摘   要： 人工智能的概念、研究領(lǐng)域和研究方法，闡述了國(guó)內(nèi)外人工智能技術(shù)在建筑行業(yè)中各專業(yè)領(lǐng)域的應(yīng)用狀況。
　　關(guān)鍵詞： 人工智能  建筑業(yè)  專家系統(tǒng)  神經(jīng)網(wǎng)絡(luò)

 1 人工智能概述
　　人工智能(Artificial Intelligence，AI)是當(dāng)前科學(xué)技術(shù)發(fā)展中的一門(mén)前沿學(xué)科，是在計(jì)算機(jī)科學(xué)、控制論、信息論、神經(jīng)心理學(xué)、哲學(xué)、語(yǔ)言學(xué)等學(xué)科的研究的基礎(chǔ)上發(fā)展起來(lái)的，因此又可把它看作是一門(mén)綜合性的邊緣學(xué)科。AI的出現(xiàn)及所取得的成就引起了人們的高度重視并得到了很高的評(píng)價(jià)。甚至有人把AI與空間技術(shù)、原子能技術(shù)一起譽(yù)為20世紀(jì)的三大科學(xué)技術(shù)成就。
　　人工智能是一門(mén)研究如何構(gòu)造智能機(jī)器(智能計(jì)算機(jī))或智能系統(tǒng)并使它能模擬、延伸、擴(kuò)展人類智能的學(xué)科。或者說(shuō)人工智能就是要研究如何使機(jī)器具有聽(tīng)、說(shuō)、看、寫(xiě)、思維、學(xué)習(xí)、適應(yīng)環(huán)境變化、解決所面臨的各種實(shí)際問(wèn)題等功能的一門(mén)學(xué)科。
　　人工智能的研究重心主要集中在專家系統(tǒng)、機(jī)器學(xué)習(xí)、模式識(shí)別、自然語(yǔ)言理解、自動(dòng)定理證明、自動(dòng)程序設(shè)計(jì)、機(jī)器人學(xué)、博弈、智能決策支持系統(tǒng)及人工神經(jīng)網(wǎng)絡(luò)等方面。
人工智能常用的研究方法有三種，分別介紹如下。
　　(1)以符號(hào)處理為核心的方法——符號(hào)主義
　　計(jì)算機(jī)具有符號(hào)處理的推算能力，這種能力蘊(yùn)涵演繹推理的內(nèi)涵。因此，可通過(guò)相應(yīng)的程序體系來(lái)體現(xiàn)出某種基于邏輯思維的智能行為，達(dá)到模擬人類部分智能的目的。
　　該方法的特征是：立足于邏輯運(yùn)算和符號(hào)操作，適合于模擬人的邏輯思維過(guò)程，解決需要進(jìn)行邏輯推理的復(fù)雜問(wèn)題；用一定的符號(hào)表示知識(shí)，在已知基本規(guī)則的情況下，無(wú)需輸入大量的細(xì)節(jié)知識(shí)；便于模塊化，易于修改；能與傳統(tǒng)的符號(hào)數(shù)據(jù)庫(kù)進(jìn)行很好地連接；可對(duì)推理結(jié)論進(jìn)行解釋，便于對(duì)各種可能性進(jìn)行選擇。
　　(2)以網(wǎng)絡(luò)連接為主的連接機(jī)制方法
　　大腦是人類一切智能活動(dòng)的基礎(chǔ)，因此從大腦神經(jīng)元及其連接機(jī)制著手研究，弄清大腦結(jié)構(gòu)及其信息處理的過(guò)程與機(jī)制，可望揭示人類智能的奧秘，從而真正實(shí)現(xiàn)人類智能在機(jī)器上的模擬。
　　該方法的特征是：通過(guò)神經(jīng)元間的并行協(xié)同作用實(shí)現(xiàn)信息處理；通過(guò)神經(jīng)元間的連接存儲(chǔ)知識(shí)和信息，具有聯(lián)想和魯棒性；通過(guò)對(duì)神經(jīng)元間連接強(qiáng)度的動(dòng)態(tài)調(diào)整，可較方便地實(shí)現(xiàn)對(duì)人類學(xué)習(xí)、分類等能力的較好模擬；適合于模擬人類的形象思維；求解問(wèn)題時(shí)，可以比較快地獲得滿意的近似解。
　　(3)系統(tǒng)集成方法
　　人類的智能活動(dòng)中既有邏輯思維又有形象思維，單獨(dú)使用符號(hào)主義方法或連接機(jī)制方法都不能完整地解決智能模擬問(wèn)題。因此，把二種方法結(jié)合在一起綜合研究，是模擬智能研究的一條必由之路。系統(tǒng)集成方法兼有符號(hào)主義方法和連接機(jī)制方法的特征。
