摘   要： 人工智能的概念,、研究領(lǐng)域和研究方法,，闡述了國內(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)展中的一門前沿學(xué)科,，是在計算機科學(xué),、控制論、信息論,、神經(jīng)心理學(xué),、哲學(xué)、語言學(xué)等學(xué)科的研究的基礎(chǔ)上發(fā)展起來的,，因此又可把它看作是一門綜合性的邊緣學(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價,。甚至有人把AI與空間技術(shù)、原子能技術(shù)一起譽為20世紀的三大科學(xué)技術(shù)成就,。
　　人工智能是一門研究如何構(gòu)造智能機器(智能計算機)或智能系統(tǒng)并使它能模擬,、延伸、擴展人類智能的學(xué)科,?；蛘哒f人工智能就是要研究如何使機器具有聽、說,、看,、寫、思維,、學(xué)習(xí),、適應(yīng)環(huán)境變化、解決所面臨的各種實際問題等功能的一門學(xué)科,。
　　人工智能的研究重心主要集中在專家系統(tǒng),、機器學(xué)習(xí)、模式識別,、自然語言理解,、自動定理證明、自動程序設(shè)計,、機器人學(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)以符號處理為核心的方法——符號主義
　　計算機具有符號處理的推算能力,，這種能力蘊涵演繹推理的內(nèi)涵,。因此，可通過相應(yīng)的程序體系來體現(xiàn)出某種基于邏輯思維的智能行為,，達到模擬人類部分智能的目的,。
　　該方法的特征是：立足于邏輯運算和符號操作，適合于模擬人的邏輯思維過程,，解決需要進行邏輯推理的復(fù)雜問題,；用一定的符號表示知識，在已知基本規(guī)則的情況下,，無需輸入大量的細節(jié)知識,；便于模塊化，易于修改,；能與傳統(tǒng)的符號數(shù)據(jù)庫進行很好地連接,；可對推理結(jié)論進行解釋,，便于對各種可能性進行選擇。
　　(2)以網(wǎng)絡(luò)連接為主的連接機制方法
　　大腦是人類一切智能活動的基礎(chǔ),，因此從大腦神經(jīng)元及其連接機制著手研究，弄清大腦結(jié)構(gòu)及其信息處理的過程與機制,，可望揭示人類智能的奧秘,，從而真正實現(xiàn)人類智能在機器上的模擬。
　　該方法的特征是：通過神經(jīng)元間的并行協(xié)同作用實現(xiàn)信息處理,；通過神經(jīng)元間的連接存儲知識和信息,，具有聯(lián)想和魯棒性；通過對神經(jīng)元間連接強度的動態(tài)調(diào)整,，可較方便地實現(xiàn)對人類學(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,；求解問題時,，可以比較快地獲得滿意的近似解。
　　(3)系統(tǒng)集成方法
　　人類的智能活動中既有邏輯思維又有形象思維,，單獨使用符號主義方法或連接機制方法都不能完整地解決智能模擬問題,。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)集成方法兼有符號主義方法和連接機制方法的特征。
　　集成模式有二種,。第一種模式是結(jié)合,，符號主義方法與連接機制方法均保持獨立的結(jié)構(gòu)，但密切合作,，任何一方都可以把自己不能解決的問題轉(zhuǎn)交給另一方,。第二種模式是統(tǒng)一，將符號主義方法與連接機制方法有機地統(tǒng)一到一個系統(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)濟效益和社會效益,。下面針對建筑規(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)計選型,、設(shè)計規(guī)范自動檢測等方面。
　　美國加州的Ethymios A.Delis和澳大利亞昆士蘭州的Alex Delis[1]構(gòu)造了一個專家系統(tǒng),，對建筑消防設(shè)計是否符合規(guī)范進行自動檢驗,。該系統(tǒng)分為三大部分：框架系統(tǒng)表示建筑設(shè)計各部件(如門、過道)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)計必須滿足的規(guī)范的各條規(guī)定,；幾何算法集用來確定各部件的相互關(guān)系的算法集合。美國斯坦福大學(xué)Charles S.Han等設(shè)計了一個模型,，利用計算機自動對建筑設(shè)計是否符合規(guī)范或標準進行檢驗,。先將2D的CAD圖轉(zhuǎn)換成標準的3D數(shù)據(jù)（IFC EXPRESS file），并用人工智能中的框架知識表示法來進行表示,，規(guī)范采用相同的IFC文件進行表示,。設(shè)計者通過網(wǎng)絡(luò)將IFC形式的設(shè)計數(shù)據(jù)傳到檢驗單位，檢驗單位通過計算機自動檢驗,，然后把相應(yīng)的結(jié)果返回或通過網(wǎng)頁展示,。
　　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個結(jié)點；隱層有10個結(jié)點,；輸出層有5個結(jié)點,，對5種可選的結(jié)構(gòu)體系都給出一個系數(shù)值。作用函數(shù)選用Sigmoid函數(shù),。
