建筑工程学院 刘祥生 20144627
研究者们把人工智能技术与建筑行业各专业领域知识相结合，使得人工智能技术在建筑行业中取得了非常广泛的应用。已有许多专家系统、决策支持系统应用在建筑行业取得了很好的经济效益和社会效益。下面针对建筑规划、建筑结构、给水排水、建筑电气、暖通空调、建筑材料及建筑工程管理等建筑行业中的各专绪词语
业领域，分别阐述人工智能技术的应用。
一、 人工智能技术已应用于建筑设计选型、设计规范自动检测等方面。 美国加州的Ethymios·A·Delis和澳大利亚昆士兰州的Alex Delis[1]构造了一个专家系统，对建筑消防设计是否符合规范进行自动检验。该系统分为三大部分：框架系统表示建筑设计各部件(如门、过道)及相互之间的关系；规则系统采用IF/THEN结构表示建筑设计必须满足的规范的各条规定；几何算法集用来确定各部件的相互关系的算法集合。美国斯坦福大学Charles S.Han等设计了一个模型，利用计算机自动对建筑设计是否符合规范或标准进行检验。 先将2D的CAD图转换成标准的3D数据（IFC EXPRESS file），并用人工智能中的框架知识表示法来进行表示，规范采用相同的IFC文件进行表示。设计者通过网络将考试周刊IFC形式的设计数据传到检验单位，检验单位通过计算机自动检验，然后把相应的结果返回或通过网页展示。
清华大学刘西拉等[2]将神经网络用于高层建筑结构体系研究。采用三层的BP网络，将影响高层建筑结构体系的因子分为12种。输入层有12个结点；隐层有10个结点；输出层有5个结点，对冬芹
5种可选的结构体系都给出一个系数值。作用函数选用Sigmoid全民开讲
函数。 江汉石油学院许宁等针对传统CAD系统设计知识困难和设计结果不能解释等缺点，在钢筋混凝土框架结构CAD系统的基础上引入人工智能技术，开发出一种钢筋混凝土空间框架结构分析与设计智能CAD系统(FICAD)，具有知识获取容易和问题解释方便的特点。系统内部采用四元组表示知识，对外(即知识工程师)采用荷载组合代数表示法、判定表示法、过程表示法相结合。 同济大学吴伟强等将专家系统用于基坑支护体系的选型。针对基坑支护结构初步方案设计阶段的方案选型工作，建立相应的控制系统和规则知识库，指导领域知识与控制知识相分离，将规则分为控制规则和一般规则，并赋予不同的优先权。采用CLIPS环境开发，推理 过程为把二个三元组合并成一个新的三元组，得出新的隶属度。同时还用AUTOCAD的ADS接口编制了相应的图形生成程序。
苏州市建筑设计研究院叶永毅将人工智能技术用于建筑结构计算书自动生成。采用隶属函数表示知识，推理机制采用模糊模式识别方法。在模糊模式识别方法中，假设在一个n维空间有m个点，每一个点代表一个标准模式。这个点在n维空间中的位置可由n个坐标惟一确定。考察某一具体事物，该事物的属性也由n个数值来表示。这样该事物就可用空间的一点S来表示。求出S与各标准模式的距离，其中与S距离最小的标准模式即表示S与该模式最接近，S事物就是该标准模式。
2、人工智能技术在建筑结构中的应用
建筑物在长期使用中产生的裂缝、破损，或者建筑物经过震动、地震后的破损情况，都是影响建筑安全的重要因素。如何有效地诊断故障和对破损情况进行评估一直是有关专家、学者关注的焦点。
美国普渡大学开发了对地震后房屋破损评估的专家系统SPERIL。它利用各种观测数据和现场记录进行不确定性推理，解释房屋的破损程度，以帮助工程师做出决策。美国卡内基
－梅隆大学开发了高层建筑初步结构专家系统HT-RISE。其目标是对十层以上民用或商用巨形建筑初步结构设计进行大量启发式决策，随后又扩大到低层建筑、框架楼板体系及其他建筑。美国Bristol大学开发了以模糊关系推理语言为基础的结构安全监控专家系统。土耳其Firat大学用人工神经网络来模拟混凝土裂缝的尺度效应。
