完成施工任務(wù)的智能化機器設(shè)備。智能機器人的應(yīng)用是保障施工人員安全、提升建筑工程質(zhì)量的必然選擇[70]。
車平等[71]針對鋼橋梁腹板焊接形式開展了24、40 mm兩種板厚試件的機器人自動焊接研究,并將其應(yīng)用到港珠澳大橋總拼鋼主梁腹板對接中,發(fā)現(xiàn)采用機器人自動焊接工藝后,焊縫質(zhì)量及焊接效率顯著提升,焊接成本明顯降低。周沖等[72]提出了一套面向預(yù)制PC構(gòu)件生產(chǎn)線的智能機器人系統(tǒng),該系統(tǒng)擁有智能物流、柔性裝配、智能檢測等功能,實現(xiàn)了構(gòu)件生產(chǎn)的智能化。郭俊可等[73]基于盾構(gòu)施工特點對換刀機器人的精確定位技術(shù)進行了研究,認(rèn)為基于視覺導(dǎo)航的刀具精確定位技術(shù)可應(yīng)用于機器人換刀作業(yè),并且機器人視覺導(dǎo)航定位精度可達(dá)0.5 mm,滿足現(xiàn)場使用需求。
2.3 智能養(yǎng)維護
智能養(yǎng)維護(Intelligent Maintenance)是通過智能監(jiān)測設(shè)備將遠(yuǎn)距離建筑或設(shè)施的健康數(shù)據(jù)連續(xù)不斷的提供給數(shù)據(jù)處理智能系統(tǒng),由智能系統(tǒng)發(fā)出養(yǎng)維護指令并提供數(shù)據(jù)分析結(jié)果[74]。近年來,越來越多的專家學(xué)者從視覺驅(qū)動和數(shù)據(jù)驅(qū)動兩方面進行智能養(yǎng)維護研究,極大促進了養(yǎng)維護階段的智能化發(fā)展。
2.3.1 視覺驅(qū)動的智能養(yǎng)維護
無人機(Unmanned Aerial Vehicle, UAV)是一種利用無線遙控設(shè)備或程序控制的飛行器,具有靈活性高、可裝載高清攝像機在空中懸停等優(yōu)點[75]。在土木工程領(lǐng)域,無人機能在不影響建筑結(jié)構(gòu)正常運營情況下快速完成檢測工作,極大程度地改善了建筑結(jié)構(gòu)健康監(jiān)測、評估方式及構(gòu)件維護策略[76]。
Khan等[77]利用裝備了非接觸多光譜成像系統(tǒng)的無人機,對橋梁表面裂縫進行健康監(jiān)測研究,認(rèn)為該系統(tǒng)在揭示引發(fā)橋面開裂原因及全面記錄開裂位置等方面具有重要優(yōu)勢。Reagan等[78]提出了一種結(jié)合使用無人機和三維數(shù)字圖像的非接觸式橋梁健康監(jiān)測方法,經(jīng)過對兩座現(xiàn)役混凝土橋梁的長期監(jiān)測,驗證了該方法監(jiān)測結(jié)構(gòu)狀態(tài)的準(zhǔn)確性,利用該方法可監(jiān)測10-5m量級的橋梁幾何變化。Kim等[79]進行了基于商用UAV和高分辨率視覺傳感器的混凝土橋梁裂縫識別研究,利用深度學(xué)習(xí)算法檢測結(jié)構(gòu)表面裂縫,計算裂縫寬度和長度,并以某民用橋梁為例,證明了基于UAV的橋梁檢測方法能有效識別及量化結(jié)構(gòu)裂縫,如圖13所示。
此外,利用檢測機器人可實現(xiàn)對結(jié)構(gòu)的近距離檢測,甚至可對結(jié)構(gòu)內(nèi)部的健康狀況進行評估。王杰等[80]結(jié)合中國焊縫檢測機器人發(fā)展現(xiàn)狀,對近幾年焊縫檢測機器人的機械結(jié)構(gòu)設(shè)計、檢測傳感器選擇和導(dǎo)航跟蹤控制3個方面展開詳細(xì)敘述。季云峰等[81]以斜拉索表觀檢測為研究對象,開發(fā)了能自動沿拉索爬升并完成斜拉索表觀檢測任務(wù)的智能檢測機器人,該檢測機器人具有小型化、快速自爬行、高質(zhì)量圖像采集、缺陷自動化識別等優(yōu)點。
2.3.2 數(shù)據(jù)驅(qū)動的智能養(yǎng)維護
人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)是對人腦或自然神經(jīng)系統(tǒng)的基本特征進行抽象模擬,由大量神經(jīng)元按照不同權(quán)重進行信息傳輸?shù)木扌蛷?fù)雜網(wǎng)絡(luò),具有并行計算、自組織、聯(lián)想記憶等優(yōu)點,被廣泛應(yīng)用于各種領(lǐng)域[82]。在土木工程領(lǐng)域的智能養(yǎng)維護中,應(yīng)用人工神經(jīng)網(wǎng)絡(luò)可處理模糊、隨機及不相容的信息,能在有噪聲的情況下正確識別損傷部位,十分適合結(jié)構(gòu)健康的在線監(jiān)測和實時診斷[83]。近年來,越來越多的專家學(xué)者結(jié)合BP神經(jīng)網(wǎng)絡(luò)、GA-BP神經(jīng)網(wǎng)絡(luò)、PSO-BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等進行建筑結(jié)構(gòu)智能養(yǎng)維護研究。
BP神經(jīng)網(wǎng)絡(luò)與智能養(yǎng)維護。姜紹飛等[84]提出了將BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論融合的損傷識別方法,充分地將神經(jīng)網(wǎng)絡(luò)非線性建模和D-S證據(jù)理論不確定性推理進行有機結(jié)合,對來自復(fù)雜結(jié)構(gòu)的多源信息進行融合,進而識別損傷。Pathirage等[85]通過優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型,提出一種基于自編碼器的結(jié)構(gòu)損傷識別框架,用于解決振動特征與結(jié)構(gòu)損傷間的非線性識別問題。謝曉凱等[86]針對大跨空間結(jié)構(gòu)長期應(yīng)力監(jiān)測中數(shù)據(jù)缺失的問題,通過BP神經(jīng)網(wǎng)絡(luò)建立相關(guān)關(guān)系模型,對缺失數(shù)據(jù)進行重建修復(fù),如圖14所示。Padil等[87]針對結(jié)構(gòu)損傷識別中主成分分析、建模誤差和測量誤差的不確定性,提出了一種非概率BP神經(jīng)網(wǎng)絡(luò)方法,以壓縮頻響數(shù)據(jù)為輸入,提高了訓(xùn)練效率及識別精度。
GA-BP神經(jīng)網(wǎng)絡(luò)與智能養(yǎng)維護。Na等[88]針對因結(jié)構(gòu)健康監(jiān)測數(shù)據(jù)不足而產(chǎn)生的損傷識別誤差,進行了基于遺傳算法的剪力結(jié)構(gòu)損傷識別研究,在動態(tài)特性數(shù)據(jù)不足、結(jié)構(gòu)剛度參數(shù)不準(zhǔn)確的情況下,該研究可利用結(jié)構(gòu)柔性矩陣推導(dǎo)結(jié)構(gòu)損傷程度和損傷位置。Li等[89]以車輛在不同狀態(tài)下通過橋梁時的垂直加速度為初始響應(yīng),采用遺傳算法進行損傷識別及定位,模擬結(jié)果表明,該方法能在考慮路面粗糙度和有噪聲干擾的情況下對連續(xù)梁橋進行損傷識別。毛云霄等[90]采用遺傳算法實現(xiàn)了橋梁結(jié)構(gòu)不同損傷狀態(tài)的識別,認(rèn)為GA算法能以較高效率實現(xiàn)橋梁多目標(biāo)損傷識別,且橋梁跨中、3/4跨的損傷識別結(jié)果較橋梁端部更為準(zhǔn)確。
