【學(xué)術(shù)前沿】AEC產(chǎn)業(yè)中的人工智能:科學(xué)計(jì)量分析和研究活動的可視化

建筑、工程和建筑(AEC)行業(yè)充滿了復(fù)雜和困難的問題。人工智能(AI)是幫助解決這些問題的強(qiáng)大工具。本文介紹了第一個(gè)全面的科學(xué)計(jì)量學(xué)研究，評價(jià)了aeci中的人工智能研究的最新進(jìn)展。采用科學(xué)制圖法對Scopus檢索到的41827份相關(guān)文獻(xiàn)進(jìn)行了系統(tǒng)定量分析。結(jié)果表明，遺傳算法、神經(jīng)網(wǎng)絡(luò)、模糊邏輯、模糊集和機(jī)器學(xué)習(xí)是目前應(yīng)用最廣泛的人工智能方法。優(yōu)化、模擬、不確定性、項(xiàng)目管理和橋梁已經(jīng)成為使用AI方法/概念最常見的主題/問題。本研究的主要價(jià)值和獨(dú)特性在于它是第一個(gè)提供最新的、包容的、大的關(guān)于aeci中的ai的文獻(xiàn)。本研究通過可視化和理解趨勢和模式，識別主要研究興趣、期刊、機(jī)構(gòu)和國家，以及這些如何在aeci中ai的現(xiàn)有研究中聯(lián)系起來，為AEC文獻(xiàn)增加價(jià)值。這些發(fā)現(xiàn)揭示了當(dāng)前研究的不足，并為未來的研究提供了路徑，指出未來的研究機(jī)會在于將機(jī)器人自動化和卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于AEC問題。對于實(shí)踐世界來說，這項(xiàng)研究為實(shí)踐者、政策制定者和研發(fā)機(jī)構(gòu)提供了一個(gè)現(xiàn)成的參考點(diǎn)。因此，本研究提高了人工智能的認(rèn)識水平，促進(jìn)了人工智能領(lǐng)域在AEC行業(yè)的知識財(cái)富建設(shè)。

AI指的是創(chuàng)造具有推理、學(xué)習(xí)、知識、溝通、感知、規(guī)劃以及移動和操作物體能力的智能機(jī)器的科學(xué)與工程。它有幾個(gè)在文獻(xiàn)中被廣泛記錄的好處。例如，它可以使用復(fù)雜的算法從“大”數(shù)據(jù)中“學(xué)習(xí)”，然后使用獲得的知識來輔助行業(yè)/實(shí)踐。此外，人工智能通過快速準(zhǔn)確地分析大量數(shù)據(jù)，為顯著提高生產(chǎn)率提供了巨大的機(jī)會。此外，人工智能系統(tǒng)和技術(shù)可以處理復(fù)雜的、非線性的實(shí)際問題，并且，一旦訓(xùn)練，可以在高速下進(jìn)行預(yù)測和歸納。由于這些好處，人工智能在許多行業(yè)都引起了廣泛的關(guān)注，包括建筑、工程和建筑(AEC)，吸引了AEC研究人員的注意。這導(dǎo)致了AEC行業(yè)(AI-in-the- aeci)中關(guān)于AI的研究工作和出版物數(shù)量的激增。這種情況帶來了危險(xiǎn)，因?yàn)樗茈y掌握知識體的現(xiàn)狀，造成忽視研究和實(shí)踐改進(jìn)的關(guān)鍵領(lǐng)域和問題的重大風(fēng)險(xiǎn)。為了解決這個(gè)科學(xué)問題，有必要對領(lǐng)域進(jìn)行嚴(yán)格的審查和分析。

