劉紅波 ,張帆 ,陳志華,1b ,王龍軒

（1.天津大學(xué) a.建筑工程學(xué)院；b.濱海土木工程結(jié)構(gòu)與安全教育部重點(diǎn)實(shí)驗(yàn)室，天津 300072；2.河北工程大學(xué) 土木工程學(xué)院，河北 邯鄲 056000）

人工智能（Artificial Intelligent,AI）是一門利用計(jì)算機(jī)模擬、延伸及擴(kuò)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(jì)算機(jī)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(gè)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(diǎn)，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(jìn)“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(gè)方面詳細(xì)規(guī)劃了人工智能的重點(diǎn)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]。

圖1 人工智能發(fā)展歷程Fig.1 Artificial intelligence development history

建筑業(yè)是中國國民經(jīng)濟(jì)的重要支柱產(chǎn)業(yè)，隨著土木工程建設(shè)項(xiàng)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(shí)，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(shí)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(jì)、建造、養(yǎng)維護(hù)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(jì)、生產(chǎn)建造及養(yǎng)維護(hù)等階段提供了新方法，在一定程度上實(shí)現(xiàn)了土木工程建設(shè)項(xiàng)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(jì)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(shí)現(xiàn)智慧、綠色、可持續(xù)的土木工程建設(shè)項(xiàng)目帶來更多機(jī)遇和挑戰(zhàn)。

筆者定性分析了自然語言處理、計(jì)算機(jī)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(jì)、生產(chǎn)建造及養(yǎng)維護(hù)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(jì)算機(jī)視覺、語音識別和交叉領(lǐng)域4 個(gè)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(jì)算機(jī)為媒介對人類特有的自然語言進(jìn)行加工處理，使計(jì)算機(jī)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(jī)互動、報(bào)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(xiǎn)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(xiàng)目的日常文檔進(jìn)行隱性知識（如危險(xiǎn)對象、危險(xiǎn)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(bào)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(bào)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(bào)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(xiàng)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(jìn)步，自然語言處理的進(jìn)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(xiǎn)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。

圖2 建筑事故案例知識管理系統(tǒng)[15]Fig.2 Knowledge management system for construction accident cases

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(xiàng)目數(shù)據(jù)（如項(xiàng)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(jìn)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(jì)、養(yǎng)維護(hù)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(jì)算機(jī)視覺

計(jì)算機(jī)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(jìn)行目標(biāo)的識別、檢測及跟蹤，最終使計(jì)算機(jī)能夠像人一樣通過視覺來“觀察”和“理解”世界[17]。計(jì)算機(jī)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(jì)算機(jī)視覺進(jìn)行橋梁結(jié)構(gòu)的健康監(jiān)測，將圖像、視頻結(jié)合計(jì)算機(jī)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(jì)算機(jī)視覺的施工現(xiàn)場安全與健康監(jiān)測方法，將以往的計(jì)算機(jī)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(jì)算機(jī)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(jì)算機(jī)視覺技術(shù)進(jìn)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(jì)算機(jī)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(jìn)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(qiáng)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(shí)測試驗(yàn)來驗(yàn)證該方法的可行性。

圖3 基于計(jì)算機(jī)視覺的安全與健康監(jiān)測通用框架[20]Fig.3 General framework for computer vision-based safety and health monitoring

圖4 基于計(jì)算機(jī)視覺技術(shù)的混凝土表面裂縫檢測[21]Fig.4 Surface crack detection of concrete based on computer vision technology

隨著并行計(jì)算、云計(jì)算、大數(shù)據(jù)、深度學(xué)習(xí)等軟硬件技術(shù)的發(fā)展，計(jì)算機(jī)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(jì)算機(jī)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(jì)算機(jī)視覺的應(yīng)用效率和可靠性是后續(xù)的研究重點(diǎn)。此外，計(jì)算機(jī)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(bào)警系統(tǒng)及人機(jī)耦合等方面有待進(jìn)一步研究。

