人工智能在建筑施工領(lǐng)域應用研究進展

崔自強楊淑娟于德湖

(1.青島理工大學土木工程學院，山東 青島 266033；2.山東建筑大學土木工程學院，山東 濟南 250101)

0 引言

建筑業(yè)作為全球經(jīng)濟的重要支柱產(chǎn)業(yè)，在推動經(jīng)濟增長和國家長期發(fā)展方面發(fā)揮著關(guān)鍵作用[1]。根據(jù)麥肯錫全球研究院2017 年的一項調(diào)查，全球的建筑業(yè)產(chǎn)值占生產(chǎn)總值的13%，而且這個比例還在持續(xù)上升。 同時建筑相關(guān)企業(yè)為全球7%的人口提供了廣泛的就業(yè)機會，在全球經(jīng)濟發(fā)展中占據(jù)重要地位。 但施工行業(yè)也存在一個明顯的問題，即施工過程中勞動生產(chǎn)率低，從而導致人力、物力和財力的浪費。 如果施工生產(chǎn)效率提高至>50%，預計每年將為該行業(yè)帶來額外的1.6 萬億美元的經(jīng)濟價值，并進一步推動全球GDP 的增長[2]。 除了經(jīng)濟方面，建筑施工行業(yè)一直被視為是最危險的行業(yè)之一，施工現(xiàn)場存在人員復雜、環(huán)境復雜多變、設備危險等安全隱患，致命事故的發(fā)生頻率要高于其他行業(yè)，事故死亡人數(shù)占所有行業(yè)的30%~40%[3]。 在中國，施工現(xiàn)場也已認為是最危險的工作場所之一，致命事故發(fā)生量超過許多國家，且沒有明顯下降趨勢[4]。在“工業(yè)4.0”的背景下，建筑施工行業(yè)正在朝著數(shù)字化和智能化方向不斷創(chuàng)新，人工智能作為計算機科學的一個分支，在許多領(lǐng)域的應用前景已經(jīng)得到證明，根據(jù)埃森哲公司的一份報告[5]，人工智能已經(jīng)改變了許多行業(yè)的生產(chǎn)方式，預計勞動效率將提高40%。 當前建筑項目的工程數(shù)據(jù)空前增加，也為人工智能技術(shù)的應用提供了數(shù)據(jù)基礎(chǔ)。 但總的來說，建筑施工領(lǐng)域人工智能技術(shù)的應用仍落后于其他行業(yè)。 因此，有必要在建筑施工領(lǐng)域應用各種人工智能技術(shù)，實現(xiàn)更高的效率和可靠性。

人工智能一詞最早是在1956 年的達特茅斯會議(Dartmouth Conference)中提出，之后的人工智能主要經(jīng)歷了3 個重要階段[6]。 1956—1980 年是人工智能的起步階段，此時的人工智能指的是讓計算機擁有類似人類智慧的智能，不同歷史時期人們對人工智能的認識不同，早期人工智能領(lǐng)域的學者對人工智能的期望是讓機器能像人一樣思考，而到20世紀70 年代，隨著專家系統(tǒng)的出現(xiàn)，人工智能進入到應用發(fā)展階段，實現(xiàn)了人工智能從理論研究走向?qū)嶋H應用，此時的關(guān)注點在于利用計算機去解決人類能解決的問題；與人類思考時的復雜過程不同，當前計算機在解決一個復雜問題時往往是由數(shù)據(jù)驅(qū)動的；隨著機器學習和深度學習的發(fā)展，人工智能進入到一個新的階段[7]，機器學習是人工智能領(lǐng)域的一個重要子集，指的是計算機程序可以在沒有得到人類幫助的情況下自動學習和適應新數(shù)據(jù)，信息融合、計算機視覺、自然語言處理等應用都可以利用機器學習技術(shù)實現(xiàn)。 深度學習是一種特殊的機器學習技術(shù)，在處理非結(jié)構(gòu)化數(shù)據(jù)(如文本、圖像或視頻)和大數(shù)據(jù)的分析處理方面展現(xiàn)出優(yōu)勢，由此開啟了人工智能的深度學習階段。 人工智能可分為弱人工智能和強人工智能兩類，前者體現(xiàn)了一個旨在執(zhí)行特定工作的系統(tǒng)，往往是執(zhí)行簡單且單一的任務；而后者則是執(zhí)行認為類似人類任務的系統(tǒng)，這些系統(tǒng)往往更復雜，過程中可以運用類似人類的思考方式去解決問題[8]。 人工智能技術(shù)不斷發(fā)展使許多行業(yè)受益，作為中國國民經(jīng)濟的重要產(chǎn)業(yè)，建筑業(yè)在高速發(fā)展的同時也暴露出許多問題，如建筑施工領(lǐng)域的信息化水平較低、粗放式的生產(chǎn)模式、勞動生產(chǎn)率不高、科技創(chuàng)新能力不足等一系列問題。 為實現(xiàn)建筑施工行業(yè)的高質(zhì)量發(fā)展，將人工智能技術(shù)應用到施工的各個環(huán)節(jié)中，實現(xiàn)建筑施工的數(shù)字化、自動化、信息化和智能化。

