智慧技术促进工程建造与管理的可持续发展

林松顺 ,  沈水龙 ,  周安楠 ,  陈湘生

Engineering ›› 2025, Vol. 45 ›› Issue (2) : 277 -297.

PDF (6600KB)
Engineering ›› 2025, Vol. 45 ›› Issue (2) : 277 -297. DOI: 10.1016/j.eng.2024.08.023
研究论文

智慧技术促进工程建造与管理的可持续发展

作者信息 +

Smart Techniques Promoting Sustainability in Construction Engineering and Management

Author information +
文章历史 +
PDF (6757K)

摘要

随着工程项目规模的不断扩大以及施工环境的多样化，工程建造与管理变得日益复杂，促使其向数字化转型。为探讨智慧技术在工程建造与管理的最新发展，本文对多准则决策方法、智能技术及其在工程建造与管理中的应用进行了全面回顾。首先，本文构建了详细的框架以阐述智慧技术在工程建造与管理中的应用。随后，梳理了工程建造与管理的特征，并通过文献计量分析探讨了2000—2022年间智慧技术在工程建造与管理应用方面的关键词、期刊和研究热点。本文还阐述了近年来智能技术的最新进展，涉及六个主题：① 大数据技术；② 计算机视觉；③ 语音识别；④ 自然语言处理；⑤ 机器学习；⑥ 知识表达与推理。随后，通过地下空间开发展示了智慧技术的应用。最后，本文给出了工程建造与管理可持续发展的未来研究方向。

Abstract

Construction engineering and management (CEM) has become increasingly complicated with the increasing size of engineering projects under different construction environments, motivating the digital transformation of CEM. To contribute to a better understanding of the state of the art of smart techniques for engineering projects, this paper provides a comprehensive review of multi-criteria decision-making (MCDM) techniques, intelligent techniques, and their applications in CEM. First, a comprehensive framework detailing smart technologies for construction projects is developed. Next, the characteristics of CEM are summarized. A bibliometric review is then conducted to investigate the keywords, journals, and clusters related to the application of smart techniques in CEM during 2000–2022. Recent advancements in intelligent techniques are also discussed under the following six topics: ① big data technology; ② computer vision; ③ speech recognition; ④ natural language processing; ⑤ machine learning; and ⑥ knowledge representation, understanding, and reasoning. The applications of smart techniques are then illustrated via underground space exploitation. Finally, future research directions for the sustainable development of smart construction are highlighted.

关键词

工程建造与管理 / 多准则决策方法 / 智能技术 / 数字化转型 / 可持续性

Key words

Construction engineering and management / Multi-criteria decision-making techniques / Intelligent techniques / Digital transformation / Sustainability

引用本文

引用格式 ▾
林松顺,沈水龙,周安楠,陈湘生. 智慧技术促进工程建造与管理的可持续发展[J]. 工程（英文）, 2025, 45(2): 277-297 DOI:10.1016/j.eng.2024.08.023

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

城市化的快速推进给城市发展带来了诸多挑战，如交通拥堵加剧、环境质量下降和土地资源紧张等问题。这些挑战与土木工程项目需求的增加高度相关[1‒2]。在城市化和工业化的过程中，温室气体排放加剧了全球变暖，进而引发气候变化[3‒4]。在这一背景下，建筑工程行业在推动可持续发展方面扮演着重要角色，并为我国实现碳达峰和碳中和目标提供了重要支撑。根据中国建筑能耗报告，2020年，我国建筑工程行业的碳排放总量约为49.3亿吨，占全国碳排放总量的51.3%。其中，建筑材料生产环节的碳排放占比达到了55.2%，建筑施工活动占比为2.0%，而建筑物运营阶段的碳排放占比约为42.8%，这表明这些环节在碳排放中具有显著影响[5]。

基础设施建设是推动国家经济增长的重要引擎，但城市基础设施建设面临着社会、环境和经济等多方面的挑战，给工程建造与管理带来了巨大的压力。工程建造与管理是建筑工程和施工行业的关键环节，涉及多方协作和复杂的流程，需要各利益相关方的紧密配合，从而形成了一个高度互联的工作模式。

在工程建造与管理领域，处理潜在风险和不可预见因素至关重要[6‒7]。为了应对不同规模项目的挑战，提出了多种方法，如多准则决策方法[8‒11]和机器学习方法[12‒15]。本文将这些方法归类为“智慧技术”，主要包括多准则决策方法和人工智能技术。在大型工程项目中，数值模拟和机器学习方法由于能够处理和利用丰富的数据资源，得到了广泛应用。然而，这些分析工具往往忽略了人为的复杂因素，这些因素涵盖项目管理者的决策以及现场工人的操作行为等多个层面。现有的分析模型在考虑人为因素时存在一定的局限性，如过度依赖历史经验数据、难以处理复杂的人机交互因素等。此外，小型工程项目为了控制成本，使用的测量设备有限，导致数据不足。加之业主对项目数据共享的抵触，进一步加剧了数据的不完整性。在这种情况下，现有方法在处理有限、不完整且来源多样的数据时遇到了重大挑战。

在工程建造与管理实践中，多准则决策方法常用于解决数据有限的问题。多准则决策方法通过考虑多种准则，能够在不确定的环境下为复杂决策问题提供多样化的解决方案。多准则决策方法主要包括以下三个步骤：①定义相关准则、属性和备选方案，构建决策层次结构；②决策者使用模糊数值语言对准则和选项的相对重要性进行评估；③通过决策技术处理数据并对备选方案进行排序。

尽管如此，多准则决策方法在工程建造与管理中的应用仍存在一些问题。首先，使用不同类型的模糊集对准则的相对重要性进行定性评估，依赖于决策者的主观判断，会导致备选方案排序结果出现差异。工程项目的实施高度依赖专业人员的工程经验和专业知识，这使得多准则决策方法在实际应用中面临挑战[16‒17]。其次，决策者数量的差异可能导致结果出现偏差。关键的是，模糊多准则决策方法在处理工程项目产生的大量数据时存在困难。最后，模糊技术尚未与层次分析法[18‒19]或模糊层次分析法[6,20]等其他方法有效结合。由于数据来源（如安全施工日志和测量设备等）多样，数据量庞大，多准则决策方法难以有效处理数据，因此将智能技术与数据科学相结合，以应对复杂数据的处理需求。

多准则决策方法与智能技术的结合，能有效应对工程项目中的复杂挑战。这两种技术的协同作用为解决项目属性和复杂性带来的问题提供了有力的支撑。但是，现有研究存在以下不足：首先，文献中过多强调多准则决策方法，而忽视了智能技术在工程建造与管理中的作用；其次，在智能技术的评估中，缺乏对专家判断与经验的重视；最后，研究过于集中在工程项目的某个阶段，如施工阶段，而忽略了设计、规划、运营和维护等多个环节。弥补这些研究空白，有助于深化对智能方法的理解并推动其在工程建造与管理中的应用。

因此，本研究系统回顾了如何将专家判断与工程大数据相结合，并应用于工程建造与管理。本文的创新之处在于强调智慧技术在工程项目全生命周期中的应用。展现智慧技术在不同情境——从数据有限到数据丰富的场景——下的整体融合，实现了由多准则决策方法向智能技术的过渡，突出二者在推动工程建造与管理实践中的协同作用。这使本文成为智慧技术在工程建造与管理领域中的一项重要探索。

本文剩余部分结构如下：第2节提出和简要分析了工程建造与管理的框架和主要特征；第3节阐述了文献计量分析的结果；第4节探讨了工程建造与管理领域智慧技术的最新进展；第5节展望了工程建造与管理领域未来的发展方向；最后，本文对研究成果进行了总结。

2 工程建造与管理简要分析

本节对工程建造与管理进行了简要分析，为智慧技术的应用提供了见解，并概述了工程建造与管理的主要特征。

2.1 智慧技术在工程建造与管理中的应用框架

在智慧技术的推动下，工程建造与管理正经历着深刻的数字化转型。本文提出了一个智慧技术应用框架，展示了智慧技术在项目全生命周期中的作用，涵盖不同阶段和应用场景。此外，重点阐述了多准则决策方法和人工智能等智慧技术在重塑工程建造与管理中的应用。

数据获取是工程建造与管理过程的核心环节，贯穿始终。数据来源多种多样，涵盖了地质信息、结构数据、维护记录等多个方面。工程建造与管理的复杂性带来了诸多挑战[图1（a）]，将在第2.2小节进行讨论。同时，工程建造与管理过程中收集的数据来源多样[图1（b）]，包括结构化和非结构化数据，且格式各不相同。多维数据和相互关联性使决策过程更加复杂。此外，多维数据增加了工程建造与管理的复杂性，因其涵盖不同维度的信息。时序数据反映项目的时间维度，可用于分析趋势与模式；数据间的相关性揭示了不同数据之间的复杂联系，并影响决策过程；地理空间信息为数据提供空间背景，使分析更加精确。工程建造与管理中的数据来源具有异质性，涵盖文本、图像和视频等多种形式，这种数据的多样性要求我们采用先进的数据管理和分析方法。

工程建造与管理的生命周期可以分为三个关键阶段[图1（c）]：规划设计、工程施工以及运营维护。规划设计阶段是项目的蓝图，奠定实施基础。在该阶段，多准则决策方法通过对设计方案的评价与排序实现决策支持。在数据不足的情况下，多准则决策方法的稳健性尤为突出。由于依托专家判断并能支持决策过程，多准则决策方法在工程建造与管理中具有重要应用价值。

当进入施工阶段时，数据量大幅增加，需要从多准则决策方法转向以数据为主的智能技术。施工现场本身就是重要的数据源，能够实时提供项目进度与质量控制信息。人工智能方法能够高效处理庞大而多样的数据集，提取模式和趋势，从而支持及时且科学的决策。施工现场的动态特征要求采用灵活的数据驱动方法来应对挑战，而智能技术在这一方面表现突出。

在运营维护阶段，项目的重心由施工转向基础设施的功能保障与可持续运行。在这一阶段，数据仍在不断积累，尤其是维护与检测数据。此时，将智能方法与专业人员的经验相结合显得尤为必要。智能维护模型通过分析历史数据来预测维护需求，从而降低设备故障风险并优化资源利用。在复杂的工程建造环境中，智慧技术成为高效处理数据的重要工具[图1（d）]。智慧技术包括多准则决策方法和智能技术，其中逼近理想解排序法和多准则妥协解排序法是多准则决策方法中的代表性方法。这些方法为项目中的大数据处理提供了可靠支持，帮助决策者在掌握充分数据的基础上灵活应对工程项目中的复杂情况和动态变化。

多准则决策方法与智能技术的应用有效提升工程建造与管理的效率[图1（e）]。这些创新旨在实现碳中和和可持续发展目标，并重塑施工方式及其对环境和社会的影响。同时探讨了智能建造在工程项目中的实现途径。智能建造作为一种融合新一代信息技术的新型建造模式，覆盖项目全生命周期，推动设计数字化、施工产业化和管理现代化，是建筑业转型升级的重要方向。

智能建造贯穿项目全生命周期。智慧技术针对数据的动态性、复杂性和不确定性，提供了全生命周期的解决方案。通过优化规划设计、工程施工和运营维护阶段的各个环节，实现数据驱动的高效决策，推动可持续发展。

2.2 工程建造与管理的特征

工程建造与管理是一项在特定工期和要求下的协作活动。尽管工程项目的规模差异很大，这些项目仍然具有共同的特点。

2.2.1 动态性

工程建造与管理领域具有动态性的特点。项目的推进常伴随着技术进步、法规更新以及经济环境的变化。因此，施工管理需要具备灵活的应变能力，以确保项目能够顺利完成。项目管理者不仅要面对紧迫的工期、预算压力和突发问题，还需要掌握最新的施工技术。这种动态性要求管理者在解决问题时具备积极的应对策略、有效的沟通技巧以及精准的决策能力。

2.2.2 独特性

每个建造项目都有其自身的特点，包括项目规模、施工环境、预算和承包商要求等。因此，不同的项目对管理者的要求也不同。此外，建筑结构的独特性还源于其不同的功能需求、形式和设计。根据施工的特点，必须采用不同的施工方法和机械设备。随着项目的变化，施工流程和人力资源也需相应调整。此外，一个项目的施工进度安排、人力资源配置和财务计划无法简单套用到其他项目中，而是需要根据实际情况进行调整。虽然项目具有独特性，但项目管理者仍能借鉴以往工程项目中的成功经验和失败教训，为决策提供有价值的参考。