PSO-BP神經(jīng)網(wǎng)絡(luò)與智能養(yǎng)維護。Mohan等[91]利用PSO算法對結(jié)構(gòu)固有頻率的變化進行裂紋識別研究,認(rèn)為粒子群算法是一種魯棒性強、效率高的裂縫檢測算法,在裂紋數(shù)量較少的情況下,利用該方法僅使用三階固有頻率作為輸入?yún)?shù)即可得到有效識別結(jié)果。許如鋒等[92]以連續(xù)梁橋為研究對象,提出將偽比能變化率作為損傷識別指標(biāo),用改進PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值參數(shù),建立了PSO-BP損傷預(yù)測模型。徐菁等[93]用粒子群算法進行體育館健康監(jiān)測系統(tǒng)中傳感器最優(yōu)布點的研究,認(rèn)為該方法具有更快的收斂速度和更穩(wěn)定的優(yōu)化結(jié)果,最后以西寧市體育館雙層球面網(wǎng)殼鋼結(jié)構(gòu)為例進行傳感器優(yōu)化布置,如圖15所示。
卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)與智能養(yǎng)維護。Cha等[94]利用深度卷積神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)圖像特征的能力,提出基于視覺的混凝土裂縫檢測方法,在256像素×256像素的圖像上訓(xùn)練,該方法設(shè)計的CNN識別準(zhǔn)確率為98%,與滑動窗口技術(shù)相結(jié)合,訓(xùn)練后的CNN可掃描任何大于256像素×256像素的圖像,如圖16所示。Abdeljaber等[95]將卷積神經(jīng)網(wǎng)絡(luò)用于鋼框架結(jié)構(gòu)的損傷識別中,并基于1D-CNN進行了9種損傷工況下的健康監(jiān)測研究。Atha等[96]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的金屬表面腐蝕評估方法,討論了顏色空間、滑動窗口及卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對腐蝕評估的影響,如圖17所示。李雪松等[97]以IASC-ASCE SHM Benchmark結(jié)構(gòu)的數(shù)值模擬數(shù)據(jù)為研究對象,對16個測點的加速度信號進行特征的自動提取及分類,分析了3種特征在不同噪聲情況下的識別準(zhǔn)確率,證明卷積神經(jīng)網(wǎng)絡(luò)直接以加速度數(shù)據(jù)進行分類的有效性和穩(wěn)定性。何浩祥等[98]為解決傳統(tǒng)損傷識別方法對橋梁局部小損傷識別能力較弱的問題,提出利用卷積神經(jīng)網(wǎng)絡(luò)對橋梁損傷進行統(tǒng)計模式識別,通過逐層智能學(xué)習(xí),實現(xiàn)更準(zhǔn)確的特征自動提取和分類,從而進行損傷位置和程度的精準(zhǔn)識別。
3 人工智能在土木工程中的應(yīng)用研究趨勢
人工智能在土木工程領(lǐng)域有著廣泛的研究與應(yīng)用,為建筑設(shè)計、生產(chǎn)建造、結(jié)構(gòu)養(yǎng)維護提供了新理念、新方法,而在實際建設(shè)中,考慮到生產(chǎn)造價、建造技術(shù)、人員配備等因素限制,人工智能在土木工程領(lǐng)域的應(yīng)用還未能全面普及。綜合考慮人工智能在土木工程領(lǐng)域的研究現(xiàn)狀,利用CiteSpace文獻(xiàn)分析工具,對中國知網(wǎng)(CNKI)數(shù)據(jù)庫刊載的人工智能與土木工程的相關(guān)文獻(xiàn)情況及研究熱點進行可視化分析??偨Y(jié)中國研究現(xiàn)狀、探索目前研究熱點、發(fā)現(xiàn)未來研究趨勢,并針對存在的問題提出發(fā)展建議,為人工智能在土木工程領(lǐng)域的相關(guān)研究提供參考。
CiteSpace是由美國德雷塞爾大學(xué)陳超美教授于2004年開發(fā)出的一款可視化軟件[99]。該軟件通過數(shù)據(jù)挖掘、文獻(xiàn)計量、公式計算等方法對研究熱點進行分析,再通過巧妙的空間布局繪制可視化圖譜并建立節(jié)點關(guān)聯(lián),從而分析研究對象間的共現(xiàn)關(guān)系與共引關(guān)系[100]。
數(shù)據(jù)來源于中國知網(wǎng)數(shù)據(jù)庫,檢索方式為基本檢索,由于人工智能涵蓋范圍十分廣泛,如智能設(shè)計方面的拓?fù)鋬?yōu)化、智能建造方面的3D打印等。難以將所有文獻(xiàn)盡數(shù)統(tǒng)計分析,因此,在檢索過程中,以人工智能為主題,選擇學(xué)科分類里的建筑科學(xué)與工程,共檢索出相關(guān)文獻(xiàn)3 098篇,在剔除會議報告、新聞宣傳、碩博論文、圖書專利等數(shù)據(jù)后,最終確定文獻(xiàn)2 076篇,將目標(biāo)文獻(xiàn)按CiteSpace所需格式轉(zhuǎn)碼導(dǎo)出后,得到文獻(xiàn)樣本數(shù)據(jù)庫。
對CiteSpace參數(shù)進行設(shè)置。為探索自2000年以來人工智能在土木工程中的研究現(xiàn)狀,選擇時間切片(Time Slicing)為2000年至2021年,時間分區(qū)長度(YearsPerSlice)為1;術(shù)語資源(Term Source)勾選標(biāo)題(Title)、摘要(Abstract)、作者關(guān)鍵詞(Author Keywords)及關(guān)鍵詞拓展(Keywords Plus),節(jié)點類型為Keyword,連接強度算法為Cosine;剪枝算法選擇具有完備性的Pathfinder算法,剪枝策略選擇Pruning slice network,視覺可視化效果為靜態(tài)(Cluster View-Static)。
1) 年發(fā)文量分析
年發(fā)文量代表科研成果的產(chǎn)出狀況,是衡量人工智能在土木工程領(lǐng)域的研究熱度與發(fā)展趨勢的重要指標(biāo)。如圖18所示,2015年之前論文年發(fā)表量基本維持在10~30篇,而2015年之后,深度學(xué)習(xí)算法在語音和視覺識別上得到重大突破,人工智能在土木工程領(lǐng)域的關(guān)注度持續(xù)高漲,中國人工智能產(chǎn)業(yè)迅速發(fā)展,研究團隊不斷壯大,發(fā)表量逐年攀升。
2) 關(guān)鍵詞頻數(shù)及中心性分析
通過構(gòu)建關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò),發(fā)現(xiàn)人工智能在土木工程領(lǐng)域的研究共有596個節(jié)點和928條連線,每個節(jié)點代表文獻(xiàn)若干篇,節(jié)點越大則關(guān)鍵詞的詞頻就越大,與該主題的相關(guān)性就越強,節(jié)點間的連線代表關(guān)鍵詞間的共現(xiàn)關(guān)系。為更加清晰地展示人工智能在土木工程領(lǐng)域的研究現(xiàn)狀,在共性參數(shù)的基礎(chǔ)上,將關(guān)鍵詞控制面板的閾值參數(shù)設(shè)為13(閾值0為展示全部關(guān)鍵詞),從而隱藏頻數(shù)較低的關(guān)鍵詞,最終關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)如圖19所示。經(jīng)CiteSpace處理后顯示的高頻關(guān)鍵詞統(tǒng)計如表1所示,關(guān)鍵詞中心性統(tǒng)計如表2所示。