1 人工智能在建筑施工領(lǐng)域的文獻統(tǒng)計分析

發(fā)表文獻數(shù)量隨時間的變化可以很好地反映某一領(lǐng)域的學術(shù)動態(tài)。 以主題詞“人工智能” “建筑施工”以及其近義詞和主要下義詞設置檢索式，從中國知網(wǎng)數(shù)據(jù)庫中檢索中文期刊文獻；以主題詞“AI” “Construction” 以及其近義詞和主要下義詞設置檢索式，從Web of Science 數(shù)據(jù)庫中檢索英文期刊文獻。 根據(jù)發(fā)文時間和發(fā)文量統(tǒng)計分析，如圖1所示，自2012 年開始，對此領(lǐng)域的研究整體呈上升趨勢，在2019 年之前年發(fā)文量變化較為平穩(wěn)，中文文獻的發(fā)文量與英文文獻的發(fā)文情況差別不大，2019 年之后中文文獻與英文文獻發(fā)文數(shù)量差距變得越來越大，而2021 年中文文獻發(fā)文量僅為英文文獻的53%。

圖1 人工智能在建筑施工領(lǐng)域發(fā)文統(tǒng)計柱狀圖

從中國知網(wǎng)中檢索人工智能在不同學科領(lǐng)域應用的文章，根據(jù)發(fā)文情況篩選出人工智能技術(shù)應用最多的前15 個學科，如圖2 所示。 在這15 個學科中，建筑科學與工程發(fā)文量為1 440 篇，占比3.31%，相較于其他學科，建筑科學與工程領(lǐng)域?qū)θ斯ぶ悄軕玫难芯砍潭冗€比較低。 但結(jié)合歷年發(fā)文量的變化情況，說明人工智能技術(shù)在建筑領(lǐng)域的應用程度正逐漸提高。

圖2 人工智能技術(shù)在不同學科的應用發(fā)文情況圖

以主題詞“人工智能” “建筑施工”以及其近義詞和主要下義詞設置檢索式，從中國知網(wǎng)數(shù)據(jù)庫檢索期刊文獻，將檢索結(jié)果導入CiteSpace 軟件進行關(guān)鍵詞分析，時間切片設置為1 a，得到具有544 個節(jié)點、1 000條連線的關(guān)鍵詞共現(xiàn)知識圖譜，如圖3 所示。

圖3 文獻關(guān)鍵詞共現(xiàn)圖

出現(xiàn)頻次越高的關(guān)鍵詞在圖中的節(jié)點越大，節(jié)點之間的線越粗，表示其共現(xiàn)強度越大。 統(tǒng)計出現(xiàn)頻次>50 的關(guān)鍵詞按頻次排序，見表1。 頻次排序前5 的關(guān)鍵詞分別為人工智能、優(yōu)化方法、專家系統(tǒng)、機器學習和施工技術(shù)。

表1 文獻高頻關(guān)鍵詞表

在關(guān)鍵詞共現(xiàn)分析的基礎(chǔ)上，對文獻進行聚類分析，聚類算法選用對數(shù)似然率(Log Likelihood Ratio，LLR)算法，得到聚類結(jié)果如圖4 所示，可以看出人工智能、優(yōu)化方法、專家系統(tǒng)和機器學習同時出現(xiàn)在高頻關(guān)鍵詞和聚類標簽中，除了人工智能外，其他3 個都是人工智能領(lǐng)域的具體技術(shù)方法，說明這些人工智能技術(shù)方法經(jīng)常應用于建筑施工領(lǐng)域。

圖4 文獻關(guān)鍵詞聚類圖

突現(xiàn)詞的探測可以了解某一研究領(lǐng)域內(nèi)研究熱點的演替，也可輔助預測該領(lǐng)域未來的研究熱點和研究趨勢[9]。 以檢索式的方式從中國知網(wǎng)數(shù)據(jù)庫中檢索自2000 年以來的期刊文獻，在關(guān)鍵詞分析的基礎(chǔ)上探測突現(xiàn)詞，其突現(xiàn)的最小持續(xù)時間設置為2 a，篩選出前15 個突現(xiàn)詞見表2。 根據(jù)關(guān)鍵詞出現(xiàn)突現(xiàn)的時間可以看出，智慧工地、應用、人工智能、物聯(lián)網(wǎng)、大數(shù)據(jù)、深度學習這些關(guān)鍵詞都是最近5 年開始突現(xiàn)且保持熱度，說明這些詞是近期研究的熱點，目前的研究正在向智能化、信息化、自動化的方向發(fā)展。

