人工智能算法在建設(shè)項目管理中的應(yīng)用綜述

摘要：傳統(tǒng)建設(shè)項目管理費時、費力、決策效率較低，而近年來以機器學(xué)習(xí)、深度學(xué)習(xí)為代表的人工智能算法在建設(shè)項目質(zhì)量、進度、成本、風(fēng)險、安全等各領(lǐng)域得到較好的應(yīng)用，但同時也暴露出一系列問題，如誤差較大、穩(wěn)健性不強、可泛化能力較差等。系統(tǒng)地總結(jié)既有研究和實踐現(xiàn)狀，分析人工智能算法在建設(shè)項目管理中應(yīng)用的挑戰(zhàn)與不足，為后續(xù)深入研究人工智能算法提供參考。

關(guān)鍵詞：建設(shè)項目管理；機器學(xué)習(xí)；深度學(xué)習(xí)；文獻綜述

0 引言

建設(shè)項目管理是工程建設(shè)過程中一項極為重要的工作，直接影響整個工程的效率、效益與安全。長期以來，項目管理工作對管理人員的專業(yè)素養(yǎng)、過往經(jīng)驗依賴性較強，費時、費力的同時，也容易導(dǎo)致決策效率及科學(xué)性不高。如今，人工智能作為科技領(lǐng)域的前沿技術(shù)，已在眾多行業(yè)中展現(xiàn)出巨大的潛力和價值。近年來，以機器學(xué)習(xí)、深度學(xué)習(xí)為代表的人工智能算法在建設(shè)項目管理研究和實踐工作中取得了顯著成效，涵蓋質(zhì)量檢測、進度計劃、成本預(yù)測、風(fēng)險管控、安全預(yù)警等多個方面，具有廣闊應(yīng)用前景^[1]。盡管如此，實際工程項目流程繁多、場景復(fù)雜，導(dǎo)致人工智能算法在精確度、魯棒性、泛化能力等多方面都面臨著較大挑戰(zhàn)。如何有效整合人工智能算法與現(xiàn)有項目管理流程，克服技術(shù)實施中的挑戰(zhàn)，以及評估人工智能算法在實際項目管理中的效果和影響，都是亟待解決的問題^[2]。

基于上述背景，本文梳理以機器學(xué)習(xí)、深度學(xué)習(xí)為代表的人工智能算法在建設(shè)項目管理各領(lǐng)域的應(yīng)用現(xiàn)狀，分析現(xiàn)有研究的成果和不足，并提出未來的研究方向和改進建議。

1 文獻計量分析

文獻計量學(xué)能夠通過定量方法分析和評估科學(xué)文獻的學(xué)術(shù)影響力、發(fā)展趨勢，揭示研究熱點，相較傳統(tǒng)文獻綜述方法更加直觀、客觀^[3]。為了更全面地了解機器學(xué)習(xí)、深度學(xué)習(xí)在建設(shè)項目管理中的研究現(xiàn)狀，本研究基于CiteSpace軟件開展了文獻計量學(xué)分析。設(shè)置檢索詞，在Web of Science數(shù)據(jù)庫中共檢索到有關(guān)文獻（含研究論文、綜述、科技報告等）100篇。文獻檢索詞設(shè)置見表1，經(jīng)軟件自動去重整理后開展有關(guān)分析。

關(guān)鍵詞共現(xiàn)及聚類圖譜如圖1所示。由圖1可知，“建設(shè)管理”“機器學(xué)習(xí)”“深度學(xué)習(xí)”是整個圖譜最核心的三個關(guān)鍵詞，具有較高的中介中心性。此外，其他關(guān)鍵詞體現(xiàn)了人工智能算法在建設(shè)項目管理各領(lǐng)域的應(yīng)用情況。建筑信息模型（BIM）與人工智能算法的集成應(yīng)用是當(dāng)下的研究熱點。BIM技術(shù)作為數(shù)字底座，為機器學(xué)習(xí)、深度學(xué)習(xí)的開發(fā)應(yīng)用搭建了平臺。“工人”“安全”“計算機視覺”“追蹤”等關(guān)鍵詞體現(xiàn)了人工智能算法在建設(shè)安全管理領(lǐng)域的應(yīng)用。既有實踐表明，人工智能算法在建筑工人實名制管理、安全防護檢測、危險區(qū)域識別等多個方面取得了良好應(yīng)用效果。“損傷檢測”“增強現(xiàn)實”等關(guān)鍵詞與建設(shè)質(zhì)量管理有密切聯(lián)系。