關(guān)鍵詞是對文獻(xiàn)內(nèi)容的高度概括。由表1可知,頻數(shù)排名前5的關(guān)鍵詞為人工智能、物聯(lián)網(wǎng)、BIM、機器人、智能家居,在一定程度上代表了人工智能在土木工程領(lǐng)域的研究熱點,但不能代表近幾年的發(fā)展趨勢,還需結(jié)合圖18關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)及表2關(guān)鍵詞中心性統(tǒng)計進行綜合分析。
中心性是關(guān)鍵詞在共現(xiàn)網(wǎng)絡(luò)中“媒介”能力的體現(xiàn),是關(guān)鍵詞間信息流大小的直觀展示,圖18中十字形邊界越大代表節(jié)點越重要,中心性越強。由表2可知,中心性排名前3的關(guān)鍵詞為人工智能、機器人、BIM,其中人工智能始終貫穿土木工程智能化發(fā)展進程,中心性最高;智能機器人的研究涵蓋了自然語言處理、計算機視覺、語音識別和交叉領(lǐng)域,在土木工程智能化發(fā)展中,智能機器人可應(yīng)用于智能建造、智能養(yǎng)維護等方面;BIM的研究同樣得到了極大關(guān)注,在建設(shè)項目全生命周期內(nèi)均有應(yīng)用。
由表1、表2對比可知,關(guān)鍵詞的頻數(shù)和中心性在排名上有一定差異,表明人工智能在土木工程領(lǐng)域的研究熱點在一定程度上不太分明。其中,頻數(shù)和中心性排名均靠前的關(guān)鍵詞有人工智能、機器人、BIM,是人工智能在土木工程領(lǐng)域的熱點主題;云計算、學(xué)習(xí)、信息化的關(guān)鍵詞中心性較大,說明這些關(guān)鍵詞的中介作用十分明顯,雖然頻數(shù)相對較低,但其中介作用使之成為人工智能在土木工程領(lǐng)域發(fā)展的有效切入點。
由圖18可知,中國土木工程領(lǐng)域的研究以人工智能為核心,圍繞深度學(xué)習(xí)、BIM、機器人、決策系統(tǒng)、建筑設(shè)計等不同方向進行,整體上呈分散狀,不局限于單一研究熱點。其中與智能技術(shù)相關(guān)的關(guān)鍵詞,如深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、云計算、物聯(lián)網(wǎng)等集中在一起,且這些關(guān)鍵詞在表1、表2中均有較高的頻數(shù)和中心性,代表這些關(guān)鍵詞相關(guān)性較強且研究較多,是促進土木工程行業(yè)向高效、智能、可持續(xù)方向發(fā)展的關(guān)鍵。此外,圖18的關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)是特定域中的靜態(tài)表示,不能反映人工智能在土木工程領(lǐng)域內(nèi)研究主題的變化,還應(yīng)考慮關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)中的時間因素。由時間圖例可知,自2015年起,云計算、信息化、大數(shù)據(jù)、機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等方向的關(guān)鍵詞得到了持續(xù)關(guān)注,是近幾年土木工程智能化的研究重點。
3) 關(guān)鍵詞時序演進分析
利用CiteSpace中的爆破檢測算法,可統(tǒng)計一定時期內(nèi)引起專家學(xué)者普遍關(guān)注的關(guān)鍵詞,如表3所示,是人工智能在土木工程中相關(guān)文獻(xiàn)的突現(xiàn)關(guān)鍵詞統(tǒng)計。關(guān)鍵詞強度值越高,代表所考慮時間間隔內(nèi)得到的關(guān)注就越多;突現(xiàn)關(guān)鍵詞在一定時期內(nèi)可發(fā)生變化,反映出對應(yīng)時期內(nèi)的研究趨勢,紅色橫線部分是關(guān)鍵詞突現(xiàn)的時間范圍,據(jù)此可判定該階段的前沿主題。根據(jù)突現(xiàn)關(guān)鍵詞的起止時間,將人工智能在土木工程中的研究歸納為2000—2010年的初級階段和2011年至今的現(xiàn)階段。
人工智能在土木工程中研究的初級階段(2000—2010年)。突現(xiàn)關(guān)鍵詞的時間跨度較長,均保持在10 a左右,各個研究方向均衡發(fā)展,主要進行了專家系統(tǒng)、人地關(guān)系、機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等初級人工智能的探索,智能化程度較低。其中,專家系統(tǒng)的強度值為最高的7.16,表明早期人工智能在土木工程領(lǐng)域的探索集中在專家系統(tǒng)的研究;隨著人工智能技術(shù)的不斷進步,機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等方向逐漸被眾多學(xué)者所研究,尤其是神經(jīng)網(wǎng)絡(luò)的強度值達(dá)到了6.43,在初級階段中處于較高水平。表明后來專家學(xué)者主要進行人工神經(jīng)網(wǎng)絡(luò)的研究,促進了土木工程領(lǐng)域的智能化發(fā)展。
人工智能在土木工程中研究的現(xiàn)階段(2011年至今)。突現(xiàn)關(guān)鍵詞的變化較為顯著,時間跨度基本保持在2~3 a,表明現(xiàn)階段是人工智能在土木工程領(lǐng)域的高速發(fā)展期,每過幾年就有新的智能技術(shù)得到突破,越來越多的專家學(xué)者加入到土木工程智能化的研究,智能化程度也越來越深。其中,學(xué)習(xí)的強度值為最高的9,表明現(xiàn)階段主要進行學(xué)習(xí)相關(guān)的研究,如智能化較低的機器學(xué)習(xí)與智能化較高的深度學(xué)習(xí);最后的突現(xiàn)關(guān)鍵詞是大數(shù)據(jù),表明現(xiàn)階段研究朝著數(shù)字化、自動化、信息化、智能化的方向進行;此外,突現(xiàn)關(guān)鍵詞還包含了智能家居、智慧建筑、建筑設(shè)計等不同應(yīng)用方向,表明現(xiàn)階段的智能化發(fā)展較為全面,各個方向均有涉及。
4 展望
運用CiteSpace軟件對2000年以來中國人工智能在土木工程領(lǐng)域的研究成果進行文獻(xiàn)計量和可視化分析,明確該領(lǐng)域的研究現(xiàn)狀、研究熱點和前沿主題,結(jié)合土木工程領(lǐng)域智能化發(fā)展的實際需要,對今后的發(fā)展前景做出展望。
1)重視人工智能在土木工程領(lǐng)域各方向的均衡發(fā)展。目前,人工智能作為促進土木工程領(lǐng)域向數(shù)字化、自動化、信息化和智能化發(fā)展的有效手段,得到了普遍關(guān)注與研究,如智能設(shè)計方向的拓?fù)鋬?yōu)化研究,智能建造方向的BIM、3D打印研究。智能養(yǎng)維護方向的無人機、人工神經(jīng)網(wǎng)絡(luò)研究,但各研究方向發(fā)展不均衡,接下來應(yīng)擴展人工智能在土木工程領(lǐng)域的研究范圍,積極探索人工智能在土木工程領(lǐng)域不同方向的嘗試。
2)強化土木工程領(lǐng)域的智能化研究深度。根據(jù)前沿研究文獻(xiàn)及上述可視化分析可知,現(xiàn)階段研究主要集中在神經(jīng)網(wǎng)絡(luò)、大數(shù)據(jù)和深度學(xué)習(xí)等方向。相較于以往研究,智能化程度越來越高,接下來應(yīng)深入探求更高水平的智能技術(shù),如智能算法、智能科學(xué)家、強化學(xué)習(xí)等。