2.2.3 复杂性

施工项目的复杂性主要来源于项目内容和参与人员。此外，劳动力、机械、材料、技术以及天气等因素也会增加项目的复杂性。施工项目的复杂性主要分为三类：组织复杂性、决策复杂性和控制复杂性。首先，组织复杂性源于项目涉及的各方和部门之间的差异。项目中的组织包括业主、承包商、监理单位、施工单位以及其他利益相关者，部门越多，管理难度越大。同时，组织结构中不同层级的参与者承担着各自的职责，这也增加了组织的复杂性。其次，施工活动的执行可以看作是参与者之间的决策过程，参与者的差异和互动增加了决策的复杂性。最后，项目需要实现多个目标，因此必须对各个环节进行有效控制。资源的协调、先进技术和材料的使用都会增加控制的复杂性。

2.2.4 不确定性和模糊性

不确定性和模糊性是工程建造管理中的显著特征，尤其是地下基础设施的建造。不确定性通常源于对系统、过程或结果的认知不足。常见原因包括信息不足、数据波动以及不可预测的环境条件。这种不确定性常因缺乏前瞻性和目标界定不明而加剧，使项目结果呈现多种可能性。当实现目标的可能性变得不可预测时，不确定性就转化为风险。同时，决策准则中的模糊或含糊性会进一步加剧现有数据的不精确性。在复杂项目中，随着不确定性的增加，模糊性也随之加剧。例如，地质参数的模糊性源于土壤由固体、液体和气体[21‒22]组成，其特性难以精确量化。地质参数的数值是通过钻孔勘探获得的[23‒24]。除了地质条件外，天气变化、建筑材料供应商的稳定性[25]、管理质量以及施工现场的监督等因素也会增加项目中的模糊性和不确定性。

2.2.5 不完整性

规划、施工或管理过程中常常缺乏必要的、全面的信息，使得决策和分析变得困难。不完整性反映在项目文件、沟通交流、设计规范或进度安排等方面存在信息缺失和不足的情况。数据通过测量设备、安全记录等获取，但由于施工单位的保密要求，有些数据难以获取。此外，施工单位为了节约成本，往往减少测量设备的使用以及测量项目的数量。另外，在一般情况下会邀请专家根据工程经验进行风险分析，但专家提供的数据在某些情况下会带有一定的主观性。

2.2.6 系统性

工程建造与管理是一个高度复杂且技术要求极高的过程，涉及多个关键环节，如项目的组织、设计和施工等。在工程建造与管理中，系统是由相互关联的元素、组件或流程构成的整体，它们相互协作，共同实现项目的特定目标。系统的设计是为了有效地规划和执行施工项目，确保项目顺利完成。系统设计涉及多个层面，包括项目管理系统、决策支持系统和沟通系统等，它们相互协调，保障施工的顺利推进。此外，系统中的元素彼此联系，互相制约。本质上，工程建造与管理系统是一个综合框架，整合建筑业在项目全生命周期中应对多样化挑战的系统化方法。

3 文献计量分析

文献计量分析能够处理和分析大量文献，统计某一领域的出版物，是一种高效的定量方法。本文通过文献计量分析探讨了智慧技术在工程建造与管理领域的最新进展。研究方法详见附录A中的S1节，包含四个方面：数据收集、出版物分析、相关期刊分析和关键词共现分析。

3.1 数据收集

智慧技术可分为多准则决策方法和智能技术两类，因此本文的文献计量分析分两个部分进行。本文使用Scopus数据库进行检索，检索的关键词分为两类：①与多准则决策方法在工程建造与管理中应用相关的关键词；②与智能技术在工程建造与管理中应用相关的关键词。对于第一类，数据库检索规则为“多准则决策”或“模糊集理论”以及“土木工程”或“建设工程”或“建设管理”。检索范围限定为文章标题、摘要和关键词。研究领域限定为“工程学”，时间范围为2000—2022年。研究范围受到以下限制：

出版物类型：文章和综述；

语言：英语；

时间范围：2000—2022年；

最终共检索到636篇相关文献。

对第二类关键词，采用同样的检索流程。检索规则为“建造工程”或“建造管理”或“建筑行业”或“土木工程”以及“智能技术”或“人工智能”或“机器学习”或“深度学习”。最终共检索到601篇相关文献。

3.2 出版物分析

检索结果表明，2000年至2022年期间，多准则决策方法在工程建造与管理中的年出版量呈稳步上升趋势，尤其是2020年以后；2020年的相关文献出版量增长至80篇以上。如图2（a）所示，过去22年该领域的年出版量持续增长。超过85%的文章发表在2010年之后，这说明自2010年开始，多准则决策方法在工程建造与管理中的应用引起了更广泛的研究兴趣。为了更好地分析年出版量数据，采用ExpGrowl函数对数据进行拟合，调整后的R平方（Adj.R）值为0.961，如图2（a）所示，以红色曲线表示，并给出95%的置信区间。根据拟合函数，预计2022年的出版物将超过100篇。

与此同时，自2017年起，智能技术在工程建造与管理中的年出版量呈显著增长趋势，601篇文章的分布如图2（b）所示。智能技术在该领域的研究可追溯至2000年，当年共发表了47篇文章，占所有研究出版物的8%左右。随后，在 2000 年至 2017 年期间，出版物的数量持续稳步增长。而从2017年开始，相关研究文章发表了近480篇，占比约80%。这一快速增长表明智能技术的应用已进入高速发展阶段。同样采用ExpGrowl函数和调整后的Adj.R值（0.960）对出版曲线进行拟合，预计2022年将有超过200篇相关文章发表，表明智慧技术的应用是工程建造与管理领域的主流发展方向。

3.3 期刊分析

有关多准则决策方法在工程建造与管理中应用的636篇出版物主要集中于36种期刊中。图3（a）展示了发表文章数量和被引次数最多的期刊，其中12种期刊的影响因子超过3.00；除《智能与模糊系统期刊》（JIFS）外，其他期刊的CiteScores（CS）均超过5.00。此外，多个领域期刊在相关主题上均发表了超过10篇文章，包括《专家系统应用》（ESWA）、JIFS、《信息科学》（IS）、《清洁生产期刊》（JCP）、《计算机与工业工程》（CIE）和《土木工程与管理期刊》（JCEAM）。除CIE和JCEAM外，这些期刊的相关引用量均超过3000次。在这些期刊中，ESWA发表了最多的相关文章（49篇），引用量接近5700次。

有关智能技术在工程建造与管理领域中应用的601篇文章分布在45种期刊中，大多数为专业性期刊，如图3（b）所示。除《土木工程进展》（AIC）和JIFS外，列出的期刊影响因子和CS普遍超过4.00和6.00。在图3（b）中，《建筑自动化》（AIC）排名第一，发表了131篇文章，引用量接近3800次。此外，AIC、《建筑工程与管理期刊》（JCEM）和《土木工程计算期刊》（JCCE）各自发表了超过30篇相关文章。AIC和JCEM的引用量均超过1000次。需要指出的是，这些数据是基于 2022 年的统计数据得出的。

3.4 关键词共现分析

VOSviewer是一款基于Java的免费科学可视化软件，专注于处理文献数据。与其他文献计量软件相比，它在科学知识的图形化、可视化以及处理来自不同数据库的大量数据集方面具有显著优势[26]。本文采用VOSviewer软件，通过知识图谱展示了关键词的共现分析结果[26]。

首先，从636篇关于多准则决策方法在工程建造与管理领域应用的文章中提取了4577个关键词。经过进一步筛选，保留了83个出现频次大于15次的关键词。图4（a）展示了这些关键词的共现网络，“决策”“多准则决策”“模糊集理论”“建造行业”和“模糊集”等关键词在出现频次上占据突出位置。“决策”作为核心关键词，出现了519次，总连接强度（TLS）为2184，表明其是广泛关注的焦点，尤其体现在工程建造与管理中多准则决策方法与模糊集结合的研究中。“决策”与其他关键词[如“建造行业”（TLS = 61）和“可持续发展”（TLS = 67）]之间的密集链接表明，在可持续建设中，决策技术已经成为广泛研究的重点。附录A中的表S1对关键词的共现分析结果进行了量化总结。通过聚类方法将关系密切的节点分为四个簇，每个簇在图4（a）中以不同颜色表示。

从601篇关于智能技术在工程建造与管理领域应用的文章中共提取了6031个关键词。经过进一步筛选后，最终保留了92个出现频次大于15次的关键词。如图4（b）所示，出现频次较高的关键词包括“机器学习”“建造行业”“深度学习”和“项目管理”，其出现次数分别为198次、173次、156次和92次，TLS分别为1017、1064、742和538。“机器学习”位于网络中心，节点规模最大。“建筑行业”与“风险评估”和“职业风险”之间的连接较为密集，TLS分别为247和276。聚类分析结果见附录A中的表S2。图4（b）中的五个聚类代表了近年来的热门研究主题。例如，机器学习和数据挖掘等智能技术已被广泛应用于建筑项目[27‒33]。

4 工程建造与管理中的智慧技术

本节阐述多准则决策方法、智能技术相关的研究以及这些技术在地下空间开发中的应用。

4.1 多准则决策方法

多准则决策方法适用于解决模糊和不确定环境下的工程建造与管理问题。模糊集理论是为解决和模拟人类认知过程中固有的不确定性而提出的[34‒36]。隶属函数和相应的模糊数是多准则决策的基本要素。不同类型的模糊集为扩展多准则决策方法提供了重要途径[16‒17]。此外，多准则决策方法因其能够处理复杂和多维度的决策问题被视为一种智慧技术。通过多准则决策方法，决策者可以基于既定标准评估并考虑不同的备选方案，帮助决策者在面对多个目标时做出合理的决策。因此，多准则决策方法在复杂的决策情境中，为决策者提供了结构化的思路，从而实现最优解决方案。典型的多准则决策方法见附录A中的表S3。

4.2 智能技术的研究主题

智能技术的主要目标是赋予机器感知、学习和认知的能力。具体来说，感知是指使机器能够感知和处理来自外界的信息；学习是指使机器模仿人类的学习能力，能够与周围环境互动，并从大量数据中提取有用的信息，以完成数据驱动任务；认知是指赋予机器认知能力，主要包括知识表示、理解和推理。智能技术共有六个研究主题，如图5所示。机器学习是智能技术的基本组成部分，它使系统能够从数据中自主学习，从而做出基于数据的决策。通过提供算法，机器学习能够分析数据、识别模式并进行预测。

4.2.1 大数据技术

大数据技术是一种用于处理和分析海量数据的技术手段，涵盖了结构化、非结构化和半结构化数据[37]。大数据技术包括数据存储、数据处理以及数据管理和分析。大数据为机器学习模型提供了大量多样化的数据，而实时、可扩展的数据处理能力提高了模型训练和评估的效率。这使得机器学习模型能够从海量数据中学习和优化，从而提升其精确度和可靠性。

大数据的主要特征[38‒39]包括：① 生成和更新速度快；② 数据量大、维度高；③ 数据来源多样；④真实性、价值潜力和动态变化性，分析结果可借助可视化方式加以呈现。在工程建造与管理中，如何有效处理大数据以及挖掘其中潜在的信息是极具挑战性的问题。大数据分析能够满足工程项目中动态测量和分析的需求，并在以下方面有重要作用：①帮助管理者通过多样化手段应对复杂问题，提升项目管理的质量和效率；②全方位地辅助项目风险控制。

大数据技术可以帮助发掘项目中的潜在有用信息，帮助管理者提前识别风险。此外，该技术在处理数值、图像和视频等多种数据类型方面也展现出优势。例如，结合数字孪生的大数据技术可作为在复杂环境中进行数据采集、分析和预测的工具[40]。大数据技术还用于结合不确定性理论，解决碳政策下供应链网络中的交通规划和零售优化问题[41]，从而发掘和提取原始数据中的关键信息。通过分析海量数据，大数据技术为项目绩效、资源分配和风险管理提供有效支持，实现更好的项目规划、成本控制和预测性维护策略。