　　集成模式有二種。第一種模式是結(jié)合，符號(hào)主義方法與連接機(jī)制方法均保持獨(dú)立的結(jié)構(gòu)，但密切合作，任何一方都可以把自己不能解決的問(wèn)題轉(zhuǎn)交給另一方。第二種模式是統(tǒng)一，將符號(hào)主義方法與連接機(jī)制方法有機(jī)地統(tǒng)一到一個(gè)系統(tǒng)中，既有邏輯思維的功能，又有形象思維的功能。
2 人工智能技術(shù)在建筑行業(yè)中的應(yīng)用
　　研究者們把人工智能技術(shù)與建筑行業(yè)各專業(yè)領(lǐng)域知識(shí)相結(jié)合，使得人工智能技術(shù)在建筑行業(yè)中取得了非常廣泛的應(yīng)用。已有許多專家系統(tǒng)、決策支持系統(tǒng)應(yīng)用在建筑行業(yè)取得了很好的經(jīng)濟(jì)效益和社會(huì)效益。下面針對(duì)建筑規(guī)劃、建筑結(jié)構(gòu)、給水排水、建筑電氣、暖通空調(diào)、建筑材料及建筑工程管理等建筑行業(yè)中的各專業(yè)領(lǐng)域，分別闡述人工智能技術(shù)的應(yīng)用。
2.1 人工智能技術(shù)在建筑規(guī)劃中的應(yīng)用
　　人工智能技術(shù)已應(yīng)用于建筑設(shè)計(jì)選型、設(shè)計(jì)規(guī)范自動(dòng)檢測(cè)等方面。
　　美國(guó)加州的Ethymios A.Delis和澳大利亞昆士蘭州的Alex Delis[1]構(gòu)造了一個(gè)專家系統(tǒng)，對(duì)建筑消防設(shè)計(jì)是否符合規(guī)范進(jìn)行自動(dòng)檢驗(yàn)。該系統(tǒng)分為三大部分：框架系統(tǒng)表示建筑設(shè)計(jì)各部件(如門(mén)、過(guò)道)及相互之間的關(guān)系；規(guī)則系統(tǒng)采用IF/THEN結(jié)構(gòu)表示建筑設(shè)計(jì)必須滿足的規(guī)范的各條規(guī)定；幾何算法集用來(lái)確定各部件的相互關(guān)系的算法集合。美國(guó)斯坦福大學(xué)Charles S.Han等設(shè)計(jì)了一個(gè)模型，利用計(jì)算機(jī)自動(dòng)對(duì)建筑設(shè)計(jì)是否符合規(guī)范或標(biāo)準(zhǔn)進(jìn)行檢驗(yàn)。先將2D的CAD圖轉(zhuǎn)換成標(biāo)準(zhǔn)的3D數(shù)據(jù)（IFC EXPRESS file），并用人工智能中的框架知識(shí)表示法來(lái)進(jìn)行表示，規(guī)范采用相同的IFC文件進(jìn)行表示。設(shè)計(jì)者通過(guò)網(wǎng)絡(luò)將IFC形式的設(shè)計(jì)數(shù)據(jù)傳到檢驗(yàn)單位，檢驗(yàn)單位通過(guò)計(jì)算機(jī)自動(dòng)檢驗(yàn)，然后把相應(yīng)的結(jié)果返回或通過(guò)網(wǎng)頁(yè)展示。
　　清華大學(xué)劉西拉等[2]將神經(jīng)網(wǎng)絡(luò)用于高層建筑結(jié)構(gòu)體系研究。采用三層的BP網(wǎng)絡(luò)，將影響高層建筑結(jié)構(gòu)體系的因子分為12種。輸入層有12個(gè)結(jié)點(diǎn)；隱層有10個(gè)結(jié)點(diǎn)；輸出層有5個(gè)結(jié)點(diǎn)，對(duì)5種可選的結(jié)構(gòu)體系都給出一個(gè)系數(shù)值。作用函數(shù)選用Sigmoid函數(shù)。
　　江漢石油學(xué)院許寧等針對(duì)傳統(tǒng)CAD系統(tǒng)設(shè)計(jì)知識(shí)困難和設(shè)計(jì)結(jié)果不能解釋等缺點(diǎn)，在鋼筋混凝土框架結(jié)構(gòu)CAD系統(tǒng)的基礎(chǔ)上引入人工智能技術(shù)，開(kāi)發(fā)出一種鋼筋混凝土空間框架結(jié)構(gòu)分析與設(shè)計(jì)智能CAD系統(tǒng)(FICAD)，具有知識(shí)獲取容易和問(wèn)題解釋方便的特點(diǎn)。系統(tǒng)內(nèi)部采用四元組表示知識(shí)，對(duì)外(即知識(shí)工程師)采用荷載組合代數(shù)表示法、判定表示法、過(guò)程表示法相結(jié)合。