表2 文獻突現(xiàn)詞分析表

2 建筑施工領(lǐng)域常用人工智能技術(shù)分析

2.1 機器學習

機器學習是人工智能領(lǐng)域的一個熱門話題，可以很好地解決分類、預測、計算機視覺、自然語言處理等問題。 目前，很多學者開始將其應用于建筑施工領(lǐng)域。

在分類問題方面，周建亮等[10]以人格特質(zhì)作為分類特征，通過機器學習算法實現(xiàn)建筑工人不安全行為的識別，對比了決策樹、隨機森林、自適應提升樹和梯度提升決策樹4 種分類算法，得出梯度提升決策樹是識別不安全行為的最佳分類算法模型的結(jié)論。 ATHA 等[11]提出的一種基于紋理和顏色分析的卷積神經(jīng)網(wǎng)絡在保證檢測準確性的同時還能大大提高計算效率。 在計算機視覺方面，DING 等[12]開發(fā)了一種基于計算機視覺的安全管理方法，采用兩個卷積神經(jīng)網(wǎng)絡監(jiān)測目標區(qū)域工人的存在和是否佩戴安全帶，識別不安全的行為再采取相應措施，有效降低了高空作業(yè)安全事故的發(fā)生。 目標檢測算法(You Only Look Once，YOLO)是除了卷積神經(jīng)網(wǎng)絡外另一個應用比較多的深度學習算法，KIM 等[13]基于YOLO 算法定位目標，自動測量現(xiàn)場各實體的距離，以期在危險發(fā)生前做出反應，減少施工現(xiàn)場撞擊事故的發(fā)生；陳巨坤[14]和李建奎等[15]利用人臉識別技術(shù)和自適應提升算法建立工地管理系統(tǒng)，可以實現(xiàn)考勤管理、人帽合一管理和人員設備出入場管理。 目前應用到建筑施工領(lǐng)域的計算機視覺算法主要有以區(qū)域卷積神經(jīng)網(wǎng)絡(Region-based Convolution Neural Networks，R－CNN)為代表的基于區(qū)域的目標檢測算法和以YOLO 為代表的基于目標的目標檢測算法兩類。 后者相對于前者最大的優(yōu)勢就是其運行速度非?？?，因此在施工現(xiàn)場風險識別等要求及時性的任務時可以選擇此類算法，而對于時效性不強的任務建議選擇準確率略高的基于區(qū)域的目標檢測算法。

成本和安全是機器學習在建筑施工領(lǐng)域應用的熱門話題，其典型應用場景是利用機器學習預測建筑施工的成本和安全。 在解決成本問題時，應用最多的機器學習模型是反向傳播神經(jīng)網(wǎng)絡(Back Propagation Neural Network，BPNN)，劉倩[16]基于BP 神經(jīng)網(wǎng)絡預測裝配式建筑的施工成本，相較于傳統(tǒng)方案更加準確、穩(wěn)定。 而在解決安全問題時，機器學習主要在風險識別和風險預測方面發(fā)揮作用。 在風險識別方面，應用最多的機器學習模型是卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks，CNN)，ZHANG 等[17]以某基坑開挖現(xiàn)場為例，利用CNN 從復雜的施工現(xiàn)場中識別出可能出現(xiàn)的高風險情況，提高了施工安全管理的效率。 關(guān)于風險預測方面，循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network，RNN)的應用較多，歐斌等[18]等利用RNN 預測了混凝土壩的變形情況，證明了RNN 可以用來處理序列問題的風險預測。

機器學習作為人工智能技術(shù)的重要方法，在實現(xiàn)信息融合和自然語言處理等技術(shù)方面也展現(xiàn)出優(yōu)勢，已有學者嘗試將其此方面的優(yōu)勢與建筑施工領(lǐng)域中的問題場景相結(jié)合。 ZHANG 等[19]利用機器學習和自然語言處理技術(shù)分析施工事故報告，可以有效地找出事故原因分類和進行風險識別；鄧達[20]結(jié)合CNN 和雙向長短期記憶神經(jīng)網(wǎng)絡，從建筑安全事故報告中提取語義特征，應用關(guān)聯(lián)規(guī)則技術(shù)，實現(xiàn)了建筑事故報告中致因的準確分析。 在建筑施工領(lǐng)域中，目前利用機器學習進行自然語言處理的應用場景還相對較少，應根據(jù)工程項目的實際需要深入研究，提升解決實際工程問題的效率和質(zhì)量。