4.2.2 计算机视觉

计算机视觉使机器能够处理、分析和理解图像和视频中的数据，从而提取有价值的信息并做出科学决策[42]。它涵盖了视觉信息的获取、处理、分析与理解，进而提炼有价值的信息。计算机视觉涉及的任务有图像分类、目标检测、面部识别和图像分割等[43‒48]。机器学习作为计算机视觉的支撑技术，不仅为各类视觉任务提供模型支撑，而且能够提升视觉数据分析的准确性和效率。机器学习技术显著提升了视觉数据分析的准确性和效率，推动了计算机视觉的发展。通过从大量数据中学习模式和特征，机器学习模型可以泛化并执行复杂的视觉任务。计算机视觉与机器学习的协同作用，使机器能够以更高的精度和能力感知并理解视觉世界。在实际应用中，随着大量视觉数据的生成，许多涉及视觉测量且需要大量人工参与的任务可以通过计算机视觉实现自动化。例如，利用运动分析技术结合深度传感器获取的数据可用于检测建筑工人的不安全行为（安全管理）[49]；采用全连接网络可检测地铁隧道中的裂缝和渗漏等缺陷（缺陷检测）[50‒51]；利用点云技术可以评估隧道的施工质量（质量检查）[31]。这些应用表明，计算机视觉可以帮助工人更有效地检测工程结构，确保施工安全，提高施工效率。

在计算机视觉领域，卷积神经网络专门用于处理多维数组结构的数据[52]。这类数据具有不同的维度，包括一维、二维和三维：一维数据常用于序列与信号处理；二维数据多用于音频谱图或图像表示；三维数据则适用于更复杂的数据形式。卷积神经网络的核心特征包括局部连接、权重共享和多层次处理，通常还包含池化操作等组件[52]，这使其具备较强的整体图像处理能力。各层能够从图像像素中逐步提取特征。然而，基于卷积神经网络的机器学习方法多用于目标检测或图像分类，且计算成本较高。表1 [45‒49,53‒79]列出了计算机视觉技术在工程建造与管理中的应用。总结而言，计算机视觉通过对施工现场的自动化监控和分析，增强了进度跟踪、质量控制，从而实现更有效的管理并降低风险。

4.2.3 语音识别

语音识别是一种通过处理和理解音频信号将语音转换为文本的技术[80]，其过程包括音频采集、噪声过滤处理、特征提取以及通过解码将特征转化为文本。语音识别技术依托机器学习，通过模型来识别和理解语音中的内容。长短时间记忆网络擅长处理具有时间序列特性的音频数据，使模型能够识别语音中的关联关系。机器学习的融入提升了语音识别的准确性与效率，其中自动语音识别技术能够在无人干预的情况下识别并转录口述内容[81]。借助语音信号中的隐藏模式，自动语音识别技术可以识别说话者的身份、情绪和语音内容。传统的自动语音识别系统由语言模型、发音词典和声学模型组成，而现代自动语音识别系统实现了端到端的处理方式[81]。

基于语音信息的检索系统已经广泛应用于虚拟助手（如谷歌虚拟助手）等场景中等。这些搜索引擎不仅能够理解简短的语音指令，还能够识别和处理自然语言。

在工程建造与管理领域，自动语音识别技术通常与建筑信息建模（BIM）结合使用，方便BIM系统与用户之间的交流。在基于BIM的工程项目中，BIM模型可以为建筑物的组件提供语义和几何数据，供用户使用。自动语音识别与BIM的结合能够帮助决策制定和缺陷检测，并实现设备间的互操作性，同时提供基于语音的信息检索功能。例如，用户可以通过语音指令与移动设备互动，获取BIM模型中的信息并自动处理相关任务。

在自动语音识别与BIM整合的研究中，口语对话系统用于获取建筑运营相关的知识，并采集建筑系统运行的数据[82]。有研究人员开发了一种基于自然语音驱动的导航系统，能够在火灾紧急情况下协同响应，为参与者提供动态路径导航、位置共享和室内定位等服务[83]。此外，研究人员还开发了一种声音测量系统，通过数据采集、特征提取、分类训练和测量来防止施工活动对地下管道造成损害[84]。自动语音识别与BIM的结合能够减少人工干预、降低差错率，并在BIM驱动的工程实践中展现出广阔前景。总体而言，自动语音识别通过免手动数据输入与实时报告提升沟通与文档处理效率，从而提高施工现场的安全性与生产效率。

4.2.4 自然语言处理

自然语言处理通过分析文本数据，使机器能够理解并进行语言表达[85]。数据通常分为结构化和非结构化两类。结构化数据主要来自测量设备或传感器，存储在表格中；而非结构化数据则包括图像、视频和文本等。因此，结构化数据与非结构化数据需采用不同的处理方法，而在实际工程中，非结构化数据的数量远超结构化数据。自然语言处理的应用包括语言翻译、情感分析、文本摘要和问答等。机器学习通过训练模型提升自然语言处理能力：通过大规模的文本数据训练，学习语言的复杂结构和细微差异；借助词嵌入和注意力机制等技术，理解上下文，消除歧义，并生成连贯且符合语境的响应。这些模型通过持续学习新的文本数据，能够随时间演进不断适应与改进，从而更好地处理多样的语言变体与细微差别。

自然语言处理的核心任务包括自然语言理解和自然语言生成。自然语言理解用于帮助机器理解非结构化文本，而自然语言生成则将结构化数据转化为文本，使机器生成符合人类语言习惯的表达。

在工程建造与管理中，自然语言处理的应用主要体现在以下三个方面：① 项目相关知识和信息的自动化管理；② 安全事故的分析；③ 智能化合规检查。在项目管理中，数据、知识和信息（DKI）的提取和检索至关重要。通过DKI提取，可以分析项目文件中的重要信息，辅助项目管理；通过DKI检索，可以通过比较不同内容的相似性来获取所需数据。

例如，研究者开发一种基于自然语言处理的方法，用来从记录中学习项目进度安排的相关知识，并用于检查逻辑依赖关系和安排施工活动[86]。问答系统是另一种DKI检索方式，通过检索相关文本或文档来生成答案[87]。例如，一种集成自然语言处理技术的高效端到端方法能够根据建筑法规准确、快速地回答用户问题[88]。

自然语言处理在事故风险分析和事故管理中同样发挥着重要作用。通过从大量文档中提取关键信息，可以确定事故原因。自动化合规检查也可以通过简单的比较来实现。例如，通过自然语言处理技术实现设计和法规信息的转换与提取，从而实现自动化合规推理[89]。自然语言处理还可用于在项目计划中定位或检查安全信息[90]。基于自然语言处理的自动化规则检查框架包含四个部分，用于实现自动化规则检查[91]。在规则检查过程中，需要对文本中的规则进行解释，并准确匹配相关概念[91]。综上，自然语言处理能够从合同、报告和沟通记录等大量文本中自动提取和分析信息，从而提高文档管理效率、提升决策水平，并强化风险评估与应对策略。

4.2.5 机器学习

机器学习使计算机能够从给定的数据集中进行学习[92]，主要分为三类：① 监督学习；② 无监督学习；③ 强化学习，如图6所示。机器学习是多种技术的基石，结合大数据技术来提高相关应用的准确性和鲁棒性，推动计算机视觉、语音识别、自然语言处理和知识表达与推理的发展。

在监督学习中，将带有输入及其对应目标的数据集提供给系统，使其学习输入与输出之间的映射关系，如图6（a）所示。其核心目标是基于给定的输入变量集合，推导出相应的目标变量值。该方法依赖于系统识别数据中的模式和关联，从而根据训练数据对新数据进行预测或分类。目标变量的估计可以是连续型或离散型。

在无监督学习中，使用机器学习算法在没有数据集标签的情况下，根据输入变量自行推断数据的结构，如图6（b）所示。其主要目标是探索数据集中可能存在的内在模式或关联。表2 [93‒124]列举了在工程建造与管理中关于监督和无监督学习的研究应用。

强化学习用于解决决策和序列控制问题[125]。如图6（c）所示，在强化学习中，智能体通过在当前状态St 下执行动作At 与环境进行互动，环境则通过提供奖励Rt 并转移到新状态St+1进行反馈。智能体通过与模糊的动态环境进行反复互动，逐步学习如何最大化累积奖励。强化学习的步骤包括：① 智能体与环境互动，根据当前状态执行相应动作；② 观察环境状态的变化；③ 根据状态变化和执行的动作获取相应的奖励。在强化学习中，智能体的目标是通过最大化累积奖励，并在探索与利用之间保持平衡，从而为特定问题规划最优路径。

在工程建造与管理中，施工现场的项目规划通常涉及大量多源信息，并且是一个受约束的优化问题，强化学习为此提供了有效的解决方案。例如，将强化学习与关联数据的约束结合，生成进度计划，帮助安排施工活动[126]。在设计活动中，研究人员开发了一种结合BIM的多智能体强化学习系统，用于自动处理钢筋混凝土接头的钢筋设计，避免设计冲突[119]。此外，还采用Q学习方法，以实现更符合实际的路径规划。研究人员开发了一个基于强化学习的框架，用于优化传统隧道施工的策略。在虚拟环境中，采用深度Q网络作为智能体的架构，通过奖励系统的反馈，实现了经济且安全的隧道贯通目标[127]。表2列出了强化学习在工程建造与管理中的应用案例。

深度学习使计算机能够从数据集和以往经验中进行学习[128]。深度学习模型由多个隐藏层组成，用于数据转换、特征提取和模式识别。与耗时且依赖人工的任务相比，深度学习凭借自动化和高可靠性正推动建筑业转型，在大规模数据集训练任务中展现出更高的适用性与有效性。然而，由于建筑行业的数据有限，因此在某些情况下限制了深度学习技术的应用。迁移学习技术可以将已有的技能和知识应用到新的工程项目中，克服数据不足或数据量有限的问题。

4.2.6 知识表达与推理

知识表达与推理通过将专业知识进行结构化表示，并运用预设的操作规则，构建基于知识的系统，使计算机能够理解、处理和运用存储知识，进而通过推理得出合理的结论。机器学习通过数据学习和模式识别，促进了知识的表达和推理，机器学习模型可通过整合新数据持续学习并完善知识库，从而提升推理、预测和决策的准确性。常用方法包括故障树分析、贝叶斯网络、模糊认知图和图神经网络。

故障树分析是一种利用逻辑图展示系统故障与其原因之间关系的演绎方法[129]。分析结果可以定性或定量地揭示多种因素如何导致系统失效。故障树分析广泛应用于风险分析。例如，一种基于故障树分析的概率决策方法被用于复杂施工条件下的地铁项目安全风险评估[130]。由于故障树分析与贝叶斯网络在推理机制和网络结构上有相似之处，它们常常结合使用进行概率分析和风险评估，如用于隧道坍塌分析[131]和航行事故分析[132]。

贝叶斯网络是一种基于专家知识或历史数据构建的模型，用于模拟变量之间的因果关系[133]。贝叶斯网络作为推理工具，主要有两种方式：① 通过正向推理计算影响因素共同作用下的风险事件发生概率；② 通过反向推理计算各影响因素的后验概率分布。贝叶斯网络能够识别高风险的施工事件，并估算其失效概率，为项目管理者提供决策支持，帮助他们及时采取有效措施。为提升贝叶斯网络的能力，研究人员提出了多状态贝叶斯网络[32]。例如，基于多状态贝叶斯网络的支持决策方法被用于复杂环境下的隧道施工安全风险分析[134]。该方法为项目管理者提供了在施工各阶段（如事故前、施工中和事故后）对安全风险进行动态管理的工具。

模糊认知图源于认知图的概念，是一种基于模糊逻辑和神经网络的系统建模工具，其核心在于通过因果图识别模型结构，从宏观层面揭示系统各组成部分之间的因果关系[135]。因此，模糊认知图常被用于工程建造与管理中的决策支持。例如，研究人员运用模糊认知图评估隧道掘进机的施工风险，并进行原因分析[136]。在工程项目中，模糊认知图还被用于分析工程变更及其背后的原因，通过考虑各因素之间的因果关系来分析项目变化[137]。模糊认知图结合结构方程模型，用于分析公私合作项目的风险，并通过项目数据研究各风险因素之间的因果关系[138]。模糊认知图的应用案例列举在表3 [52,130‒131,134,136‒146]中。