1.3 語音識別

語音識別（Speech Recognition）是指計(jì)算機(jī)將輸入的語音信號進(jìn)行識別理解后轉(zhuǎn)換為文本輸出的過程，使計(jì)算機(jī)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(jī)器人人機(jī)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(diǎn)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(shí)，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(qiáng)語音識別系統(tǒng)的魯棒性有助于實(shí)現(xiàn)系統(tǒng)的實(shí)際應(yīng)用。最后，在語音交互時(shí)，語義、語速及情緒均會影響語音的真實(shí)含義，因此，語音模型的優(yōu)化也是研究的重難點(diǎn)。

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(xiàng)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(qiáng)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(hù)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(diǎn)進(jìn)行智能定位，從而實(shí)現(xiàn)樹狀結(jié)構(gòu)的整體幾何形態(tài)智能找形。

圖5 YOLO 算法[30]Fig.5 YOLO algorithm

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(jì)、智能建造、智能養(yǎng)維護(hù)的技術(shù)研發(fā)與實(shí)踐，加強(qiáng)人工智能與土木工程的學(xué)科交叉體系建設(shè)，是促進(jìn)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(jiān)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(jìn)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(jì)、智能建造和智能養(yǎng)維護(hù)3 個(gè)方面。

2.1 智能設(shè)計(jì)

2.1.1 城市規(guī)劃設(shè)計(jì)

城市規(guī)劃是指對城市發(fā)展進(jìn)行規(guī)范、對城市布局進(jìn)行研究、對城市建設(shè)進(jìn)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(jìn)行人工智能模式下的規(guī)劃設(shè)計(jì)，規(guī)避可能出現(xiàn)的規(guī)劃錯(cuò)誤，從而實(shí)現(xiàn)智能規(guī)劃[33]。

吳志強(qiáng)[34]結(jié)合實(shí)際規(guī)劃項(xiàng)目構(gòu)建了城市智能模型，用人工智能輔助城市規(guī)劃，進(jìn)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(jī)器學(xué)習(xí)和深度學(xué)習(xí)進(jìn)行城市布局的智能規(guī)劃，并以溫州中央綠軸為例驗(yàn)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(jì)中，屬智能計(jì)算機(jī)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(yàn)，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(jìn)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(jìn)行基坑支擋結(jié)構(gòu)設(shè)計(jì)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(jì)。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(jìn)行結(jié)構(gòu)設(shè)計(jì)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(jì)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(jì)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(jì)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(jìn)行數(shù)百次甚至上千次的迭代計(jì)算，難以滿足高效優(yōu)質(zhì)的設(shè)計(jì)需求。近年來，越來越多的專家學(xué)者將機(jī)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(jì)算效率，實(shí)現(xiàn)實(shí)時(shí)拓?fù)鋬?yōu)化[42]。

機(jī)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(jì)算框架與機(jī)器學(xué)習(xí)相結(jié)合，利用機(jī)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(jìn)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(jī)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(jī)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(jì)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(diǎn)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。

圖7 基于機(jī)器學(xué)習(xí)的拓?fù)鋬?yōu)化[43].Fig.7 Topology optimization based on machine learning

圖8 基于粒子群算法的拓?fù)溥^程[44]Fig.8 The topological process based on PSO

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(jìn)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(jìn)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(jìn)行拓?fù)錁?gòu)型訓(xùn)練，從而實(shí)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(jìn)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(shí)現(xiàn)了三維拓?fù)錁?gòu)型的快速預(yù)測。

圖9 基于神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)預(yù)測[46]Fig.9 Neural network-based topology prediction

深度學(xué)習(xí)與拓?fù)鋬?yōu)化。Sasaki 等[49]進(jìn)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?，卷積神經(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(jì)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(qiáng)泛化能力的深度卷積神經(jīng)網(wǎng)絡(luò)，即使在只有一個(gè)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。

圖10 基于深度學(xué)習(xí)的TopologyGAN 模型[52]Fig.10 TopologyGAN model based on deep learning

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(jī)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(jìn)行智能識別、智能排查、智能報(bào)警，可有效避免各種違規(guī)行為，實(shí)現(xiàn)施工現(xiàn)場的智能管理[54]。

Park 等[55]提出了一種基于計(jì)算機(jī)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(jìn)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(bào)。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(shí)現(xiàn)建筑工人不安全行為的實(shí)時(shí)監(jiān)察。Fang 等[57]利用深度學(xué)習(xí)技術(shù)，進(jìn)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(jìn)行試驗(yàn)，結(jié)果表明，該方法的識別精度超過90%，如圖11 所示。