2.2 優(yōu)化算法

智能優(yōu)化算法是人工智能技術(shù)的一個重要應用，其目的是在一系列可行方案中尋找最優(yōu)解。 優(yōu)化問題通常可以分為單目標優(yōu)化問題和多目標優(yōu)化問題兩類。 處理建筑施工領(lǐng)域的單目標優(yōu)化問題時，通常是在某些約束條件下，求解目標函數(shù)的最值，如LIN 等[21]以施工活動的工期最短為目標，利用自適應粒子群算法對施工網(wǎng)絡計劃的工作次序優(yōu)化調(diào)整，在資源限制的條件下求解最短工期；PODOLSKI 等[22]以項目總成本為目標，利用模擬退火算法建立多單元項目施工調(diào)度模型，通過優(yōu)化單元施工順序?qū)崿F(xiàn)項目總成本最低；張飛漣等[23]以鐵路工程的最小施工成本為目標，建立施工進度－成本動態(tài)優(yōu)化模型，在求解模型時對比了模擬退火算法、遺傳算法以及兩者結(jié)合的模擬退火遺傳算法，證明了模擬退火遺傳算法可以提高求解準確率；王廣開[24]基于不同優(yōu)化算法的優(yōu)勢建立了山區(qū)鐵路選線模型，先利用遺傳算法求解優(yōu)度評價模型，再利用蟻群算法求解最優(yōu)路徑收斂模型，最終得到鐵路線路最優(yōu)走向方案。

然而，在工程實踐中由于情況復雜、各環(huán)節(jié)相互依賴，施工過程中遇到的優(yōu)化問題更多的是多目標問題，由于不同控制目標之間關(guān)系復雜，甚至可能存在沖突，多目標問題往往面臨著多維度、非線性、動態(tài)性等特點，確定最優(yōu)解的過程非常復雜，智能優(yōu)化算法通常使用帕累托最優(yōu)的方法求解這類問題。 建筑施工中常見的優(yōu)化目標包括工程質(zhì)量、工期、成本、安全等施工管理控制項目，優(yōu)化內(nèi)容包括調(diào)整資源和勞動力的分配調(diào)度、工序和任務優(yōu)先級排序、施工現(xiàn)場的布置規(guī)劃等，優(yōu)化時需要針對項目具體情況確定優(yōu)化目標和內(nèi)容。 LIU 等[25]以工期最短和資源消耗最小為目標，利用遺傳算法求解多目標優(yōu)化模型，優(yōu)化施工調(diào)度計劃；FENG 等[26]為了減少施工階段對環(huán)境產(chǎn)生的影響，建立了環(huán)境－成本－工期多目標優(yōu)化模型，通過集成離散事件仿真和粒子群優(yōu)化算法求解模型，提供權(quán)衡的解決方案；劉香香等[27]從裝配式建筑的施工工序出發(fā)，以成本、工期和碳排放為目標建立多目標優(yōu)化模型，利用蟻群算法求解，得到了綜合最優(yōu)的施工工序組合；馬聰聰?shù)萚28]將遺傳算法和模擬退火算法融合，解決地鐵施工的工期、成本和質(zhì)量3 目標優(yōu)化問題，融合算法在有效避免模型陷入局部最優(yōu)的同時還能大大提高運算效率。

在施工過程中利用各種優(yōu)化算法，可以實時確保施工過程的安全性、工作效率和成本效益。 在利用優(yōu)化算法解決實際問題時，不同的優(yōu)化算法在多樣性和收斂速度方面各有利弊，單一策略的算法很難適用于所有優(yōu)化問題，所以仍需對算法的策略選擇等自適應機制不斷完善，目前不同優(yōu)化算法在建筑施工中的應用總結(jié)見表3。

表3 優(yōu)化算法在建筑施工中的應用文獻分類索引表

2.3 人工智能物聯(lián)網(wǎng)