人工智能技术在国内也展开了一些应用，如安徽建筑工业学院、西安交通大学等都在建筑结构领域建立了不同的专家系统。大连理工大学李守巨等[3]运用LM神经网络对建筑结构(铰)结点损伤进行识别，通过测量位移来预测(铰)结点损伤。北方交通大学鞠彦忠等采用ART2神经网络对建筑结构损伤进行识别，采用前三阶频率和模态振型向量来预测结构损伤。沈阳工业大学杨璐等用神经网络对简支梁结构损伤进行预测，以受损前后一阶、二阶、三阶、四阶、五阶、六阶固有频率的变化率作为输入参数来预测损伤情况。重庆大学王波等依据我国《混凝土结构耐久性评定标准》(草案)开发了用于现役混凝土结构耐久性评估的专家系统应用软件。其应用表明，将框架、人工神经网络与产生式表示方法相结合进而建立神经网络专家系统的方式是可行、有效的。
三、人工智能技术在暖通空调中的应用
人工智能技术在暖通空调系统中的应用，主要是用神经网络技术对系统冷热负荷进行预测。
冷热负荷大小、特征及变化规律，对暖通空调系统的运行管理、提高运行效率、节省能源等均极为重要。
哈尔滨工业大学高立新等将神经网络用于建筑用空调的冷负荷计算中。将影响空调冷负荷的七种主要因素(墙地比，窗墙比，人员密度，灯具功率密度，设备功率密度，新风标准，室内温度）作为输入层的7个结点，隐层有19个结点，输出层为建筑物的空调冷负荷。上海交通大学常晓柯等用神经网络进行空调系统负荷预测。针对BP网络计算量大，收敛速度慢等特点，采用增加动量的方法及调整学习率法，到更优的解和缩短训练时间。输入为室内外气温、太阳辐射强度等12个指标，输出为时负荷，隐层有31个结点。
日本Hiroshima大学等[9]利用神经网络对一个区域的冷负荷和热负荷进行研究。通过对过去24小时的负荷、过去一周同一时间的七个不同负荷及最大可能负荷（32个输入变量）的分析，预测未来24小时每一时段的负荷（24个输出变量）。该方法适用于在一个地区集中进行暖气和冷气供应的情况。
四、人工智能技术在建筑施工中的应用
人工智能技术在施工中的应用涉及到水泥挤压强度分类、混凝土强度预测等方面。 山东
建筑材料工业学院史奎凡将BP神经网络用于对水泥挤压强度的分类。采用三层BP网络，输入层含7个结点（矿渣掺量，二氧化硫，细度，三天抗折，三天抗压，快速抗折，快速抗压），隐层含20个结点，输出层含2个结点，分别代表合格的525# 28天水泥抗压强度的值和425# 28天水泥抗压强度的值。选取44个样本进行1 200次训练之后，对某厂出产的水泥进行测试，取得较好的效果。
在混凝土强度预测上，人工智能也有广泛的应用。传统的四组份混凝土（水泥、水、砂、石）强调高强度，现在的混凝土则强调高性能，包括强度、可靠性、空间稳定性、耐久性等。为提高性能，在传统四组份的基础上增加添加剂2～6种，不同国家不同建筑单位使用的添加剂不一样。燕山大学王海超等将神经网络用于对混凝土强度的预测。采用一个输入元和一个输出元，中间一个隐层，通过对3、4、青海藏语网5、6、7天的强度值进行学习，来预测28天强度值，这比用灰度理论计算的值更优。此外，还用BP神经网络对六组份混凝土配合比设计进行模拟，既可预测其强度，又可单独模拟某一参数的值。波兰学者等采用ART神经网络对六组份混凝土28天强度值进行模拟和预测。台湾中华大学用BP网络对高性能混凝土的强度和可使用性进行模拟和预测，以建立一个最好的配合比。
建筑工程学院
刘祥生
20144627
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议