图神经网络是一种基于给定数据探索对象间结构关系的方法[147]。图神经网络可以分为两类：基于空间的图神经网络和基于频谱的图神经网络。基于空间的图神经网络（如图注意力网络）通过综合相邻节点的信息来生成嵌入[148]，这种方法可以将属性转化为低维的连续向量[149]。基于频谱的图神经网络通过在图数据的频率域中进行运算来提取特征[150]。频谱图理论通过研究图的Laplacian矩阵的特征值和特征向量来分析图的性质，已被应用于高效的图信号处理和管理。在BIM环境中，模型的拓扑结构、几何形态和属性值等数据需要在不同软件和平台之间交换。图结构的表示是一种解决互操作性问题的有效方法，它能够以图数据结构存储项目信息，并通过检索将这些信息高效地提取出来以便应用于其他场景。这种方法为研究图神经网络在实际应用中的潜在优势提供了基础。表3展示了图神经网络的最新应用实例。简言之，知识表达与推理通过帮助系统组织、理解和处理复杂的项目信息与流程，提升决策能力。

4.3 智慧技术在工程建造与管理中的典型应用

智慧技术在工程建造与管理中的典型应用覆盖了规划设计、施工和运营维护。

4.3.1 规划设计

在工程建造与管理中，施工方法应尽量减少对周围环境的影响，并降低施工成本。如图7所示，多准则决策方法[151]的应用包括三个步骤[151]：① 构建综合决策层次结构；② 收集和处理数据；③ 在模糊、不确定环境下选择最优施工技术。首先，根据工程项目的情况确定研究对象、标准和子标准。其中，地质条件、施工要求等作为评价准则，分别记作C1, C2, …, C5。每个标准下细分为多个子标准。例如，在C1下有三个子标准，分别标记为Q11、Q12和Q13。基于确定的标准和子标准构建决策层次结构。根据工程项目的特点，初步确定待选施工技术，标记为A1, A2,…, A6。然后，将决策层次与可选方案结合起来，作为构建综合决策层次结构的基础。其次，由专家对该综合决策结构进行评价。在此过程中，专家利用不同类型的模糊集合对各评价项目进行评估。在第三步中，基于专家评估，通过多准则决策建模确定了某地铁线路的最优施工技术。

地下结构的设计过程如图8所示。传统的结构分析依赖数值模拟（如有限元分析）[152]，而智能技术在建筑材料确定后，可用于优化地下结构的设计方案。智能技术的应用包括三个步骤：① 数据准备与训练；② 智能模型的性能评估；③ 模型的应用。这三个步骤分别对应数据处理、模型设计与建模实施等工作。首先，智能模型会学习以往的设计经验（如基坑工程的设计图纸），并将结构设计与训练数据集相结合。设计师和工程师对符合规范的设计方案进行评估。其次，通过从设计图纸中提取结构和建筑元素，并进行编码和处理，保留设计中的关键要素和信息；语义设计的融入可显著改善训练效果。再次，经验丰富的工程师对智能模型进行性能评估。最后，将经过处理的设计图纸输入模型，进而生成地下结构的初步设计方案。

4.3.2 工程施工

图9 [153]展示了智能技术在隧道工程施工中的应用。智能技术被用于估算土压平衡盾构机的运行参数，帮助调控隧道施工的关键参数。如图9所示，主要分为三个步骤：① 数据收集；② 基于深度神经网络的智能模型构建；③ 将模型应用于隧道工程施工。对于地下工程项目，数据主要来自土压平衡盾构机自动监测系统以及地质勘察报告。在隧道施工之前，使用钻孔技术进行场地调查。由于钻孔数量有限，地质信息较为稀疏且不连续。在这种情况下，采用贝叶斯压缩采样技术[154]、克里金方法[155]、随机场[156‒158]和马尔可夫链方法[159‒161]等方法来预测地质参数并评估其统计不确定性。通过估算的地质数据可以大致揭示隧道线路沿线的地质条件。收集的数据需经过预处理后再输入深度神经网络模型进行分析。由于从隧道施工中获取的数据集是时间序列数据，因此使用长短时间记忆网络[28,106]或门控循环单元网络[30,162]对数据进行处理。在施工初期，由于数据量不足，使用简单的经验方法指导隧道施工。随着项目进入正常施工阶段，数据集的体量逐渐增大。施工继续进行时，新生成的数据不断扩展现有的数据集。随着数据集的不断扩展，模型的预测性能得到进一步提升。通过敏感性分析，可识别出影响隧道施工的关键因素，并提供合理范围内的参数建议，从而减少对周围环境的影响。

4.3.3 运营维护

隧道施工完成后，将进入运营维护阶段。地铁系统运营维护阶段的目标是确保基础设施在整个生命周期内持续、可靠地满足正常运行所需的最低标准。对关键交通基础设施运行完整性的长期维护与提升，凸显运营与维护实践的重要性。隧道施工完成后，在进入运营维护阶段前，通常使用智能技术对项目实施施工质量评估和缺陷检测（图10）。本案例使用三维激光扫描技术对隧道的施工质量进行评估[31]。隧道的测量点和高程被记录在点云中。通过对比测量数据与设计数据的差异，揭示隧道中的超挖或欠挖情况。图10（a）展示了隧道的情况，显示超挖主要集中在隧道中心轴附近的内壁。隧道表面的空洞反映了局部区域的超挖和欠挖现象。在隧道衬砌背后回填（注浆）施工过程中，可能形成空隙。隧道施工质量的各个方面都可通过三维激光扫描和探地雷达进行检测。

在进入运营维护阶段后，由于传统的人工视觉检查在复杂环境和操作条件下识别缺陷的效率较低，已无法满足基本要求，因此使用智能技术为缺陷识别提供了一种解决方案[50] [图10（b）~（e）]。通过自动化图像采集设备获取包含裂缝和潮湿的图像数据集[163]，如图10（b）和（c）所示的工作场景和示意图。采集到的图像先进行处理，并将隧道表面的潮湿区域沿隧道边界用多边形标出。当多边形绘制完成后，添加对话框标签，提供包括潮湿区域宽度和长度等的信息。图10（e）展示了带注释的图像。基于初步处理的图像，建立深度神经网络模型并应用于工程实践。隧道渗漏识别模型的开发通常包括三个步骤：特征提取、区域生成、潮湿区识别。图10（f）展示了潮湿区域识别的结果，其结果可为项目管理者及时应对隧道表面渗漏提供参考依据。

5 未来发展方向

随着技术的不断进步，智慧技术带来许多前沿创新并被用来提升项目在整个周期的效率、可持续性和性能。如图11所示，在工程建造与管理中，环境、参与者和传感器的协同作用起着关键作用。基于这一协同作用，总结出以下未来发展方向：元宇宙、物联网、区块链、数字孪生、BIM和智能机器人，旨在通过技术创新提升工程项目的效率与管理水平。这些方向可有效关联到工程项目中建成环境、参与者与传感器之间的互动。

智慧技术的研究应用有助于实现可持续发展、碳中和以及工业5.0的目标。在工程建造与管理中，工业5.0的核心目标是将创新能力与高效、智能的机械设备相结合，应对建设项目的复杂性和挑战。工程建造与管理未来发展的具体方向总结在图12中。

5.1 元宇宙

元宇宙集成了多种技术，这些技术共同作用以创造出沉浸式的数字体验。元宇宙包括：虚拟现实，用于构建完整的虚拟环境；增强现实，用于将数字元素与现实世界融合；三维建模与仿真技术；边缘计算和云计算，用于提升系统的扩展性与处理能力；物联网，用于整合现实世界的数据；以及先进的界面技术，用于提供直观的交互体验。这些技术共同构成了元宇宙的基础，使得互联虚拟空间得以形成，用户能够在其中进行工作、社交和娱乐。元宇宙作为一个由多个用户共享的虚拟空间，允许用户实时与计算机生成的环境进行互动[164‒166]。

在工程建造与管理中，元宇宙创建沉浸式数字环境，促进项目团队、设计师、工程师和管理者之间的高效协作，实现数据的无缝交换[165]。此外，元宇宙能够强化项目的可视化与协同，从而提升施工过程的规范性与质量。元宇宙虚拟平台能够实现建筑过程的可视化模拟、规划、设计和资源配置，不仅减少施工过程中的材料浪费、能耗和碳排放，还通过远程协作减少现场需求，进一步降低项目的碳足迹。元宇宙通过集成物联网传感器，获取施工现场和设备的数据。这些数据经过机器学习分析，识别潜在的异常，帮助管理者优化施工流程、降低能耗并提高安全性。因此，元宇宙技术有助于提升施工过程的整体效率。其提供的信息有助于将建造实践与可持续发展目标相结合，从而有效降低施工阶段的碳足迹。同时，元宇宙技术还能作为可持续建造的虚拟培训与教育平台，确保施工人员具备实施可持续施工所需的知识与技能。

未来元宇宙技术在工程建造与管理中的应用主要体现在以下方面：① 交互式设计与原型开发将进一步发展，为工程师和建筑师提供高度精细的虚拟空间，用于沉浸式和协同设计体验，从而降低施工阶段的设计变更率；② 元宇宙仿真将融合人工智能与数据分析，有望实现项目结果的精准预测与实时数据集成，并用于效率优化；③ 通过建立物理结构的数字孪生，可拓展运维潜力，提升用户体验，并支持精准的维护与检修；④ 元宇宙应用有望发展为综合性的项目管理环境，支持协作、实时跟踪、资源分配与风险分析。

5.2 物联网

物联网利用传感器和互联网技术将物理设备和工程设施连接起来，实现数据的采集和交换[167]。设备包括传感器和通信网络，构成一个互联互通的系统，实现实时数据的采集，从而增强控制能力。物联网设备在多种参数的收集和分析中起到关键作用。利用机器学习等工具，能够对数据进行深度分析，优化基础设施的管理和维护。物联网在复杂工程项目中的应用体现在以下几个方面：① 物联网传感器可用于实时监测桥梁、建筑物及其他结构的健康状况，提供压力、应变和振动等数据，有助于提前发现结构中的潜在问题[168‒169]；② 物联网设备可用于监测交通情况、天气状况及道路条件，从而优化交通流量 [170‒171]；③ 物联网传感器可以部署在施工现场，实时监控材料使用和排放情况，同时通过机器学习算法对数据进行分析，帮助优化施工过程，减少资源浪费和污染排放[172‒174]；④ 物联网智能设备可实现照明、供暖、通风等过程的自动化，从而优化能源效率，减少碳排放。

物联网在未来将在以下关键领域迎来重大发展进步：① 随着传感器和设备的应用，物联网在数据驱动决策中的作用不断增强；数据增长将推动复杂数据分析与机器学习算法的发展；② 物联网与BIM的深度融合将优化施工过程，通过实时数据进行动态调整，提升建筑性能和设施管理效率；③ 物联网将通过可穿戴设备和实时安全预警系统改善施工现场安全管理；④ 物联网将通过提升能源利用效率、减少浪费并促进环境友好的施工实践，继续推动可持续发展。

5.3 区块链技术

区块链技术通过多节点共同参与交易记录与验证。每笔交易数据被打包成独立的区块，并以时间顺序依次相连，形成不可分割的链式结构。由于各区块间的相互依存性，任何单一区块的更改都会影响整个链条的完整性，以此保证数据的透明性、可信性和不可篡改性[175]。区块链通过复杂的加密技术来保护数据，无需依赖传统的中介机构，而是通过去中心化的点对点网络实现数据的验证和信任。在工程建造与管理中，区块链能够在项目的设计阶段，通过结合自然语言处理，自动化实现协同设计和代码审核。在此过程中，协同设计提高了承包商、设计师和业主之间的互动与信任，尤其是在使用协同平台（如BIM）时。随着BIM在建筑工程管理中的广泛应用，BIM协同平台可能遇到的网络安全问题等挑战可以通过与区块链技术的集成得到有效解决。区块链的透明性和不可篡改性确保了与BIM模型修改相关的所有信息都可以被追溯和记录 [176‒177]，从而明确BIM模型中的法律责任和知识产权归属。在运营维护阶段，系统会产生大量数据（如地下隧道和建筑物的运行状态数据），区块链可以有效管理这些数据和文档[178]。区块链的透明性使得建筑物或地下设施的能源消耗及其整个周期内的排放情况得到清晰追踪。区块链上记录的数据为建筑物或地下设施的运营状况提供了详细信息。此外，区块链通过其安全且不可篡改的记录系统，提升供应链的透明度，追溯建筑材料的来源、生产工艺和运输流程。通过区块链驱动的智能合约，可以自动执行可持续性标准和认证，确保承包商和供应商遵守约定的可持续性要求。同时，区块链技术还促进了项目相关方之间的数据共享，推动协同决策，并优化可持续性方案。因此，区块链技术为提高建筑工程管理中的透明度和效率提供了创新的解决途径。

