下载文档原格式
中国科技期刊数据库 工业C2015年62期 69人工智能及其在土木工程中的应用李兴盛1庞立元21.中铁一局集团第二工程有限公司，辽宁 大连 1160232.大连地铁有限公司，辽宁 大连 116023摘要：人工智能技术是研究人类智能和通过计算机技术使某些设备或仪器具有人的智能行为的科学通过利用计算机模拟人的思维、语言、记忆、推理、感知、学习等智能能力，以及延伸人的感觉和大脑功能。
综上这些模拟都反映人工智能及其识别技术最重要的思想和内容，也就是说人工智能及其识别技术学科是用来研究人类智能活动的规律的学科。
本文对人工智能及其在土木工程中的应用进行了阐述。
关键词：人工智能；土木工程；其应用 中图分类号：U442.5 文献标识码：A 文章编号：1671-5810（2015）62-0069-011 土木工程中智能结构控制机理在土木工程中，我们将压电传感器按照一定的方式安装到结构上，对所测得的电信号进行分析，从而获得结构运营状态的各种信息达到对结构进行诊断、监测和评估的目的，使结构成为具有自感知、自诊断的智能结构，我们把这种智能控制归为智能结构主动控制。
地震和强风的作用严重威胁土木工程结构的安全，对智能土木工程结构中主动控制系统的研究是当今土木工程学科中相当活跃的研究领域之一。
智能结构控制系统的振动控制系统主要由传感器、信号处理器、控制器和作动器或耗能器四部分组成，主要是利用仿生学的原理，模拟生物界的方式感知结构内部状态和外部环境，将传感元件和驱动元件集成到结构中，传感器量测到的信号，经信号处理器加工处理，送入控制器，控制器再依据某种智能控制算法做出决策，通过作动器对结构施加指令或调节耗能减振系统的参数实现结构减振系统智能化控制的目的，使具有智能特性的工程结构能够根据环境激励信号和结构响应信号，自适应地实时改变结构的状态，抑制结构在地震动或强风作用下的振动，保证结构的安全采用智能材料结构控制系统，能够真实地体现结构一控制一体化的特征，这种控制系统能在地震这种小确定性动荷载作用下，自动做出主动控制反应，增强了结构系统的抗震能力团将智能材料应用于工程结构振动控制系统中将是实现其智能化的关键环节之一，对传统土木工程的结构设计、建造、维护及使用控制等带来了许多观念的更新。
人工智能技术在土木工程领域的应用1. 应用背景土木工程作为一门研究土地、土石材料、结构设计、建筑施工等的工程学科，对于建筑物和基础设施的建设与维护起着重要的作用。
然而，传统的土木工程项目通常需要大量的人力和物力投入，而且常常需要长时间的实地调查和数据处理，工程师们为此需要付出较大的努力。
而随着人工智能的发展，土木工程领域也开始意识到人工智能技术的潜力，并利用其在土木工程项目中的应用取得了一些积极效果。
人工智能技术在土木工程领域的应用，主要是基于大数据分析、机器学习和图像识别等相关技术，通过对大量的土木工程数据进行处理和分析，从而实现对土木工程项目的优化规划、设计和施工等方面的支持。
2. 应用过程人工智能技术在土木工程领域的应用过程主要包括数据采集、数据预处理、模型训练和模型应用等环节。
2.1 数据采集数据采集是人工智能技术在土木工程领域应用的第一步。
土木工程项目通常涉及大量的数据，包括土地成分、地质数据、气候数据、材料性能数据、结构参数等。
这些数据可以通过传感器、监测设备、无人机等手段进行采集。
同时，还可以利用现有的土木工程数据库进行数据的收集和整理，例如地质勘探数据库、地理信息系统、工程管理系统等。
这些数据虽然来自不同的来源和格式，但是通过合适的数据处理和集成方法，可以形成可用于模型训练和分析的数据集。
2.2 数据预处理由于土木工程数据通常具有多源、多格式和多维度的特点，所以在应用人工智能技术之前，需要对数据进行预处理。
数据预处理的目的是将原始数据转化为适合机器学习算法处理的形式，主要包括数据清洗、数据集成、数据变换和数据归一化等步骤。
