人工智能在土木工程領域的應用研究現狀及展望

劉紅波　張帆　陳志華　王龍軒

摘要：作為新一代產業變革的核心驅動力，人工智能是全面提高土木工程領域數字化、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展及應用，定性分析了人工智能的基本研究領域，定量分析了人工智能在土木工程設計、制造、養維護階段的研究現狀，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、發展瓶頸和研究趨勢，并給出相應的解決辦法及研究思路。通過文獻綜述發現，土木工程領域已展開了大量人工智能研究

，但各階段智能化發展不均衡，實際應用也存在一定局限性，需深入探索神經網絡、大數據、深度學習等智能技術在土木工程全生命周期的交叉融合，促進土木工程領域人工智能研究的協同發展。

關鍵詞：土木工程；人工智能；智能設計；智能建造；智能養維護

中圖分類號：TU17；TP18? ? ?文獻標志碼：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、方法及技術的綜合性學科[1]，被認為是二十一世紀三大尖端技術之一，涵蓋了計算機科學、符號邏輯學、仿生學、信息論、控制論等眾多領域，屬自然科學、社會科學、技術科學三向交叉學科[2-3]。

自1956年美國達特矛斯會議（Dartmouth Conference）上提出“人工智能”的概念以來，其主要經歷了3個發展階段，分別是1956—1980年的人工智能起步階段，1980—1990年的專家系統盛行階段，2000年至今的深度學習階段[4]，如圖1所示。目前，人工智能已成為各領域的研究及應用熱點，中國是世界上在人工智能領域內行動最早、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“互聯網+”行動的指導意見》《“十三五”國家戰略性新興產業發展規劃》《新一代人工智能發展規劃》等政策，從各個方面詳細規劃了人工智能的重點發展方向，并明確指出人工智能是新一輪科技革命和產業變革的核心技術[5]。

建筑業是中國國民經濟的重要支柱產業，隨著土木工程建設項目的不斷增多，中國基礎設施逐步完善，城鎮化水平穩步提升。然而，在建筑業高速發展的同時，行業信息化水平較低、生產方式粗放、勞動生產率不高、資源消耗量大、科技創新能力不足等一系列問題愈發突出[6]。為實現土木工程行業的高質量發展，將人工智能技術應用于土木工程設計、建造、養維護的全生命周期中，深刻變革土木工程發展，全面提升土木工程行業的數字化、自動化、信息化和智能化。

目前，人工智能技術為建筑設計、生產建造及養維護等階段提供了新方法，在一定程度上實現了土木工程建設項目的智能化[7-8]。但人工智能技術在土木工程領域的應用還未能全面普及，隨著物聯網、云計算、大數據等相關科技產業的迅猛發展，將為實現智慧、綠色、可持續的土木工程建設項目帶來更多機遇和挑戰。

筆者定性分析了自然語言處理、計算機視覺、語音識別及交叉領域的研究現狀；定量分析了建筑設計、生產建造及養維護的智能化發展；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、發展瓶頸和研究趨勢，并給出相應的解決辦法及研究思路，為人工智能在土木工程領域的后續研究與發展提供參考。

1 人工智能的基礎研究領域

人工智能可分為自然語言處理、計算機視覺、語音識別和交叉領域4個基礎研究領域[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]。在土木工程領域，NLP從基礎性的語義相似度、依存句法分析到應用性的人機互動、報告分析等均展現了巨大的應用前景，利用NLP可將無結構化的風險信息、施工圖紙信息、施工組織方案信息轉化為結構化信息，從而對土木工程建設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生的報告誤差，利用NLP系統能自動掃描并快速分析大量非結構化報告，準確率超過95%，利用NLP系統還可從非結構化信息報告數據庫中獲取大量可靠的結構化數據集，從而提取新的安全信息，改善項目安全管理。王飛等[14]梳理了深度學習驅動下自然語言處理的發展，認為深度學習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習提供了更為廣闊的應用前景。Kim等[15]提出了基于NLP的建筑事故案例知識管理系統，如圖2所示，在該系統中，利用信息檢索模型可查詢與用戶意圖相關度達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，達到高效風險管理的目的。李舟軍等[16]介紹了NLP中靜態及動態預訓練技術，梳理了包括BERT和XLNet在內的新型預訓練方法，并給出了未來的發展方向。

綜合當前研究現狀來看，NLP的研究深度和應用范圍仍較低，首先表現為建筑領域詞庫通用性差導致的文件預處理質量不高，這將對NLP過程中的文本數據分詞、詞性標注等程序產生不利影響；然后是信息提取規則的制定有限，即在土木工程領域中難以獲得所有的項目數據（如項目合同書等），導致難以開發用于信息提取的所有可能的規則；此外，NLP的深度學習訓練模型與地方性語言有關，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習；最后，當前NLP多用于施工建造階段，而在設計、養維護等階段的應用較少，導致土木工程全生命周期文件管理的效率及質量較低。