　　江漢石油學(xué)院許寧等針對傳統(tǒng)CAD系統(tǒng)設(shè)計知識困難和設(shè)計結(jié)果不能解釋等缺點,，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)，開發(fā)出一種鋼筋混凝土空間框架結(jié)構(gòu)分析與設(shè)計智能CAD系統(tǒng)(FICAD),，具有知識獲取容易和問題解釋方便的特點,。系統(tǒng)內(nèi)部采用四元組表示知識，對外(即知識工程師)采用荷載組合代數(shù)表示法,、判定表示法,、過程表示法相結(jié)合。
　　同濟大學(xué)吳偉強等將專家系統(tǒng)用于基坑支護體系的選型,。針對基坑支護結(jié)構(gòu)初步方案設(shè)計階段的方案選型工作,，建立相應(yīng)的控制系統(tǒng)和規(guī)則知識庫，指導(dǎo)領(lǐng)域知識與控制知識相分離,，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)境開發(fā)，推理過程為把二個三元組合并成一個新的三元組,，得出新的隸屬度,。同時還用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)計研究院葉永毅將人工智能技術(shù)用于建筑結(jié)構(gòu)計算書自動生成,。采用隸屬函數(shù)表示知識,，推理機制采用模糊模式識別方法。在模糊模式識別方法中,，假設(shè)在一個n維空間有m個點，每一個點代表一個標準模式,。這個點在n維空間中的位置可由n個坐標惟一確定,。考察某一具體事物,，該事物的屬性也由n個數(shù)值來表示,。這樣該事物就可用空間的一點S來表示。求出S與各標準模式的距離,，其中與S距離最小的標準模式即表示S與該模式最接近,，S事物就是該標準模式。
2.2 人工智能技術(shù)在建筑結(jié)構(gòu)中的應(yīng)用
　　建筑物在長期使用中產(chǎn)生的裂縫,、破損,，或者建筑物經(jīng)過震動、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破損情況進行評估一直是有關(guān)專家、學(xué)者關(guān)注的焦點,。
　　美國普渡大學(xué)開發(fā)了對地震后房屋破損評估的專家系統(tǒng)SPERIL,。它利用各種觀測數(shù)據(jù)和現(xiàn)場記錄進行不確定性推理，解釋房屋的破損程度,，以幫助工程師做出決策,。美國卡內(nèi)基－梅隆大學(xué)開發(fā)了高層建筑初步結(jié)構(gòu)專家系統(tǒng)HT-RISE。其目標是對十層以上民用或商用巨形建筑初步結(jié)構(gòu)設(shè)計進行大量啟發(fā)式?jīng)Q策,，隨后又擴大到低層建筑,、框架樓板體系及其他建筑。美國Bristol大學(xué)開發(fā)了以模糊關(guān)系推理語言為基礎(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)來模擬混凝土裂縫的尺度效應(yīng)。
　　人工智能技術(shù)在國內(nèi)也展開了一些應(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]運用LM神經(jīng)網(wǎng)絡(luò)對建筑結(jié)構(gòu)(鉸)結(jié)點損傷進行識別，通過測量位移來預(yù)測(鉸)結(jié)點損傷,。北方交通大學(xué)鞠彥忠等采用ART2神經(jīng)網(wǎng)絡(luò)對建筑結(jié)構(gòu)損傷進行識別,，采用前三階頻率和模態(tài)振型向量來預(yù)測結(jié)構(gòu)損傷。沈陽工業(yè)大學(xué)楊璐等用神經(jīng)網(wǎng)絡(luò)對簡支梁結(jié)構(gòu)損傷進行預(yù)測,，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)來預(yù)測損傷情況,。重慶大學(xué)王波等依據(jù)我國《混凝土結(jié)構(gòu)耐久性評定標準》(草案)開發(fā)了用于現(xiàn)役混凝土結(jié)構(gòu)耐久性評估的專家系統(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)境保護的重要課題,。近年來國內(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]開發(fā)了一個用于診斷城市污水處理廠日常運行故障的專家系統(tǒng),。系統(tǒng)采用了正反向混合推理機制,，并采用故障樹的形式，將知識庫中的知識組織形式向用戶公開,，便于用戶使用和對系統(tǒng)的維護,，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),，對活性污泥法污水處理中排泥量進行預(yù)測和控制,。加拿大Alberta大學(xué)Qing Zhang等[5]對實時水處理用神經(jīng)網(wǎng)絡(luò)進行模擬，采用二個神經(jīng)網(wǎng)絡(luò),，第一個神經(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,，也是整個系統(tǒng)的輸出,，在二個網(wǎng)絡(luò)之間加入了一個過濾層，對第一個神經(jīng)網(wǎng)絡(luò)的輸出進行修正,。該模型對加拿大Rossdale水處理廠的2 000個數(shù)據(jù)進行學(xué)習(xí)和測驗,，預(yù)測精度較高。