物聯(lián)網(wǎng)(Internet of Things，IoT)是將各種物理設備和互聯(lián)網(wǎng)連接的技術(shù)手段，如施工現(xiàn)場的各種傳感器、無人機、射頻設備、激光掃描儀等，將這些設備連接到建筑資源，收集有關(guān)項目狀態(tài)的實時數(shù)據(jù)。人工智能物聯(lián)網(wǎng)(Artificial Intelligence Internet of Things，AIoT)是新一代物聯(lián)網(wǎng)，將人工智能技術(shù)融入物聯(lián)網(wǎng)基礎(chǔ)設施，以實現(xiàn)更高效的數(shù)據(jù)采集和數(shù)據(jù)分析。 相較于傳統(tǒng)的物聯(lián)網(wǎng)，人工智能物聯(lián)網(wǎng)的優(yōu)勢在于應用了各種人工智能方法對數(shù)據(jù)進行深入分析，可以在物聯(lián)網(wǎng)的應用層面自動化實時決策，從而遠程控制施工現(xiàn)場。 ZHANG 等[29]基于AIoT 技術(shù)搭建了隧道施工實時監(jiān)控系統(tǒng)，將施工過程中的盾構(gòu)機運行參數(shù)和隧道變形情況通過互聯(lián)網(wǎng)實時傳輸和儲存，之后基于采集到的數(shù)據(jù)利用系統(tǒng)集成的人工智能算法做出隧道變形的智能預測，為下一步的施工決策提供依據(jù)；胡翀赫[30]基于AIoT 設計的智能巡檢機器人系統(tǒng)，融合了物聯(lián)網(wǎng)全面感知和人工智能分析決策的優(yōu)勢，可以在施工現(xiàn)場實現(xiàn)日常例行巡檢、數(shù)據(jù)采集、安全報警等場景，避免了人工巡檢效率低、周期長、存在盲區(qū)等問題。 建筑信息模型(Building Information Modeling，BIM)和AIoT 的融合應用也是當前研究的熱點，BIM 模型中儲存了大量建筑信息，提高了項目施工管理的效率[31]，在BIM 中集成AIoT 可以實現(xiàn)項目實況和數(shù)字模型之間實時的信息交互，同時也能保證BIM 中的大量信息能夠被深度利用。 融合BIM 和AIoT 的方案在建筑施工領(lǐng)域已經(jīng)有了一些嘗試，買亞鋒等[32]建立的智能建造綜合管理系統(tǒng)，集成了BIM、IoT 和人工智能等技術(shù)，借助5G 的快速傳輸途徑可以高效、及時、精確地進行現(xiàn)場施工及運維管理，完成了時間與空間的精確統(tǒng)一。 總的來說，BIM 提供了一個信息傳遞和管理的平臺，而物聯(lián)網(wǎng)技術(shù)提供了實時穩(wěn)定的數(shù)據(jù)流，不斷豐富BIM 模型集成的信息，人工智能技術(shù)則提供強大的數(shù)據(jù)分析和處理能力，可以充分地利用數(shù)據(jù)。

然而，AIoT 技術(shù)在建筑施工領(lǐng)域的實際應用還處于起步階段，仍然存在邊緣計算問題、信息安全問題等亟須解決的難題，但隨著建筑業(yè)龐大的數(shù)據(jù)基礎(chǔ)和5G 等新一代通信技術(shù)的發(fā)展，AIoT 在建筑施工領(lǐng)域的應用存在巨大潛力，可以預見，在5G 通信下，基于云計算的數(shù)據(jù)采集、數(shù)據(jù)傳輸和數(shù)據(jù)處理的效率將大大提高，AIoT 和BIM 的協(xié)同應用將成為未來研究的熱點。

3 人工智能在建筑施工管理中的應用場景分析

施工管理是保證工程項目順利進行的重要措施，在管理中要做到統(tǒng)籌考量。 質(zhì)量、安全、成本、進度是項目施工管理中的4 大控制要素，由于工程相關(guān)管理模式復雜、影響因素多，且各影響因素之間又相互關(guān)聯(lián)，傳統(tǒng)控制方法很難實現(xiàn)施工管理精益化。融合人工智能技術(shù)，為探索施工精益化管理提供了新的解決方案。

3.1 質(zhì)量控制

保證工程質(zhì)量是建筑施工的首要目標，施工階段的質(zhì)量控制很大程度上決定了工程產(chǎn)品的質(zhì)量。而傳統(tǒng)的質(zhì)量控制方法存在許多難以克服的問題，如質(zhì)量缺陷追溯、實時的施工質(zhì)量監(jiān)控以及標準化的質(zhì)量評價體系等。 各種人工智能技術(shù)的應用為解決這些難題提供了新的思路。