1.2 計算機視覺

計算機視覺（Computer Vision）是以成像系統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、視頻中提取符號數字信息進行目標的識別、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域的混凝土裂縫檢測、結構損傷識別、施工現場安全監控等方面得到了大量研究，具有十分廣闊的應用前景[18]。

Zaurin等[19]提出了利用計算機視覺進行橋梁結構的健康監測，將圖像、視頻結合計算機視覺技術來檢測、分類和跟蹤不同車輛，并利用傳感數據確定橋梁結構的標準化響應。Seo等[20]總結了基于計算機視覺的施工現場安全與健康監測方法，將以往的計算機視覺研究分為目標監測、目標跟蹤及動作識別3類，并提出基于計算機視覺的安全與健康監測通用框架，如圖3所示。韓曉健等[21]采用計算機視覺技術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網絡裂縫識別模型，識別準確率超過98%，如圖4所示。Zhou等[22]提出了基于計算機視覺技術和深度學習算法的車輛載荷非接觸式自動辨識方法，建立了8 624幅車輛圖像數據集并進行深度卷積神經網絡（Deep Convolutional Neural Network， DCNN）訓練，最后將遷移學習與ImageNet提取的通用特征相結合，在強化學習策略下的辨識度最高可達98.17%。宋燕飛等[23]利用雙目立體視覺技術及圖像識別技術提出了空間網架結構的三維模型重建方法，并通過網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、大數據、深度學習等軟硬件技術的發展，計算機視覺技術得到不斷提升，但現

階段仍存在許多技術挑戰及應用難題。例如，計算機視覺在結構健康監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、環境因素等產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用效率和可靠性是后續的研究重點。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，但后期應用中如何觸發報警系統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]。

在建筑環境中，語音識別可用于車庫開關、語音密碼鎖，在家居環境中，語音識別可用于家電遙感，此外，語音識別還可用于關鍵詞檢索、號碼語音查詢等[25]。在未來的應用研究中，語音識別可為建筑智能安裝提供幫助，如建筑路線語音導航、機器人人機交互等，還可為災后生命體的有效識別提供協助。

在土木工程領域，目前語音識別的相關研究及應用較少，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，經常會出現各種不同的噪聲，提高對噪聲的處理是改善語音信號識別準確率的重要一環。其次，現有的語音信號識別系統對環境的依賴性普遍偏高，不同的環境會導致語音信號的識別準確率有較大差異，增強語音識別系統的魯棒性有助于實現系統的實際應用。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，語音模型的優化也是研究的重難點。

1.4 交叉領域

交叉領域（Interdisciplinary Fields）是指眾多跨學科性的學科群體，體現了科學研究向綜合性發展的趨勢，具有較高的復雜性、廣泛性和多樣性[26]。人工智能與土木工程的學科交叉可極大地提高基礎建設項目的工程質量和工作效率，十分契合中國對土木工程行業高質量發展模式的要求，是傳統土木工程行業轉型升級的發展趨勢[27]。

唐和生等[28]建立了基于人工神經網絡的矩形混凝土柱屈服強度預測模型，解析了影響混凝土柱屈服性能的關鍵因素，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部溫度預測模型，為后續養維護的監測、預測、預警提供依據。趙平等[30]為提高古建筑修繕階段的火災監測水平，提出一種基于YOLO-BP神經網絡的火災監測方法，如圖5所示，利用該方法監測古建筑修繕階段火災的準確率達93.9%。趙艷男等[31]提出了一種基于BP神經網絡的樹狀結構智能找形方法，利用該方法可對下層分級節點進行智能定位，從而實現樹狀結構的整體幾何形態智能找形。

隨著工業化、信息化和智能化的深度融合，傳統土木工程行業面臨深刻變革。全面開展智能設計、智能建造、智能養維護的技術研發與實踐，加強人工智能與土木工程的學科交叉體系建設，是促進土木工程全生命周期智能化發展的關鍵所在。此外，在人工智能與土木工程的交叉學科體系構建中，應堅持以土木工程為主體，以人工智能為輔助，用人工智能技術來支持和促進土木工程全生命周期的智能化發展。

2 人工智能在土木工程中的研究現狀

人工智能在土木工程領域的交叉研究主要體現在智能設計、智能建造和智能養維護3個方面。

2.1 智能設計

2.1.1 城市規劃設計

城市規劃是指對城市發展進行規范、對城市布局進行研究、對城市建設進行部署，合理的城市規劃是確保城市有序發展的前提[32]。將人工智能技術應用到城市規劃中被視為該領域的標志性變革，使用人工智能技術分析處理影響城市規劃的環境地質條件、人與交通行為等客觀因素，進行人工智能模式下的規劃設計，規避可能出現的規劃錯誤，從而實現智能規劃[33]。