關(guān)鍵詞突現(xiàn)見表2，其展示了2014—2024年人工智能算法在建設(shè)項目管理研究中關(guān)鍵詞的突現(xiàn)情況。從表2可以看出，不同的關(guān)鍵詞表現(xiàn)出不同的強度和出現(xiàn)時間。例如，關(guān)鍵詞“neural networks”和“classification”在2014年和2017年開始突現(xiàn)，分別持續(xù)到2017年和2018年。這表明在2014年左右，神經(jīng)網(wǎng)絡(luò)和分類算法在建設(shè)項目管理中的應(yīng)用開始受到關(guān)注。2016—2020年，關(guān)鍵詞“automated information extraction”和“tracking”在這段時間內(nèi)突現(xiàn)。特別是關(guān)鍵詞“sensors”和“construction”在2018年和2019年開始突現(xiàn)，反映了當(dāng)時研究文獻對傳感器技術(shù)在施工管理中應(yīng)用的關(guān)注。2021—2022年，許多關(guān)鍵詞如“information”“damage detection”“automated detection”“workers”“safety”和“artificial intelligence”突現(xiàn)，并且持續(xù)到2024年，突現(xiàn)反映出目前對信息處理、損傷檢測、自動化檢測、工人安全和人工智能的高度關(guān)注。總體來看，從早期的神經(jīng)網(wǎng)絡(luò)和分類技術(shù)到目前的傳感器、信息處理、自動化和安全管理技術(shù)的廣泛應(yīng)用，人工智能和相關(guān)技術(shù)在建設(shè)項目管理中的應(yīng)用隨著時間的推移不斷發(fā)展。這種趨勢表明，人工智能技術(shù)在建設(shè)項目管理中的應(yīng)用越來越廣泛和深入。

2 常用算法基本原理

2.1 機器學(xué)習(xí)算法

機器學(xué)習(xí)算法是人工智能算法的一個分支，計算機通過觀察給定的數(shù)據(jù)集并基于輸入數(shù)據(jù)生成模型來解決問題。機器學(xué)習(xí)與傳統(tǒng)編程不同，傳統(tǒng)編程規(guī)則是用計算機語言編寫的，而不能從數(shù)據(jù)中學(xué)習(xí)，而機器學(xué)習(xí)使用數(shù)據(jù)生成預(yù)測模型，然后使用這些模型對新數(shù)據(jù)進行預(yù)測。對于一些現(xiàn)實問題，由于代碼的復(fù)雜性，開發(fā)基于規(guī)則的程序極其困難，而在有足夠相關(guān)數(shù)據(jù)的情況下，可以使用機器學(xué)習(xí)來解決這些問題。