案例推理技術(shù)通過總結(jié)和學習以往項目的經(jīng)驗來指導新項目的施工工作，可以用于解決質(zhì)量缺陷追溯問題。 趙子豪[33]在分析裝配式鋼結(jié)構(gòu)住宅質(zhì)量影響因素的基礎(chǔ)上，提出了一種基于案例推理的質(zhì)量缺陷追溯方法，并利用遺傳算法確定所用各類案例信息的權(quán)重，在案例應用中可以有效地追溯到引起質(zhì)量缺陷的原因，施工過程中可以有針對性地管控；劉星[34]結(jié)合BIM、物聯(lián)網(wǎng)和機器學習等技術(shù)建立的深基坑智能監(jiān)測系統(tǒng)，除了對施工質(zhì)量的實時數(shù)據(jù)監(jiān)控，還能基于機器學習技術(shù)實現(xiàn)數(shù)據(jù)預測和專家研判等功能。 除了上述基于BIM 和物聯(lián)網(wǎng)的質(zhì)量控制場景，計算機視覺技術(shù)、目標檢測算法等人工智能技術(shù)也已應用到了施工質(zhì)量控制場景。 劉全等[35]為實現(xiàn)強夯施工質(zhì)量的智能監(jiān)測，利用基于卷積神經(jīng)網(wǎng)絡的計算機視覺技術(shù)建立了智能監(jiān)測平臺，可以實現(xiàn)對夯次、夯沉量、夯坑位置等施工參數(shù)的實時監(jiān)測，實現(xiàn)遠程實時的施工質(zhì)量監(jiān)控；柴英濤[36]針對目前對混凝土表觀質(zhì)量評價缺乏標準化體系的現(xiàn)狀，提出了一種基于本體推理和計算機視覺的混凝土表觀質(zhì)量評價方法，利用計算機視覺技術(shù)不僅能自動地檢查結(jié)構(gòu)質(zhì)量缺陷，還能分析出如鋼結(jié)構(gòu)腐蝕物成分等人眼無法直接判斷的問題。 對于施工質(zhì)量評價方面，當前的施工質(zhì)量評價是由審計員的經(jīng)驗和主管評價得出的結(jié)果，盡管規(guī)定了一般的評價原則和程序，但沒有形成一套客觀標準的評價體系，為了解決這一問題，F(xiàn)AN[37]結(jié)合了網(wǎng)絡分析法(Analytic Network Process，ANP)和模糊集合(Fuzzy Set，F(xiàn)S)基于歷史項目的審查中存在的質(zhì)量缺陷，分析頻率和權(quán)重，建立了一套客觀的施工質(zhì)量評價標準，可以為建立標準化的施工質(zhì)量評價提供參考。

綜合人工智能技術(shù)在施工質(zhì)量控制方面的應用可以看出，當前應用比較廣泛的是質(zhì)量評估、質(zhì)量驗收、質(zhì)量監(jiān)控和結(jié)構(gòu)缺陷檢查等事后控制的場景，對施工質(zhì)量的事前和事中控制的研究還比較少，為了更好地滿足施工質(zhì)量控制的要求，還需要加強對此方面的探索。

3.2 成本控制

施工中成本控制的目的是在保證建筑安全和質(zhì)量的前提下盡可能減少施工成本的支出，但施工階段過程復雜，涉及的人員、設備、材料和工序等任何一個環(huán)節(jié)出錯都會直接影響到施工成本。 傳統(tǒng)施工成本控制存在動態(tài)管理差，資源配置不合理、施工設備選型不合理等問題。 將人工智能技術(shù)應用到施工成本控制，有助于解決上述問題，提高全過程的成本控制水平。

在施工前的設計和準備階段，優(yōu)化算法可以規(guī)劃布置現(xiàn)場的運輸線路、倉庫、加工廠以及機械設備等，TAO 等[38]為了提高施工效率，減少運輸成本，基于BIM 技術(shù)建立了施工現(xiàn)場的布局規(guī)劃模型，通過粒子群優(yōu)化算法求解總運輸成本最低的布置方案，將總運輸成本降低了約40%。 除了優(yōu)化算法，專家系統(tǒng)和機器學習等技術(shù)可以根據(jù)施工計劃在施工開始前對工程量和成本做出合理預測和評估，劉倩[16]通過分析影響裝配式建筑施工成本的主要因素，利用BP 神經(jīng)網(wǎng)絡建立裝配式建筑施工成本預測模型，可以為項目投資決策提供依據(jù)，提升經(jīng)濟效益。

施工過程中成本控制涉及資源分配、材料管理以及勞務計酬等方面，其重點是成本的動態(tài)控制，需要根據(jù)施工中實時的項目情況進行成本控制。 謝存仁等[39]考慮了施工期間的資源價格波動情況，建立考慮資源價格波動的施工組織動態(tài)規(guī)劃模型，運用適應性權(quán)重遺傳算法進行模型求解，實現(xiàn)施工期間的資源需求隨價格的波動動態(tài)調(diào)整，提升施工期間資源均衡度的同時降低了資源成本；張飛漣等[23]考慮了資金成本和費用發(fā)生時點，建立鐵路工程施工進度－成本動態(tài)優(yōu)化模型，通過模擬退火遺傳算法優(yōu)化后的方案相較于原方案有效降低了施工成本，提高了資金使用效率。 為了動態(tài)量化施工階段的成本指標，王雅慧[40]利用歷史項目數(shù)據(jù)訓練BP 神經(jīng)網(wǎng)絡預測施工階段的月實際成本，之后根據(jù)預測結(jié)果通過模糊聚類分析法劃分預警等級，實現(xiàn)施工成本的動態(tài)控制。 工人的勞務計酬也是施工過程中成本控制的重要部分，譚毅飛[41]基于計算機視覺和傳感技術(shù)建立的勞務計酬模式，使建筑業(yè)的勞動計酬具有更好的及時性和可追溯性。

