神經網絡在土木工程中的研究與應用★

陳曹陽，金 靈

（長沙理工大學土木工程學院，湖南 長沙 410114）

1 概述

20 世紀中期，Warren McCulloch 等［1］第一次提出了神經網絡的概念。然而受到硬件設備的限制，研究者們只能訓練一些淺層的網絡，無法完成復雜任務。因此，神經網絡的發(fā)展逐漸停滯。隨著計算機的計算性能大幅度提升以及大數據時代的來臨，神經網絡再一次成為了各個行業(yè)的研究熱點。

雖然目前的人工智能技術的能力暫時不足，但是，神經網絡作為人工智能的基礎之一，已經在自然語言處理、圖像識別、優(yōu)化計算等領域產生了里程碑式的影響［2］。自動駕駛、股市預測、人臉識別等技術的實現，都是以神經網絡作為技術基礎。這證明了神經網絡在各個行業(yè)應用的可行性。

土木工程行業(yè)雖然是我國的國民經濟支柱之一，卻存在著發(fā)展模式粗放、智能化水平低等問題。習近平總書記指出，世界正在進入以信息產業(yè)為主導的經濟發(fā)展時期。我們要把握數字化、網絡化、智能化融合發(fā)展的契機，以信息化、智能化為杠桿培育新動能。實現土木工程的行業(yè)升級，需要在設計、施工、檢測等方面與新型技術深度融合。因此，土木工程行業(yè)與神經網絡技術融合的趨勢已經不可阻擋。

2 智能設計

智能設計是智能建造的重要一環(huán)，設計工作依賴于設計人員的經驗，智能化、自動化程度低?，F有的結構設計能夠構成一個大型數據庫，通過神經網絡學習現有設計資料，可以提升設計工作的效率以及自動化程度。Ballal，Sher［3］提出了四種學習初步結構設計的神經網絡模型，實現了設計方案建議的快速生成，證明了神經網絡在初期設計階段應用的可行性。Asadi 等［4］提出了一種遺傳算法（GA） 與人工神經網絡（ANN） 相結合的多目標優(yōu)化模型，能夠實現對建筑改建方案進行智能評估與權衡。Tafraout 等［5］提出了一種基于遺傳算法的鋼筋混凝土板結構自動設計模型，并成功應用于BIM 軟件中。2014 年，Ian J． Goodfellow［6］提出了一種生成網絡模型Generative Adversarial Networks（GAN） 。GAN 通過無監(jiān)督訓練學習，可以根據使用者的需求，生成使用者想要的數據。目前GAN 在圖像處理、語音處理、自然語言處理等領域已有了成功的應用［7－9］。建筑設計方面的智能設計已有許多研究，如建筑平面圖自動分析［10］、二維建筑布局生成［11］、智能建筑綠色設計［12］等。但是GAN 在結構設計方面的研究很少。Wenjie LIAO 等［13］提出了一種基于GAN 的剪力墻智能布置模型，并提出了結構設計模型的性能量化評估指標ScoreIoU，為結構設計的智能化、自動化找到了一條路。該模型可以通過訓練學習已有剪力墻設計圖紙，實現剪力墻結構設計的智能化與自動化。模型生成的剪力墻設計圖紙不僅與工程師設計方案相接近，效率更是提升將近20 倍。

3 智能施工管理

神經網絡在施工方面的應用主要為參數分析以及施工人員智能管理。

3．1 參數分析

施工過程中往往會遇到突發(fā)狀況，處理不及時會造成嚴重的后果。將神經網絡應用于施工過程中，能夠預測以及處理危險的發(fā)生。神經網絡對施工數據的分析主要分為靜態(tài)與動態(tài)兩類。

靜態(tài)分析方面：衛(wèi)建軍等［14］應用神經網絡對立井的各項指標參數進行了工程預報，結果與現場實測結果基本吻合。蘇道振等［15］利用BP 神經網絡，對隧道圍巖的變形進行了靜態(tài)的預測，對隧道的開挖有指導意義。