其中，数据清洗的目的是去除原始数据中的噪声和缺失值，数据集成的目的是将不同来源的数据整合到一个统一的数据集中，数据变换的目的是将数据转化为适合模型的特征表示，数据归一化的目的是将数据缩放到合适的范围。
2.3 模型训练模型训练是人工智能技术在土木工程领域应用的核心环节。
基于深度学习的土木工程施工图纸识别技术研究1. 深度学习在土木工程施工图纸识别中的应用背景在土木工程领域，施工图纸的识别是一个重要的任务，它涉及到施工过程中的各种细节和要求。
传统的手动识别方法需要大量人力和时间，并且容易出错。
因此，基于深度学习的土木工程施工图纸识别技术应运而生。
深度学习是一种机器学习方法，它通过构建深层神经网络模型来自动地从大量数据中提取特征，并进行有效分类和识别。
在土木工程领域，基于深度学习的图像识别技术已经取得了一些重要进展，并且被广泛应用于自动化施工、质量控制和安全监测等方面。
2. 深度学习算法及其在土木工程施工图纸识别中的应用2.1 卷积神经网络（CNN）算法卷积神经网络是一种常用于图像处理任务的深度学习算法。
它通过构建多个卷积层和汇聚层来提取图像特征，并通过全连接层进行分类或回归等任务。
在土木工程施工图纸识别中，CNN算法可以用于识别施工图纸中的不同元素，如墙体、梁柱、门窗等。
通过训练大量的施工图纸样本，CNN可以学习到不同元素的特征表示，并通过后续的分类器进行识别。
2.2 循环神经网络（RNN）算法循环神经网络是一种常用于序列数据处理任务的深度学习算法。
它通过构建循环连接来处理序列数据，并可以捕捉到序列中的时序信息。
在土木工程施工图纸识别中，RNN算法可以用于处理施工图纸中元素之间的依赖关系。
例如，在一个建筑物平面图中，墙体和门窗之间存在一定的关系。
通过使用RNN算法，可以将这种关系建模，并提高识别准确度。
2.3 深度学习在土木工程施工图纸识别中的应用基于深度学习算法，在土木工程施工图纸识别方面已经取得了一些重要进展。
例如，在建筑物平面图识别方面，研究人员使用卷积神经网络模型对不同类型的墙体进行分类和定位，并取得了较高的准确度。
在结构图识别方面，研究人员使用循环神经网络模型对梁柱等结构元素进行识别，取得了较好的效果。
此外，还有研究人员使用深度学习算法对施工图纸中的文字进行识别和提取，提高了施工图纸的可读性和可编辑性。
人工智能在土木工程领域的应用研究现状及展望摘要随着人工智能的发展进步，人们对人工智能应用的范围在不断增加，人工智能在土木工程领域有了新的应用，土木工程领域也得到了进一步的发展。
在人工智能与土木工程相结合的过程中，通过应用人工智能技术、土木工程、施工设计和运营管理等专业培训，推进高效教育，铸造智慧工地，本文对人工智能在土木工程领域的应用研究现状及展望进行了深入的分析。
关键词人工智能；土木工程领域；应用；现状及展望引言现阶段，我国经济进入了高速发展期，信息技术的高速发展带动了产业的高速发展。
土木工程是一项保障人民日常生活的业务，通过将人工智能应用于土木工程中，能够极大的提升土木工程的施工质量，确保其能够按时完工，推动土木工程健康发展。
一、人工智能的基本概念人工智能是利用人工设计的软硬件，利用计算机来模仿、拓展人类思维的技术。
人工智能的主要挑战是建立推理、了解、计划、学习、交流、感知、移动物体、使用工具，具有类似与人的思维和操作方式，现阶段，人工智能的应用领域非常广阔，主要包括进行智能搜索以及数学优化、逻辑推理等。
此外，由于思想来自大脑，思想支配行动，行动是实现思想的过程中，思想主要是把所有的数据进行整合，形成完整的数据库，人工智能也会慢慢发展成为取代人类工作的机器。
二、基于人工智能的土木工程教学将计算机模拟应用于教育中，可以计算机仿真技术与课堂教学相结合，可以充分展示土木工程的实践特点，使学生真正获得知识，实现实践与理论的融合。