吳志強[34]結合實際規劃項目構建了城市智能模型，用人工智能輔助城市規劃，進行精準布局，并闡述了“流”與“形”交互迭代的城市規劃新思想。甘惟[35]探索了長三角城市群落的智能模型，推演了各城市在區域基礎設施、生態資源、土地利用及產業分工等領域競爭合作關系下的發展路徑，如圖6所示。林博等[36]建立了城市規劃案例數據庫，利用機器學習和深度學習進行城市布局的智能規劃，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

專家系統（Expert System）主要應用于早期的人工智能結構設計中，屬智能計算機程序系統，該系統包含了土木工程領域專家水平的知識與經驗，以人工智能來模擬專家的決策過程，從而解決領域內需要專家決定的復雜問題[37-38]。

朱浮聲等[39]進行了基坑支擋結構專家系統的研發，利用該系統可幫助巖土工程師進行基坑支擋結構設計方案的選擇，還可提供更加合理的基坑支擋結構設計。徐宇鳴[40]利用人工智能技術，研發了基于邏輯和規則的能對多層鋼結構住宅進行結構設計的專家系統，并利用人工神經網絡編制了結構選型程序，對工程設計有一定指導意義。

2.1.3 拓撲優化

拓撲優化（Topology Optimization）是一種在給定荷載約束條件下尋求材料在設計區域內的最佳分布形式、獲得相應結構輕量化或某些性能最優的設計方法[41]。但對于大規模拓撲優化的求解，完成結構優化需要進行數百次甚至上千次的迭代計算，難以滿足高效優質的設計需求。近年來，越來越多的專家學者將機器學習、神經網絡、深度學習與拓撲優化框架結合，以提高拓撲優化的計算效率，實現實時拓撲優化[42]。

機器學習與拓撲優化。Lei等[43]采用可移動變形組件法將拓撲優化數值計算框架與機器學習相結合，利用機器學習給出初步拓撲構型預測，將預測結果作為迭代優化的初始布局進行后續優化，從而獲得最終的拓撲構型，如圖7所示。Jiang等[44]研究了基于機器學習的可移動變形組件拓撲參數優化策略，將極端隨機樹ET（Extra-Trees）圖像分類器集成到優化框架中，并與粒子群算法（Particle Swarm Optimization， PSO）相結合，形成閉環，從而使優化過程無需人工參數調整即可得到設計區域內的最優解，如圖8所示。Qiu等[45]提出了一種用于點陣結構的基于K-mean聚類的并發拓撲優化，該方法將宏觀優化區域分為若干子區域，以減少所需優化的微觀結構數量。

神經網絡與拓撲優化。Ulu等[46]將主成分分析與神經網絡相結合進行結構拓撲優化研究，以一組最優拓撲構型為初始數據，進行主成分分析并將其投影到低維空間，再利用神經網絡進行拓撲構型訓練，從而實現拓撲結構的預測功能，如圖9所示。White等[47]提出了一種基于神經網絡代理模型的多尺度拓撲優化，使用高分辨率微尺度代理模型進行訓練，從而預測具有微觀結構的超材料等效材料屬性。Deng等[48]提出了一種基于神經網絡的拓撲優化方法，討論了隱含層數量對模型幾何特征描述能力的影響，并實現了三維拓撲構型的快速預測。

深度學習與拓撲優化。Sasaki等[49]進行了基于深度學習的拓撲優化研究，證明了在不同工況、不同模型情況下，與傳統拓撲方法相比，卷積神經網絡（CNN）訓練得到的優化結果在結構性能上相似，但計算成本降低了10%～33%。Tan等[50]針對微結構提出了一種基于深度卷積生成對抗網絡（DCGAN）和卷積神經網絡（CNN）的深度學習模型，其中DCGAN用于生成滿足幾何條件的結構構型，CNN用于預測相關力學響應。Wang等[51]提出了一種用于結構拓撲優化的具有較強泛化能力的深度卷積神經網絡，即使在只有一個邊界條件的訓練數據集中，其泛化能力也能使模型以一定準確性解決具有不同邊界條件的拓撲問題。Nie等[52]提出了基于深度學習的生成式拓撲優化模型TopologyGAN，在未知邊界條件情況下，與傳統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，大幅提高了拓撲結構的預測精度，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：施工現場智能管理、BIM、數字孿生、3D打印和智能機器人等。