3)擴展人工智能在土木工程領(lǐng)域的適用情境和服務(wù)對象。產(chǎn)業(yè)應(yīng)用是推動人工智能在土木工程領(lǐng)域發(fā)展的重要驅(qū)動力,為促進人工智能在土木工程領(lǐng)域的快速發(fā)展,近年來,中國出臺了眾多人工智能產(chǎn)業(yè)的相關(guān)政策。然而在土木工程領(lǐng)域,相較于智能化研究水平,智能化應(yīng)用程度仍然較低,接下來,應(yīng)加強人工智能在土木工程領(lǐng)域的實際應(yīng)用,真正把科學(xué)研究應(yīng)用到實際生產(chǎn)中,從而實現(xiàn)土木工程領(lǐng)域高效、智能、可持續(xù)發(fā)展。
4)加強跨機構(gòu)、跨領(lǐng)域的合作研究。目前,人工智能在土木工程領(lǐng)域的創(chuàng)新研究有了一定積累,但在土木工程各研究方向的融合發(fā)展尚有所欠缺。接下來應(yīng)建立土木工程各研究方向的人工智能協(xié)同創(chuàng)新體系,解決不同研究團隊間的集成度不高、信息孤島等問題,以人工智能技術(shù)為切入點,實現(xiàn)土木工程全生命周期智能化發(fā)展的最終目標(biāo)。
5 結(jié)論
定性梳理了自然語言處理、計算機視覺、語音識別、交叉學(xué)科這4個人工智能基礎(chǔ)研究領(lǐng)域的相關(guān)研究,定量分析了智能設(shè)計、智能建造和智能養(yǎng)維護的研究現(xiàn)狀,利用CiteSpace可視化軟件總結(jié)人工智能在土木工程領(lǐng)域的研究趨勢并進行展望,得到以下結(jié)論:
1)人工智能在土木工程基礎(chǔ)研究領(lǐng)域中均有應(yīng)用,但整體智能化程度較低,實際應(yīng)用也存在一定局限性,后續(xù)研究應(yīng)結(jié)合大數(shù)據(jù)、深度學(xué)習(xí)、強化學(xué)習(xí)等智能技術(shù),促進土木工程在基礎(chǔ)研究領(lǐng)域的智能發(fā)展。
2)智能設(shè)計、智能建造、智能養(yǎng)維護的相關(guān)研究及應(yīng)用較為廣泛,但智能化發(fā)展不均衡,各階段主要集中在某一方面或某一問題的研究,接下來應(yīng)關(guān)注土木工程全生命周期的整體智能化發(fā)展,提高土木工程各階段智能化水平。
3)現(xiàn)階段人工智能技術(shù)得到極大關(guān)注,眾多研究團隊開展了土木工程領(lǐng)域智能化研究,但大多集中在某一方向的研究,各研究方向的融合發(fā)展尚有所欠缺,接下來應(yīng)打破信息壁壘,促進各研究團隊間智能技術(shù)的交流合作,推進土木工程智能研究的協(xié)同發(fā)展。
參考文獻(xiàn)
[1]? MAGAN?A MARTI?NEZ D, FERNANDEZ-RODRIGUEZ J C. Artificial intelligence applied to project success: A literature review [J]. International Journal of Interactive Multimedia and Artificial Intelligence, 2015, 3(5): 77-85.
[2]? WETZSTEIN G, OZCAN A, GIGAN S, et al. Inference in artificial intelligence with deep optics and photonics [J]. Nature, 2020, 588(7836): 39-47.
[3]? 鮑躍全, 李惠. 人工智能時代的土木工程[J]. 土木工程學(xué)報, 2019, 52(5): 1-11.
BAO Y Q, LI H. Artificial intelligence for civil engineering [J]. China Civil Engineering Journal, 2019, 52(5): 1-11. (in Chinese)
[4]? MUTHUKRISHNAN N, MALEKI F, OVENS K, et al. Brief history of artificial intelligence [J]. Neuroimaging Clinics of North America, 2020, 30(4): 393-399.
[5]? 呂文晶, 陳勁, 劉進. 政策工具視角的中國人工智能產(chǎn)業(yè)政策量化分析[J]. 科學(xué)學(xué)研究, 2019, 37(10): 1765-1774.
LV W J, CHEN J, LIU J. A quantitative analysis of China,s Artificial Intelligence industry policy from the perspective of policy tools [J]. Studies in Science of Science, 2019, 37(10): 1765-1774. (in Chinese)
[6]? 羅齊鳴, 華建民, 黃樂鵬, 等. 基于知識圖譜的國內(nèi)外智慧建造研究可視化分析[J]. 建筑結(jié)構(gòu)學(xué)報, 2021, 42(6): 1-14.
LUO Q M, HUA J M, HUANG L P, et al. Visualization analysis of domestic and overseas intelligent construction assisted by mapping knowledge domains [J]. Journal of Building Structures, 2021, 42(6): 1-14. (in Chinese)
[7]? 王濤, 劉媛, 潘毅, 等. 基于改進粒子濾波算法的Bouc-Wen模型參數(shù)在線識別方法[J]. 重慶大學(xué)學(xué)報, 2021, 44(5): 38-49.
WANG T, LIU Y, PAN Y, et al. Online parameters identification method of Bouc-Wen model based on modified particle algorithm [J]. Journal of Chongqing University, 2021, 44(5): 38-49. (in Chinese)
[8]? 楊陽, 李青澤, 姚剛. 預(yù)制疊合板構(gòu)件智能化識別與檢測方法[J]. 土木與環(huán)境工程學(xué)報(中英文), 2022, 44(1): 87-93.
YANG Y, LI Q Z, YAO G. Intelligent identification and detection method of prefabricated laminated slab [J]. Journal of Civil and Environmental Engineering, 2022, 44(1): 87-93. (in Chinese)
[9]? HUANG Y Q, LI J Y, FU J Y. Review on application of artificial intelligence in civil engineering [J]. Computer Modeling in Engineering & Sciences, 2019, 121(3): 845-875.
