國內外人工智能技術在建筑行業的研究與應用現狀

鞠松+楊曉東

摘要： 人工智能在傳統行業的應用有著廣闊的前景，近些年，已經取得不少成績。把人工智能技術與建筑行業各專業相結合，制成相應專家系統、決策支持系統、智能輔佐設計等必將會帶來技術的進步與經濟社會綜合效益。本論文全面綜述了目前國內外人工智能技術在建筑行業的各方面已取得的研究成果以及工程應用現狀，針對在建筑設計與規劃、建筑結構、施工及工程管理等各專業子領域，分別闡述目前的研究和應用情況，并加以分析，為今后進一步的研究工作提供參考。

Abstract： Artificial intelligence has a broad application prospects in the traditional industry， in the recent years， it made a lot of success. The combination of artificial intelligence technology and the construction industry， such as the corresponding expert system， decision support system， intelligent design， etc. will bring the technical progress and economic and social benefits. This paper summarizes the research achievements and engineering application status of the artificial intelligence technology in the construction industry， and aims at the professional sub-fields in the construction industry such as architectural design and planning， building structure， construction and project management respectively， and provide a reference for further research work in the future.

關鍵詞： 人工智能；建筑行業；機器學習

Key words： artificial intelligence；construction industry；machine learning

中圖分類號：TP18 文獻標識碼：A 文章編號：1006-4311（2018）04-0225-04

0 引言

自AlphaGo人工智能程序擊敗了圍棋頂尖選手柯潔后，人工智能漸漸成為了社會熱詞和輿論關注的焦點，可以肯定的是，人工智能技術的應用，會在今后影響我們生活的方方面面，從我們的家居、娛樂、各種服務體驗等一切，將會發生顛覆性改變。建筑行業作為我國傳統的體量巨大的支柱型行業，也將必然會參與到這股浪潮之中，進行產業的進步與升級。

1 人工智能概述

人工智能是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及系統的一門新的技術科學。它是在計算機科學、控制論、信息論、神經心理學、哲學、語言學等學科的研究基礎上發展起來的，因此又可把它看作是一門綜合性的邊緣學科。

人工智能學科借用數學工具，比如數學分析，線性代數、概率論、數理統計、數理邏輯、運籌學、優化等，數學進入人工智能學科，它們互相促進而更快地發展。

目前人工智能的研究重心主要集中在專家系統、模式識別、自然語言理解、自動定理證明、自動程序設計、機器人學、博弈、智能決策支持系統及人工神經網絡等方面。

人工智能技術的實現方法有三種。

1.1 傳統人工智能方法

傳統的人工智能方法基于邏輯推理與演繹，將問題表述為命題邏輯和一階邏輯，然后使用經典的邏輯學方法，進行推導，進而選擇策略，該方法還被用于規劃問題，在狀態空間中運用搜索規劃算法。

由于使用邏輯運算和符號操作，它適合模擬人的邏輯思維過程，解決需要進行邏輯推理的復雜問題，并用一定的符號表示知識，在已知基本規則的情況下，無需輸入大量的細節知識，該方法可對推理結論進行解釋，便于對各種可能性進行選擇。

1.2 機器學習方法

機器學習致力于研究如何通過計算的手段，利用經驗來改善系統自身的性能。在計算機系統中，“經驗”以“數據”的形式存在，因此，機器學習是關于計算機上從數據中產生模型的算法。

常用的機器學習方法包括決策樹方法、支持向量機方法、貝葉斯分類方法、聚類方法、集成學習方法、強化學習方法等。

機器學習是一種新的編程方式，它不像基于邏輯和規則的方法需要人輸入邏輯和規則，它只要把大量數據輸入給計算機，然后計算機就可以自己總結經驗歸納邏輯，這個過程叫做訓練，訓練過后得到一個模型，我們稱之為機器學習模型。