2.2.1 施工現場智能管理

傳統的施工現場管理大多采用人工監察，存在效率低、排查慢、預防性差等問題，利用人工智能技術對施工現場進行智能識別、智能排查、智能報警，可有效避免各種違規行為，實現施工現場的智能管理[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系匹配，最后對未佩戴安全帽的施工人員發出相應警報。Yu等[56]提出了一種基于圖像骨架的參數化方法，該方法的核心理念是姿態引導，通過將動態行為轉化為靜態姿態來實現建筑工人不安全行為的實時監察。Fang等[57]利用深度學習技術，進行了遠程監控視頻中施工人員安全帽佩戴的檢測識別研究，根據施工現場視覺特征，將圖像分為19類數據集進行試驗，結果表明，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）是以建設項目信息數據為輸入，通過整合建筑數據，實現建筑信息的共享傳遞，是建設項目物理設施和功能特性的數字化表達[58]。運用BIM技術可有效排查圖紙設計錯誤、降低方案優化成本、縮短施工工期、提高項目效益[59]。

Kwon等[60]運用BIM技術、圖像匹配技術及增強現實技術開發了施工缺陷管理系統，該系統中的圖像匹配功能可使質量檢測無需在施工現場進行，降低了施工現場的返工成本，此外，還可自動檢測施工現場的尺寸誤差。白庶等[61]進行了BIM在裝配式建筑中的應用價值分析，認為利用BIM技術可有效改善裝配式預制件的生產流程，有助于裝配式建筑向智能化、信息化方向發展。

2.2.3 數字孿生

數字孿生（Digital Twin， DT）是將現實世界中的物理模型映射到數字世界中，在虛擬的數字世界中形成與現實世界物理模型相對應的數字模型[62]。利用數字孿生技術可實現雙向的信息交流與迭代優化，達到對現實世界物理系統的改善目的[63]。

Tao等[64]提出了數字孿生車間的概念，設計了數字孿生車間的組成與運行機制，為數字孿生在生產制造環節的落地應用提供了基礎理論支撐。謝琳琳等[65]通過集成BIM、物聯網、大數據等先進信息技術，構建了基于BIM+數字孿生技術的裝配式建筑項目調度智能化管理平臺，實現了物理施工系統與虛擬施工系統間的實時交互，提高了裝配式建筑調度的自主性、預測性與智能性。劉占省等[66]提出了基于數字孿生的智能建造方法框架，使用實時監測數據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?。?D Pinting， 3DP）是以三維模型數據為輸入，將結構模型轉化為虛擬代碼，通過切片軟件及操作系統引導3D打印機逐層積累材料，實現實體結構的成型。3D打印是近年來最為熱門的高新技術之一，具有無需機械加工、無需組裝、設計空間無限制、實體制造精確、所需物理空間低等優點，已在諸多領域得到廣泛應用[67]。

Perkins等[68]回顧了3D打印技術在建筑行業的應用狀況，認為3D打印技術與建筑行業智能化、信息化的發展方向十分契合。丁烈云等[69]對3D打印的研究現狀進行了梳理歸納，以需求為導向，將3D打印分為兩大類：一類是代替人工面向大型構件、房屋建筑物的自動化建造，另一類是面向雕塑、異形構件的個性化制造，最后指出3D打印技術距離應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，代替或協助施工人員完成施工任務的智能化機器設備。智能機器人的應用是保障施工人員安全、提升建筑工程質量的必然選擇[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，并將其應用到港珠澳大橋總拼鋼主梁腹板對接中，發現采用機器人自動焊接工藝后，焊縫質量及焊接效率顯著提升，焊接成本明顯降低。周沖等[72]提出了一套面向預制PC構件生產線的智能機器人系統，該系統擁有智能物流、柔性裝配、智能檢測等功能，實現了構件生產的智能化。郭俊可等[73]基于盾構施工特點對換刀機器人的精確定位技術進行了研究，認為基于視覺導航的刀具精確定位技術可應用于機器人換刀作業，并且機器人視覺導航定位精度可達0.5 mm，滿足現場使用需求。

2.3 智能養維護

智能養維護（Intelligent Maintenance）是通過智能監測設備將遠距離建筑或設施的健康數據連續不斷的提供給數據處理智能系統，由智能系統發出養維護指令并提供數據分析結果[74]。近年來，越來越多的專家學者從視覺驅動和數據驅動兩方面進行智能養維護研究，極大促進了養維護階段的智能化發展。

2.3.1 視覺驅動的智能養維護

無人機（Unmanned Aerial Vehicle， UAV）是一種利用無線遙控設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點[75]。在土木工程領域，無人機能在不影響建筑結構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構健康監測、評估方式及構件維護策略[76]。