圖11 施工人員安全帽佩戴檢測實(shí)例[57]Fig.11 Example of helmet wearing test for construction personnel

2.2.2 BIM

建筑信息模型（Building Information Modeling,BIM）是以建設(shè)項(xiàng)目信息數(shù)據(jù)為輸入，通過整合建筑數(shù)據(jù)，實(shí)現(xiàn)建筑信息的共享傳遞，是建設(shè)項(xiàng)目物理設(shè)施和功能特性的數(shù)字化表達(dá)[58]。運(yùn)用BIM 技術(shù)可有效排查圖紙?jiān)O(shè)計(jì)錯(cuò)誤、降低方案優(yōu)化成本、縮短施工工期、提高項(xiàng)目效益[59]。

Kwon 等[60]運(yùn)用BIM 技術(shù)、圖像匹配技術(shù)及增強(qiáng)現(xiàn)實(shí)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(jìn)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(jìn)行了BIM 在裝配式建筑中的應(yīng)用價(jià)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(shí)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(shí)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(shí)現(xiàn)雙向的信息交流與迭代優(yōu)化，達(dá)到對現(xiàn)實(shí)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(jì)了數(shù)字孿生車間的組成與運(yùn)行機(jī)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(jìn)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(xiàng)目調(diào)度智能化管理平臺，實(shí)現(xiàn)了物理施工系統(tǒng)與虛擬施工系統(tǒng)間的實(shí)時(shí)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(shí)時(shí)監(jiān)測數(shù)據(jù)與理論模型進(jìn)行對比，進(jìn)而對物理空間的實(shí)際施工過程進(jìn)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(yàn)為例，進(jìn)行了驗(yàn)證，如圖12 所示。

2.2.4 3D 打印

3D 打?。?D 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(jī)逐層積累材料，實(shí)現(xiàn)實(shí)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(jī)械加工、無需組裝、設(shè)計(jì)空間無限制、實(shí)體制造精確、所需物理空間低等優(yōu)點(diǎn)，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(jìn)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(gè)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(jī)器人

智能機(jī)器人（Intelligent Robot）是指按照計(jì)算機(jī)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(jī)器設(shè)備。智能機(jī)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(jī)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(jī)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(jī)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(shí)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(diǎn)對換刀機(jī)器人的精確定位技術(shù)進(jìn)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(jī)器人換刀作業(yè)，并且機(jī)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(hù)

智能養(yǎng)維護(hù)（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(hù)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(jìn)行智能養(yǎng)維護(hù)研究，極大促進(jìn)了養(yǎng)維護(hù)階段的智能化發(fā)展。

2.3.1 視覺驅(qū)動的智能養(yǎng)維護(hù)

無人機(jī)（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(jī)在空中懸停等優(yōu)點(diǎn)[75]。在土木工程領(lǐng)域，無人機(jī)能在不影響建筑結(jié)構(gòu)正常運(yùn)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(hù)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(jī)，對橋梁表面裂縫進(jìn)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(jī)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(yàn)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(jìn)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(jì)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。

圖13 基于UAV 的裂紋識別[79]Fig.13 UAV-based crack identification

此外，利用檢測機(jī)器人可實(shí)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(jìn)行評估。王杰等[80]結(jié)合中國焊縫檢測機(jī)器人發(fā)展現(xiàn)狀，對近幾年焊縫檢測機(jī)器人的機(jī)械結(jié)構(gòu)設(shè)計(jì)、檢測傳感器選擇和導(dǎo)航跟蹤控制3 個(gè)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(jī)器人，該檢測機(jī)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(diǎn)。

2.3.2 數(shù)據(jù)驅(qū)動的智能養(yǎng)維護(hù)