　　同濟(jì)大學(xué)吳偉強(qiáng)等將專家系統(tǒng)用于基坑支護(hù)體系的選型。針對(duì)基坑支護(hù)結(jié)構(gòu)初步方案設(shè)計(jì)階段的方案選型工作，建立相應(yīng)的控制系統(tǒng)和規(guī)則知識(shí)庫(kù)，指導(dǎo)領(lǐng)域知識(shí)與控制知識(shí)相分離，將規(guī)則分為控制規(guī)則和一般規(guī)則，并賦予不同的優(yōu)先權(quán)。采用CLIPS環(huán)境開(kāi)發(fā)，推理過(guò)程為把二個(gè)三元組合并成一個(gè)新的三元組，得出新的隸屬度。同時(shí)還用AUTOCAD的ADS接口編制了相應(yīng)的圖形生成程序。
　　蘇州市建筑設(shè)計(jì)研究院葉永毅將人工智能技術(shù)用于建筑結(jié)構(gòu)計(jì)算書(shū)自動(dòng)生成。采用隸屬函數(shù)表示知識(shí)，推理機(jī)制采用模糊模式識(shí)別方法。在模糊模式識(shí)別方法中，假設(shè)在一個(gè)n維空間有m個(gè)點(diǎn)，每一個(gè)點(diǎn)代表一個(gè)標(biāo)準(zhǔn)模式。這個(gè)點(diǎn)在n維空間中的位置可由n個(gè)坐標(biāo)惟一確定?？疾炷骋痪唧w事物，該事物的屬性也由n個(gè)數(shù)值來(lái)表示。這樣該事物就可用空間的一點(diǎn)S來(lái)表示。求出S與各標(biāo)準(zhǔn)模式的距離，其中與S距離最小的標(biāo)準(zhǔn)模式即表示S與該模式最接近，S事物就是該標(biāo)準(zhǔn)模式。
2.2 人工智能技術(shù)在建筑結(jié)構(gòu)中的應(yīng)用
　　建筑物在長(zhǎng)期使用中產(chǎn)生的裂縫、破損，或者建筑物經(jīng)過(guò)震動(dòng)、地震后的破損情況，都是影響建筑安全的重要因素。如何有效地診斷故障和對(duì)破損情況進(jìn)行評(píng)估一直是有關(guān)專家、學(xué)者關(guān)注的焦點(diǎn)。
　　美國(guó)普渡大學(xué)開(kāi)發(fā)了對(duì)地震后房屋破損評(píng)估的專家系統(tǒng)SPERIL。它利用各種觀測(cè)數(shù)據(jù)和現(xiàn)場(chǎng)記錄進(jìn)行不確定性推理，解釋房屋的破損程度，以幫助工程師做出決策。美國(guó)卡內(nèi)基－梅隆大學(xué)開(kāi)發(fā)了高層建筑初步結(jié)構(gòu)專家系統(tǒng)HT-RISE。其目標(biāo)是對(duì)十層以上民用或商用巨形建筑初步結(jié)構(gòu)設(shè)計(jì)進(jìn)行大量啟發(fā)式?jīng)Q策，隨后又?jǐn)U大到低層建筑、框架樓板體系及其他建筑。美國(guó)Bristol大學(xué)開(kāi)發(fā)了以模糊關(guān)系推理語(yǔ)言為基礎(chǔ)的結(jié)構(gòu)安全監(jiān)控專家系統(tǒng)。土耳其Firat大學(xué)A.Arslan，R.Ince用人工神經(jīng)網(wǎng)絡(luò)來(lái)模擬混凝土裂縫的尺度效應(yīng)。
　　人工智能技術(shù)在國(guó)內(nèi)也展開(kāi)了一些應(yīng)用，如安徽建筑工業(yè)學(xué)院、西安交通大學(xué)等都在建筑結(jié)構(gòu)領(lǐng)域建立了不同的專家系統(tǒng)。大連理工大學(xué)李守巨等[3]運(yùn)用LM神經(jīng)網(wǎng)絡(luò)對(duì)建筑結(jié)構(gòu)(鉸)結(jié)點(diǎn)損傷進(jìn)行識(shí)別，通過(guò)測(cè)量位移來(lái)預(yù)測(cè)(鉸)結(jié)點(diǎn)損傷。北方交通大學(xué)鞠彥忠等采用ART2神經(jīng)網(wǎng)絡(luò)對(duì)建筑結(jié)構(gòu)損傷進(jìn)行識(shí)別，采用前三階頻率和模態(tài)振型向量來(lái)預(yù)測(cè)結(jié)構(gòu)損傷。沈陽(yáng)工業(yè)大學(xué)楊璐等用神經(jīng)網(wǎng)絡(luò)對(duì)簡(jiǎn)支梁結(jié)構(gòu)損傷進(jìn)行預(yù)測(cè)，以受損前后一階、二階、三階、四階、五階、六階固有頻率的變化率作為輸入?yún)?shù)來(lái)預(yù)測(cè)損傷情況。重慶大學(xué)王波等依據(jù)我國(guó)《混凝土結(jié)構(gòu)耐久性評(píng)定標(biāo)準(zhǔn)》(草案)開(kāi)發(fā)了用于現(xiàn)役混凝土結(jié)構(gòu)耐久性評(píng)估的專家系統(tǒng)應(yīng)用軟件。其應(yīng)用表明，將框架、人工神經(jīng)網(wǎng)絡(luò)與產(chǎn)生式表示方法相結(jié)合進(jìn)而建立神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的方式是可行、有效的。