1.3 深度學習方法

深度學習源于人工神經網絡。它是含多隱層多感知器的一種神經網絡。深度學習通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。

深度學習是目前人工智能技術中新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像，聲音、文本和決策。

2 人工智能技術在建筑行業中的研究和應用

人工智能技術與建筑行業各專業相結合必將取得很好的經濟與社會效益。目前，其已在建筑設計與規劃、建筑結構、施工及建筑工程管理等建筑行業中的各專業子領域取得一些成功的嘗試、研究與應用。endprint

2.1 人工智能技術在建筑設計與規劃中的研究和應用

建筑的設計與規劃凝結著建筑師與規劃師的專業知識、智慧和創造力，這不僅是專業問題的解決，同時也是一種藝術上的創作過程。目前，人工智能技術已初步應用于建筑設計選型、建筑風格樣式的學習與模范等方面。

2017年5月31號，被稱為"世界上第一個人工智能建筑師"的小庫XKool，結合了機器學習、大數據與云端智能顯示等技術，將多種先進算法融入到最簡易的操作中。它是第一款在實際建筑應用層面上實現了人工智能的建筑設計SaaS系統。能夠幫助建筑師和開發商極大效率的完規的分析、規劃和建筑設計前期工作。在產品發布會上的介紹中，小庫XKool可以介入整個設計階段的前40%，包括拿地強排與概念設計。

Rabee M. Reffat在其研究中闡述了AI的概念和技術用以在建筑設計的過程，提出了三種利用AI技術豐富建筑設計工件質量的例子，包括基于案例的建筑設計，建筑風格學習的模式識別和建筑風格多樣性和復雜性的機器學習。

徐州工程學院的黨向盈等學者，采用遺傳算法對建筑設計進行優化，為了降低算法的復雜性，提出一種神經網絡結合遺傳算法的建筑優化設計方法。結果表明：與傳統遺傳算法對比，該方法可以有效降低算法的迭代次數和運行時間，提高建筑優化設計的效率。

2.2 人工智能技術在建筑結構中的研究和應用

不論是前期的結構設計還是建成后，建筑物在長期使用中都會產生的裂縫、破損，或者建筑物經過震動、地震后的破損情況，都是影響建筑安全的重要因素，而關于這方面的評估一直是該領域有關專家、學者關注的焦點。人工智能技術的引入為解決該領域的問題提供了許多新的思路與高效的工具。

加拿大曼尼托巴大學的Young-Jin Cha和Wooram Choi教授，以及麻省理工的Oral Buyukozturk教授所做的工作，被稱為深度學習在土木工程領域的首此嘗試，該研究基于視覺識別的結構損傷識別技術，使用深度學習方法，利用已有的不少研究成果得出結構外觀狀態（裂縫分布與形態、變形變位等）與結構損傷之間的聯系，對圖像進行高效地識別。該方法可以有效的改變過去常用的在橋梁上布置大量的傳感器的手段。

復雜工程結構的可靠度的較精確的計算問題，一直是一個有待被解決的問題，關于如何借鑒人工智能機器學習方法，在廣西大學的趙偉在他的博士論文研究中，提出了基于高斯過程分類-MCS動態響應面的結構可靠度分析方法，為含有隱式功能函數的復雜工程結構可靠度的高速求解提供一個新的選擇，并基于Breitung法的高斯過程進行回歸動態響應面法研究。該研究所做成果在應用于實際的大型復雜結構進行結構可靠度計算后，取得了較好的成績，與傳統響應面法相比較，具有較高的計算精度與計算效率。

蘇國韶等學者，針對邊坡工程是復雜的非線性系統，提出一種對處理非線性復雜問題具有很好的適應性一種有概率意義的核學習機——高斯過程機器學習方法，來解決邊坡穩定性的合理評價問題，建立了相應的邊坡穩定性預測模型。研究表明，其方法能夠很好地表達邊坡穩定性與各影響因素之間的非線性映射關系，能方便快捷地給出合理可靠且具有概率意義的邊坡穩定狀態評價結果。