本研究采用科學(xué)繪圖法對ai -in- aeci的文獻(xiàn)進(jìn)行分析。科學(xué)制圖是“領(lǐng)域分析與可視化的一般過程”，旨在發(fā)現(xiàn)科學(xué)領(lǐng)域的智力結(jié)構(gòu)。該方法有助于可視化大量文獻(xiàn)和書目數(shù)據(jù)中的重要模式和趨勢。它使研究人員可以通過其他方法無法實(shí)現(xiàn)的文獻(xiàn)相關(guān)發(fā)現(xiàn)?？茖W(xué)制圖研究通常采用文獻(xiàn)計(jì)量學(xué)或科學(xué)計(jì)量學(xué)分析方法。雖然文獻(xiàn)計(jì)量學(xué)分析的重點(diǎn)是文獻(xiàn)本身，但科學(xué)計(jì)量學(xué)分析提供了一個(gè)更廣泛的方法，包括文獻(xiàn)計(jì)量工具、方法和數(shù)據(jù)，以分析文獻(xiàn)及其輸出，識別該領(lǐng)域潛在的有洞察力的模式和趨勢。研究方法的結(jié)構(gòu)包括以下階段:科學(xué)測繪工具的選擇、數(shù)據(jù)收集和分析、建模、可視化和發(fā)現(xiàn)的交流。

人工智能研究領(lǐng)域總體上誕生于1956年;而關(guān)于aeci中的ai的第一項(xiàng)研究似乎是Ref.的工作，發(fā)表在《計(jì)算機(jī)輔助設(shè)計(jì)雜志》上，該雜志研究了計(jì)算機(jī)在建筑中的應(yīng)用。這意味著關(guān)于人工智能的研究自20世紀(jì)70年代就開始了。

ai -in- aeci研究出版物的趨勢(1974 - 2019年8月)。2019年的出版物數(shù)量可能會在年底增加。

主要研究方向?yàn)閍i -in- aeci(關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò))

用于aeci中的ai研究的聚類結(jié)構(gòu)

ai -in- aeci(1974-2019)文獻(xiàn)中引用次數(shù)最多的前50個(gè)關(guān)鍵詞

研究aeci中的ai的著名網(wǎng)點(diǎn)網(wǎng)絡(luò)

本研究通過定量、文本挖掘方法對這一活動進(jìn)行了徹底的審查。該審查已進(jìn)行，以確定集群和合作網(wǎng)絡(luò)的主要研究興趣(包括各種人工智能方法/概念以及各種AEC主題/問題使用人工智能方法/概念)，期刊，機(jī)構(gòu)，和國家在現(xiàn)有的文獻(xiàn)。該領(lǐng)域的科學(xué)計(jì)量學(xué)分析是必要的，以發(fā)展一個(gè)完整的圖景和理解的研究重點(diǎn)是ai -in- aeci，并揭示相關(guān)的差距和未來的需求。

卷積神經(jīng)網(wǎng)絡(luò)在AEC中的應(yīng)用

CNN模型的性能主要是檢查和判斷的準(zhǔn)確性和計(jì)算效率(定義為實(shí)時(shí)和快速處理數(shù)據(jù)的能力-在一個(gè)可行的時(shí)間)。盡管一些現(xiàn)有的研究顯示良好的性能CNN模型的創(chuàng)建,它必須強(qiáng)調(diào),增加數(shù)據(jù)的魯棒性建議綜述可以需求一些CNN的快速處理技術(shù)以達(dá)到準(zhǔn)確以及計(jì)算效率的實(shí)現(xiàn)。因此，未來的研究有必要利用GPU和FFTaccelerated軟件和硬件解決方案，例如，在AEC中應(yīng)用cnn。最后,未來的研究可以探討相結(jié)合的潛力與其他DL架構(gòu)——例如,cnn復(fù)發(fā)性神經(jīng)網(wǎng)絡(luò)(RNNs)實(shí)現(xiàn)強(qiáng)化學(xué)習(xí)(RL),等——開發(fā)CNN-based模型針對AEC行業(yè)的需求。將cnn與其他DL模型相結(jié)合的系統(tǒng)目前并不常見。