Khan等[77]利用裝備了非接觸多光譜成像系統的無人機，對橋梁表面裂縫進行健康監測研究，認為該系統在揭示引發橋面開裂原因及全面記錄開裂位置等方面具有重要優勢。Reagan等[78]提出了一種結合使用無人機和三維數字圖像的非接觸式橋梁健康監測方法，經過對兩座現役混凝土橋梁的長期監測，驗證了該方法監測結構狀態的準確性，利用該方法可監測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，利用深度學習算法檢測結構表面裂縫，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構裂縫，如圖13所示。

此外，利用檢測機器人可實現對結構的近距離檢測，甚至可對結構內部的健康狀況進行評估。王杰等[80]結合中國焊縫檢測機器人發展現狀，對近幾年焊縫檢測機器人的機械結構設計、檢測傳感器選擇和導航跟蹤控制3個方面展開詳細敘述。季云峰等[81]以斜拉索表觀檢測為研究對象，開發了能自動沿拉索爬升并完成斜拉索表觀檢測任務的智能檢測機器人，該檢測機器人具有小型化、快速自爬行、高質量圖像采集、缺陷自動化識別等優點。

2.3.2 數據驅動的智能養維護

人工神經網絡（Artificial Neural Network， ANN）是對人腦或自然神經系統的基本特征進行抽象模擬，由大量神經元按照不同權重進行信息傳輸的巨型復雜網絡，具有并行計算、自組織、聯想記憶等優點，被廣泛應用于各種領域[82]。在土木工程領域的智能養維護中，應用人工神經網絡可處理模糊、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，十分適合結構健康的在線監測和實時診斷[83]。近年來，越來越多的專家學者結合BP神經網絡、GA-BP神經網絡、PSO-BP神經網絡、卷積神經網絡等進行建筑結構智能養維護研究。

BP神經網絡與智能養維護。姜紹飛等[84]提出了將BP神經網絡與D-S證據理論融合的損傷識別方法，充分地將神經網絡非線性建模和D-S證據理論不確定性推理進行有機結合，對來自復雜結構的多源信息進行融合，進而識別損傷。Pathirage等[85]通過優化BP神經網絡模型，提出一種基于自編碼器的結構損傷識別框架，用于解決振動特征與結構損傷間的非線性識別問題。謝曉凱等[86]針對大跨空間結構長期應力監測中數據缺失的問題，通過BP神經網絡建立相關關系模型，對缺失數據進行重建修復，如圖14所示。Padil等[87]針對結構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神經網絡方法，以壓縮頻響數據為輸入，提高了訓練效率及識別精度。

GA-BP神經網絡與智能養維護。Na等[88]針對因結構健康監測數據不足而產生的損傷識別誤差，進行了基于遺傳算法的剪力結構損傷識別研究，在動態特性數據不足、結構剛度參數不準確的情況下，該研究可利用結構柔性矩陣推導結構損傷程度和損傷位置。Li等[89]以車輛在不同狀態下通過橋梁時的垂直加速度為初始響應，采用遺傳算法進行損傷識別及定位，模擬結果表明，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梁橋進行損傷識別。毛云霄等[90]采用遺傳算法實現了橋梁結構不同損傷狀態的識別，認為GA算法能以較高效率實現橋梁多目標損傷識別，且橋梁跨中、3/4跨的損傷識別結果較橋梁端部更為準確。

PSO-BP神經網絡與智能養維護。Mohan等[91]利用PSO算法對結構固有頻率的變化進行裂紋識別研究，認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參數即可得到有效識別結果。許如鋒等[92]以連續梁橋為研究對象，提出將偽比能變化率作為損傷識別指標，用改進PSO算法優化BP神經網絡的權值和閾值參數，建立了PSO-BP損傷預測模型。徐菁等[93]用粒子群算法進行體育館健康監測系統中傳感器最優布點的研究，認為該方法具有更快的收斂速度和更穩定的優化結果，最后以西寧市體育館雙層球面網殼鋼結構為例進行傳感器優化布置，如圖15所示。

卷積神經網絡（Convolutional Neural Network， CNN）與智能養維護。Cha等[94]利用深度卷積神經網絡自主學習圖像特征的能力，提出基于視覺的混凝土裂縫檢測方法，在256像素×256像素的圖像上訓練，該方法設計的CNN識別準確率為98%，與滑動窗口技術相結合，訓練后的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]將卷積神經網絡用于鋼框架結構的損傷識別中，并基于1D-CNN進行了9種損傷工況下的健康監測研究。Atha等[96]提出了一種基于卷積神經網絡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網絡結構對腐蝕評估的影響，如圖17所示。李雪松等[97]以IASC-ASCE SHM Benchmark結構的數值模擬數據為研究對象，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確率，證明卷積神經網絡直接以加速度數據進行分類的有效性和穩定性。何浩祥等[98]為解決傳統損傷識別方法對橋梁局部小損傷識別能力較弱的問題，提出利用卷積神經網絡對橋梁損傷進行統計模式識別，通過逐層智能學習，實現更準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識別。