除此之外，美國卡內基梅隆大學開發了高層建筑結構初步設計的專家系統，對十層以上民用建筑進行結構的初步設計，該系統使用了人工智能技術中的啟發式算法。普渡大學開發了對地震后房屋破損評估的專家系統，它利用各種觀測數據和現場記錄進行不確定性推理，解釋房屋的破損程度，以幫助工程師做出決策。

2.3 人工智能技術在建筑施工中的研究和應用

麻省理工學院的S. AbouRizk對建筑模擬理論進展的進行了詳細概述概述，并結合作者在2008年10月的Peurifoy地址項目對模擬在建筑工程和管理中的作用總結了他的觀點，總結出了成功部署模擬的關鍵因素，對下一代建筑計算機建模系統的有著積極促進作用，并闡述了模擬在自動化項目的規劃和控制上的未來愿景中起著不可或缺的作用。

美國密歇根大學的Amir H.Behzadan等人使用了增強現實技術，利用了無線局域網WLAN以及RFID和藍牙技術進行室內跟蹤，并利用全球定位系統GPS進行戶外空間情景跟蹤，提供現場人員對項目的計劃，圖表，進度和預算等信息的訪問，同時該系統配合以用戶角色的偏好，在特定的任務和現有項目條件下提供即時的幫助。

英國拉夫堡大學的Sarah Bowden等學者分析了智能化的信息通信技術（ICT）在施工中應用的愿景，通過案例研究，說明了通過使用該技術對施工時間縮短、降低施工資金成本、減少缺陷、減少事故、增加可預測性、減少浪費、提高生產率、降低運行和維護成本上面的作用。

國立成功大學S.-M. Chen等學者提出了一種智能調度系統（ISS），可以幫助項目經理根據項目目標和項目約束，來決定人力、物力、設備和空間的近似最佳分布，以找到近似最優的進度計劃。嘗試使用基于對真實數據的分析改變以往傳統的調度方法導致的“座椅式”的管理風格。該系統在一個現實世界的建設項目中得以驗證有效性。

Y. Cui等學者討論了在鋼橋施工中矩形二維切割問題， 該問題需要從供應商指定范圍內的任意尺寸的板材切割一組矩形物品的問題，使得板面積最小化。YaodongCui等學者結合了人工智能中的啟發式算法，提出了一種使用遞歸和動態編程技術來生成解的算法。 22個實例的計算結果表明，該算法可以產生接近最優的解，計算的時間對實際使用也是合理的。

日本長岡科學技術大學的L.D. Long等學者使用一種基于遺傳算法的施工項目調度方法，來解決考慮了活動的不同屬性之間的不同關系的相互影響，來達到時間最小化的方法。使用該方法在一橋梁建設實例種得以有效而成功的驗證。

馬來西亞Kebangsaan大學的Leila Ooshaksaraie等學者創造性的設計一個施工現場雨水管理計劃專家系統RP3CA，該專家系統涉及環境保護，水土流失和接收水保護等方面的大量信息，以及領域內的專家知識和經驗。RP3CA有其獨特的用戶界面，它利用地理信息系統功能作為支持組件來顯示空間地圖，使用確定性因子用于衡量專家信念或不信任系統規則，通過應用Expert Choice軟件提供了各種替代方案。endprint

國立新加坡大學的H. Zhang等學者介紹了模糊邏輯在離散事件模擬中的應用，以處理施工作業的不確定性，該方法使用了傳統人工智能技術中的邏輯推理方法。激活活動所需的資源數量的不確定性用語言術語中的模糊集建模，建立模糊邏輯if-then規則來控制活動的激活。并通過基于模糊邏輯規則的模型確定活動的持續時間隨著所涉及的資源量而變化，以實現施工作業模糊仿真系統。