区块链在工程建造与管理中的应用前景包括：① 提高工程建造与管理的透明度；② 通过智能合约实现项目管理的自动化；③ 通过去中心化项目文档增强可访问性和安全性；④ 简化支付流程，解决支付延误和争议问题；⑤ 与物联网和传感器集成，确保这些设备产生的数据真实可靠。

5.4 数字孪生

数字孪生是物理对象或系统的实时数字化表示，具备双向数据同步和仿真分析能力[179‒180]；通过实时数据流和先进的模拟技术动态更新，实现对物理系统的精确模拟。数字孪生不仅反映实体的物理特性，还展示其复杂的行为过程[179]。在工程建造与管理中，数字孪生用于模拟和监控施工项目及其建造运营。凭借实时监控和数据驱动的决策能力，数字孪生帮助工程师和管理者在复杂多变的工作环境中做出合理决策。数字孪生贯穿于项目从设计、施工到运营维护的全生命周期，在工程建造与管理中具有重要作用。数字孪生技术广泛用于优化生产流程、监控设备状态以及模拟复杂施工过程。例如，通过整合来自传感器、物联网设备等的实时数据，数字孪生可以生成建筑或基础设施的虚拟模型。设计师可以利用数字孪生进行模拟分析，从设计阶段就开始优化能源利用。通过数字孪生模拟建筑或地下结构的性能，可以在施工前识别并解决潜在的问题。数字孪生提供了模拟不同场景和测试方案的工具，并通过预测分析帮助识别提升资源利用效率等可持续性改进路径。

数字孪生在工程建造与管理中的未来应用前景包括：① 与先进技术结合，降低信息更新成本，实现实时监控；② 结合多物理建模和虚拟现实技术，提升人机交互效率与操作可行性；③ 通过引入虚拟场景模式并结合增强现实、虚拟现实技术，实现虚拟环境下的基础设施构建；④ 推动各行业的合作与创新模式转型，促进跨学科协作。

5.5 BIM

BIM以数字形式呈现基础设施的功能和物理属性，同时作为信息集成平台涵盖项目全过程的相关数据。其可视化、协同和优化等特性，使其在建筑业中的应用日益普遍[181]。BIM通过一系列具有参数化功能的软件实现，涵盖基础设施各组件的详细信息。在BIM中，模型信息可以得到实时更新和分析，为决策提供可靠的数据支持[181]。在工程建造与管理中，BIM通过以下方面提升项目效率：① 通过直观呈现二维图纸与相应的三维模型，提供了包括材料属性在内的详细信息，便于项目参与者全面理解设计；② 支持项目的定量分析，如虚拟施工模拟[181]，帮助解决潜在问题；③ BIM模型集成几何与非几何信息以及组件之间的关系，有助于优化项目设计与施工方案。在实践中，BIM模型在部分项目中的应用多从功能、互操作性和技术角度加以阐述。BIM贯穿建筑和基础设施的全生命周期，涵盖建筑、结构、电气和施工等多个领域的协同工作，基于项目要求支持并模拟特定的项目流程。BIM通过信息流促进数据的存储、转换和交换，提升信息传递的互操作性。针对新建与既有建筑或基础设施的BIM模型，其差异主要源于项目信息质量、数据可得性及具体需求的不同。在此过程中，与数据采集、处理和目标识别相关的技术对BIM模型的构建尤为重要，因为这些技术会直接影响数据质量。数据采集方法主要包括非接触式（如基于图像的方法或多种方法结合）和接触式（如人工方法）[51,53]。随后对采集的数据进行处理，使其能够支持对BIM模型中功能性构件的识别，并通过对象识别进一步确认构件并提取其语义信息[43‒44]。

BIM在实现碳中和与可持续发展中的作用主要体现在其对施工项目的虚拟化表征。在工程建造阶段，BIM能够实现资源分配与进度安排；通过多场景模拟与设计优化，减少能源消耗。在施工过程中，BIM的实时监测能够及时发现低效环节，并为施工管理的调整提供支持，从而降低碳排放。在运营维护阶段，BIM可提供全面数据支持，助力结构的长期管理与维护，提升整体可持续性。同时，BIM还能进行建筑性能模拟，使相关方能够评估能耗、采光、热舒适性和室内空气质量，并据此优化建筑运行以实现可持续目标。

BIM在工程建造与管理中的未来应用前景包括：① 数据驱动的动态转型，通过BIM平台为专业人员提供精细化分析、与实测数据的智能关联及与相关系统的无缝集成，从而优化资源分配与项目管理效率；② 互操作性与数据标准化将成为促进高效协作的关键，进而为工程项目提供更先进的解决方案；③ 基于云的BIM系统将重塑项目管理与协作模式，实现实时访问、强化沟通以及全生命周期的数据驱动决策支持；④ BIM向四维和五维建模的演进，使项目进度与成本得到全面呈现；⑤ 移动BIM将在现场协作与项目监测中发挥重要作用，并通过增强现实技术将数字化BIM数据叠加到物理结构上，进一步提升施工的效率与沟通水平。

5.6 智能机器人

传统建筑业具有劳动密集型特征，但在技术进步的推动下正经历重大转型。其中最显著的发展之一是智能机器人与工程建造和管理的日益融合。智能机器人的应用不仅为提升施工效率和改善安全性提供了机遇，同时也有助于降低工程项目对环境的影响。智能机器人依托先进的感知、自动化技术[182]，正在改变设计、规划、施工和维护等各个环节。这些技术使机器人能够感知环境、理解工程实际情况、推理并通过与人类的互动进行学习，从而自主完成复杂任务并适应施工现场的变化。智能机器人能够执行多种任务、收集数据并在危险环境中工作，成为工程管理中的重要工具。例如，智能机器人能够通过精确控制施工流程，减少材料浪费和能源使用。同时，智能机器人可以在降低能耗的同时减少碳排放，促进绿色施工。智能机器人通过自动化承担重复性和高危任务，减少了工人直接参与危险作业的需求，从而降低了事故风险，并提高了项目整体的安全水平，创造了更为安全的工作环境。总之，智能机器人的应用为实现更加环保和高效的工程建造实践提供了一种可行途径。

智能机器人的未来应用前景包括：① 借助先进传感技术的智能机器人将推动自动化与自主施工过程，降低人工需求并缩短工期；② 群体机器人协同执行砌砖、混凝土浇筑等任务，可优化资源配置并提升施工效率；③ 在直观交互界面的辅助下，协作机器人能够与施工人员并肩工作，从而简化高强度及高风险作业；④ 先进的三维打印技术将推动可持续施工，提升建造水平；配备高分辨率摄像头的机器人则负责开展检测与维护任务，以确保结构完整性并符合安全标准；⑤ 智能机器人通过优化材料利用率并参与拆除与回收过程，为可持续建造提供支持。

综上所述，将智能方法与先进技术融合于工程建造与管理，是实现碳中和的重要途径。在工程项目中协同应用这些手段，不仅能够优化资源配置、减少排放，还能提升能效。由此，建筑业有望与全球可持续发展目标接轨，并以创新与技术进步为基础，迈向碳中和未来与工业5.0。

6 结论

本研究针对智慧技术在工程建造与管理中的应用进行了梳理，分析了多准则决策方法和智能技术在该领域的应用现状。多准则决策方法在解决施工中的模糊性和不确定性问题方面表现出广泛的应用价值。对于一些高度依赖施工经验或专家判断的工程项目，特别是涉及多指标且处于复杂施工环境的项目，将多准则决策方法与不同的模糊集相结合是一种有效的解决方案。随着数据的不断增加以及工程项目规模的扩大，智能技术在工程建造与管理中的应用前景愈发凸显。智能技术以其高效率、高可靠性和自动化的特点，展现出了巨大的应用潜力。

本文总结了工程建造与管理的特性，包括动态性、独特性、复杂性、不确定性和模糊性、不完整性及系统性。进一步探讨了2000年至2022年间智慧技术在工程建造与管理领域的应用情况，并通过多个工程项目的实际案例，展示了智慧技术的应用效果。最后，本文提出了未来的研究方向，旨在推动工程建造与管理的可持续发展。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Peng F, Qiao Y, Cheng G, Zhu H. Current situation and existing problems of and coping strategies for urban underground space planning in China. Earth Sci Front 2019;26(3):57‒68.
[2]

Peng F, Qiao Y, Sabri S, Atazadeh B, Rajabifard A. A collaborative approach for urban underground space development toward sustainable development goals: critical dimensions and future directions. Front Struct Civ Eng 2021;15(1):20‒45. . 10.1007/s11709-021-0716-x
[3]

Zhu H, Ding W, Qiao Y, Wang X, Han C, Zhang D, et al. Issues and challenges in urban underground space utilization in China. Earth Sci Front 2019;26(3):22‒31.
[4]

Peng F, Dong Y, Wang W, Ma C. The next frontier: data-driven urban underground space planning orienting multiple development concepts. Smart Constr Sustain Cities 2023;1:3. . 10.1007/s44268-023-00003-5
[5]

Zhang Y, Yuen KV, Mousavi M, Gandomi AH. Timber damage identification using dynamic broad network and ultrasonic signals. Eng Struct 2022;263:114418. . 10.1016/j.engstruct.2022.114418
[6]

Yao Y, Song EB. Intelligent compaction methods and quality control. Smart Constr Sustain Cities 2023;1:2. . 10.1007/s44268-023-00004-4
[7]

Chai J, Wu H. Prevention/mitigation of natural disasters in urban areas. Smart Constr Sustain Cities 2023;1:4. . 10.1007/s44268-023-00002-6
[8]

Li J, Zou PXW. Fuzzy AHP-based risk assessment methodology for PPP projects. J Constr Eng Manage 2011;137(12):1205‒9. . 10.1061/(asce)co.1943-7862.0000362
[9]

Kucukvar M, Gumus S, Egilmez G, Tatari O. Ranking the sustainability performance of pavements: an intuitionistic fuzzy decision making method. Autom Construct 2014;40:33‒43. . 10.1016/j.autcon.2013.12.009
[10]

Alhumaidi HM. Construction contractors ranking method using multiple decision-makers and multiattribute fuzzy weighted average. J Constr Eng Manage 2015;141(4):04014092. . 10.1061/(asce)co.1943-7862.0000949
[11]

Li THY, Thomas Ng S, Skitmore M. Modeling multi-stakeholder multi-objective decisions during public participation in major infrastructure and construction projects: a decision rule approach. J Constr Eng Manage 2016;142(3):04015087. . 10.1061/(asce)co.1943-7862.0001066
[12]

Zhao S, Zhang D, Huang H. Deep learning-based image instance segmentation for moisture marks of shield tunnel lining. Tunn Undergr Space Technol 2020;95:103156. . 10.1016/j.tust.2019.103156
[13]

Asare EN, Affam M, Ziggah YY. A stacked generalisation methodology for estimating the uniaxial compressive strength of rocks. Smart Constr Sustain Cities 2023;1:8. . 10.1007/s44268-023-00010-6
[14]

Awada M, Srour FJ, Srour IM. Data-driven machine learning approach to integrate field submittals in project scheduling. J Manage Eng 2021;37(1):04020104. . 10.1061/(asce)me.1943-5479.0000873
[15]

Wang K, Zhang Z, Wu X, Zhang L. Multi-class object detection in tunnels from 3D point clouds: an auto-optimized lazy learning approach. Adv Eng Inform 2022;52:101543. . 10.1016/j.aei.2022.101543
[16]

Patil SK, Kant R. A fuzzy AHP-TOPSIS framework for ranking the solutions of knowledge management adoption in supply chain to overcome its barriers. Expert Syst Appl 2014;41(2):679‒93. . 10.1016/j.eswa.2013.07.093
[17]

Salih MM, Zaidan BB, Zaidan AA, Ahmed MA. Survey on fuzzy TOPSIS state-of-the-art between 2007 and 2017. Comput Oper Res 2019;104:207‒27. . 10.1016/j.cor.2018.12.019
[18]

Saaty TL. A scaling method for priorities in hierarchical structures. J Math Psychol 1977;15(3):234‒81. . 10.1016/0022-2496(77)90033-5
[19]

Li F, Phoon KK, Du X, Zhang M. Improved AHP method and its application in risk identification. J Constr Eng Manage 2013;139(3):312‒20. . 10.1061/(asce)co.1943-7862.0000605
[20]

Plebankiewicz E, Kubek D. Multicriteria selection of the building material supplier using AHP and fuzzy AHP. J Constr Eng Manage 2016;142(1):04015057. . 10.1061/(asce)co.1943-7862.0001033
[21]