2.3 人工智能技術(shù)在給水排水中的應(yīng)用
　　人工智能技術(shù)在給水排水中的應(yīng)用主要集中在二方面：一是城市污水處理，二是對(duì)城市、小區(qū)需水量模擬和給水管網(wǎng)的故障診斷。
　　城市污水處理是環(huán)境保護(hù)的重要課題。近年來(lái)國(guó)內(nèi)外學(xué)者把人工智能技術(shù)應(yīng)用到污水處理中，取得較好的效果。清華大學(xué)施漢昌等[4]開(kāi)發(fā)了一個(gè)用于診斷城市污水處理廠日常運(yùn)行故障的專家系統(tǒng)。系統(tǒng)采用了正反向混合推理機(jī)制，并采用故障樹(shù)的形式，將知識(shí)庫(kù)中的知識(shí)組織形式向用戶公開(kāi)，便于用戶使用和對(duì)系統(tǒng)的維護(hù)，現(xiàn)已用于北京某污水處理廠。西安建筑科技大學(xué)芮新芳等應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)，對(duì)活性污泥法污水處理中排泥量進(jìn)行預(yù)測(cè)和控制。加拿大Alberta大學(xué)Qing Zhang等[5]對(duì)實(shí)時(shí)水處理用神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬，采用二個(gè)神經(jīng)網(wǎng)絡(luò)，第一個(gè)神經(jīng)網(wǎng)絡(luò)的輸入是希望加入的明礬用量、活性炭用量及水的其他參數(shù)，輸出則是流出水的濁度；第二個(gè)神經(jīng)網(wǎng)絡(luò)則相反，流出水的濁度及水的其他參數(shù)作為輸入，明礬用量、活性炭用量作為輸出，也是整個(gè)系統(tǒng)的輸出，在二個(gè)網(wǎng)絡(luò)之間加入了一個(gè)過(guò)濾層，對(duì)第一個(gè)神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行修正。該模型對(duì)加拿大Rossdale水處理廠的2 000個(gè)數(shù)據(jù)進(jìn)行學(xué)習(xí)和測(cè)驗(yàn)，預(yù)測(cè)精度較高。
　　隨著城市工業(yè)化的發(fā)展，城市用水量與日劇增。國(guó)內(nèi)許多城市不得不擴(kuò)充水源、擴(kuò)建管網(wǎng)，造成很多重復(fù)性投入。因此，在城市建設(shè)規(guī)劃、供水系統(tǒng)的建設(shè)管理中，未來(lái)城市用水量是一個(gè)不可忽視的參考因素。因而建立或選擇合理的預(yù)測(cè)模型是問(wèn)題的關(guān)鍵。天津大學(xué)張宏偉等用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)管網(wǎng)內(nèi)每小時(shí)用水量和管網(wǎng)檢測(cè)點(diǎn)水壓值，取得較好效果。哈爾濱工業(yè)大學(xué)袁一星等用BP神經(jīng)網(wǎng)絡(luò)對(duì)用水量進(jìn)行預(yù)測(cè)，輸入?yún)?shù)中除了歷史用水量外，還引入了最高溫度、最低溫度和節(jié)假日等影響因子作為輸入?yún)?shù)。印度工學(xué)院ASHU JAIN等[6]用人工神經(jīng)網(wǎng)絡(luò)對(duì)印度工學(xué)院每周水量需求進(jìn)行模擬和預(yù)測(cè)。參數(shù)為每周用水量、溫度、降水量的五種不同組合，構(gòu)造了五個(gè)神經(jīng)網(wǎng)絡(luò)模型，不同模型也有不同的各層神經(jīng)元個(gè)數(shù)。通過(guò)對(duì)最近連續(xù)98周的數(shù)據(jù)進(jìn)行處理（78周的數(shù)據(jù)用于學(xué)習(xí)，20周的數(shù)據(jù)用于驗(yàn)證），最后進(jìn)行比較得出效果最好的一種。