根據(jù)訓(xùn)練數(shù)據(jù)有無“標(biāo)簽”，機器學(xué)習(xí)通常可以分成監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)三大類。監(jiān)督學(xué)習(xí)是機器學(xué)習(xí)中最常用的一類方法，其訓(xùn)練數(shù)據(jù)集包含輸入和相應(yīng)的期望輸出（標(biāo)簽），模型通過學(xué)習(xí)這些輸入-輸出對，來預(yù)測新數(shù)據(jù)的輸出，常見算法有K近鄰算法、支持向量機、邏輯回歸、線性回歸、神經(jīng)網(wǎng)絡(luò)等。無監(jiān)督學(xué)習(xí)用于沒有標(biāo)簽的訓(xùn)練數(shù)據(jù)，其目標(biāo)是從數(shù)據(jù)中發(fā)現(xiàn)潛在的結(jié)構(gòu)或模式，常見無監(jiān)督算法有聚類算法、主成分分析等。強化學(xué)習(xí)通過與環(huán)境的交互，學(xué)習(xí)一系列行動策略，以最大化累積獎勵，常應(yīng)用于機器人控制、游戲人工智能等領(lǐng)域，Q學(xué)習(xí)及策略梯度方法是常見的強化學(xué)習(xí)算法。常見機器學(xué)習(xí)算法見表3。

2.2 深度學(xué)習(xí)算法

深度學(xué)習(xí)算法是機器學(xué)習(xí)算法的一個分支，通過使用多層神經(jīng)網(wǎng)絡(luò)來模擬人腦的結(jié)構(gòu)和功能，在處理復(fù)雜的數(shù)據(jù)模式和預(yù)測問題上表現(xiàn)出色。它利用大量的訓(xùn)練數(shù)據(jù)和強大的計算能力，通過自動特征提取和反向傳播算法來優(yōu)化模型，使其在計算機視覺、自然語言處理、自動駕駛和醫(yī)療診斷等領(lǐng)域的運用成效顯著。

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）是一種專門用于處理和分析圖像數(shù)據(jù)的深度學(xué)習(xí)模型。其獨特的架構(gòu)能夠有效地捕捉圖像的空間層次結(jié)構(gòu)，從而在圖像識別、目標(biāo)檢測和圖像分割等任務(wù)中表現(xiàn)出色^[13]。卷積神經(jīng)網(wǎng)絡(luò)的核心是其層級結(jié)構(gòu)，通過層層提取獲得圖像的低級到高級特征。例如，早期的卷積層可以檢測邊緣和紋理等簡單特征，而后續(xù)層則會識別更復(fù)雜的模式和對象。卷積操作的局部連接和權(quán)重共享特性，使得CNN在處理高維圖像數(shù)據(jù)時更加高效，并且能夠有效減少參數(shù)數(shù)量和過擬合風(fēng)險。

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）是一種專門用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型，能夠捕捉數(shù)據(jù)中的時間依賴關(guān)系。與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)不同，RNN具有內(nèi)部循環(huán)結(jié)構(gòu)，允許信息在序列的每個步驟之間進行傳遞和記憶^[14]。RNN的基本單元包括輸入層、隱藏層和輸出層。每個時間步的輸入不僅依賴于當(dāng)前輸入數(shù)據(jù)，還依賴于前一時間步的隱藏狀態(tài)（記憶）。

生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）通過兩個對抗性神經(jīng)網(wǎng)絡(luò)（生成器和判別器）的相互競爭，能夠生成與真實數(shù)據(jù)分布相似的高質(zhì)量樣本^[15]。生成器的任務(wù)是從一個隨機噪聲向量（通常是高斯噪聲或均勻噪聲）生成逼真的數(shù)據(jù)樣本。生成器通過反向傳播不斷更新其參數(shù)，使其生成的樣本逐漸接近真實數(shù)據(jù)分布。判別器的任務(wù)是區(qū)分真實數(shù)據(jù)和生成器生成的假數(shù)據(jù)。它接收數(shù)據(jù)樣本并輸出一個概率值，可表明輸入數(shù)據(jù)是真實數(shù)據(jù)的概率。判別器通過反向傳播更新參數(shù)，以提高GAN辨別能力。GAN的訓(xùn)練過程是生成器和判別器的對抗博弈。生成器試圖欺騙判別器，使其無法區(qū)分真假數(shù)據(jù)，而判別器則試圖準(zhǔn)確區(qū)分真實數(shù)據(jù)和假數(shù)據(jù)。