Sheng DC. Review of fundamental principles in modelling unsaturated soil behaviour. Comput Geotech 2011;38(6):757‒76. . 10.1016/j.compgeo.2011.05.002
[22]

Tao Y, Phoon KK, Sun H, Ching J. Variance reduction function for a potential inclined slip line in a spatially variable soil. Struct Saf 2024;106:102395. . 10.1016/j.strusafe.2023.102395
[23]

Lyu B, Wang Y, Shi C. Multi-scale generative adversarial networks (GAN) for generation of three-dimensional subsurface geological models from limited boreholes and prior geological knowledge. Comput Geotech 2024;170:106336. . 10.1016/j.compgeo.2024.106336
[24]

Zhao T, Wang Y, Lu S, Xu L. Fast stratification of geological cross-section from CPT results with missing data using multitask and modified Bayesian compressive sensing. Can Geotech J 2023;60(12):1812‒34. . 10.1139/cgj-2022-0131
[25]

Shaban WM, Daef KS. Performance of eco-friendly concrete: a safe direction to sustainable cities development. Smart Constr Sustain Cities 2023;1:13. . 10.1007/s44268-023-00015-1
[26]

van Eck NJ, Waltman L. Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics 2010;84(2):523‒38. . 10.1007/s11192-009-0146-3
[27]

Lin S, Shen S, Zhang N, Zhou A. Modelling the performance of EPB shield tunnelling using machine and deep learning algorithms. Geosci Front 2021;12(5):101177. . 10.1016/j.gsf.2021.101177
[28]

Lin S, Zhang N, Zhou A, Shen S. Time-series prediction of shield movement performance during tunneling based on hybrid model. Tunn Undergr Space Technol 2022;119:104245. . 10.1016/j.tust.2021.104245
[29]

Elbaz K, Shen S, Zhou A, Yin Z, Lyu H. Prediction of disc cutter life during shield tunneling with AI via the incorporation of a genetic algorithm into a GMDH-type neural network. Engineering 2021;7(2):238‒51. . 10.1016/j.eng.2020.02.016
[30]

Gao M, Zhang N, Shen S, Zhou A. Real-time dynamic earth-pressure regulation model for shield tunneling by integrating GRU deep learning method with GA optimization. IEEE Access 2020;8:64310‒23. . 10.1109/access.2020.2984515
[31]

Zhang J, Zhang N, Zhou A, Shen S. Numerical evaluation of segmental tunnel lining with voids in outside backfill. Undergr Space 2022;7(5):786‒97. . 10.1016/j.undsp.2021.12.007
[32]

Lin S, Zhou A, Shen S. Multi-status Bayesian network for analyzing collapse risk of excavation construction. Autom Construct 2024;158:105193. . 10.1016/j.autcon.2023.105193
[33]

Lin S, Shen S, Zhou A, Xu Y. Risk assessment and management of excavation system based on fuzzy set theory and machine learning methods. Autom Construct 2021;122:103490. . 10.1016/j.autcon.2020.103490
[34]

Zadeh LA. Fuzzy sets. Inf Control 1965;8(3):338‒53. . 10.1016/s0019-9958(65)90241-x
[35]

Zadeh LA. Quantitative fuzzy semantics. Inf Sci 1971;3(2):159‒76. . 10.1016/s0020-0255(71)80004-x
[36]

Zadeh LA. Similarity relations and fuzzy orderings. Inf Sci 1971;3(2):177‒200. . 10.1016/s0020-0255(71)80005-1
[37]

Oussous A, Benjelloun FZ, Lahcen AA, Belfkih S. Big Data technologies: a survey. J King Saud Univ Comput Inf Sci 2018;30(4):431‒48. . 10.1016/j.jksuci.2017.06.001
[38]

Iqbal R, Doctor F, More B, Mahmud S, Yousuf U. Big data analytics and computational intelligence for cyber-physical systems: recent trends and state of the art applications. Future Gener Comput Syst 2020;105:766‒78. . 10.1016/j.future.2017.10.021
[39]

Tang M, Liao H. From conventional group decision making to large-scale group decision making: what are the challenges and how to meet them in big data era? A state-of-the-art survey. Omega 2021;100:102141. . 10.1016/j.omega.2019.102141
[40]

Ma SY, Ding W, Liu Y, Ren S, Yang HD. Digital twin and big data-driven sustainable smart manufacturing based on information management systemsfor energy-intensive industries. Appl Energy 2022;326:119986. . 10.1016/j.apenergy.2022.119986
[41]

Peng J, Chen L, Zhang B. Transportation planning for sustainable supply chain network using big data technology. Inf Sci 2022;609:781‒98. . 10.1016/j.ins.2022.07.112
[42]

Ballard DH, Brown CM. Computer vision. Prentice Hall Professional Technical Reference; 1982.
[43]

Fang Q, Li H, Luo X, Ding L, Luo H, Li C. Computer vision aided inspection on falling prevention measures for steeplejacks in an aerial environment. Autom Construct 2018;93:148‒64. . 10.1016/j.autcon.2018.05.022
[44]

Kolar Z, Chen H, Luo X. Transfer learning and deep convolutional neural networks for safety guardrail detection in 2D images. Autom Construct 2018;89:58‒70. . 10.1016/j.autcon.2018.01.003
[45]

Rebolj D, Babič NČ, Magdič A, Podbreznik P, Pšunder M. Automated construction activity monitoring system. Adv Eng Inform 2008;22(4):493‒503. . 10.1016/j.aei.2008.06.002
[46]

Ibrahim YM, Lukins TC, Zhang X, Trucco E, Kaka AP. Towards automated progress assessment of workpackage components in construction projects using computer vision. Adv Eng Inform 2009;23(1):93‒103. . 10.1016/j.aei.2008.07.002
[47]

Fang W, Zhong B, Zhao N, Love PE, Luo H, Xue J, et al. A deep learning-based approach for mitigating falls from height with computer vision: convolutional neural network. Adv Eng Inform 2019;39:170‒7. . 10.1016/j.aei.2018.12.005
[48]

Chi S, Caldas CH, Kim DY. A methodology for object identification and tracking in construction based on spatial modeling and image matching techniques. Comput Aided Civ Infrastruct Eng 2009;24(3):199‒211. . 10.1111/j.1467-8667.2008.00580.x
[49]

Han S, Lee S, Peña-Mora F. Vision-based detection of unsafe actions of a construction worker: case study of ladder climbing. J Comput Civ Eng 2013;27(6):635‒44. . 10.1061/(asce)cp.1943-5487.0000279
[50]

Li D, Xie Q, Gong X, Yu Z, Xu J, Sun Y, et al. Automatic defect detection of metro tunnel surfaces using a vision-based inspection system. Adv Eng Inform 2021;47:101206. . 10.1016/j.aei.2020.101206
[51]

Kwon OS, Park CS, Lim CR. A defect management system for reinforced concrete work utilizing BIM, image-matching and augmented reality. Autom Construct 2014;46:74‒81. . 10.1016/j.autcon.2014.05.005
[52]

Gu J, Wang Z, Kuen J, Ma L, Shahroudy A, Shuai B, et al. Recent advances in convolutional neural networks. Pattern Recognit 2018;77:354‒77. . 10.1016/j.patcog.2017.10.013
[53]

Liu Y, Cho S, Spencer BF, Fan J. Concrete crack assessment using digital image processing and 3D scene reconstruction. J Comput Civ Eng 2016;30(1):04014124. . 10.1061/(asce)cp.1943-5487.0000446
[54]

Zhao S, Kang F, Li J. Concrete dam damage detection and localisation based on YOLOv5s-HSC and photogrammetric 3D reconstruction. Autom Construct 2022;143:104555. . 10.1016/j.autcon.2022.104555
[55]

Hua L, Lu Y, Deng J, Shi Z, Shen D. 3D reconstruction of concrete defects using optical laser triangulation and modified spacetime analysis. Autom Construct 2022;142:104469. . 10.1016/j.autcon.2022.104469
[56]

Chen J, Kira Z, Cho YK. Deep learning approach to point cloud scene understanding for automated scan to 3D reconstruction. J Comput Civ Eng 2019;33(4):04019027. . 10.1061/(asce)cp.1943-5487.0000842
[57]

Nikoohemat S, Diakité AA, Zlatanova S, Vosselman G. Indoor 3D reconstruction from point clouds for optimal routing in complex buildings to support disaster management. Autom Construct 2020;113:103109. . 10.1016/j.autcon.2020.103109
[58]

Jiang W, Zhou Y, Ding L, Zhou C, Ning X. UAV-based 3D reconstruction for hoist site mapping and layout planning in petrochemical construction. Autom Construct 2020;113:103137. . 10.1016/j.autcon.2020.103137
[59]

Cheng ML, Matsuoka M, Liu W, Yamazaki F. Near-real-time gradually expanding 3D land surface reconstruction in disaster areas by sequential drone imagery. Autom Construct 2022;135:104105. . 10.1016/j.autcon.2021.104105
[60]

Yu Y, Guo H, Ding Q, Li H, Skitmore M. An experimental study of real-time identification of construction workers’ unsafe behaviors. Autom Construct 2017;82:193‒206. . 10.1016/j.autcon.2017.05.002
[61]

Khan M, Khalid R, Anjum S, Tran SVT, Park C. Fall prevention from scaffolding using computer vision and IoT-based monitoring. J Constr Eng Manage 2022;148(7):04022051. . 10.1061/(asce)co.1943-7862.0002278
[62]

Roh S, Aziz Z, Pena-Mora F. An object-based 3D walk-through model for interior construction progress monitoring. Autom Construct 2011;20(1):66‒75. . 10.1016/j.autcon.2010.07.003
[63]

Liu M, Han S, Lee S. Tracking-based 3D human skeleton extraction from stereo video camera toward an on-site safety and ergonomic analysis. Constr Innov 2016;16(3):348‒67. . 10.1108/ci-10-2015-0054
[64]

Zhu Z, Ren X, Chen Z. Integrated detection and tracking of workforce and equipment from construction jobsite videos. Autom Construct 2017;81:161‒71. . 10.1016/j.autcon.2017.05.005
[65]

Jeelani I, Asadi K, Ramshankar H, Han K, Albert A. Real-time vision-based worker localization & hazard detection for construction. Autom Construct 2021;121:103448. . 10.1016/j.autcon.2020.103448
[66]

Han S, Lee S. A vision-based motion capture and recognition framework for behavior-based safety management. Autom Construct 2013;35: 131‒41. . 10.1016/j.autcon.2013.05.001
[67]

Yang J, Shi Z, Wu Z. Vision-based action recognition of construction workers using dense trajectories. Adv Eng Inform 2016;30(3):327‒36. . 10.1016/j.aei.2016.04.009
[68]

Son H, Choi H, Seong H, Kim C. Detection of construction workers under varying poses and changing background in image sequences via very deep residual networks. Autom Construct 2019;99:27‒38. . 10.1016/j.autcon.2018.11.033
[69]

Park CS, Kim HJ. A framework for construction safety management and visualization system. Autom Construct 2013;33:95‒103. . 10.1016/j.autcon.2012.09.012
[70]

Alvanchi A, Didehvar N, Jalilehvand M, Adami P, Shahmir S. Semi-augmented reality, a novel approach to improve customer safety in the pre-sale process of under construction buildings. Int J Eng 2021;34(10):2198‒205. . 10.5829/ije.2021.34.10a.01
[71]

Wang X, Truijens M, Hou L, Wang Y, Zhou Y. Integrating augmented reality with building information modeling: onsite construction process controlling for liquefied natural gas industry. Autom Construct 2014;40: 96‒105. . 10.1016/j.autcon.2013.12.003
[72]

Hou L, Wang X, Truijens M. Using augmented reality to facilitate piping assembly: an experiment-based evaluation. J Comput Civ Eng 2015;29(1):05014007. . 10.1061/(asce)cp.1943-5487.0000344
[73]

Jiao Y, Zhang S, Li Y, Wang Y, Yang B. Towards cloud augmented reality for construction application by BIM and SNS integration. Autom Construct 2013;33:37‒47. . 10.1016/j.autcon.2012.09.018
[74]

Zhou Y, Luo H, Yang Y. Implementation of augmented reality for segment displacement inspection during tunneling construction. Autom Construct 2017;82:112‒21. . 10.1016/j.autcon.2017.02.007
[75]