　　在城市發(fā)展的過(guò)程中，給水排水管網(wǎng)也越來(lái)越復(fù)雜，出現(xiàn)管網(wǎng)滲漏、破裂等故障的可能性也就越來(lái)越大。如何快速查找故障點(diǎn)，對(duì)于故障點(diǎn)快速修復(fù)，最大可能地減少故障對(duì)人們工作生活造成的影響都具有重要的意義。天津大學(xué)梁建文等[7]提出了一個(gè)通過(guò)監(jiān)測(cè)給水管網(wǎng)中3個(gè)位置的水壓變化，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，進(jìn)行故障位置、故障程度、故障影響范圍的實(shí)時(shí)診斷系統(tǒng)。其中故障位置以距三個(gè)水壓監(jiān)測(cè)點(diǎn)的距離來(lái)確定；故障程度以管道破壞導(dǎo)致泄漏開(kāi)口的面積占整個(gè)管道截面積的比例來(lái)表示；故障影響范圍以管網(wǎng)所有節(jié)點(diǎn)水壓變化來(lái)表示。梁建文等還提出了另一個(gè)更為精細(xì)的模型，它根據(jù)管網(wǎng)故障前后3個(gè)監(jiān)測(cè)點(diǎn)的水壓變化來(lái)推測(cè)管網(wǎng)中其他所有未監(jiān)測(cè)點(diǎn)的水壓變化，從而有效地診斷故障位置和故障程度，精度更高，誤診斷率更低。只是神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)較多，學(xué)習(xí)時(shí)間更長(zhǎng)。
2.4 人工智能技術(shù)在建筑電氣中的應(yīng)用
　　在電氣設(shè)計(jì)中，實(shí)現(xiàn)節(jié)電節(jié)能是至關(guān)重要的。人工智能技術(shù)已廣泛地用于解決功率補(bǔ)償問(wèn)題和預(yù)測(cè)建筑物的電能消費(fèi)。哈爾濱建筑大學(xué)朱學(xué)莉等將人工智能用于解決工業(yè)企業(yè)及建筑電氣設(shè)計(jì)中功率補(bǔ)償問(wèn)題。利用產(chǎn)生式表示知識(shí)，通過(guò)正向推理，求得最佳功率因數(shù)。美國(guó)科羅拉多大學(xué)Anstett M.等人用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行建筑物能量耗費(fèi)的預(yù)測(cè)，可以進(jìn)行長(zhǎng)期能量耗費(fèi)、短期能量耗費(fèi)、甚至每小時(shí)的能量耗費(fèi)的預(yù)測(cè)。英國(guó)諾森比亞大學(xué)M.M.Gouda等[8]用神經(jīng)網(wǎng)絡(luò)和SVD（Singunal Value Decomposition）方法對(duì)室內(nèi)溫度進(jìn)行預(yù)測(cè)。在神經(jīng)網(wǎng)絡(luò)輸入層前用SVD方法對(duì)192個(gè)輸入變量進(jìn)行處理，形成10個(gè)輸入變量到神經(jīng)網(wǎng)絡(luò)，以期達(dá)到節(jié)省電能的目的，人工智能在電梯群控系統(tǒng)中的應(yīng)用也較為廣泛。各種類型的電梯中均引入了不同的人工智能技術(shù)，如專家系統(tǒng)、模糊控制、神經(jīng)網(wǎng)絡(luò)等。因此也就產(chǎn)生了不同類型的電梯群控系統(tǒng)：基于專家系統(tǒng)的電梯群控系統(tǒng)，基于模糊控制的電梯群控系統(tǒng)，基于神經(jīng)網(wǎng)絡(luò)的電梯群控系統(tǒng)。
2.5 人工智能技術(shù)在暖通空調(diào)中的應(yīng)用
　　人工智能技術(shù)在暖通空調(diào)系統(tǒng)中的應(yīng)用，主要是用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)系統(tǒng)冷熱負(fù)荷進(jìn)行預(yù)測(cè)。冷熱負(fù)荷大小、特征及變化規(guī)律，對(duì)暖通空調(diào)系統(tǒng)的運(yùn)行管理、提高運(yùn)行效率、節(jié)省能源等均極為重要。