在土木工程教育中，计算机模拟可以模拟各种结构测试，让学生可以随时随地进行测试，增加感性知识，而不局限于该领域。
同时，随着VR技术的逐渐成熟，学生可以在虚拟的大型土木工程中漫游。
三、人工智能在土木工程领域的应用1、人工智能与设计通过把人工智能技术在建筑结构、桥梁结构等工程中进行应用，也是智能土木工程进行发展的重要方向。
现阶段，人工智能在土木工程建筑中的应用，还处于刚开始的过程中，但整体的发展前景非常广。
基于人工智能的土木工程设计随着科技的不断进步，人工智能（Artificial Intelligence，简称AI）成为了当今社会各个领域的热门话题。
在土木工程领域，AI也展现出了强大的潜力和广阔的应用前景。
本文将探讨基于人工智能的土木工程设计，介绍AI在土木工程中的应用，以及其带来的挑战和机遇。
一、AI在土木工程设计中的应用1. 数据处理和分析在土木工程设计中，大量的数据需要收集、分析和处理，以制定科学可行的方案。
AI能够通过自动化处理大数据，提供准确可靠的分析结果。
它可以快速整理结构数据，包括地质勘测数据、地形测量数据、气象数据等，从而为土木工程师提供更精确的数据支持。
2. 建筑设计和结构优化AI在建筑设计和结构优化方面也有重要应用。
通过深度学习和机器学习算法，AI能够帮助土木工程师分析建筑物的荷载、施工条件和材料性能等，从而优化建筑结构的设计方案。
这使得土木工程师能够更好地预测和解决潜在的问题，提高建筑物的安全性和稳定性。
3. 工程施工管理AI还能够在土木工程施工管理中发挥作用。
通过对建筑工地进行实时监控和数据分析，AI能够检测和预测施工现场的安全问题，减少事故发生的可能性。
此外，AI还可以通过提供实时的工艺指导和优化建议，提高施工工艺的质量和效率。
二、基于人工智能的土木工程设计带来的挑战1. 高昂的成本AI技术的开发和应用需要投入大量的人力、物力和财力。
训练机器学习模型、购买高性能计算设备，以及维护和更新AI系统，都需要耗费巨大的资金。
这对于一些中小型土木工程公司来说可能是一个不小的负担。
2. 数据隐私和安全在土木工程设计中，涉及到的数据可能涵盖机密信息，如公司商业机密、客户隐私等。
这就需要确保AI系统的数据处理和存储安全，以避免数据泄露和滥用的风险。
同时，还需要建立合适的法律和政策框架，以保护用户数据的隐私权。
三、基于人工智能的土木工程设计带来的机遇1. 提高设计和施工效率AI技术能够大大缩短土木工程设计的周期，提高设计效率。
基于深度学习的土木工程图像识别技术在当今科技飞速发展的时代，深度学习技术正逐渐渗透到各个领域，土木工程也不例外。
土木工程图像识别技术作为其中的一个重要分支，为土木工程的设计、施工、监测和维护等环节带来了前所未有的变革。
土木工程中涉及大量的图像数据，如施工现场的照片、建筑物的外观图像、结构构件的检测图像等。
传统的图像处理方法往往依赖于人工特征提取和模式识别，不仅效率低下，而且准确性和可靠性难以保证。
深度学习的出现为解决这些问题提供了新的思路和方法。
深度学习是一种基于人工神经网络的机器学习技术，它能够自动从大量的数据中学习到复杂的特征和模式。
在土木工程图像识别中，常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）等。
卷积神经网络是目前应用最为广泛的深度学习模型之一。
它通过卷积层和池化层对图像进行特征提取，能够有效地捕捉图像中的局部和全局特征。
在土木工程中，卷积神经网络可以用于识别建筑物的裂缝、结构构件的损伤、施工现场的安全隐患等。
例如，通过对大量的裂缝图像进行训练，卷积神经网络可以学习到裂缝的形状、大小、方向等特征，从而实现对新的裂缝图像的准确识别。
循环神经网络则适用于处理具有序列特征的数据，如建筑物在不同时间点的变形监测数据。