動態(tài)分析方面：熊孝波等［16］改進的RBF 神經網絡可以根據實測數據對深基坑的變形進行動態(tài)的預測。候公羽等［17］提出了神經網絡預測模型可以對煤礦長斜井TBM 施工進行動態(tài)的風險預測，為礦長斜井TBM 施工提供了一種新的風險評估途徑。

3．2 施工人員智能管理

我國的建筑安全事故頻發(fā)，主要原因是工人的不規(guī)范操作、不安全行為以及缺乏監(jiān)督等人為因素［18］。為了解決建筑工地環(huán)境復雜，安全人員無法及時發(fā)現危險的問題。將計算機視覺與工地監(jiān)管相融合，能夠及時的發(fā)現并阻止危險［19］。通過監(jiān)控施工過程，能夠提升工人的工作效率，有效縮短工期［20］。

人體姿態(tài)評估可以檢測出人體或機械的姿態(tài)信息，包括肢體的朝向。通過對人體的行為進行預測［21－22］，能夠對危險動作發(fā)出警告、及時發(fā)現傷者。Amin Assadzadeh 等［23］提出了一種智能生成數據集的挖掘機姿態(tài)評估模型，解決了數據集制作成本高的問題。如圖1 所示，該模型能夠成功評估挖掘機的姿態(tài)。并且，該模型適用于其他機械的姿態(tài)評估。Soumitry J 等［24］使用低分辨率相機采集車輛操作員的頭部圖像，實時地對駕駛員的頭部姿態(tài)進行估計，并提出一種計算駕駛員動態(tài)視野盲區(qū)的方法。該方法能夠動態(tài)地分析駕駛員視野盲區(qū)，并對進入盲區(qū)的施工人員發(fā)出警告，能夠有效預防施工現場中設備撞擊造成的傷亡。白正宗等［25］提出的評估方法能夠使用智能手機對施工人員的軀干姿勢進行危險評估、判斷施工人員的身體狀況、降低錯誤的作業(yè)姿勢對施工人員身體的損害。

圖1 挖掘機姿態(tài)評估

安全帽是施工人員必需的頭部護具，能夠在關鍵時刻保護施工人員的頭部不遭受致命傷。然而，由于部分施工人員安全意識的缺乏，在施工現場摘下安全帽，導致了大量的安全事故。傳統(tǒng)的監(jiān)管方法為安全人員人工監(jiān)管，由于現場環(huán)境復雜、障礙物遮擋、監(jiān)管人員疲勞等問題，容易產生漏檢。方明等［26］提出的基于改進YOLO v2的安全帽快速檢測模型能夠實現148 frame/s 的檢測速度，對目標檢測的平均準確率達到了87．42%。檢測結果如圖2 所示，黑框代表佩戴安全帽，白框代表未佩戴安全帽。Guang HAN 等［27］提出了一種基于SSD 目標檢測網絡以及跨層注意力機制的安全帽佩戴檢測方法，在安全帽數據集GDUT-HWD 上的準確率達到了88．1%，相比YOLO v3 提高了9．74%。

圖2 安全帽檢測結果

4 智能檢測

傳統(tǒng)檢測方式是檢測人員使用檢測儀器進行檢測，存在效率低、成本高等問題。在檢測高層建筑以及橋梁裂縫時，檢測人員需要進行高空作業(yè)，存在安全隱患。使用無人機（UAV） 以及深度學習技術能夠保障檢測人員安全，降低檢測成本，進行安全、高效的檢測。

4．1 無人機

無人機是一種無人駕駛，可重復使用的飛行平臺的簡稱［28］。無人機靈活機動、成本低廉，并且能夠集成多種小型傳感器。因此，無人機廣泛應用于遙感、測繪等任務周期短的行業(yè)［29］。無人機的優(yōu)點同樣適用于無損檢測、災害識別以及裂縫檢測。

余加勇等［30］提出了基于無人機傾斜攝影的公路邊坡三維重建方法和災害識別方法，利用無人機構建了邊坡的三維實景模型，實景模型如圖3 所示。實現了災害場景的自動識別，能夠正確判別災害的位置、類型以及嚴重程度。ZhenXU 等［31］使用無人機傾斜攝影對城市進行三維建模、使用低材質簡化模型對地震進行模擬，實現了城市地震的動態(tài)可視化模擬。可視化結果與有限元模擬結果相吻合，證明了地震可視化模擬的可行性，有助于降低地震造成的人員傷亡。馬如進等使用消費級無人機對古橋進行三維建模，證明了利用無人機重構模型對古橋三維模型信息檔案化的可行性。