[10]? TIWARY U S, SIDDIQUI T. Natural language processing and information retrieval [M]. New York: Oxford University Press, 2008: 3-21.
[11]? 王煜, 鄧暉, 李曉瑤, 等. 自然語言處理技術(shù)在建筑工程中的應(yīng)用研究綜述[J]. 圖學(xué)學(xué)報, 2020, 41(4): 501-511.
WANG Y, DENG H, LI X Y, et al. A review of natural language processing application in construction engineering [J]. Journal of Graphics, 2020, 41(4): 501-511. (in Chinese)
[12]? NEDELJKOVI? ?, KOVA?EVI? M. Building a construction project key-phrase network from unstructured text documents [J]. Journal of Computing in Civil Engineering, 2017, 31(6): 04017058.
[13]? TIXIER A J P, HALLOWELL M R, RAJAGOPALAN B, et al. Automated content analysis for construction safety: A natural language processing system to extract precursors and outcomes from unstructured injury reports [J]. Automation in Construction, 2016, 62: 45-56.
[14]? 王飛, 陳立, 易綿竹, 等. 新技術(shù)驅(qū)動的自然語言處理進展[J]. 武漢大學(xué)學(xué)報(工學(xué)版), 2018, 51(8): 669-678.
WANG F, CHEN L, YI M Z, et al. Advances in natural language processing under new technology-driven [J]. Engineering Journal of Wuhan University, 2018, 51(8): 669-678. (in Chinese)
[15]? KIM T, CHI S. Accident case retrieval and analyses: Using natural language processing in the construction industry [J]. Journal of Construction Engineering and Management, 2019, 145(3): 04019004.
[16]? 李舟軍, 范宇, 吳賢杰. 面向自然語言處理的預(yù)訓(xùn)練技術(shù)研究綜述[J]. 計算機科學(xué), 2020, 47(3): 162-173.
LI Z J, FAN Y, WU X J. Survey of natural language processing pre-training techniques [J]. Computer Science, 2020, 47(3): 162-173. (in Chinese)
[17]? 孫琦鈺, 趙超強, 唐漾, 等. 基于無監(jiān)督域自適應(yīng)的計算機視覺任務(wù)研究進展[J]. 中國科學(xué): 技術(shù)科學(xué), 2022, 52(1): 26-54.
SUN Q Y, ZHAO C Q, TANG Y, et al. A survey on unsupervised domain adaptation in computer vision tasks [J]. Scientia Sinica (Technologica), 2022, 52(1): 26-54. (in Chinese)
[18]? 周穎, 張立迅, 劉彤, 等. 基于計算機視覺的結(jié)構(gòu)系統(tǒng)識別[J]. 土木工程學(xué)報, 2018, 51(11): 17-23.
ZHOU Y, ZHANG L X, LIU T, et al. Structural system identification based on computer vision [J]. China Civil Engineering Journal, 2018, 51(11): 17-23. (in Chinese)
[19]? ZAURIN R, NECATI CATBAS F. Structural health monitoring using video stream, influence lines, and statistical analysis [J]. Structural Health Monitoring, 2011, 10(3): 309-332.
[20]? SEO J, HAN S, LEE S, et al. Computer vision techniques for construction safety and health monitoring [J]. Advanced Engineering Informatics, 2015, 29(2): 239-251.
[21]? 韓曉健, 趙志成. 基于計算機視覺技術(shù)的結(jié)構(gòu)表面裂縫檢測方法研究[J]. 建筑結(jié)構(gòu)學(xué)報, 2018, 39(Sup1): 418-427.
HAN X J, ZHAO Z C. Structural surface crack detection method based on computer vision technology [J]. Journal of Building Structures, 2018, 39(Sup1): 418-427. (in Chinese)
[22]? ZHOU Y, PEI Y L, LI Z W, et al. Vehicle weight identification system for spatiotemporal load distribution on bridges based on non-contact machine vision technology and deep learning algorithms [J]. Measurement, 2020, 159: 107801.
[23]? 宋燕飛, 羅堯治, 沈雁彬, 等. 基于雙目視覺與圖像識別的網(wǎng)架結(jié)構(gòu)三維重建[J]. 空間結(jié)構(gòu), 2020, 26(4): 28-35, 74.
SONG Y F, LUO Y Z, SHEN Y B, et al. Three-dimensional reconstruction method of space grids based on computer vision [J]. Spatial Structures, 2020, 26(4): 28-35, 74. (in Chinese)
[24]? 呂釗, 吳小培, 張超. 魯棒語音識別技術(shù)綜述[J]. 安徽大學(xué)學(xué)報(自然科學(xué)版), 2013, 37(5): 17-24.
LV Z, WU X P, ZHANG C. Review of robust speech recognition [J]. Journal of Anhui University (Natural Science Edition), 2013, 37(5): 17-24. (in Chinese)
[25]? GUO X, SHEN Z J, ZHANG Y J, et al. Review on the application of artificial intelligence in smart homes [J]. Smart Cities, 2019, 2(3): 402-420.
[26]? 王國胤, 瞿中, 趙顯蓮. 交叉融合的“人工智能+”學(xué)科建設(shè)探索與實踐[J]. 計算機科學(xué), 2020, 47(4): 1-5.
WANG G Y, QU Z, ZHAO X L. Practical exploration of discipline construction of artificial intelligence+ [J]. Computer Science, 2020, 47(4): 1-5. (in Chinese)
[27]? MANZOOR B, OTHMAN I, DURDYEV S, et al. Influence of artificial intelligence in civil engineering toward sustainable development-A systematic literature review [J]. Applied System Innovation, 2021, 4(3): 52.
[28]? 唐和生, 李大偉, 蘇瑜, 等. 人工神經(jīng)網(wǎng)絡(luò)預(yù)測混凝土柱屈服性能[J]. 湖南大學(xué)學(xué)報(自然科學(xué)版), 2015, 42(11): 17-24.
TANG H S, LI D W, SU Y, et al. Prediction of the yield performance of RC columns by neural network [J]. Journal of Hunan University (Natural Sciences), 2015, 42(11): 17-24. (in Chinese)
[29]? 丁楊, 周雙喜, 董晶亮, 等. 人工智能方法在土木工程監(jiān)測中的運用[J]. 材料導(dǎo)報, 2019, 33(Sup1): 274-277.
DING Y, ZHOU S X, DONG J L, et al. Application comparison of artificial intelligence method in civil engineering monitoring [J]. Materials Reports, 2019, 33(Sup1): 274-277. (in Chinese)
[30]? 趙平, 熊倩, 張鑫, 等. 基于YOLO-BP神經(jīng)網(wǎng)絡(luò)的古建筑修繕階段火災(zāi)監(jiān)測方法[J]. 中國安全生產(chǎn)科學(xué)技術(shù), 2020, 16(12): 122-128.
ZHAO P, XIONG Q, ZHANG X, et al. Monitoring method of fire in repair stage of ancient buildings based on YOLO-BP neural network [J]. Journal of Safety Science and Technology, 2020, 16(12): 122-128. (in Chinese)
[31]? 趙艷男, 杜文風(fēng), 王英奇, 等. 基于BP神經(jīng)網(wǎng)絡(luò)算法的樹狀結(jié)構(gòu)智能找形研究[J]. 建筑結(jié)構(gòu)學(xué)報, 2022, 43(4): 77-85.