3 人工智能在土木工程中的應用研究趨勢

人工智能在土木工程領域有著廣泛的研究與應用，為建筑設計、生產建造、結構養維護提供了新理念、新方法，而在實際建設中，考慮到生產造價、建造技術、人員配備等因素限制，人工智能在土木工程領域的應用還未能全面普及。綜合考慮人工智能在土木工程領域的研究現狀，利用CiteSpace文獻分析工具，對中國知網（CNKI）數據庫刊載的人工智能與土木工程的相關文獻情況及研究熱點進行可視化分析?？偨Y中國研究現狀、探索目前研究熱點、發現未來研究趨勢，并針對存在的問題提出發展建議，為人工智能在土木工程領域的相關研究提供參考。

CiteSpace是由美國德雷塞爾大學陳超美教授于2004年開發出的一款可視化軟件[99]。該軟件通過數據挖掘、文獻計量、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點關聯，從而分析研究對象間的共現關系與共引關系[100]。

數據來源于中國知網數據庫，檢索方式為基本檢索，由于人工智能涵蓋范圍十分廣泛，如智能設計方面的拓撲優化、智能建造方面的3D打印等。難以將所有文獻盡數統計分析，因此，在檢索過程中，以人工智能為主題，選擇學科分類里的建筑科學與工程，共檢索出相關文獻3 098篇，在剔除會議報告、新聞宣傳、碩博論文、圖書專利等數據后，最終確定文獻2 076篇，將目標文獻按CiteSpace所需格式轉碼導出后，得到文獻樣本數據庫。

對CiteSpace參數進行設置。為探索自2000年以來人工智能在土木工程中的研究現狀，選擇時間切片（Time Slicing）為2000年至2021年，時間分區長度（YearsPerSlice）為1；術語資源（Term Source）勾選標題（Title）、摘要（Abstract）、作者關鍵詞（Author Keywords）及關鍵詞拓展（Keywords Plus），節點類型為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（Cluster View-Static）。

1） 年發文量分析

年發文量代表科研成果的產出狀況，是衡量人工智能在土木工程領域的研究熱度與發展趨勢的重要指標。如圖18所示，2015年之前論文年發表量基本維持在10～30篇，而2015年之后，深度學習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域的關注度持續高漲，中國人工智能產業迅速發展，研究團隊不斷壯大，發表量逐年攀升。

2） 關鍵詞頻數及中心性分析

通過構建關鍵詞共現網絡，發現人工智能在土木工程領域的研究共有596個節點和928條連線，每個節點代表文獻若干篇，節點越大則關鍵詞的詞頻就越大，與該主題的相關性就越強，節點間的連線代表關鍵詞間的共現關系。為更加清晰地展示人工智能在土木工程領域的研究現狀，在共性參數的基礎上，將關鍵詞控制面板的閾值參數設為13（閾值0為展示全部關鍵詞），從而隱藏頻數較低的關鍵詞，最終關鍵詞共現網絡如圖19所示。經CiteSpace處理后顯示的高頻關鍵詞統計如表1所示，關鍵詞中心性統計如表2所示。

關鍵詞是對文獻內容的高度概括。由表1可知，頻數排名前5的關鍵詞為人工智能、物聯網、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域的研究熱點，但不能代表近幾年的發展趨勢，還需結合圖18關鍵詞共現網絡及表2關鍵詞中心性統計進行綜合分析。

中心性是關鍵詞在共現網絡中“媒介”能力的體現，是關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點越重要，中心性越強。由表2可知，中心性排名前3的關鍵詞為人工智能、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、語音識別和交叉領域，在土木工程智能化發展中，智能機器人可應用于智能建造、智能養維護等方面；BIM的研究同樣得到了極大關注，在建設項目全生命周期內均有應用。

由表1、表2對比可知，關鍵詞的頻數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域的研究熱點在一定程度上不太分明。其中，頻數和中心性排名均靠前的關鍵詞有人工智能、機器人、BIM，是人工智能在土木工程領域的熱點主題；云計算、學習、信息化的關鍵詞中心性較大，說明這些關鍵詞的中介作用十分明顯，雖然頻數相對較低，但其中介作用使之成為人工智能在土木工程領域發展的有效切入點。