2.4 人工智能技術在建筑管理中的研究和應用

加拿大里賈納大學的Varanon Uraikul等學者為了協助工廠經營者，采用了人工智能決策支持系統，用于監控，控制和診斷任務。對復雜過程涉及的過程變量進行過程的監控和診斷，以分析當前狀態，檢測和診斷過程異常，或采取適當的措施控制過程。該研究還介紹了一個全程監控，控制和診斷的智能系統，并介紹麻省理工學院的過程工程智能系統實驗室，普渡大學智能過程系統實驗室，阿爾伯塔大學智能工程實驗室，以及利茲大學化學工程系的研究工作。

加拿大南艾伯塔省理工學院的Faisal Manzoor Arain等學者提出了一種基于知識的系統（KBS），用于管理新加坡教育建筑項目的變化。 KBS能夠通過為決策提供準確和及時的信息來協助專業人士，是一個用戶友好的工具，用于分析和進行變量控制。KBS是通過收集80個教育項目的源文件，問卷調查，文獻回顧和與專業人士進行深入訪談的數據而開發。該系統提供有關項目變化的詳細信息。

東地中海大學的Yousef Baalousha等學者提出了一種基于網絡的綜合數據倉庫和用于單價分析的人工神經網絡模型，通過稱為“DANUP”的通貨膨脹調整系統。使用Web工具和數據庫管理功能創建數據倉庫，集成多個異構數據庫和其他信息源的數據，綜合成本指數，以調整估算過程中通貨膨脹的影響。

新加坡國立大學M.-Y. Cheng等學者開發了一種進化模糊混合神經網絡來加強項目現金流量管理。作者開發并應用了這種進化模糊混合神經網絡，通過融合HNN、FL和GA等算法技術來評估建筑行業項目的成功。制成的項目績效持續評估（CAPP）軟件可以用于動態地研究影響項目績效的重要因素。結果表明，提出的進化模糊混合神經網可以有效部署，實現輸入因子和項目成功輸出的最佳映射，以用于建筑行業動態項目成功評估。

香港理工大學H. Guo等學者基于游戲技術進行施工企業員工的安全培訓，以解決目前業界在安全培訓方法與工具上無法為學員提供所需的實踐操作訓練學習的問題。該平臺有其特有的特點，通過對三個主要建筑工廠的案例研究開發和測試，成功地證明其有效性。

S. Jiang等學者使用模糊決策模型跟蹤建筑材料的無線技術，對隨著施工項目規模和規模的擴大，而目前使用現場數據手工操作效率低下的問題進行的了探索。該項研究對新興無線技術在大型建筑行業的計算和傳感器網絡提供可行的參考，以選擇合適的跟蹤建筑材料的技術，有助于施工工程師在施工現場等模糊環境中對選擇應用（RFID，GPS，Wi-Fi，Zigbee和UWB）技術進行合理的排序。

3 結語

本文介紹了當今國內外人工智能技術在建筑行業各專業子領域中的研究和應用現狀。目前在施工與工程管理方面已經取得了較大的進展，相應的專家系統和決策系統取得較好的實際應用效果。在關于有所偏向主觀的設計方面，在現階段也已經取得的一定成績，對于這方面，構造更合理的算法模型，仍有待進一步的研究。

同時我們應該正確的看待人工智能。它將會把人類的大腦解放出來，去從事那些更具挑戰性，更具創造性的工作。目前全世界的建筑行業都還在為實現了自動化，信息化和智能化而努力。不論是廣大的從業人員，還是學生、教師和研究者，都應該抱著開放的心態去了解與學習人工智能。

參考文獻：

[1]Stuart J.Russell ， Peter Norvig，殷建平等譯.人工智能： 一種現代方法[M].三版.清華大學出版社，2013.

[2]周志華.機器學習 Machine learning[M].清華大學出版社，2016.

[3]Ian Goodfellow，Yoshua Bengio，趙申劍等譯.深度學習Deep Learning[M].人民郵電出版社，2017.