3 人工智能算法在建設(shè)項目管理中的應(yīng)用

3.1 質(zhì)量管理

使用機器學(xué)習(xí)算法和計算機視覺技術(shù)，人工智能可以自動檢測和識別施工現(xiàn)場的質(zhì)量問題，如裂縫、腐蝕或材料缺陷。通過訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN）處理圖像數(shù)據(jù)，可以實時監(jiān)控和發(fā)現(xiàn)質(zhì)量問題。這種自動化檢測不僅能提高檢測速度，還能大幅降低人工檢查的錯誤和遺漏。例如，Tan等^[16]通過集成計算機視覺、增強現(xiàn)實技術(shù)（VR）、BIM技術(shù)，實現(xiàn)了裂縫快速、準(zhǔn)確的可視化檢測，效果顯著。

除此之外，通過分析歷史數(shù)據(jù)，機器學(xué)習(xí)算法還可以識別質(zhì)量問題的潛在發(fā)展模式和趨勢，從而制定預(yù)防措施。使用聚類算法和異常檢測技術(shù)，可以識別出施工過程中可能導(dǎo)致質(zhì)量問題的關(guān)鍵因素^[17]。例如，通過對多個項目的質(zhì)量檢查數(shù)據(jù)進行聚類分析，人工智能算法可以識別出哪些施工方法或材料容易導(dǎo)致質(zhì)量問題，并提供相應(yīng)的改進措施。此類數(shù)據(jù)驅(qū)動的方法使得質(zhì)量管理更加科學(xué)和高效。

3.2 進度管理

機器學(xué)習(xí)模型可以根據(jù)歷史項目數(shù)據(jù)和當(dāng)前進度數(shù)據(jù)預(yù)測未來的項目進度。通過訓(xùn)練回歸模型和時間序列分析，人工智能可以幫助管理人員更準(zhǔn)確地估計工期，并優(yōu)化施工計劃。孫玉慧^[18]基于PCA-BP神經(jīng)網(wǎng)絡(luò)對水利工程施工進度進行預(yù)測，并通過實證研究表明其效果較優(yōu)，能夠提高項目管理效率。

此外，使用強化學(xué)習(xí)和優(yōu)化算法還可以智能地調(diào)度資源（如勞動力、設(shè)備和材料），找到最優(yōu)的資源分配策略，以實現(xiàn)最大化工作效率并最小化延誤^[19]。例如，人工智能系統(tǒng)可以根據(jù)每天的任務(wù)需求和工人的技能水平，動態(tài)調(diào)整工人分配，以確保每個任務(wù)都能以最高效率完成，這不僅提高了施工效率，還能有效降低成本。

3.3 成本管理

機器學(xué)習(xí)算法和深度學(xué)習(xí)算法在建設(shè)項目成本管理中主要通過數(shù)據(jù)分析和模式識別來預(yù)測成本、評估風(fēng)險、優(yōu)化資源配置和設(shè)計方案，從而提高成本控制的準(zhǔn)確性和項目管理的效率^[20-21]。

3.4 安全管理

通過分析現(xiàn)場傳感器數(shù)據(jù)和視頻監(jiān)控數(shù)據(jù)，人工智能可以實時檢測和識別潛在的安全隱患，如工人行為異常、設(shè)備故障或環(huán)境變化等。計算機視覺和深度學(xué)習(xí)技術(shù)在這一領(lǐng)域被廣泛應(yīng)用，應(yīng)用深度學(xué)習(xí)算法可以實現(xiàn)安全帽佩戴檢測。Rabbi等^[22]對人工智能算法在建設(shè)項目安全管理研究中的現(xiàn)狀、挑戰(zhàn)、未來研究方向做了系統(tǒng)性綜述，涵蓋視頻、文本、音頻等多種模態(tài)。