ZHAO Y N, DU W F, WANG Y Q, et al. Study on intelligent shape finding for tree-like structures based on BP neural network algorithm [J]. Journal of Building Structures, 2022, 43(4): 77-85. (in Chinese)
[32]? OLIVEIRA V, PINHO P. Evaluation in urban planning: Advances and prospects [J]. Journal of Planning Literature, 2010, 24(4): 343-361.
[33]? 麥克·巴迪, 沈堯. 城市規(guī)劃與設(shè)計中的人工智能[J]. 時代建筑, 2018(1): 24-31.
MICHAEL B, SHEN Y. Artificial intelligence in city planning and design [J]. Time + Architecture, 2018(1): 24-31. (in Chinese)
[34]? 吳志強. 人工智能輔助城市規(guī)劃[J]. 時代建筑, 2018(1): 6-11.
WU Z Q. Artificial intelligence assisted urban planning [J]. Time + Architecture, 2018(1): 6-11. (in Chinese)
[35]? 甘惟. 城市生命視角下的人工智能規(guī)劃理論與模型[J]. 規(guī)劃師, 2018, 34(11): 13-19.
GAN W. AI planning theory and model from city life viewpoint [J]. Planners, 2018, 34(11): 13-19. (in Chinese)
[36]? 林博, 刁榮丹, 吳依婉. 基于人工智能的城市空間生成設(shè)計框架: 以溫州市中央綠軸北延段為例[J]. 規(guī)劃師, 2019, 35(17): 44-50.
LIN B, DIAO R D, WU Y W. Urban space generative design based on artificial intelligence: Northern extension of central green axis, Wenzhou [J]. Planners, 2019, 35(17): 44-50. (in Chinese)
[37]? 張攀, 王波, 卿曉霞. 基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的智能評估系統(tǒng)[J]. 重慶建筑大學(xué)學(xué)報, 2004, 26(1): 129-132.
ZHANG P, WANG B, QING X X. Research and development of evaluation system based on neural network and expert system [J]. Journal of Chongqing Jianzhu University, 2004, 26(1): 129-132. (in Chinese)
[38]? LYU J, CHEN M N. Automated visual inspection expert system for multivariate statistical process control chart [J]. Expert Systems with Applications, 2009, 36(3): 5113-5118.
[39]? 朱浮聲, 李校兵, 王韶群, 等. 基坑支擋結(jié)構(gòu)設(shè)計專家系統(tǒng)的開發(fā)與研制[J]. 東北大學(xué)學(xué)報(自然科學(xué)版), 2000, 21(3): 298-300.
ZHU F S, LI X B, WANG S Q, et al. An expert system application to the selection and design of retaining structures [J]. Journal of Northeastern University (Natural Science), 2000, 21(3): 298-300. (in Chinese)
[40]? 徐宇鳴. 多層鋼結(jié)構(gòu)住宅結(jié)構(gòu)設(shè)計專家系統(tǒng)(MSR-ES)[D]. 沈陽: 東北大學(xué), 2006.
XU Y M. An expert system for structural design of multi-storey steel structure residential buildings (MSR-ES) [D]. Shenyang: Northeastern University, 2006. (in Chinese)
[41]? 張鵠志, 張棒, 謝獻(xiàn)忠, 等. 漸進演化類拓?fù)鋬?yōu)化算法的優(yōu)化準(zhǔn)則對比研究[J]. 土木與環(huán)境工程學(xué)報(中英文), 2020, 42(3): 73-79.
ZHANG H Z, ZHANG B, XIE X Z, et al. Comparative study on optimization criteria of evolutionary topology optimization algorithms [J]. Journal of Civil and Environmental Engineering, 2020, 42(3): 73-79. (in Chinese)
[42]? KAVIANI S, SOHN I. Application of complex systems topologies in artificial neural networks optimization: an overview [J]. Expert Systems with Applications, 2021, 180: 115073.
[43]? LEI X, LIU C, DU Z L, et al. Machine learning-driven real-time topology optimization under moving morphable component-based framework [J]. Journal of Applied Mechanics, 2019, 86(1): 011004.
[44]? JIANG X C, WANG H, LI Y, et al. Machine learning based parameter tuning strategy for MMC based topology optimization [J]. Advances in Engineering Software, 2020, 149: 102841.
[45]? QIU Z, LI Q H, LIU S T, et al. Clustering-based concurrent topology optimization with macrostructure, components, and materials [J]. Structural and Multidisciplinary Optimization, 2021, 63(3): 1243-1263.
[46]? ULU E, ZHANG R S, KARA L B. A data-driven investigation and estimation of optimal topologies under variable loading configurations [J]. Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization, 2016, 4(2): 61-72.
[47]? WHITE D A, ARRIGHI W J, KUDO J, et al. Multiscale topology optimization using neural network surrogate models [J]. Computer Methods in Applied Mechanics and Engineering, 2019, 346: 1118-1135.
[48]? DENG H, TO A C. Topology optimization based on deep representation learning (DRL) for compliance and stress-constrained design [J]. Computational Mechanics, 2020, 66(2): 449-469.
[49]? SASAKI H, IGARASHI H. Topology optimization accelerated by deep learning [J]. IEEE Transactions on Magnetics, 2019, 55(6): 1-5.
[50]? TAN R K, ZHANG N L, YE W J. A deep learning-based method for the design of microstructural materials [J]. Structural and Multidisciplinary Optimization, 2020, 61(4): 1417-1438.
[51]? WANG D L, XIANG C, PAN Y, et al. A deep convolutional neural network for topology optimization with perceptible generalization ability [J]. Engineering Optimization, 2021: 1-16.
[52]? NIE Z G, LIN T, JIANG H L, et al. TopologyGAN: Topology optimization using generative adversarial networks based on physical fields over the initial domain [J]. Journal of Mechanical Design, 2021, 143(3): 1-18.
[53]? LUO L J, HUANG X P. Research on intelligent general aviation construction under the background of new infrastructure construction [J]. Journal of Innovation and Social Science Research, 2020, 7(6): 160-164.
[54]? 劉占省, 劉詩楠, 趙玉紅, 等. 智能建造技術(shù)發(fā)展現(xiàn)狀與未來趨勢[J]. 建筑技術(shù), 2019, 50(7): 772-779.
LIU Z S, LIU S N, ZHAO Y H, et al. Development status and future trends of intelligent construction technology [J]. Architecture Technology, 2019, 50(7): 772-779. (in Chinese)
[55]? PARK M W, ELSAFTY N, ZHU Z H. Hardhat-wearing detection for enhancing on-site safety of construction workers [J]. Journal of Construction Engineering and Management, 2015, 141(9): 04015024.
[56]? YU Y T, GUO H L, DING Q H, et al. An experimental study of real-time identification of construction workers, unsafe behaviors [J]. Automation in Construction, 2017, 82: 193-206.
[57]? FANG Q, LI H, LUO X C, et al. Detecting non-hardhat-use by a deep learning method from far-field surveillance videos [J]. Automation in Construction, 2018, 85: 1-9.
[58]? 蘇陽, 毛超, 郭鵬飛. 基于深度學(xué)習(xí)三維重建技術(shù)的建筑施工進度管理自動化系統(tǒng)構(gòu)建[J]. 土木與環(huán)境工程學(xué)報(中英文), 2024, 46(1): 173-181.