竣工結(jié)算階段也是施工成本控制的重要階段，涉及施工資料整理、合同條款的核對、設計變更的審查、工程簽證審查等工作，人工智能技術(shù)在此階段的應用還比較少。 區(qū)塊鏈和自然語言處理等技術(shù)在資料管理和審查方面的優(yōu)勢已經(jīng)在許多行業(yè)得到證明，結(jié)算階段的成本控制可以借鑒這些經(jīng)驗，利用區(qū)塊鏈和自然語言處理等技術(shù)提高結(jié)算效率，從而合理地控制成本。

3.3 進度控制

進度管理指依照實際施工情況和項目任務的完成情況進行全面管理。 施工進度控制可以分為進度優(yōu)化和進度監(jiān)控兩個方面。 調(diào)查顯示，>70%的承包公司提到，施工現(xiàn)場協(xié)調(diào)不佳是項目超出預算和截止日期的主要原因；傳統(tǒng)的進度監(jiān)控基于人工和勞動密集型的信息收集、文件編制以及定期報告項目狀態(tài)的程序，這種監(jiān)控方法實踐繁瑣、容易出錯、速度慢，并且經(jīng)常報告冗余信息，從而阻礙了管理人員做出及時的決策。 為解決這些問題，建筑施工行業(yè)正在探索各種新興技術(shù)，一些人工智能技術(shù)在進度控制方面的應用中顯示出巨大潛力。

進度優(yōu)化指的是通過調(diào)整工作的組織措施來達到縮短工期的目的，在施工開始前需要管理者提前編制進度計劃，如果對項目缺乏透徹的了解或經(jīng)驗不足，可能會造成不必要的時間和成本的浪費。 遺傳算法、粒子群算法等智能優(yōu)化算法已經(jīng)應用到了施工進度優(yōu)化方面:謝存仁等[42]基于BIM 和遺傳算法建立了施工進度多目標優(yōu)化模型，求解各工序最優(yōu)持續(xù)時間以及非關(guān)鍵工序最優(yōu)開始時間，實現(xiàn)了施工進度的合理安排，相較于初始的進度計劃工期縮短了40 d；原媛等[43]結(jié)合高樁碼頭施工特點，利用量子粒子群優(yōu)化算法優(yōu)化施工進度，以較少成本將總工期縮短了70 d，為水工建筑的施工進度優(yōu)化提供了方案。

進度監(jiān)控的目的是獲取實時的進度信息，施工過程中可能會出現(xiàn)各種無法預料的因素造成進度的滯后，管理者需要根據(jù)實際情況及時做出決策，結(jié)合人工智能技術(shù)的進度監(jiān)控可以有效避免人工巡檢的效率低、易出錯等缺點，魯振川[44]提出一種基于有限狀態(tài)機和計算機視覺技術(shù)的施工進度識別方法，避免了人工巡檢耗時費力的缺點，保證了獲取進度信息的準確性和時效性。 通過進度監(jiān)控了解實時的進度情況也是進度動態(tài)優(yōu)化的前提，何敏杰等[45]基于模糊算法和BIM4D 技術(shù)研發(fā)施工進度動態(tài)控制模型，以實際進度作為數(shù)據(jù)來源建立進度預測模型并設置預警機制，實現(xiàn)施工進度的動態(tài)控制。

雖然目前基于人工智能的施工進度控制已取得了一定的進展，但將先進的優(yōu)化理論、智能算法及BIM 技術(shù)相結(jié)合的集成深化應用研究還相對較少，需要深入多理論交叉融合研究，提出更加高效的施工進度管理方法。

3.4 安全管理

施工現(xiàn)場具有作業(yè)連續(xù)性強、施工設備之間相互聯(lián)系、現(xiàn)場環(huán)境復雜等特點，在工程施工階段一直存在許多安全隱患，施工現(xiàn)場通常會被人們看作較為危險的工作場所。 匯總住建部公布的歷年事故數(shù)和事故死亡人數(shù)，得到統(tǒng)計數(shù)據(jù)如圖5 所示，建筑行業(yè)的安全事故一直處于一個比較高的水平，且近幾年的事故數(shù)量和死亡人數(shù)還處于一個上升的趨勢。