學(xué)生不理解施工圖紙信息，難以完成相關(guān)工程量的計(jì)算。 但在工程造價(jià)電算化實(shí)訓(xùn)過程中，可以通過軟件很好地解決學(xué)生結(jié)構(gòu)施工圖的識讀問題。首先，利用計(jì)量軟件進(jìn)行建?；?qū)隒AD圖紙，然后在軟件中各節(jié)點(diǎn)完成對鋼筋信息的標(biāo)注，最后生成相關(guān)構(gòu)件，利用三維查看功能可觀察各節(jié)點(diǎn)的鋼筋構(gòu)造。同時(shí)，學(xué)生還可通過平面施工圖與軟件三維模型進(jìn)行對照，從中讀取各個(gè)鋼筋節(jié)點(diǎn)的內(nèi)容。通過具體的圖象可幫助學(xué)生理解二維平面圖，提高學(xué)生的識圖能力。

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(jìn)行抽象模擬，由大量神經(jīng)元按照不同權(quán)重進(jìn)行信息傳輸?shù)木扌蛷?fù)雜網(wǎng)絡(luò)，具有并行計(jì)算、自組織、聯(lián)想記憶等優(yōu)點(diǎn)，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(hù)中，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)可處理模糊、隨機(jī)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(shí)時(shí)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(jìn)行建筑結(jié)構(gòu)智能養(yǎng)維護(hù)研究。

BP 神經(jīng)網(wǎng)絡(luò)與智能養(yǎng)維護(hù)。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(jìn)行有機(jī)結(jié)合，對來自復(fù)雜結(jié)構(gòu)的多源信息進(jìn)行融合，進(jìn)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(jìn)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。

圖14 利用BP 神經(jīng)網(wǎng)絡(luò)重建缺失數(shù)據(jù)[86]Fig.14 Missing data reconstruction using BP neural network

GA-BP 神經(jīng)網(wǎng)絡(luò)與智能養(yǎng)維護(hù)。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(jìn)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(shí)的垂直加速度為初始響應(yīng)，采用遺傳算法進(jìn)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(jìn)行損傷識別。毛云霄等[90]采用遺傳算法實(shí)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(shí)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(hù)。Mohan 等[91]利用PSO 算法對結(jié)構(gòu)固有頻率的變化進(jìn)行裂紋識別研究，認(rèn)為粒子群算法是一種魯棒性強(qiáng)、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?yàn)檠芯繉ο?，提出將偽比能變化率作為損傷識別指標(biāo)，用改進(jìn)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(jìn)行體育館健康監(jiān)測系統(tǒng)中傳感器最優(yōu)布點(diǎn)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(jìn)行傳感器優(yōu)化布置，如圖15所示。

圖15 基于PSO-BP 神經(jīng)網(wǎng)絡(luò)的傳感器優(yōu)化布置[93]Fig.15 Optimal arrangement of sensors based on PSO-BP neural network

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）與智能養(yǎng)維護(hù)。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(jì)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(jìn)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(gè)測點(diǎn)的加速度信號進(jìn)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(jìn)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(jìn)行統(tǒng)計(jì)模式識別，通過逐層智能學(xué)習(xí)，實(shí)現(xiàn)更準(zhǔn)確的特征自動提取和分類，從而進(jìn)行損傷位置和程度的精準(zhǔn)識別。

圖16 基于CNN 的混凝土裂縫檢測[94]Fig.16 CNN-based concrete crack detection

圖17 基于CNN 的金屬表面腐蝕評估[96]Fig.17 CNN-based corrosion assessment of metal surfaces

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(jì)、生產(chǎn)建造、結(jié)構(gòu)養(yǎng)維護(hù)提供了新理念、新方法，而在實(shí)際建設(shè)中，考慮到生產(chǎn)造價(jià)、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(diǎn)進(jìn)行可視化分析。總結(jié)中國研究現(xiàn)狀、探索目前研究熱點(diǎn)、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。

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(jì)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(jì)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(bào)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(jìn)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(shí)間切片（Time Slicing）為2000 年至2021 年，時(shí)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(diǎn)類型為Keyword，連接強(qiáng)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(tuán)隊(duì)不斷壯大，發(fā)表量逐年攀升。

圖18 人工智能在土木工程領(lǐng)域的年發(fā)文量Fig.18 Annual publication volume of artificial intelligence in civil engineering

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(gè)節(jié)點(diǎn)和928 條連線，每個(gè)節(jié)點(diǎn)代表文獻(xiàn)若干篇，節(jié)點(diǎn)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(qiáng)，節(jié)點(diǎn)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(jì)如表1 所示，關(guān)鍵詞中心性統(tǒng)計(jì)如表2 所示。