　　哈爾濱工業(yè)大學(xué)高立新等將神經(jīng)網(wǎng)絡(luò)用于建筑用空調(diào)的冷負(fù)荷計(jì)算中。將影響空調(diào)冷負(fù)荷的七種主要因素(墻地比，窗墻比，人員密度，燈具功率密度，設(shè)備功率密度，新風(fēng)標(biāo)準(zhǔn)，室內(nèi)溫度）作為輸入層的7個(gè)結(jié)點(diǎn)，隱層有19個(gè)結(jié)點(diǎn)，輸出層為建筑物的空調(diào)冷負(fù)荷。上海交通大學(xué)常曉柯等用神經(jīng)網(wǎng)絡(luò)進(jìn)行空調(diào)系統(tǒng)負(fù)荷預(yù)測(cè)。針對(duì)BP網(wǎng)絡(luò)計(jì)算量大，收斂速度慢等特點(diǎn)，采用增加動(dòng)量的方法及調(diào)整學(xué)習(xí)率法，找到更優(yōu)的解和縮短訓(xùn)練時(shí)間。輸入為室內(nèi)外氣溫、太陽(yáng)輻射強(qiáng)度等12個(gè)指標(biāo)，輸出為時(shí)負(fù)荷，隱層有31個(gè)結(jié)點(diǎn)。
　　日本Hiroshima大學(xué)Masatoshi Sakawa等[9]利用神經(jīng)網(wǎng)絡(luò)對(duì)一個(gè)區(qū)域的冷負(fù)荷和熱負(fù)荷進(jìn)行研究。通過(guò)對(duì)過(guò)去24小時(shí)的負(fù)荷、過(guò)去一周同一時(shí)間的七個(gè)不同負(fù)荷及最大可能負(fù)荷（32個(gè)輸入變量）的分析，預(yù)測(cè)未來(lái)24小時(shí)每一時(shí)段的負(fù)荷（24個(gè)輸出變量）。該方法適用于在一個(gè)地區(qū)集中進(jìn)行暖氣和冷氣供應(yīng)的情況。
2.6 人工智能技術(shù)在建筑施工中的應(yīng)用
　　人工智能技術(shù)在施工中的應(yīng)用涉及到水泥擠壓強(qiáng)度分類、混凝土強(qiáng)度預(yù)測(cè)等方面。
　　山東建筑材料工業(yè)學(xué)院史奎凡將BP神經(jīng)網(wǎng)絡(luò)用于對(duì)水泥擠壓強(qiáng)度的分類。采用三層BP網(wǎng)絡(luò)，輸入層含7個(gè)結(jié)點(diǎn)（礦渣摻量，二氧化硫，細(xì)度，三天抗折，三天抗壓，快速抗折，快速抗壓），隱層含20個(gè)結(jié)點(diǎn)，輸出層含2個(gè)結(jié)點(diǎn)，分別代表合格的525# 28天水泥抗壓強(qiáng)度的值和425# 28天水泥抗壓強(qiáng)度的值。選取44個(gè)樣本進(jìn)行1 200次訓(xùn)練之后，對(duì)某廠出產(chǎn)的水泥進(jìn)行測(cè)試，取得較好的效果。
　　在混凝土強(qiáng)度預(yù)測(cè)上，人工智能也有廣泛的應(yīng)用。傳統(tǒng)的四組份混凝土（水泥、水、砂、石）強(qiáng)調(diào)高強(qiáng)度，現(xiàn)在的混凝土則強(qiáng)調(diào)高性能，包括強(qiáng)度、可靠性、空間穩(wěn)定性、耐久性等。為提高性能，在傳統(tǒng)四組份的基礎(chǔ)上增加添加劑2～6種，不同國(guó)家不同建筑單位使用的添加劑不一樣。燕山大學(xué)王海超等將神經(jīng)網(wǎng)絡(luò)用于對(duì)混凝土強(qiáng)度的預(yù)測(cè)。采用一個(gè)輸入元和一個(gè)輸出元，中間一個(gè)隱層，通過(guò)對(duì)3、4、5、6、7天的強(qiáng)度值進(jìn)行學(xué)習(xí)，來(lái)預(yù)測(cè)28天強(qiáng)度值，這比用灰度理論計(jì)算的值更優(yōu)。此外，還用BP神經(jīng)網(wǎng)絡(luò)對(duì)六組份混凝土配合比設(shè)計(jì)進(jìn)行模擬，既可預(yù)測(cè)其強(qiáng)度，又可單獨(dú)模擬某一參數(shù)的值。波蘭學(xué)者Janusz Kasperkiewicz等采用ART神經(jīng)網(wǎng)絡(luò)對(duì)六組份混凝土28天強(qiáng)度值進(jìn)行模擬和預(yù)測(cè)。臺(tái)灣中華大學(xué)Cheng Yeh用BP網(wǎng)絡(luò)對(duì)高性能混凝土的強(qiáng)度和可使用性進(jìn)行模擬和預(yù)測(cè)，以建立一個(gè)最好的配合比。
2.7 人工智能技術(shù)在建筑工程管理中的應(yīng)用
　　人工智能技術(shù)已應(yīng)用于施工圖生成和施工現(xiàn)場(chǎng)安排、建筑工程預(yù)算、建筑效益分析等。