近年來，以人為本的神經(jīng)工程管理研究開始嶄露頭角，其融合工程管理、心理學(xué)、腦科學(xué)、人工智能算法等多學(xué)科的研究范式，在建設(shè)項目安全管理中有初步應(yīng)用。例如，Ma等^[23]基于先進傳感器設(shè)備，運用人工智能算法對鋼筋綁扎工人疲勞狀態(tài)進行實時監(jiān)測；Xiang等^[24]運用腦電設(shè)備，結(jié)合人工智能算法，對建筑工人不安全行為的發(fā)生機理展開研究。此外，機器學(xué)習(xí)模型還可以根據(jù)歷史事故數(shù)據(jù)和現(xiàn)場條件預(yù)測潛在事故，并提供預(yù)防措施。

3.5 風(fēng)險管理

通過分析項目數(shù)據(jù)和外部環(huán)境數(shù)據(jù)，人工智能可以識別和評估項目風(fēng)險，如自然災(zāi)害、市場波動或供應(yīng)鏈中斷^[25]。貝葉斯網(wǎng)絡(luò)和決策樹模型在風(fēng)險評估中表現(xiàn)出色。例如，Pan等^[26]開發(fā)了一套基于人工智能算法的建設(shè)項目風(fēng)險管控系統(tǒng)，可以通過分析氣象數(shù)據(jù)和施工進度，預(yù)測惡劣天氣對項目的影響，并建議調(diào)整施工計劃以減少風(fēng)險。

總的來說，人工智能算法在建設(shè)項目管理中的應(yīng)用大大提升了各個管理環(huán)節(jié)的效率和準(zhǔn)確性。通過自動化數(shù)據(jù)分析、智能預(yù)測和優(yōu)化，人工智能不僅有助于更好地控制項目進度、質(zhì)量和成本，在提高建設(shè)項目安全性和風(fēng)險管理水平方面也發(fā)揮了重要作用。隨著人工智能技術(shù)的不斷發(fā)展，其在建設(shè)項目管理中的應(yīng)用前景將更加廣闊。具體而言，未來可能會開發(fā)更多基于人工智能的智能系統(tǒng)，它們能夠集成多種數(shù)據(jù)源，實現(xiàn)更加全面和實時的項目管理，最終推動建筑行業(yè)向著更高效、更智能的方向發(fā)展^[27]。

4 挑戰(zhàn)及改進建議

4.1 挑戰(zhàn)

盡管人工智能在建設(shè)項目管理中展現(xiàn)出巨大潛力，但仍存在一些挑戰(zhàn)，具體挑戰(zhàn)如下：

（1）人工智能算法依賴于大量高質(zhì)量的數(shù)據(jù)進行訓(xùn)練。然而，建筑項目中數(shù)據(jù)的收集和管理往往存在不規(guī)范和不完整的問題，導(dǎo)致模型訓(xùn)練數(shù)據(jù)不足或數(shù)據(jù)質(zhì)量不高。

（2）實施人工智能技術(shù)需要專業(yè)知識和技能，這對于許多傳統(tǒng)建筑企業(yè)來說是一項巨大挑戰(zhàn)。此外，開發(fā)和部署人工智能系統(tǒng)的成本較高，可能會超出一些企業(yè)的預(yù)算。

（3）在復(fù)雜的施工環(huán)境中，人工智能系統(tǒng)需要快速處理和分析大量數(shù)據(jù)，以實現(xiàn)實時監(jiān)控和決策。然而，當(dāng)前的技術(shù)可能無法完全滿足這種實時性和高響應(yīng)性的要求。

（4）在收集和處理項目數(shù)據(jù)時，數(shù)據(jù)隱私和安全問題不容忽視。如何在保證數(shù)據(jù)安全的前提下充分利用數(shù)據(jù)，是一個亟待解決的問題。

（5）建筑行業(yè)的從業(yè)人員對于新技術(shù)的接受度和熟悉程度偏低，推廣和應(yīng)用人工智能技術(shù)需要大量的培訓(xùn)和引導(dǎo)，以提升員工的接受度和使用技能。