由圖18可知，中國土木工程領域的研究以人工智能為核心，圍繞深度學習、BIM、機器人、決策系統、建筑設計等不同方向進行，整體上呈分散狀，不局限于單一研究熱點。其中與智能技術相關的關鍵詞，如深度學習、神經網絡、云計算、物聯網等集中在一起，且這些關鍵詞在表1、表2中均有較高的頻數和中心性，代表這些關鍵詞相關性較強且研究較多，是促進土木工程行業向高效、智能、可持續方向發展的關鍵。此外，圖18的關鍵詞共現網絡是特定域中的靜態表示，不能反映人工智能在土木工程領域內研究主題的變化，還應考慮關鍵詞共現網絡中的時間因素。由時間圖例可知，自2015年起，云計算、信息化、大數據、機器學習、神經網絡、深度學習等方向的關鍵詞得到了持續關注，是近幾年土木工程智能化的研究重點。

3） 關鍵詞時序演進分析

利用CiteSpace中的爆破檢測算法，可統計一定時期內引起專家學者普遍關注的關鍵詞，如表3所示，是人工智能在土木工程中相關文獻的突現關鍵詞統計。關鍵詞強度值越高，代表所考慮時間間隔內得到的關注就越多；突現關鍵詞在一定時期內可發生變化，反映出對應時期內的研究趨勢，紅色橫線部分是關鍵詞突現的時間范圍，據此可判定該階段的前沿主題。根據突現關鍵詞的起止時間，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年至今的現階段。

人工智能在土木工程中研究的初級階段（2000—2010年）。突現關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展，主要進行了專家系統、人地關系、機器學習、神經網絡等初級人工智能的探索，智能化程度較低。其中，專家系統的強度值為最高的7.16，表明早期人工智能在土木工程領域的探索集中在專家系統的研究；隨著人工智能技術的不斷進步，機器學習、神經網絡等方向逐漸被眾多學者所研究，尤其是神經網絡的強度值達到了6.43，在初級階段中處于較高水平。表明后來專家學者主要進行人工神經網絡的研究，促進了土木工程領域的智能化發展。

人工智能在土木工程中研究的現階段（2011年至今）。突現關鍵詞的變化較為顯著，時間跨度基本保持在2～3 a，表明現階段是人工智能在土木工程領域的高速發展期，每過幾年就有新的智能技術得到突破，越來越多的專家學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，學習的強度值為最高的9，表明現階段主要進行學習相關的研究，如智能化較低的機器學習與智能化較高的深度學習；最后的突現關鍵詞是大數據，表明現階段研究朝著數字化、自動化、信息化、智能化的方向進行；此外，突現關鍵詞還包含了智能家居、智慧建筑、建筑設計等不同應用方向，表明現階段的智能化發展較為全面，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域的研究成果進行文獻計量和可視化分析，明確該領域的研究現狀、研究熱點和前沿主題，結合土木工程領域智能化發展的實際需要，對今后的發展前景做出展望。

1）重視人工智能在土木工程領域各方向的均衡發展。目前，人工智能作為促進土木工程領域向數字化、自動化、信息化和智能化發展的有效手段，得到了普遍關注與研究，如智能設計方向的拓撲優化研究，智能建造方向的BIM、3D打印研究。智能養維護方向的無人機、人工神經網絡研究，但各研究方向發展不均衡，接下來應擴展人工智能在土木工程領域的研究范圍，積極探索人工智能在土木工程領域不同方向的嘗試。

2）強化土木工程領域的智能化研究深度。根據前沿研究文獻及上述可視化分析可知，現階段研究主要集中在神經網絡、大數據和深度學習等方向。相較于以往研究，智能化程度越來越高，接下來應深入探求更高水平的智能技術，如智能算法、智能科學家、強化學習等。

3）擴展人工智能在土木工程領域的適用情境和服務對象。產業應用是推動人工智能在土木工程領域發展的重要驅動力，為促進人工智能在土木工程領域的快速發展，近年來，中國出臺了眾多人工智能產業的相關政策。然而在土木工程領域，相較于智能化研究水平，智能化應用程度仍然較低，接下來，應加強人工智能在土木工程領域的實際應用，真正把科學研究應用到實際生產中，從而實現土木工程領域高效、智能、可持續發展。

4）加強跨機構、跨領域的合作研究。目前，人工智能在土木工程領域的創新研究有了一定積累，但在土木工程各研究方向的融合發展尚有所欠缺。接下來應建立土木工程各研究方向的人工智能協同創新體系，解決不同研究團隊間的集成度不高、信息孤島等問題，以人工智能技術為切入點，實現土木工程全生命周期智能化發展的最終目標。

5 結論

定性梳理了自然語言處理、計算機視覺、語音識別、交叉學科這4個人工智能基礎研究領域的相關研究，定量分析了智能設計、智能建造和智能養維護的研究現狀，利用CiteSpace可視化軟件總結人工智能在土木工程領域的研究趨勢并進行展望，得到以下結論：