大連理工大學(xué)曹桂琴等將人工智能技術(shù)用于施工網(wǎng)絡(luò)圖的自動(dòng)生成。采用框架和過(guò)程混合知識(shí)表示法描述各種規(guī)則和知識(shí)，把框架和推理結(jié)果存于數(shù)據(jù)庫(kù)中。系統(tǒng)采用正向推理方法，從開(kāi)工結(jié)點(diǎn)出發(fā)，按拓?fù)渑判?，根?jù)布點(diǎn)規(guī)則逐個(gè)推算每個(gè)結(jié)點(diǎn)的直接后繼結(jié)點(diǎn)的位置，再根據(jù)布線規(guī)則，逐條顯示以每個(gè)結(jié)點(diǎn)為始結(jié)點(diǎn)的所有工作。
　　清華大學(xué)程樸等將BP神經(jīng)網(wǎng)絡(luò)用于建筑施工設(shè)施的現(xiàn)場(chǎng)安排中，以合理布置各種設(shè)施，提高工程效率。以塔吊布置為例，將施工現(xiàn)場(chǎng)劃分為50×50矩陣，則BP網(wǎng)絡(luò)的輸入輸出層均含有2 500個(gè)結(jié)點(diǎn)，隱含層有3 000個(gè)結(jié)點(diǎn)。同時(shí)通過(guò)對(duì)已有案例進(jìn)行空間旋轉(zhuǎn)形成新的案例，以增加案例數(shù)量。
　　山東建筑工程學(xué)院沙凱遜等利用框架表示知識(shí)，將人工智能用于建筑工程預(yù)算中。通過(guò)定義一個(gè)類別（class）——定額框架，將框架的數(shù)據(jù)及操作的函數(shù)封裝在這個(gè)類中。同時(shí)在框架中嵌入產(chǎn)生式結(jié)構(gòu)，以擴(kuò)充其推理能力。由于實(shí)際工程往往不同于定額，所以通過(guò)“調(diào)整”和“聯(lián)動(dòng)”來(lái)實(shí)現(xiàn)知識(shí)的收集和整理。山東建筑工程學(xué)院鄧曉紅等實(shí)現(xiàn)了基于規(guī)則的建筑工程預(yù)算。由于預(yù)算的編制一般屬于解釋的范疇，其思維邏輯為演繹，知識(shí)的值既有邏輯量又有其他變量，因此系統(tǒng)采用正向一階（謂詞邏輯）推理。江漢石油學(xué)院許寧將運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行建筑工程造價(jià)的估算，利用模糊數(shù)學(xué)中的隸屬函數(shù)來(lái)反映各建筑工程特征上的差異性。結(jié)合定性分析和定量分析，對(duì)工程特征數(shù)量化描述后，進(jìn)行歸一化處理，得到隸屬度。神經(jīng)網(wǎng)絡(luò)采用8-16-16-5-1結(jié)構(gòu)，即一個(gè)輸入層，三個(gè)隱層，一個(gè)輸出層。輸入層的8個(gè)結(jié)點(diǎn)用來(lái)表示與造價(jià)相關(guān)的8個(gè)因素，隱層結(jié)點(diǎn)分別為16、16、5個(gè)。此方法收斂快，經(jīng)過(guò)4 187次迭代，精度可達(dá)10^-6。
　　科威特大學(xué)Hashem AI-tabtabai[10]構(gòu)建了一個(gè)建筑工程性能效益分析系統(tǒng)PAFES(Performance Analysis and Forecasting Expert System)。此系統(tǒng)包含二個(gè)模塊：一個(gè)采用產(chǎn)生式表示知識(shí)，用于診斷分析建設(shè)項(xiàng)目性能效益；另一個(gè)采用人工神經(jīng)網(wǎng)絡(luò)的方法，用于預(yù)測(cè)的模塊。加拿大Alberta的二位學(xué)者Jason Portas和Simman AbouRizk，利用神經(jīng)網(wǎng)絡(luò)對(duì)建筑勞動(dòng)生產(chǎn)力效率進(jìn)行預(yù)測(cè)，進(jìn)而可以對(duì)勞動(dòng)力成本進(jìn)行預(yù)測(cè)，對(duì)整個(gè)建筑預(yù)算和施工都有極大的好處。它采用一個(gè)三層的BP網(wǎng)絡(luò)，與其他模型不同的是，其輸出采用一個(gè)模糊集，而不是一個(gè)精確的值。
2.8 人工智能技術(shù)在建筑行業(yè)中的其他應(yīng)用
　　上海交通大學(xué)盧崢等將神經(jīng)網(wǎng)絡(luò)用于建筑工程中常用手寫(xiě)體的識(shí)別。通過(guò)二個(gè)連續(xù)的、三層BP網(wǎng)絡(luò)進(jìn)行示例訓(xùn)練識(shí)別，提高識(shí)別率。針對(duì)建筑中常用的24個(gè)手寫(xiě)體，如用第一個(gè)BP網(wǎng)絡(luò)識(shí)別有誤，則再用第二個(gè)BP網(wǎng)絡(luò)進(jìn)行識(shí)別。