4.2 改進建議

針對以上挑戰(zhàn)，可以考慮從以下方面進行提升：

（1）通過實施標(biāo)準(zhǔn)化的數(shù)據(jù)收集和管理流程，以確保數(shù)據(jù)的全面性和高質(zhì)量。同時，可以引入物聯(lián)網(wǎng)（IoT）技術(shù)，通過傳感器和智能設(shè)備實時收集現(xiàn)場數(shù)據(jù)，提高數(shù)據(jù)的精確度和時效性。

（2）對企業(yè)員工進行定期的人工智能技術(shù)培訓(xùn)，提高他們的技術(shù)素養(yǎng)和操作能力。同時，通過組織研討會和技術(shù)交流會，分享成功案例和最佳實踐，增強員工對人工智能技術(shù)的理解和接受度。

（3）對算法設(shè)計和系統(tǒng)架構(gòu)進行優(yōu)化，以提高人工智能系統(tǒng)的實時處理能力和響應(yīng)速度。可以采用邊緣計算技術(shù)，將部分計算任務(wù)下放到現(xiàn)場設(shè)備上，以避免數(shù)據(jù)傳輸延遲。

（5）通過與高校和科研機構(gòu)合作，開展技術(shù)研發(fā)和創(chuàng)新，探索低成本、高效能的人工智能解決方案。同時，政府和行業(yè)協(xié)會可以提供資金和政策支持，鼓勵企業(yè)應(yīng)用人工智能技術(shù)。

（6）采用先進的數(shù)據(jù)加密和安全保護技術(shù)，確保數(shù)據(jù)在傳輸和存儲過程中的安全。制定嚴(yán)格的數(shù)據(jù)隱私保護政策，確保數(shù)據(jù)使用符合相關(guān)法律法規(guī)。

（7）選擇一些規(guī)模較小或相對簡單的項目作為試點，探索和驗證人工智能技術(shù)的應(yīng)用效果。總結(jié)經(jīng)驗后，逐步在更大規(guī)模和更復(fù)雜的項目中推廣應(yīng)用。

5 結(jié)語

本研究系統(tǒng)總結(jié)了以機器學(xué)習(xí)、深度學(xué)習(xí)為代表的人工智能算法在建設(shè)項目管理工作中的應(yīng)用現(xiàn)狀，并剖析了其在應(yīng)用過程中的不足與挑戰(zhàn)，為建設(shè)項目管理工作智能化轉(zhuǎn)型提供了有力參考。

參考文獻

[1]BADUGE S K，THILAKARATHNA S，PERERA J S，et al.Artificial intelligence and smart vision for building and construction 4.0：machine anddeep learning methods and applications[J].Automation in Construction，2022（141）：104440.

[2]IVANOVA S，KUZNETSOV A，ZVEREV R，et al.Artificial intelligence methods for the construction and management ofbuildings[J].Sensors，2023，23（21）：8740.

[3]DONTHU N，KUMAR S，MUKHERJEE D，et al.How to conduct a bibliometric analysis：an overview and guidelines[J].Journal of Business Research，2021（133）：285-296.

[4]MA J，LI H，YU X，et al.Sweat analysis-based fatigue monitoring during construction rebar bendingtasks[J].Journal of Construction Engineering and Management，2023，149（9）：04023072.

[5]PADMAPOORANI P，SENTHILKUMAR S，MOHANRAJ R. Machine learning techniques for structural health monitoring of concrete structures：a systematic review[J].Iranian Journal of Science and Technology-Transactions of Civil Engineering，2023，47（4）：1919-1931.

[6]KAR A K，CHOUDHARY S K，SINGH V K.How can artificial intelligence impact sustainability：a systematic literature review[J].Journal of Cleaner Production，2022 （376）：134120.

[7]BODENDORF F，MERKL P，F(xiàn)RANKE J.Intelligent cost estimation by machine learningin supply management：a structured literature review[J].Computers amp; Industrial Engineering，2021（160）：107601.