圖3 邊坡實景模型

使用無人機檢測是對老化橋梁進行檢測的一種高效方案［32］。Xiong PENG 等［33］提出了一種基于無人機的機器視覺方法，能夠快速地測量橋梁裂縫寬度，準確率達到了90%以上。Jianxi YANG 等［34］為了解決裂縫邊緣檢測困難的問題，提出了一種基于無人機邊緣計算的裂縫分割網格。楊娜等［35］設計了一套適用于古建筑木結構的裂縫檢測方法。通過無人機采集圖像，使用計算機視覺技術對裂縫的長度及寬度進行識別，能夠長期檢測古建筑木結構的裂縫開展情況。雖然基于機器視覺的裂縫檢測方法能夠實現對裂縫的快速檢測，但是存在著無法適應復雜背景、手動設置閾值等問題。

4．2 深度學習

深度學習是基于神經網絡的一種算法。通過加深網絡深度，深度學習解決了傳統(tǒng)機械學習效果不佳的問題，能夠適用于解決更復雜的問題。深度學習在檢測方面的應用主要為目標檢測網絡。

駱劍彬等將聲吶與Faster R-CNN 框架下的VGG16 模型結合，提出了水下樁墩表觀病害的智能檢測方法。對樁墩表觀病害的整體準確率達到了88．3%，解決了水下人工檢測易出錯的問題。李良福等［36］提出了基于卷積神經網絡（CNN） 的DBCC（Deep Bridge Crack Classify） 裂縫分類模型，通過滑動窗口算法解決了經典深度學習模型對橋梁裂縫分類不準確、泛化能力差的問題。孟詩喬等［37］建立了基于深度學習的Grid-Deeplab 模型，提升了裂縫檢測的準確率與效率，并實現了混凝土結構表面裂縫的語義分割，分割結果如圖4 所示。

圖4 裂縫語義分割結果

Mask R-CNN 是Kaiming HE 等［38］提出的深度學習目標檢測網絡，對小目標物體具有很好的檢測性能，并且能夠實現實例分割。Yingying XU 等［39］使用改進的Mask RCNN 對隧道裂縫進行自動檢測與分割，提高了網絡準確性，具有很好的魯棒性與準確性。張躍飛等［40］針對路面的復雜環(huán)境，在Mask R-CNN 中增加了新的自適應權重損失函數，提出了一種基于改進的Mask R-CNN 的公路裂縫檢測算法。檢測結果如圖5 所示。

圖5 路面裂縫原始圖像與檢測結果

5 結語

本文從智能設計、智能施工管理、智能檢測等方面闡述了神經網絡在土木工程行業(yè)的研究現狀及實際應用情況。神經網絡在結構工程、巖土工程、交通工程、建筑工程等方面已有簡單的應用。神經網絡正處于發(fā)展階段，土木工程行業(yè)與神經網絡等信息技術的融合也處于起步階段，具有很高的研究價值。隨著更多研究者的參與，未來能夠實現真正的自動化結構設計、智能化施工管理、自動化結構檢測等。要實現真正的智能化、自動化，神經網絡的應用還有很多問題需要解決：

1） 數據集的大小對神經網絡的性能影響很大，中小型數據庫無法完全發(fā)揮模型的性能。土木工程領域資料大部分不公開，研究者難以收集大量數據。并且建立數據集工作量大，只靠個人無法建立大型數據集，需要建立大數據庫，開放公共數據集。

2） 神經網絡的創(chuàng)新性不夠，很難完成設計任務。目前土木工程領域對GAN 的研究較少，繼續(xù)研究GAN 的應用才能實現真正的自動化設計。

3） 神經網絡應用的軟件及硬件較少，大部分研究停留在算法的研究階段。要加強神經網絡的實際應用，嘗試將軟件及硬件投入生產中。