它能够捕捉数据中的时间依赖关系，从而对建筑物的变形趋势进行预测和分析。
生成对抗网络则可以用于生成逼真的土木工程图像，如虚拟的建筑设计方案、模拟的施工场景等，为土木工程的设计和规划提供更多的可能性。
然而，将深度学习应用于土木工程图像识别并非一帆风顺，还面临着许多挑战。
首先，土木工程图像数据的获取和标注往往比较困难。
由于施工现场环境复杂、图像质量参差不齐，获取高质量的图像数据并非易事。
同时，对图像进行准确的标注需要专业知识和大量的人力成本。
其次，深度学习模型的训练需要大量的计算资源和时间。
特别是对于大规模的图像数据，训练一个有效的模型可能需要数天甚至数周的时间。
神经网络在土木工程的应用：1989-2000Hojjat Adeli*土木与环境工程和测量学，俄亥俄州立大学，俄亥俄州哥伦布市43210，美国1、简介 (2)2、结构工程 (2)2.1在模式识别和机器学习的结构分析和设计 (2)2.2设计自动化和优化 (4)2.3结构系统辨识 (5)2.4结构状况的评估和监测 (5)2.5结构控制 (6)2.6有限元网格生成 (6)2.7结构材料的表征和建模 (6)2.8并行大规模问题的神经网络算法 (7)3、建设工程 (7)3.1施工调度与管理 (7)3.2项目建设成本估算 (7)3.3 资源分配和预定 (8)3.4建筑诉讼 (8)3.5其他应用BP和其他神经网络模型在建设工程和管理 (8)4、其他民事工程领域的神经网络应用 (8)4.1环境与水资源工程 (8)4.2交通工程 (9)4.3公路工程 (9)4.4岩土工程 (10)5 、BP算法的缺陷和目前的其他应用 (10)5.1 BP算法的缺陷 (10)5.2共轭梯度的自适应神经网络算法 (10)5.3径向基函数神经网络 (11)5.4其他方法 (11)6、集成其它神经网络计算模式 (11)6.1遗传算法 (11)6.2模糊逻辑 (11)6.3小波算法 (12)7、最后评论 (12)8、致谢 (13)9、参考文献 (13)摘要：基于神经网络的应用第一作者在土木/结构工程的文章发表在该期刊于1989年。
本文回顾了神经网络在期刊上发表的档案研究自那以后的文章。
审查的重点是结构工程，建筑工程及管理这两个领域。
神经网络在其他土木工程领域发表的文章也被审查，包括环境和水资源工程，交通工程，公路工程，岩土工程。
神经网络的土木工程应用绝大部分是基于简单的BP算法。
其他最近，更有力，有效的神经网络模型的应用进行了评述。
就如遗传算法，模糊逻辑，小波神经网络计算模式等一体化的最新作品，以提高神经网络模型的性能介绍。
1、简介人工神经网络是一个抽象的生物学功能的中枢神经系统的神经结构（亚历山大和莫顿，1993年; Rudomin等，1993;。
Arbib，1995;安德森，1995）。
他们是强大的模式识别和分类。
他们经营的黑盒、无模型和自适应学习工具，在数据采集和显著的结构。
他们的计算能力已被证明在预测和估计、模式识别和优化领域，他们特别适合的问题太复杂、无法用经典传统数学建模和程序解决。
1989年关于神经网络的土木/结构工程应用在这本杂志第一发表文章的作者Adeli和叶。
自那时以来，在神经网络的土木工程应用有大量的文章发表，大部分与一些模式识别问题类型的文章或学习处理。
一个神经网络可以得到训练、学习如何执行特定任务，这种方法是特别有吸引力的，对于难以了解问题并在没有正式的基本理论问题的解决方案，工程设计和图像识别两个（Adeli，Hung，1995年）等问题。
对神经网络的普及的原因之一是简单的误差反向传播（BP）的训练算法发展（朗姆酒elhart等。
，1986），这是一个梯度下降优化技术为基础。
现在的BP 算法中在许多教科书都有描述（Adeli和Hung，1995年;特拉等人，1997年;。