Fernandes KJ, Raja V, White A, Tsinopoulos CD. Adoption of virtual reality within construction processes: a factor analysis approach. Technovation 2006;26(1):111‒20. . 10.1016/j.technovation.2004.07.013
[76]

Abdelhameed WA. Virtual reality applications in project management scheduling. Comput Aided Des Appl 2012;9(1):71‒8. . 10.3722/cadaps.2012.71-78
[77]

Sampaio AZ, Gomes AR, Santos JP. Management of building supported on virtual interactive models: construction planning and preventive maintenance. J Inf Technol Constr 2012;17(8):121‒33.
[78]

Li H, Chan G, Skitmore M. Visualizing safety assessment by integrating the use of game technology. Autom Construct 2012;22:498‒505. . 10.1016/j.autcon.2011.11.009
[79]

Perlman A, Sacks R, Barak R. Hazard recognition and risk perception in construction. Saf Sci 2014;64:22‒31. . 10.1016/j.ssci.2013.11.019
[80]

Gaikwad SK, Gawali BW, Yannawar P. A review on speech recognition technique. Int J Comput Appl 2010;10(3):16‒24. . 10.5120/1462-1976
[81]

Benzeghiba M, De Mori R, Deroo O, Dupont S, Erbes T, Jouvet D, et al. Automatic speech recognition and speech variability: a review. Speech Commun 2007;49(10‒11):763‒86.
[82]

Motawa I. Spoken dialogue BIM systems—an application of big data in construction. Facilities 2017;35(13/14):787‒800.
[83]

Wong MO, Zhou H, Ying H, Lee S. A voice-driven IMU-enabled BIM-based multi-user system for indoor navigation in fire emergencies. Autom Construct 2022;135:104137. . 10.1016/j.autcon.2022.104137
[84]

Liu Z, Li S. A sound monitoring system for prevention of underground pipeline damage caused by construction. Autom Construct 2020;113:103125. . 10.1016/j.autcon.2020.103125
[85]

Hirschberg J, Manning CD. Advances in natural language processing. Science 2015;349(6245):261‒6. . 10.1126/science.aaa8685
[86]

Amer F, Hockenmaier J, Golparvar-Fard M. Learning and critiquing pairwise activity relationships for schedule quality control via deep learning-based natural language processing. Autom Construct 2022;134:104036. . 10.1016/j.autcon.2021.104036
[87]

Lin TH, Huang YH, Putranto A. Intelligent question and answer system for building information modeling and artificial intelligence of things based on the bidirectional encoder representations from transformers model. Autom Construct 2022;142:104483. . 10.1016/j.autcon.2022.104483
[88]

Zhong B, He W, Huang Z, Love PED, Tang J, Luo H. A building regulation question answering system: a deep learning methodology. Adv Eng Inform 2020;46:101195. . 10.1016/j.aei.2020.101195
[89]

Zhang J, El-Gohary NM. Integrating semantic NLP and logic reasoning into a unified system for fully automated code checking. Autom Construct 2017;73:45‒57. . 10.1016/j.autcon.2016.08.027
[90]

Martínez-Rojas M, Martín Antolín RM, Salguero-Caparrós F, Rubio-Romero JC. Management of construction safety and health plans based on automated content analysis. Autom Construct 2020;120:103362. . 10.1016/j.autcon.2020.103362
[91]

Zheng Z, Zhou Y, Lu X, Lin J. Knowledge-informed semantic alignment and rule interpretation for automated compliance checking. Autom Construct 2022;142:104524. . 10.1016/j.autcon.2022.104524
[92]

Jordan MI, Mitchell TM. Machine learning: trends, perspectives, and prospects. Science 2015;349(6245):255‒60. . 10.1126/science.aaa8415
[93]

Patel DA, Jha KN. Neural network model for the prediction of safe work behavior in construction projects. J Constr Eng Manage 2015;141(1):04014066. . 10.1061/(asce)co.1943-7862.0000922
[94]

Razmi A, Rahbar M, Bemanian M. PCA-ANN integrated NSGA-III framework for dormitory building design optimization: energy efficiency, daylight, and thermal comfort. Appl Energy 2022;305:117828. . 10.1016/j.apenergy.2021.117828
[95]

Saryazdi SE, Etemad A, Shafaat A, Bahman AM. Data-driven performance analysis of a residential building applying artificial neural network (ANN) and multi-objective genetic algorithm (GA). Build Environ 2022;225:109633. . 10.1016/j.buildenv.2022.109633
[96]

Chen R, Zhang P, Kang X, Zhong Z, Liu Y, Wu H. Prediction of maximum surface settlement caused by earth pressure balance (EPB) shield tunneling with ANN methods. Soil Found 2019;59(2):284‒95. . 10.1016/j.sandf.2018.11.005
[97]

Zhou Y, Su W, Ding L, Luo H, Love PED. Predicting safety risks in deep foundation pits in subway infrastructure projects: support vector machine approach. J Comput Civ Eng 2017;31(5):04017052. . 10.1061/(asce)cp.1943-5487.0000700
[98]

Florez-Perez L, Song Z, Cortissoz JC. Using machine learning to analyse and predict construction task productivity. Comput Aided Civ Infrastruct Eng 2022;37(12):1602‒16. . 10.1111/mice.12806
[99]

Qiu D, Fu K, Xue Y, Tao Y, Kong F, Bai C. TBM tunnel surrounding rock classification method and real-time identification model based on tunneling performance. Int J Geomech 2022;22(6):04022070. . 10.1061/(asce)gm.1943-5622.0002379
[100]

Zhou Y, Li S, Zhou C, Luo H. Intelligent approach based on random forest for safety risk prediction of deep foundation pit in subway stations. J Comput Civ Eng 2019;33(1):05018004. . 10.1061/(asce)cp.1943-5487.0000796
[101]

Zhang R, Li Y, Goh A, Zhang W, Chen Z. Analysis of ground surface settlement in anisotropic clays using extreme gradient boosting and random forest regression models. J Rock Mech Geotech Eng 2021;13(6):1478‒84. . 10.1016/j.jrmge.2021.08.001
[102]

Freitag S, Cao BT, Ninić J, Meschke G. Recurrent neural networks and proper orthogonal decomposition with interval data for real-time predictions of mechanised tunnelling processes. Comput Struc 2018;207:258‒73. . 10.1016/j.compstruc.2017.03.020
[103]

Shan F, He X, Jahed Armaghani D, Zhang P, Sheng D. Success and challenges in predicting TBM penetration rate using recurrent neural networks. Tunn Undergr Space Technol 2022;130:104728. . 10.1016/j.tust.2022.104728
[104]

Cheng M, Chang Y, Korir D. Novel approach to estimating schedule to completion in construction projects using sequence and nonsequence learning. J Constr Eng Manage 2019;145(11):04019072. . 10.1061/(asce)co.1943-7862.0001697
[105]

Ahn Y, Kim BS. Prediction of building power consumption using transfer learning-based reference building and simulation dataset. Energy Build 2022;258:111717. . 10.1016/j.enbuild.2021.111717
[106]

Tao Y, Sun H, Cai Y. Predictions of deep excavation responses considering model uncertainty: integrating BiLSTM neural networks with Bayesian updating. Int J Geomech 2022;22(1):04021250. . 10.1061/(asce)gm.1943-5622.0002245
[107]

Tao YQ, Zeng SX, Sun HL, Cai YQ, Zhang JZ, Pan XD. A spatiotemporal deep learning method for excavation-induced wall deflections. J Rock Mech Geotech Eng 2024;16(8):3327‒38. . 10.1016/j.jrmge.2023.09.034
[108]

Tao YQ, Zeng SX, Ying TT, Sun HL, Pan SJX, Cai YQ. A deep transfer learning model for the deformation of braced excavations with limited monitoring data. J Rock Mech Geotech Eng. In press. . 10.1016/j.jrmge.2024.02.048
[109]

Zhang Q, Barri K, Babanajad SK, Alavi AH. Real-time detection of cracks on concrete bridge decks using deep learning in the frequency domain. Engineering 2021;7(12):1786‒96. . 10.1016/j.eng.2020.07.026
[110]

Li S, Li S, Laima S, Li H. Data-driven modeling of bridge buffeting in the time domain using long short-term memory network based on structural health monitoring. Struct Control Health Monit 2021;28(8):e2772. . 10.1002/stc.2772
[111]

Lam KC, Tao R, Lam MCK. A material supplier selection model for property developers using fuzzy principal component analysis. Autom Construct 2010;19(5):608‒18. . 10.1016/j.autcon.2010.02.007
[112]

Esfandiari A, Nabiyan MS, Rofooei FR. Structural damage detection using principal component analysis of frequency response function data. Struct Control Health Monit 2020;27(7):e2550. . 10.1002/stc.2550
[113]

Samarasinghe T, Gunawardena T, Mendis P, Sofi M, Aye L. Dependency structure matrix and hierarchical clustering based algorithm for optimum module identification in MEP systems. Autom Construct 2019;104:153‒78. . 10.1016/j.autcon.2019.03.021
[114]

Abd Jamil AH, Fathi MS. Enhancing BIM-based information interoperability: dispute resolution from legal and contractual perspectives. J Constr Eng Manage 2020;146(7):05020007. . 10.1061/(asce)co.1943-7862.0001868
[115]

Liu K, El-Gohary N. Improved similarity assessment and spectral clustering for unsupervised linking of data extracted from bridge inspection reports. Adv Eng Inform 2022;51:101496. . 10.1016/j.aei.2021.101496
[116]

Wang L, Shao Y. Crack fault classification for planetary gearbox based on feature selection technique and K-means clustering method. Chin J Mech Eng 2018;31:1‒11. . 10.1186/s10033-018-0202-0
[117]

Luo XJ, Oyedele LO, Ajayi AO, Monyei CG, Akinade OO, Akanbi LA. Development of an IoT-based big data platform for day-ahead prediction of building heating and cooling demands. Adv Eng Inform 2019;41:100926. . 10.1016/j.aei.2019.100926
[118]

Dhalmahapatra K, Shingade R, Maiti J. An innovative integrated modelling of safety data using multiple correspondence analysis and fuzzy discretization techniques. Saf Sci 2020;130:104828. . 10.1016/j.ssci.2020.104828
[119]

Liu J, Liu P, Feng L, Wu W, Li D, Chen YF. Automated clash resolution for reinforcement steel design in concrete frames via Q-learning and Building Information Modeling. Autom Construct 2020;112:103062. . 10.1016/j.autcon.2019.103062
[120]

Kedir NS, Somi S, Fayek AR, Nguyen PHD. Hybridization of reinforcement learning and agent-based modeling to optimize construction planning and scheduling. Autom Construct 2022;142:104498. . 10.1016/j.autcon.2022.104498
[121]

Lee D, Kim M. Autonomous construction hoist system based on deep reinforcement learning in high-rise building construction. Autom Construct 2021;128:103737. . 10.1016/j.autcon.2021.103737
[122]

Ding Y, Ma L, Ma J, Suo M, Tao L, Cheng Y, et al. Intelligent fault diagnosis for rotating machinery using deep Q-network based health state classification: a deep reinforcement learning approach. Adv Eng Inform 2019;42:100977. . 10.1016/j.aei.2019.100977
[123]

Xie F, Li H, Xu Z. An approximate dynamic programming approach to project scheduling with uncertain resource availabilities. Appl Math Model 2021;97:226‒43. . 10.1016/j.apm.2021.03.048
[124]

Nozhati S, Sarkale Y, Ellingwood B, Chong EK, Mahmoud H. Near-optimal planning using approximate dynamic programming to enhance post-hazard community resilience management. Reliab Eng Syst Saf 2019;181:116‒26. . 10.1016/j.ress.2018.09.011
[125]

Kaelbling LP, Littman ML, Moore AW. Reinforcement learning: a survey. J Artif Intell Res 1996;4:237‒85. . 10.1613/jair.301
[126]

Soman RK, Molina-Solana M. Automating look-ahead schedule generation for construction using linked-data based constraint checking and reinforcement learning. Autom Construct 2022;134:104069. . 10.1016/j.autcon.2021.104069
[127]

Erharter GH, Hansen TF, Liu Z, Marcher T. Reinforcement learning based process optimization and strategy development in conventional tunneling. Autom Construct 2021;127:103701. . 10.1016/j.autcon.2021.103701
[128]

LeCun Y, Bengio Y, Hinton G. Deep learning. Nature 2015;521(7553): 436‒44. . 10.1038/nature14539
[129]