表1 高頻關(guān)鍵詞統(tǒng)計(jì)Table 1 High-frequency keywords statistics

表2 關(guān)鍵詞中心性統(tǒng)計(jì)Table 2 Keywords centrality statistics

圖19 關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)Fig.19 Keyword co-occurrence network

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(jī)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(diǎn)，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(jì)進(jìn)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(diǎn)越重要，中心性越強(qiáng)。由表2 可知，中心性排名前3 的關(guān)鍵詞為人工智能、機(jī)器人、BIM，其中人工智能始終貫穿土木工程智能化發(fā)展進(jìn)程，中心性最高；智能機(jī)器人的研究涵蓋了自然語言處理、計(jì)算機(jī)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(jī)器人可應(yīng)用于智能建造、智能養(yǎng)維護(hù)等方面；BIM 的研究同樣得到了極大關(guān)注，在建設(shè)項(xiàng)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(diǎn)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(jī)器人、BIM，是人工智能在土木工程領(lǐng)域的熱點(diǎn)主題；云計(jì)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(diǎn)。

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(jī)器人、決策系統(tǒng)、建筑設(shè)計(jì)等不同方向進(jìn)行，整體上呈分散狀，不局限于單一研究熱點(diǎn)。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(jì)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(qiáng)且研究較多，是促進(jìn)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(shí)間因素。由時(shí)間圖例可知，自2015 年起，云計(jì)算、信息化、大數(shù)據(jù)、機(jī)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(diǎn)。

3）關(guān)鍵詞時(shí)序演進(jìn)分析

利用CiteSpace 中的爆破檢測算法，可統(tǒng)計(jì)一定時(shí)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(jì)。關(guān)鍵詞強(qiáng)度值越高，代表所考慮時(shí)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(shí)期內(nèi)可發(fā)生變化，反映出對應(yīng)時(shí)期內(nèi)的研究趨勢，紅色橫線部分是關(guān)鍵詞突現(xiàn)的時(shí)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(shí)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。

表3 突現(xiàn)關(guān)鍵詞統(tǒng)計(jì)Table 3 Emergent keywords statistics

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(shí)間跨度較長，均保持在10 a 左右，各個(gè)研究方向均衡發(fā)展，主要進(jìn)行了專家系統(tǒng)、人地關(guān)系、機(jī)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(qiáng)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(jìn)步，機(jī)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(qiáng)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(jìn)行人工神經(jīng)網(wǎng)絡(luò)的研究，促進(jìn)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(shí)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(qiáng)度值為最高的9，表明現(xiàn)階段主要進(jìn)行學(xué)習(xí)相關(guān)的研究，如智能化較低的機(jī)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(jìn)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(jì)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(gè)方向均有涉及。

4 展望

運(yùn)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(jìn)行文獻(xiàn)計(jì)量和可視化分析，明確該領(lǐng)域的研究現(xiàn)狀、研究熱點(diǎn)和前沿主題，結(jié)合土木工程領(lǐng)域智能化發(fā)展的實(shí)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(jìn)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(jì)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(hù)方向的無人機(jī)、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(kuò)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(qiáng)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(qiáng)化學(xué)習(xí)等。

3）擴(kuò)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(jìn)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(qiáng)人工智能在土木工程領(lǐng)域的實(shí)際應(yīng)用，真正把科學(xué)研究應(yīng)用到實(shí)際生產(chǎn)中，從而實(shí)現(xiàn)土木工程領(lǐng)域高效、智能、可持續(xù)發(fā)展。

4）加強(qiáng)跨機(jī)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(tuán)隊(duì)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(diǎn)，實(shí)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(jì)算機(jī)視覺、語音識別、交叉學(xué)科這4 個(gè)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(jì)、智能建造和智能養(yǎng)維護(hù)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(jìn)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(shí)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(qiáng)化學(xué)習(xí)等智能技術(shù)，促進(jìn)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(jì)、智能建造、智能養(yǎng)維護(hù)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(tuán)隊(duì)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(jìn)各研究團(tuán)隊(duì)間智能技術(shù)的交流合作，推進(jìn)土木工程智能研究的協(xié)同發(fā)展。