摘心和Bahreininejad，1997; Haykin，1999）不熟悉的读者可以参考其中的任何一个。
Hegazy等1994年已经提出如何制定切实可行的神经网络应用算法，该神经网络的土木工程中的应用，绝大多数是BP算法，主要是因为它简单易用、训练有监督学习算法如BP意味着要寻找连接节点采用了一套训练样本的权重神经网络链接，一种在对训练集之间的实际产出与产出的计算误差平方和最小化误差函数形式的反复，学习或培训的规则指定的权重是如何在每次迭代修改。
2、结构工程2.1在模式识别和机器学习的结构分析和设计1989年Adeli和叶提出了在工程设计中机器学习的基础上，内部控制参数和感知器（罗森布拉特，1962）的概念模型。
感知器被定义为一个四元组实体（传感器接收输入，由传感器乘以权重，收集所有的函数加权数据才能对观察到的现象，影响正确的测量，和固定阈值），其结构设计问题归结为一个单位，没有隐藏的感知。
Adeli和叶应用模型主要应用在设计钢梁中。
1990年V anluchene和Sun 证明了BP算法的潜在应用，在结构工程中的应用，一个涉及梁荷载位置模式识别，钢筋混凝土截面梁涉及选择典型设计决策和分析的简支板的问题，展示了如何很快解决复杂的数值可估计和神经网络方法。
1990年Hajela和伯克表明，神经网络可以用于结构优化的快速再分析使用。
1991年Hung和Adeli提出了在工程设计学习机模型，称为PERHID，是基于感知学习算法的概念与两层神经网络，结合已建成一个具有单层和神经网络感知器。
通过对本研究延伸，1994年Hung和Adeli提出了一个神经网络机器学习的发展环境中使用面向对象编程范例。
1993年Adeli和张通过引入每个原始的学习模式感知自我调整因素，修正迭代感知器学习算法的改进。
在每次迭代调整因素乃取决于该域错误在以后的迭代减少。
这导致在对待找到最终的权重向量的迭代过程整体改善。
新算法的钢梁设计问题中的应用表明，对向量收敛所需的迭代次数大大低于较少使用原来的感知器算法。
1993年Theocaris和Panagiotopoulos描述断裂力学参数识别问题及神经网络的学习问题。
1994年Gunaratnam与吕研究表示对神经网络在结构工程应用中使用的BP算法性能的影响，他们认为，三维分析提供训练的投入产出模式对一个合适的表示框架。
1994年梅斯纳等描述一个最适当的结构成员的初步选择的BP神经网络系统（梁，柱，和地砖）条发出的建设项目的属性，如提供空间、预算和高度。
1993年所使用的BP 算法作为一种诊断损坏预应力混凝土桩（如混凝土和横向开裂或剥落断桩）知识为基础的系统知识获取工具，1994年Kang 、Yoon 等完成简单的桁架设计。
由霍伊特等1994年，方程在结构、改善形象和特征有限元分析;1994年罗杰斯快速逼近在结构优化程序分析;1995年由慕克吉和德什潘德为结构的初步设计; Abdalla和Stavroulakis 预测的半刚性连接时刻单从实验角度和单片式梁柱连接的旋转曲线钢结构行为;Turkkan和Srivastava1995年预测的稳态风压力分布的空气支撑圆柱和半球形膜结构; 慕克吉1996年预测的实验数据为基础受压柱屈曲载荷;Papadrakakis等1996与蒙地卡罗模拟连接结构可靠性分析;由安德森等人1997年基于对实验结果的旋转特点，预测轴光束对柱连接双线性的特征。
由Szewczyk和努尔1997年敏感性和非线性结构分析;由Kushida等人制定一个具体的桥梁评级制度。
1997年比德曼探讨了BP神经网络来代表启发式设计知识，例如，如何分成一组为实用的目的（设计制造组）数量有限的一多层框架的成员，卡坦和穆罕默迪1997年用BP算法来关联对经验丰富的检查人员目视检查桥梁的分析评价标准下的活荷载以及桥参数的详细分析为基础的桥梁结构的主观评价。
他们的结论是“神经网络可以用来进行培训，对桥梁的参数估计为基础的评级成功。