Vesely WE, Goldberg FF, Roberts NH, Haasl DF. Fault tree handbook. Washington, DC: US Nuclear Regulatory Commission; 1981.
[130]

Zhang L, Skibniewski MJ, Wu X, Chen Y, Deng Q. A probabilistic approach for safety risk analysis in metro construction. Saf Sci 2014;63:8‒17. . 10.1016/j.ssci.2013.10.016
[131]

Zhang G, Chen W, Jiao Y, Wang H, Wang C. A failure probability evaluation method for collapse of drill-and-blast tunnels based on multistate fuzzy Bayesian network. Eng Geol 2020;276:105752. . 10.1016/j.enggeo.2020.105752
[132]

Zhao CC, Yip TL, Wu B, Lyu JY. Use of fuzzy fault tree analysis and Bayesian network for occurrence likelihood estimation of navigational accidents in the Qinzhou Port. Ocean Eng 2022;263:112381. . 10.1016/j.oceaneng.2022.112381
[133]

Pearl J. Probabilistic reasoning in intelligent systems: networks of plausible inference. San Francisco: Morgan Kaufmann Publishers Inc; 1988.
[134]

Zhang L, Wu X, Ding L, Skibniewski MJ, Yan Y. Decision support analysis for safety control in complex project environments based on Bayesian networks. Expert Syst Appl 2013;40(11):4273‒82. . 10.1016/j.eswa.2012.11.022
[135]

Kosko B. Fuzzy cognitive maps. Int J Man Mach Stud 1986;24(1):65‒75. . 10.1016/s0020-7373(86)80040-2
[136]

Zhang L, Chettupuzha AJA, Chen H, Wu X, AbouRizk SM. Fuzzy cognitive maps enabled root cause analysis in complex projects. Appl Soft Comput 2017;57:235‒49. . 10.1016/j.asoc.2017.04.020
[137]

Khanzadi M, Nasirzadeh F, Dashti MS. Fuzzy cognitive map approach to analyze causes of change orders in construction projects. J Constr Eng Manage 2018;144(2):04017111. . 10.1061/(asce)co.1943-7862.0001430
[138]

Chen H, Zhang L, Wu X. Performance risk assessment in public-private partnership projects based on adaptive fuzzy cognitive map. Appl Soft Comput 2020;93:106413. . 10.1016/j.asoc.2020.106413
[139]

Mottahedi A, Ataei M. Fuzzy fault tree analysis for coal burst occurrence probability in underground coal mining. Tunn Undergr Space Technol 2019;83:165‒74. . 10.1016/j.tust.2018.09.029
[140]

Li N, Feng X, Jimenez R. Predicting rock burst hazard with incomplete data using Bayesian networks. Tunn Undergr Space Technol 2017;61:61‒70. . 10.1016/j.tust.2016.09.010
[141]

Ashraf AM, Imran W, Vechot L. Analysis of the impact of a pandemic on the control of the process safety risk in major hazards industries using a fault tree analysis approach. J Loss Prev Process Ind 2022;74:104649. . 10.1016/j.jlp.2021.104649
[142]

Arabi S, Eshtehardian E, Shafiei I. Using Bayesian networks for selecting risk-response strategies in construction projects. J Constr Eng Manage 2022;148(8):04022067. . 10.1061/(asce)co.1943-7862.0002310
[143]

Chen L, Lu Q, Li S, He W, Yang J. Bayesian Monte Carlo simulation-driven approach for construction schedule risk inference. J Manage Eng 2021;37(2):04020115. . 10.1061/(asce)me.1943-5479.0000884
[144]

Xie L, Lu Y, Furuhata T, Yamakawa S, Zhang W, Regmi A, et al. Graph neural network-enabled manufacturing method classification from engineering drawings. Comput Ind 2022;142:103697. . 10.1016/j.compind.2022.103697
[145]

Bharadwaj AG, Starly B. Knowledge graph construction for product designs from large CAD model repositories. Adv Eng Inform 2022;53:101680. . 10.1016/j.aei.2022.101680
[146]

Hong Y, Xie H, Hovhannisyan V, Brilakis I. A graph-based approach for unpacking construction sequence analysis to evaluate schedules. Adv Eng Inform 2022;52:101625. . 10.1016/j.aei.2022.101625
[147]

Scarselli F, Gori M, Tsoi AC, Hagenbuchner M, Monfardini G. The graph neural network model. IEEE Trans Neural Netw 2009;20(1):61‒80. . 10.1109/tnn.2008.2005605
[148]

Veličković P, Cucurull G, Casanova A, Romero A, Lio P, Bengio Y. Graph attention networks. 2017. arXiv:1710.10903
[149]

Xu M. Understanding graph embedding methods and their applications. SIAM Rev 2021;63(4):825‒53. . 10.1137/20m1386062
[150]

Kipf TN, Welling M. Semi-supervised classification with graph convolutional networks. 2016. arXiv:
[151]

Lin S, Zhou A, Shen S. Optimal construction method evaluation for underground infrastructure construction. Autom Construct 2023;152:104921. . 10.1016/j.autcon.2023.104921
[152]

Zheng G, Guo ZY, Zhou HZ, He XP. Design method for wall deformation and soil movement of excavations with inclined retaining walls in sand. Int J Geomech 2024;24(4):04024042. . 10.1061/ijgnai.gmeng-9029
[153]

Lin S, Zhou A, Shen S. A coupled deep learning approach for shield moving performance prediction of underground tunnel construction. Gondwana Res 2023;123:125‒39. . 10.1016/j.gr.2023.01.002
[154]

Wang Y, Zhao T. Interpretation of soil property profile from limited measurement data: a compressive sampling perspective. Can Geotech J 2016;53(9):1547‒59. . 10.1139/cgj-2015-0545
[155]

Li J, Wu Z, Chen J, Lu X, Li Z. FEM-Bayesian Kriging method for deformation field estimation of earth dams with limited monitoring data. Comput Geotech 2022;148:104782. . 10.1016/j.compgeo.2022.104782
[156]

Wang ZZ, Zhang JZ, Huang HW. Interpreting random fields through the U-Net architecture for failure mechanism and deformation predictions of geosystems. Geosci Front 2024;15:101720. . 10.1016/j.gsf.2023.101720
[157]

Zhou HZ, Zhang JB, Yu XX, Hu QC, Zheng G, Xu HJ, et al. Stochastic bearing capacity and failure mechanism of footings placed adjacent to slopes considering the anisotropic spatial variability of the clay undrained strength. Int J Geomech 2024;24(4):04024022. . 10.1061/ijgnai.gmeng-9136
[158]

Zheng G, Guo ZY, Zhou HZ, Tan Y, Wang Z, Li SH. Multibench-retained excavations with inclined-vertical framed retaining walls in soft soils: observations and numerical investigation. J Geotech Geoenviron Eng 2024;150(5):5024003. . 10.1061/jggefk.gteng-11943
[159]

Li J, Cai Y, Li X, Zhang L. Simulating realistic geological stratigraphy using direction-dependent coupled Markov chain model. Comput Geotech 2019;115:103147. . 10.1016/j.compgeo.2019.103147
[160]

Zhang JZ, Liu ZQ, Zhang DM, Huang HW, Phoon KK, Xue YD. Improved coupled Markov chain method for simulating geological uncertainty. Eng Geol 2022;298:106539. . 10.1016/j.enggeo.2022.106539
[161]

Zhang JZ, Jiang QH, Zhang DM, Huang HW, Liu ZQ. Influence of geological uncertainty and soil spatial variability on tunnel deformation and their importance evaluation. Tunnel Undergr Space Technol 2024;152:105930. . 10.1016/j.tust.2024.105930
[162]

Lin S, Shen S, Zhou A. Real-time analysis and prediction of shield cutterhead torque using optimized gated recurrent unit neural network. J Rock Mech Geotech Eng 2022;14(4):1232‒40. . 10.1016/j.jrmge.2022.06.006
[163]

Han L, Chen J, Li H, Liu G, Leng B, Ahmed A, et al. Multispectral water leakage detection based on a one-stage anchor-free modality fusion network for metro tunnels. Autom Construct 2022;140:104345. . 10.1016/j.autcon.2022.104345
[164]

Owens D, Mitchell A, Khazanchi D, Zigurs L. An empirical investigation of virtual world projects and metaverse technology capabilities. ACM SIGMIS Database: the DATABASE Adv Inf Syst 2011;42(1):74‒101. . 10.1145/1952712.1952717
[165]

Lee LH, Braud T, Zhou P, Wang L, Xu D, Lin Z, et al. All one needs to know about metaverse: a complete survey on technological singularity, virtual ecosystem, and research agenda. 2021. arXiv:
[166]

Park SM, Kim YG. A metaverse: taxonomy, components, applications, and open challenges. IEEE Access 2022;10:4209‒51. . 10.1109/access.2021.3140175
[167]

Li S, Xu LD, Zhao S. The Internet of Things: a survey. Inf Syst Front 2015;17(2):243‒59. . 10.1007/s10796-014-9492-7
[168]

Ding L, Zhou C, Deng Q, Luo H, Ye X, Ni Y, et al. Real-time safety early warning system for cross passage construction in Yangtze Riverbed Metro Tunnel based on the Internet of Things. Autom Construct 2013;36:25‒37. . 10.1016/j.autcon.2013.08.017
[169]

Zhou C, Ding L. Safety barrier warning system for underground construction sites using Internet-of-Things technologies.Autom Construct 2017;83:372‒89. . 10.1016/j.autcon.2017.07.005
[170]

Dhingra S, Madda RB, Patan R, Jiao PC, Barri K, Alavi AH. Internet of Things-based fog and cloud computing technology for smart traffic monitoring. Internet Things 2021;14:100175. . 10.1016/j.iot.2020.100175
[171]

Al-Turjman F. Information-centric framework for the Internet of Things (IoT): traffic modeling & optimization. Future Gener Comput Syst 2018;80:63‒75. . 10.1016/j.future.2017.08.018
[172]

Zhang G, Chen CH, Cao X, Zhong RY, Duan X, Li P. Industrial Internet of Things-enabled monitoring and maintenance mechanism for fully mechanized mining equipment. Adv Eng Inform 2022;54:101782. . 10.1016/j.aei.2022.101782
[173]

Zhang M, Ghodrati N, Poshdar M, Seet BC, Yongchareon S. A construction accident prevention system based on the Internet of Things (IoT). Saf Sci 2023;159:106012. . 10.1016/j.ssci.2022.106012
[174]

Arshi O, Mondal S. Advancements in sensors and actuators technologies for smart cities: a comprehensive review. Smart Constr Sustain Cities 2023;1:18. . 10.1007/s44268-023-00022-2
[175]

Zheng Z, Xie S, Dai H, Chen X, Wang H. Blockchain challenges and opportunities: a survey. Int J Web Grid Serv 2018;14(4):352‒75. . 10.1504/ijwgs.2018.095647
[176]

Tao XY, Moumita D, Liu Y, Cheng JCP. Distributed common data environment using blockchain and interplanetary file system for secure BIM-based collaborative design. Autom Construct 2021;130:103851. . 10.1016/j.autcon.2021.103851
[177]

Tao X, Liu Y, Wong K, Chen K, Das M, Cheng C. Confidentiality-minded framework for blockchain-based BIM design collaboration. Autom Construct 2022;136:104172. . 10.1016/j.autcon.2022.104172
[178]

Perera S, Nanayakkara S, Rodrigo MNN, Senaratne S, Weinand R. Blockchain technology: is it hype or real in the construction industry? J Ind Inf Integr 2020;17:100125. . 10.1016/j.jii.2020.100125
[179]

Tao F, Qi Q. Make more digital twins. Nature 2019;573(7775):490‒1. . 10.1038/d41586-019-02849-1
[180]

Naeem N, Rana IA, Nasir AR. Digital real estate: a review of the technologies and tools transforming industry and society. Smart Constr Sustain Cities 2023;1:15. . 10.1007/s44268-023-00016-0
[181]

Succar B. Building information modelling framework: a research and delivery foundation for industry stakeholders. Autom Construct 2009;18(3):357‒75. . 10.1016/j.autcon.2008.10.003
[182]

Tian Y, Chen C, Sagoe-Crentsil K, Zhang J, Duan W. Intelligent robotic systems for structural health monitoring: applications and future trends. Autom Construct 2022;139:104273. . 10.1016/j.autcon.2022.104273
AI Summary AI Mindmap
PDF (6600KB)

4265

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