[4]Reffat R M. Utilization of Artificial Intelligence Concepts and Techniques for enriching the Quality of Architectural Design Artifacts[J]. 2002.

[5]黨向盈，姜代紅.神經網絡結合遺傳算法在建筑優化設計中的應用[J].徐州工程學院學報（自然科學版），2017，32（2）：66-71.

[6]Cha Y J， Choi W， Büyük？觟ztürk O. Deep Learning﹞Based Crack Damage Detection Using Convolutional Neural Networks[J]. Computer﹞aided Civil & Infrastructure Engineering， 2017， 32（5）：361-378.

[7]趙偉.復雜工程結構可靠度分析的高斯過程動態響應面方法研究[D].廣西大學，2014.

[8]蘇國韶，宋詠春，燕柳斌.高斯過程機器學習在邊坡穩定性評價中的應用[J].巖土力學，2009，30（3）：675-679.

[9]Abourizk S M. Role of Simulation in Construction Engineering and Management [J]. Journal of Construction Engineering & Management， 2013， 139（139）：252-253.endprint

[10]A.H. Behzadan， Z. Aziz， C.J. Anumba， V.R. Kamat Ubiquitous location tracking for context-specific information delivery on construction sites [J].Automation in Construction， 17 （2008）， pp. 737-748.

[11]S. Bowden， A. Dorr， T. Thorpe， C. Anumba. Mobile ICT support for construction process improvement [J]. Automation in Construction， 15 （2006）， pp. 664-676.

[12]S.-M. Chen， F.H. Griffs， P.-H. Chen， L.-M. Chang Simulation and analytical techniques for construction resource planning and scheduling [J]. Automation in Construction， 21 （2012）， pp. 99-113.

[13]Y. Cui， Y. Lu .Heuristic algorithm for a cutting stock problem in the steel bridge construction [J]. Computers and Operations Research， 15 （2009），pp.612-622.

[14]L.D. Long， A. Ohsato. A genetic algorithm-based method for scheduling repetitive construction projects[J]. Automation in Construction， 18 （2009）， pp. 499-511.

[15]Ooshaksaraie L， Basri N E A， Bakar A A， et al. RP3CA： An expert system applied in stormwater management plan for construction sites in Malaysia.[J]. Expert Systems with Applications， 2012， 39（3）：3692-3701.

[16]Zhang H， Tam C M， Shi J J. Application of Fuzzy Logic to Simulation for Construction Operations[J]. Journal of Computing in Civil Engineering， 2002， 17（1）：38-45.

[17]Uraikul V， Chan C W， Tontiwachwuthikul P. Artificial intelligence for monitoring and supervisory control of process systems[J]. Engineering Applications of Artificial Intelligence， 2007， 20（2）：115-131.

[18]Arain F M， Pheng L S. A knowledge-based system as A decision making tool for effective management of variations and design improvement： Leveraging on information technology applications[J]. Electronic Journal of Information Technology in Construction， 2006， 11：373-392.

[19]Yousef Baalousha， Tahir ？覶elik. An integrated web-based data warehouse and artificial neural networks system for unit price analysis with inflation adjustment[J]. Journal of Civil Engineering & Management， 2011， 17（2）：157-167.

[20]Cheng M Y， Tsai H C， Sudjono E. Evolutionary fuzzy hybrid neural network for dynamic project success assessment in construction industry[J]. Automation in Construction， 2012， 21（1）：46-51.

[21]Guo H， Li H， Chan G， et al. Using game technologies to improve the safety of construction plant operations.[J]. Accident Analysis & Prevention， 2012， 48（3）：204-213.

[22]Shaohua Jiang， Won-Suk Jang， Miroslaw J. Skibniewski. Selection of Wireless Technology for Tracking Construction Materials Using a Fuzzy Decision Model[J]. Journal of Civil Engineering & Management， 2012， 18（1）：43-59.endprint