1）人工智能在土木工程基礎研究領域中均有應用，但整體智能化程度較低，實際應用也存在一定局限性，后續研究應結合大數據、深度學習、強化學習等智能技術，促進土木工程在基礎研究領域的智能發展。

2）智能設計、智能建造、智能養維護的相關研究及應用較為廣泛，但智能化發展不均衡，各階段主要集中在某一方面或某一問題的研究，接下來應關注土木工程全生命周期的整體智能化發展，提高土木工程各階段智能化水平。

3）現階段人工智能技術得到極大關注，眾多研究團隊開展了土木工程領域智能化研究，但大多集中在某一方向的研究，各研究方向的融合發展尚有所欠缺，接下來應打破信息壁壘，促進各研究團隊間智能技術的交流合作，推進土木工程智能研究的協同發展。

參考文獻

[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業政策量化分析[J]. 科學學研究， 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外智慧建造研究可視化分析[J]. 建筑結構學報， 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模型參數在線識別方法[J]. 重慶大學學報， 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. 預制疊合板構件智能化識別與檢測方法[J]. 土木與環境工程學報（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. 自然語言處理技術在建筑工程中的應用研究綜述[J]. 圖學學報， 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. 新技術驅動的自然語言處理進展[J]. 武漢大學學報（工學版）， 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訓練技術研究綜述[J]. 計算機科學， 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. 基于無監督域自適應的計算機視覺任務研究進展[J]. 中國科學： 技術科學， 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構系統識別[J]. 土木工程學報， 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的結構表面裂縫檢測方法研究[J]. 建筑結構學報， 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架結構三維重建[J]. 空間結構， 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. 魯棒語音識別技術綜述[J]. 安徽大學學報（自然科學版）， 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+”學科建設探索與實踐[J]. 計算機科學， 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. 人工神經網絡預測混凝土柱屈服性能[J]. 湖南大學學報（自然科學版）， 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測中的運用[J]. 材料導報， 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神經網絡的古建筑修繕階段火災監測方法[J]. 中國安全生產科學技術， 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， 王英奇， 等. 基于BP神經網絡算法的樹狀結構智能找形研究[J]. 建筑結構學報， 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. 城市規劃與設計中的人工智能[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劃理論與模型[J]. 規劃師， 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計框架： 以溫州市中央綠軸北延段為例[J]. 規劃師， 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. 基于神經網絡與專家系統的智能評估系統[J]. 重慶建筑大學學報， 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. 基坑支擋結構設計專家系統的開發與研制[J]. 東北大學學報（自然科學版）， 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. 多層鋼結構住宅結構設計專家系統（MSR-ES）[D]. 沈陽： 東北大學， 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， 謝獻忠， 等. 漸進演化類拓撲優化算法的優化準則對比研究[J]. 土木與環境工程學報（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. 智能建造技術發展現狀與未來趨勢[J]. 建筑技術， 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. 基于深度學習三維重建技術的建筑施工進度管理自動化系統構建[J]. 土木與環境工程學報（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和數據驅動的智能運維管理方法[J]. 清華大學學報（自然科學版）， 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技術在裝配式建筑中的應用價值分析[J]. 建筑經濟， 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. 數字孿生及其應用探索[J]. 計算機集成制造系統， 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+數字孿生技術的裝配式建筑項目調度智能化管理平臺研究[J]. 建筑經濟， 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. 基于數字孿生的智能建造方法及模型試驗[J]. 建筑結構學報， 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構面異形隧洞的變形破壞研究[J]. 土木與環境工程學報（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打印數字建造技術研究應用綜述[J]. 土木工程與管理學報， 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. 預制PC構件生產線工業機器人系統設計[J]. 施工技術， 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. 基于視覺導航定位的盾構機器人換刀技術研究[J]. 隧道建設（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. 結構健康監測若干方法與技術研究進展綜述[J]. 廈門大學學報（自然科學版）， 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. 大型鐵路站房結構健康監測研究現狀評述[J]. 土木與環境工程學報（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]. 土木與環境工程學報（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. 焊縫檢測機器人的研究現狀及其發展趨勢[J]. 傳感器與微系統， 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[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. 土木工程結構健康監測研究進展[J]. 防災減災工程學報， 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神經網絡和D-S證據理論的損傷識別方法[J]. 沈陽建筑大學學報（自然科學版）， 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. 基于神經網絡的大跨度空間鋼結構應力實測缺失數據修復方法研究[J]. 空間結構， 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. 基于應變和PSO-BP神經網絡的連續梁橋損傷識別方法[J]. 安全與環境學報， 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測系統中傳感器的最優布點[J]. 空間結構， 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. 基于卷積神經網絡的結構損傷識別[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. 基于卷積神經網絡和遞歸圖的橋梁損傷智能識別[J]. 應用基礎與工程科學學報， 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）