　　揚(yáng)州工學(xué)院劉雁等利用人工智能軟件開(kāi)發(fā)包GURU構(gòu)建了建筑物防火安全性評(píng)估系統(tǒng)。利用產(chǎn)生式規(guī)則組織知識(shí)庫(kù)，運(yùn)用反向推理機(jī)制達(dá)到建筑物防火安全性評(píng)估的目標(biāo)。
　　英國(guó)Exeter大學(xué)D.A.COLEY，J.A.CRABB，將人工智能中的遺傳算法用于建筑物內(nèi)自然光照度的計(jì)算中。
3  結(jié)束語(yǔ)
　　綜上所述，人工智能理論與技術(shù)在建筑行業(yè)各專業(yè)領(lǐng)域的應(yīng)用是相當(dāng)廣泛的，尤其是專家系統(tǒng)和神經(jīng)網(wǎng)絡(luò)。專家系統(tǒng)集中了領(lǐng)域?qū)＜抑R(shí)，使設(shè)計(jì)者、使用者和管理者在不具備專家知識(shí)的情況下，也可以做出像專家一樣的決策，從而得到廣泛應(yīng)用。而神經(jīng)網(wǎng)絡(luò)由于其具有較強(qiáng)的學(xué)習(xí)能力，通過(guò)對(duì)以往案例的學(xué)習(xí)得到較好的權(quán)重系數(shù)，進(jìn)而對(duì)未來(lái)情況進(jìn)行較好的預(yù)測(cè)，所以也得到了很好的應(yīng)用。
參考文獻(xiàn)
1   Delis E A，Delis A.Automatic fire-code checking using expert system technology.Journal of Computing in Civil Engineering，1995；9（4）：141
2   劉西拉，李楚舒.基于神經(jīng)網(wǎng)絡(luò)的高層建筑結(jié)構(gòu)體系選擇.建筑結(jié)構(gòu)學(xué)報(bào)，1999；20（5）：36
3   李守巨，劉迎曦，吳玉良等.基于神經(jīng)網(wǎng)絡(luò)的建筑結(jié)構(gòu)節(jié)點(diǎn)損傷識(shí)別方法.大連理工大學(xué)學(xué)報(bào)，2003；43(3)：270
4   施漢昌，王玉玨.污水處理廠故障診斷專家系統(tǒng).給水排水，2001；27（8）：88
5   Zhang Q，Stanley S J.Real-time water treatment process control with artificial neural networks[J].Journal of Environmental Engineeging，1999；（2）：153
6   Jain A，Varshney A K，Joshi U C.Short-Term Water Demand Forecast Modelling at IIT Kanpur Using Artificial Neural Networks.Water Resources Management，2001；15：299
7   梁建文，肖笛，趙新華等.給水管網(wǎng)故障實(shí)時(shí)診斷方法.水利學(xué)報(bào)，2001；（12）：40
8   Gouda M M，Danaher S，Underwood C P.Application of an artificial neural network for modelling the thermal dynamics of a building′s space and its heating system.Mathematical and Computer Modelling of Dynamical system，2002；8（3）：333
9   Sakawa M，Kato K.Cooling load prediction in a district heating and cooling system through simplified robust filter and multilayered neural network[J].Applied Artificial Intelligence，2001；（15）：633
10  AI-tabtabai H.A framework for developing an expert analysis and forecasting system for construction projects[J].Expert System With Application，1998；（14）：259