SU Y, MAO C, GUO P F. Collaborative management of construction schedule based on deep learning 3D reconstruction technology[J]. Journal of Civil and Environmental Engineering, 2024, 46(1): 173-181.(in Chinese)
[59]? 胡振中, 冷爍, 袁爽. 基于BIM和數(shù)據(jù)驅(qū)動的智能運維管理方法[J]. 清華大學(xué)學(xué)報(自然科學(xué)版), 2022, 62(2): 199-207.
HU Z Z, LENG S, YUAN S. BIM-based, data-driven method for intelligent operation and maintenance [J]. Journal of Tsinghua University (Science and Technology), 2022, 62(2): 199-207. (in Chinese)
[60]? KWON O S, PARK C S, LIM C R. A defect management system for reinforced concrete work utilizing BIM, image-matching and augmented reality [J]. Automation in Construction, 2014, 46: 74-81.
[61]? 白庶, 張艷坤, 韓鳳, 等. BIM技術(shù)在裝配式建筑中的應(yīng)用價值分析[J]. 建筑經(jīng)濟, 2015, 36(11): 106-109.
BAI S, ZHANG Y K, HAN F, et al. Analysis on the application value of BIM technology in prefabricated building [J]. Construction Economy, 2015, 36(11): 106-109. (in Chinese)
[62]? TAO F, CHENG J F, QI Q L, et al. Digital twin-driven product design, manufacturing and service with big data [J]. The International Journal of Advanced Manufacturing Technology, 2018, 94(9-12): 3563-3576.
[63]? 陶飛, 劉蔚然, 劉檢華, 等. 數(shù)字孿生及其應(yīng)用探索[J]. 計算機集成制造系統(tǒng), 2018, 24(1): 1-18.
TAO F, LIU W R, LIU J H, et al. Digital twin and its potential application exploration [J]. Computer Integrated Manufacturing Systems, 2018, 24(1): 1-18. (in Chinese)
[64]? TAO F, ZHANG M. Digital twin shop-floor: A new shop-floor paradigm towards smart manufacturing [J]. IEEE Access, 2017, 5: 20418-20427.
[65]? 謝琳琳, 陳雅嬌. 基于BIM+數(shù)字孿生技術(shù)的裝配式建筑項目調(diào)度智能化管理平臺研究[J]. 建筑經(jīng)濟, 2020, 41(9): 44-48.
XIE L L, CHEN Y J. Research on intelligent management platform of prefabricated building project scheduling based on BIM+Digital twin technology [J]. Construction Economy, 2020, 41(9): 44-48. (in Chinese)
[66]? 劉占省, 劉子圣, 孫佳佳, 等. 基于數(shù)字孿生的智能建造方法及模型試驗[J]. 建筑結(jié)構(gòu)學(xué)報, 2021, 42(6): 26-36.
LIU Z S, LIU Z S, SUN J J, et al. Intelligent construction methods and model experiments based on digital twins [J]. Journal of Building Structures, 2021, 42(6): 26-36. (in Chinese)
[67]? 孟凡斐, 王酉鈺, 李之建, 等. 基于3D打印模型試驗的含結(jié)構(gòu)面異形隧洞的變形破壞研究[J]. 土木與環(huán)境工程學(xué)報(中英文), 2022, 44(1): 36-44.
MENG F F, WANG Y Y, LI Z J, et al. Model testing research on deformation and failure of special section tunnel with structural plane based on 3D printing technique [J]. Journal of Civil and Environmental Engineering, 2022, 44(1): 36-44. (in Chinese)
[68]? PERKINS I, SKITMORE M. Three-dimensional printing in the construction industry: A review [J]. International Journal of Construction Management, 2015, 15(1): 1-9.
[69]? 丁烈云, 徐捷, 覃亞偉. 建筑3D打印數(shù)字建造技術(shù)研究應(yīng)用綜述[J]. 土木工程與管理學(xué)報, 2015, 32(3): 1-10.
DING L Y, XU J, QIN Y W. Research and application review of the digital construction technology of 3D printing for construction [J]. Journal of Civil Engineering and Management, 2015, 32(3): 1-10. (in Chinese)
[70]? LUNDEEN K M, KAMAT V R, MENASSA C C, et al. Scene understanding for adaptive manipulation in robotized construction work [J]. Automation in Construction, 2017, 82: 16-30.
[71]? 車平, 李軍平, 鄒勇, 等. 港珠澳大橋組合梁鋼主梁機器人自動焊試驗及應(yīng)用[J]. 焊接, 2017(10): 59-63, 76.
CHE P, LI J P, ZOU Y, et al. Test and application of welding robot for composite beam steel girder of Hong Kong-Zhuhai-Macao Bridge [J]. Welding & Joining, 2017(10): 59-63, 76. (in Chinese)
[72]? 周沖, 鄭義, 黃軼群, 等. 預(yù)制PC構(gòu)件生產(chǎn)線工業(yè)機器人系統(tǒng)設(shè)計[J]. 施工技術(shù), 2020, 49(5): 80-84.
ZHOU C, ZHENG Y, HUANG Y Q, et al. Design of industrial robot system for PC component production line [J]. Construction Technology, 2020, 49(5): 80-84. (in Chinese)
[73]? 郭俊可, 王杜娟. 基于視覺導(dǎo)航定位的盾構(gòu)機器人換刀技術(shù)研究[J]. 隧道建設(shè)(中英文), 2021, 41(2): 300-307.
GUO J K, WANG D J. Research on cutter-replacement technology for shield machine using robot based on visual navigation positioning [J]. Tunnel Construction, 2021, 41(2): 300-307. (in Chinese)
[74]? 雷鷹, 劉麗君, 鄭翥鵬. 結(jié)構(gòu)健康監(jiān)測若干方法與技術(shù)研究進展綜述[J]. 廈門大學(xué)學(xué)報(自然科學(xué)版), 2021, 60(3): 630-640.
LEI Y, LIU L J, ZHENG Z P. Review on the developments of some methods and techniques in structural health monitoring [J]. Journal of Xiamen University (Natural Science), 2021, 60(3): 630-640. (in Chinese)
[75]? 潘毅, 劉揚良, 黃晨, 等. 大型鐵路站房結(jié)構(gòu)健康監(jiān)測研究現(xiàn)狀評述[J]. 土木與環(huán)境工程學(xué)報(中英文), 2020, 42(1): 70-80.
PAN Y, LIU Y L, HUANG C, et al. A review of structural health monitoring of large railway stations [J]. Journal of Civil and Environmental Engineering, 2020, 42(1): 70-80. (in Chinese)
[76]? 趙天祺, 勾紅葉, 陳萱穎, 等. 橋梁信息化及智能橋梁2020年度研究進展[J]. 土木與環(huán)境工程學(xué)報(中英文), 2021, 43(Sup1): 268-279.
ZHAO T Q, GOU H Y, CHEN X Y, et al. State-of-the-art review of bridge informatization and intelligent bridge in 2020 [J]. Journal of Civil and Environmental Engineering, 2021, 43(Sup1): 268-279. (in Chinese)
[77]? KHAN F, ELLENBERG A, MAZZOTTI M, et al. Investigation on bridge assessment using unmanned aerial systems [C]//Structures Congress 2015. April 23-25, 2015, Portland, Oregon. Reston, VA, USA: American Society of Civil Engineers, 2015: 404-413.