圖5 建筑施工事故數(shù)及死亡人數(shù)統(tǒng)計圖

施工中安全管理的3 個重點是人的不安全行為、物的不安全狀態(tài)、作業(yè)環(huán)境的不安全因素和管理失誤。 人工智能可以從對施工階段的監(jiān)控、識別、評估和優(yōu)先級排序方面入手改善施工安全問題[46]。施工現(xiàn)場工人是導致施工安全事故的重要因素之一，工人在施工現(xiàn)場的活動一直是動態(tài)的，也是現(xiàn)場最難控制的安全因素之一。 隨著計算機視覺技術(shù)的發(fā)展，一些相關(guān)技術(shù)開始應用于工人安全裝備的使用場景:WU 等[47]提出的一種基于計算機視覺技術(shù)的安全帽佩戴檢測方法，在監(jiān)測工人是否佩戴安全帽的同時還能識別安全帽的顏色，其準確率>90%；FANG 等[48]針對工人高空墜落的風險分別使用CNN 和R－CNN 建立安全帶佩戴監(jiān)測模型，在武漢市的幾個建筑項目的數(shù)據(jù)測試中均能達到良好的準確率，可以有效減少工人因未佩戴安全帶而引起高空墜落事故的發(fā)生。 物的不安全狀態(tài)是導致施工安全事故的另一個重要因素，施工過程中必須確?，F(xiàn)場的各種機械設備和建筑結(jié)構(gòu)處于安全的狀態(tài)，李佩琪等[49]總結(jié)了不合格材料使用、特殊材料存放、設備超負荷運行以及陳舊帶病機械設備使用危害等危險源，利用物聯(lián)網(wǎng)和BIM 技術(shù)建立智慧工地平臺，可以準確識別現(xiàn)場的材料和設備等危險源，能有效地防止安全事故的發(fā)生。 除上述施工安全管理要點外，工人、施工現(xiàn)場設備及材料等之間的交互也是安全管理的重難點，如不同施工設備之間的碰撞，尤其是重型施工設備。 施工設備與材料之間、施工設備與工人之間也是施工現(xiàn)場安全事故的重要類型。閆海生[50]研究了城市軌道交通工程基于超寬帶定位的人機碰撞技術(shù)，利用定位標簽使施工設備生成實時的電子圍欄，現(xiàn)場工人通過佩戴定位標簽與電子圍欄產(chǎn)生信息交互，預警潛在的碰撞風險；何光輝[51]考慮現(xiàn)場風險源和障礙區(qū)域，利用游走算法優(yōu)化設計施工通道，通過前期設置量化的風險指標進行評估，以期從組織設計環(huán)節(jié)預防事故的發(fā)生。

除此之外，人工智能技術(shù)還能以其他方式參與建筑施工的安全管理，自然語言處理可以代替人工從大量文本數(shù)據(jù)中獲取有價值的信息，從安全報告和施工日志中檢索重要信息，分析出可能存在的風險行為或因素，并進行人工干預。 智能機器人技術(shù)可以代替人工實施一些危險作業(yè)，能夠有效降低工程事故發(fā)生的可能性和造成的人員傷亡，同時也有助于解決建筑工人老齡化問題。

4 展望

近年來，人工智能技術(shù)在建筑施工中的融合應用受到國內(nèi)外學者的高度關(guān)注，機器學習、優(yōu)化算法以及人工智能物聯(lián)網(wǎng)等技術(shù)已經(jīng)應用于建筑施工領(lǐng)域，并取得了顯著成效。 然而，人工智能技術(shù)在建筑施工領(lǐng)域的應用仍處于初級階段，許多研究尚未達到實際應用的程度，一些問題亟需深入研究和解決，包括:(1) 工程數(shù)據(jù)的相對保密性導致的數(shù)據(jù)獲取問題 數(shù)據(jù)作為人工智能的3 大要素之一，是人工智能理解現(xiàn)實問題的基礎(chǔ)，但由于施工企業(yè)的分散性和競爭關(guān)系，一些企業(yè)很難獲得多元大量的工程數(shù)據(jù)來滿足人工智能技術(shù)的應用；(2) 尚沒有高度集成化的產(chǎn)品 當前人工智能技術(shù)在特定施工環(huán)節(jié)的應用不斷增多，但由于建設項目唯一性的特點，許多研究的適用范圍比較局限，未來仍需要在大量局部應用的基礎(chǔ)上建立高度集成化的智能施工平臺，將人工智能技術(shù)深度應用到建筑施工的全過程；(3) 人工智能模型的可解釋性差 可解釋性是一項技術(shù)能否真正得到廣泛應用的關(guān)鍵，尤其是應用到建筑施工領(lǐng)域中重要的決策問題時，更需要用戶理解人工智能模型的決策過程和結(jié)果，因此建筑施工領(lǐng)域有必要加強對可解釋人工智能的研究和應用。