[8]朱婷，車善婷，厲聞明.人工神經(jīng)網(wǎng)絡(luò)在建筑工程造價預(yù)算中的應(yīng)用[J].中國住宅設(shè)施，2024（5）：29-31.

[9]蘇中花.多場景下點云數(shù)據(jù)建筑物分割方法研究[D].成都：電子科技大學(xué)，2023.

[10]李姣姣.基于混合機器學(xué)習(xí)模型的建筑工程造價預(yù)測方法[J].九江學(xué)院學(xué)報（自然科學(xué)版），2023，38（4）：47-51.

[11]尉雅晨.基于強化學(xué)習(xí)的動態(tài)事故疏散[J].科學(xué)技術(shù)創(chuàng)新，2023（20）：129-132.

[12]SHAMSHIRI A，RYU K R，PARK J Y.Text mining and natural language processing inconstruction[J].Automation in Construction，2024（158）：105200.

[13]JIAO J，ZHAO M，LIN J，et al.A comprehensive review on convolutional neural network in machine fault diagnosis[J].Neurocomputing，2020（417）：36-63.

[14]張丙強.基于卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)損傷識別[D].廣州：廣州大學(xué)，2020.

[15]CHAI P，HOU L，ZHANG G，et al.Generative adversarial networks in constructionapplications[J].Automation in Construction，2024（159）：105265.

[16]TAN Y，XU W，CHEN P，et al.Building defect inspection and data management using computer vision，augmented reality，and BIM technology[J].Automation in Construction，2024（160）：105318.

[17]CAO Y，ZANDI Y，AGDAS A S，et al.A review study of application of artificial intelligence in construction management and composite beams[J].Steel and Composite Structures，2021，39（6）：685-700.

[18]孫玉慧.基于PCA-BP神經(jīng)網(wǎng)絡(luò)的水利工程進度預(yù)測[D].哈爾濱：黑龍江大學(xué)，2023.

[19]KAZEEM K O，OLAWUMI T O，OSUNSANMI T.Roles of artificial intelligence and machine learning in enhancing construction processes and sustainable communities[J].Buildings，2023，13（8）：2061.

[20]LIU Q，MA Y，CHEN L，et al.Artificial intelligence for production，operations and logistics management in modular construction industry：a systematic literature review[J].Information Fusion，2024（109）：102423.

[21]張旺，魏征.基于BIM技術(shù)的高支模工程成本動態(tài)分析及控制[J].項目管理技術(shù)，2022，20（12）：163-166.

[22]RABBI A B K，JEELANI I.AI integration in construction safety：current state，challenges，and future opportunities in text，vision，and audio based applications[J].Automation in Construction，2024（164）：105443.

[23]MA J，LI H，YU X，et al.Sweat analysis-based fatigue monitoring during construction rebar bendingtasks[J].Journal of Construction Engineering and Management，2023，149（9）： "04023072.

[24]XIANG Q，YE G，LIU Y，et al.Cognitive mechanism of con-" struction workers’ unsafe behavior：a systematic review[J].Safety Science，2023（159）：106037.

[25]DATTA S D，ISLAM M，SOBUZ M H R，et al.Artificial intelligence and machine learning applications in the project lifecycle of the construction industry：a comprehensive review[J].Heliyon，2024，10（5）：e26888.

[26]PAN Y，ZHANG L.Roles of artificial intelligence in construction engineering and management：a critical review and future trends[J].Automation in Construction，2021（122）：103517.

[27]馬登·武科曼諾維奇.項目管理的未來趨勢：數(shù)字化、道德監(jiān)管與人類決策的適應(yīng)性[J].項目管理技術(shù)，2024，22（7）：2-4.

收稿日期：2024-09-24

作者簡介：

李亞寧（1992—），男，工程師，研究方向：工程項目管理。

丁志坤（通信作者）（1978—），男，博士，教授，研究方向：智能建造、可持續(xù)建造管理。