[78]? REAGAN D, SABATO A, NIEZRECKI C. Feasibility of using digital image correlation for unmanned aerial vehicle structural health monitoring of bridges [J]. Structural Health Monitoring, 2018, 17(5): 1056-1072.
[79]? KIM I H, JEON H, BAEK S C, et al. Application of crack identification techniques for an aging concrete bridge inspection using an unmanned aerial vehicle [J]. Sensors, 2018, 18(6): 1881.
[80]? 王杰, 麥志恒, 費躍農(nóng). 焊縫檢測機器人的研究現(xiàn)狀及其發(fā)展趨勢[J]. 傳感器與微系統(tǒng), 2020, 39(2): 1-3, 10.
WANG J, MAI Z H, FEI Y N. Research current status and development trends of welding seam inspection robot [J]. Transducer and Microsystem Technologies, 2020, 39(2): 1-3, 10. (in Chinese)
[81]? 季云峰, 王曉菲. 斜拉索表觀檢測機器人的開發(fā)[J]. 城市道橋與防洪, 2021(7): 312-314, 29.
JI Y F, WANG X F. Development of apparent detection robot for stayed cable [J]. Urban Roads Bridges & Flood Control, 2021(7): 312-314, 29. (in Chinese)
[82]? CHEN T C, LIU C L, LIN H D. Advanced artificial neural networks [J]. Algorithms, 2018, 11(7): 102.
[83]? 孫鴻敏, 李宏男. 土木工程結(jié)構(gòu)健康監(jiān)測研究進展[J]. 防災(zāi)減災(zāi)工程學(xué)報, 2003, 23(3): 92-98.
SUN H M, LI H N. State-of-the-art review of the structural health monitoring in civil engineering [J]. Journal of Seismology, 2003, 23(3): 92-98. (in Chinese)
[84]? 姜紹飛, 張春梅, 金子巍, 等. 基于BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的損傷識別方法[J]. 沈陽建筑大學(xué)學(xué)報(自然科學(xué)版), 2007, 23(1): 1-5.
JIANG S F, ZHANG C M, JIN Z W, et al. Damage identification method based on back-propagation neural network and D-S evidential theory [J]. Journal of Shenyang Jianzhu University (Natural Science), 2007, 23(1): 1-5. (in Chinese)
[85]? PATHIRAGE C S N, LI J, LI L, et al. Structural damage identification based on autoencoder neural networks and deep learning [J]. Engineering Structures, 2018, 172: 13-28.
[86]? 謝曉凱, 羅堯治, 張楠, 等. 基于神經(jīng)網(wǎng)絡(luò)的大跨度空間鋼結(jié)構(gòu)應(yīng)力實測缺失數(shù)據(jù)修復(fù)方法研究[J]. 空間結(jié)構(gòu), 2019, 25(3): 38-44.
XIE X K, LUO Y Z, ZHANG N, et al. Missing data reconstruction in stress monitoring of steel spatial structures using neural network techniques [J]. Spatial Structures, 2019, 25(3): 38-44. (in Chinese)
[87]? PADIL K H, BAKHARY N, ABDULKAREEM M, et al. Non-probabilistic method to consider uncertainties in frequency response function for vibration-based damage detection using artificial neural network [J]. Journal of Sound and Vibration, 2020, 467: 115069.
[88]? NA C, KIM S P, KWAK H G. Structural damage evaluation using genetic algorithm [J]. Journal of Sound and Vibration, 2011, 330(12): 2772-2783.
[89]? LI Z H, AU F T K. Damage detection of bridges using response of vehicle considering road surface roughness [J]. International Journal of Structural Stability and Dynamics, 2015, 15(3): 1450057.
[90]? 毛云霄, 王英杰, 肖軍華, 等. 基于過橋車輛響應(yīng)的遺傳算法橋梁損傷識別[J]. 振動 測試與診斷, 2018, 38(4): 696-703, 869.
MAO Y X, WANG Y J, XIAO J H, et al. Bridge damage detection using a moving vehicle response on the bridge with genetic algorithm [J]. Journal of Vibration, Measurement & Diagnosis, 2018, 38(4): 696-703, 869. (in Chinese)
[91]? MOHAN S C, YADAV A, KUMAR-MAITI D, et al. A comparative study on crack identification of structures from the changes in natural frequencies using GA and PSO [J]. Engineering Computations, 2014, 31(7): 1514-1531.
[92]? 許如鋒, 陳建國, 趙作周, 等. 基于應(yīng)變和PSO-BP神經(jīng)網(wǎng)絡(luò)的連續(xù)梁橋損傷識別方法[J]. 安全與環(huán)境學(xué)報, 2017, 17(6): 2093-2098.
XU R F, CHEN J G, ZHAO Z Z, et al. Damage identification and discrimination method for the continuous bridges based on the strain and PSO-BP neural network [J]. Journal of Safety and Environment, 2017, 17(6): 2093-2098. (in Chinese)
[93]? 徐菁, 劉斌, 董金慧, 等. 用粒子群算法選擇體育館監(jiān)測系統(tǒng)中傳感器的最優(yōu)布點[J]. 空間結(jié)構(gòu), 2019, 25(1): 40-46.
XU J, LIU B, DONG J H, et al. Optimal placement of sensors for monitoring systems on a gymnasium using particle swarm optimization [J]. Spatial Structures, 2019, 25(1): 40-46. (in Chinese)
[94]? CHA Y J, CHOI W, BüYüK?ZTüRK O. Deep learning-based crack damage detection using convolutional neural networks [J]. Computer-Aided Civil and Infrastructure Engineering, 2017, 32(5): 361-378.
[95]? ABDELJABER O, AVCI O, KIRANYAZ M S, et al. 1-D CNNs for structural damage detection: Verification on a structural health monitoring benchmark data [J]. Neurocomputing, 2018, 275: 1308-1317.
[96]? ATHA D J, JAHANSHAHI M R. Evaluation of deep learning approaches based on convolutional neural networks for corrosion detection [J]. Structural Health Monitoring, 2018, 17(5): 1110-1128.
[97]? 李雪松, 馬宏偉, 林逸洲. 基于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識別[J]. 振動與沖擊, 2019, 38(1): 159-167.
LI X S, MA H W, LIN Y Z. Structural damage identification based on convolution neural network [J]. Journal of Vibration and Shock, 2019, 38(1): 159-167. (in Chinese)
[98]? 何浩祥, 王瑋, 黃磊. 基于卷積神經(jīng)網(wǎng)絡(luò)和遞歸圖的橋梁損傷智能識別[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報, 2020, 28(4): 966-980.
HE H X, WANG W, HUANG L. Intelligent damage detection for bridge based on convolution neural network and recurrence plot [J]. Journal of Basic Science and Engineering, 2020, 28(4): 966-980. (in Chinese)
[99]? CHEN C. Searching for intellectual turning points: Progressive knowledge domain visualization [J]. PNAS, 2004, 101(Sup1): 5303-5310.
[100]? CHEN C M. CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature [J]. Journal of the American Society for Information Science and Technology, 2006, 57(3): 359-377.
(編輯? 王秀玲)