”1995年Adeli and Park反传播神经网络（CPNs）、竞争和内插层在结构工程的应用现状（赫克特-尼尔森，1987年），主要的问题是人CPNs算法是任意尝试和错误的学习中遇到的系数选择算法。
他提出了一种用于作为迭代次数的函数学习简单的公式系数和优良的收敛结果的报告。
CPNs算法用于预测弹性侧向屈曲临界宽翼缘梁钢（宽形状）和双和单轴对称钢梯度系数下梁结束的时刻。
后者是一个复杂的问题，需要一个稳定分析与4224的联系，广泛的数值分析以及大量的数据管理神经网络。
它用了不到30次迭代训练，既竞争又插层，通过528大型网络培训的实例，与BP算法相比，作者发现优越的收敛性和学习系数公式算法的处理时间大幅下降。
应用一个有效长度因素K的计算对成员设计是复杂，但是在钢框架结构中还是有效的。
钢结构(AISC，1995年)当前被简化的准线图设计的当前AISC代码决定的有效长度因素。
1997年Kishi 等指出了导致不安全设计总低估和导致一个过度保守的设计过高估计两种不同的边界条件的准线图。
Hung和Jan1999年在放松的框架描述小脑的式样清楚的发音控制器(CMAC)的变异，在控制领域主要为预言有效长度因素K ，他们认为，从神经网络模型得到的结果比从AISC 准线图获得的那些准确。
在结构有限元分析，载荷和位移之间的关系是代表的结构或整体刚度矩阵。
一个神经网络可以被训练来执行相同的任务，包括刚度矩阵,联立线性方程的解是任何有限元分析中最耗时的一部分,为了加快这一步骤的有限元分析，神经网络可以用来创建特定于域的方程求解器使用诸如公路桥梁特定领域的知识。
然而，通常神经网络只能提供一个近似解其中的“精确”的解决办法是必需的。
2000年Consolazio建议，如结合预条件共轭梯度法（PCG）（(Adeli和Kuma，1999）的迭代方程解决技术的神经网络。
特别是，他使用的BP神经网络算法在每次迭代计算近似位移，而整体PCG收敛到精确解。
该算法的人工神经网络的一部分，提高了算法效率：（1）提供一个良好的初步解决方案，（2）扮演PCG算法在预条件的作用。
Consolazio套用在平面板坯公路桥梁有限元分析方法，总结了神经网络是一种加速迭代法收敛的有效方法。
2.2设计自动化和优化设计自动化大型一类民用工程系统是一个具有挑战性的问题部分是由于这个问题的不限成员名额的性质，部分的高度非线性约束可以用挡板优化算法。
大型复杂工程系统优化的收敛性、稳定性和效率方面，是特别具有挑战性。
神经网络的研究大都已经完成，在模式识别和机器学习的领域。
1993年伯克等人提出神经网络计算也可用于优化。
1995年Adeli 和Park，目前通过整合函数法，Lyapunov稳定性定理，库恩- Tucker条件，设计了神经动力学的神经结构动力学优化设计模型。
一个Lyapunov 能量函数形式的伪目标功能是指用外部惩罚函数法。
Lyapunov稳定性定理保证了相应的动态系统，任意给定的出发点（轨迹）解决方案的方法，不增加的目标函数值的平衡点。
该模型的稳健性首先验证了应用线性结构优化问题、低增长的平面钢框架、最小重量塑料设计。
优化算法的规模和复杂性恶化的问题不断增加。
新的优化模型的意义在于它提供了成千上万的节点受到良好的收敛性结果与复杂的和不连续的限制。
为了实现自动优化设计规范的实际限制，如在美国钢建筑研究院（AISC）容许应力设计（ASD）和荷载和抗力系数设计（LRFD）规范（AISC，1995年），Adeli和公园（1996年）制定了对市售部分组成的混合离散优化结构CPN神经动力学模型，如宽翼缘市售部分组成的结构离散优化模型（宽）形状用于钢铁结构,该计算模型的证明, 在设计自动化和大型结构的优化时，无论大小，如何不规则的结构，多么复杂的约束条件都是有高度的稳定和完善。