　　隨著城市工業(yè)化的發(fā)展,，城市用水量與日劇增,。國內(nèi)許多城市不得不擴充水源、擴建管網(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,，未來城市用水量是一個不可忽視的參考因素。因而建立或選擇合理的預(yù)測模型是問題的關(guān)鍵,。天津大學(xué)張宏偉等用BP神經(jīng)網(wǎng)絡(luò)預(yù)測管網(wǎng)內(nèi)每小時用水量和管網(wǎng)檢測點水壓值，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)對用水量進行預(yù)測,，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)對印度工學(xué)院每周水量需求進行模擬和預(yù)測。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)元個數(shù),。通過對最近連續(xù)98周的數(shù)據(jù)進行處理（78周的數(shù)據(jù)用于學(xué)習(xí)，20周的數(shù)據(jù)用于驗證）,，最后進行比較得出效果最好的一種,。
　　在城市發(fā)展的過程中，給水排水管網(wǎng)也越來越復(fù)雜,，出現(xiàn)管網(wǎng)滲漏,、破裂等故障的可能性也就越來越大。如何快速查找故障點,，對于故障點快速修復(fù),，最大可能地減少故障對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]提出了一個通過監(jiān)測給水管網(wǎng)中3個位置的水壓變化,，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù),，進行故障位置,、故障程度、故障影響范圍的實時診斷系統(tǒng),。其中故障位置以距三個水壓監(jiān)測點的距離來確定,；故障程度以管道破壞導(dǎo)致泄漏開口的面積占整個管道截面積的比例來表示；故障影響范圍以管網(wǎng)所有節(jié)點水壓變化來表示,。梁建文等還提出了另一個更為精細的模型,，它根據(jù)管網(wǎng)故障前后3個監(jiān)測點的水壓變化來推測管網(wǎng)中其他所有未監(jiān)測點的水壓變化，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)時間更長,。
2.4 人工智能技術(shù)在建筑電氣中的應(yīng)用
　　在電氣設(shè)計中，實現(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償問題和預(yù)測建筑物的電能消費,。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)計中功率補償問題。利用產(chǎn)生式表示知識,，通過正向推理,，求得最佳功率因數(shù)。美國科羅拉多大學(xué)Anstett M.等人用神經(jīng)網(wǎng)絡(luò)的方法進行建筑物能量耗費的預(yù)測,，可以進行長期能量耗費,、短期能量耗費、甚至每小時的能量耗費的預(yù)測,。英國諾森比亞大學(xué)M.M.Gouda等[8]用神經(jīng)網(wǎng)絡(luò)和SVD（Singunal Value Decomposition）方法對室內(nèi)溫度進行預(yù)測,。在神經(jīng)網(wǎng)絡(luò)輸入層前用SVD方法對192個輸入變量進行處理，形成10個輸入變量到神經(jīng)網(wǎng)絡(luò),，以期達到節(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)對系統(tǒng)冷熱負荷進行預(yù)測。冷熱負荷大小、特征及變化規(guī)律,，對暖通空調(diào)系統(tǒng)的運行管理,、提高運行效率、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)的冷負荷計算中,。將影響空調(diào)冷負荷的七種主要因素(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)標準,，室內(nèi)溫度）作為輸入層的7個結(jié)點，隱層有19個結(jié)點,，輸出層為建筑物的空調(diào)冷負荷,。上海交通大學(xué)常曉柯等用神經(jīng)網(wǎng)絡(luò)進行空調(diào)系統(tǒng)負荷預(yù)測。針對BP網(wǎng)絡(luò)計算量大,，收斂速度慢等特點,，采用增加動量的方法及調(diào)整學(xué)習(xí)率法，找到更優(yōu)的解和縮短訓(xùn)練時間,。輸入為室內(nèi)外氣溫,、太陽輻射強度等12個指標，輸出為時負荷,，隱層有31個結(jié)點,。
　　日本Hiroshima大學(xué)Masatoshi Sakawa等[9]利用神經(jīng)網(wǎng)絡(luò)對一個區(qū)域的冷負荷和熱負荷進行研究,。通過對過去24小時的負荷,、過去一周同一時間的七個不同負荷及最大可能負荷（32個輸入變量）的分析，預(yù)測未來24小時每一時段的負荷（24個輸出變量）,。該方法適用于在一個地區(qū)集中進行暖氣和冷氣供應(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度分類、混凝土強度預(yù)測等方面,。
　　山東建筑材料工業(yè)學(xué)院史奎凡將BP神經(jīng)網(wǎng)絡(luò)用于對水泥擠壓強度的分類,。采用三層BP網(wǎng)絡(luò)，輸入層含7個結(jié)點（礦渣摻量,，二氧化硫,，細度，三天抗折,，三天抗壓,，快速抗折，快速抗壓），隱層含20個結(jié)點,，輸出層含2個結(jié)點,，分別代表合格的525# 28天水泥抗壓強度的值和425# 28天水泥抗壓強度的值。選取44個樣本進行1 200次訓(xùn)練之后,，對某廠出產(chǎn)的水泥進行測試,，取得較好的效果。
　　在混凝土強度預(yù)測上,，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）強調(diào)高強度，現(xiàn)在的混凝土則強調(diào)高性能,，包括強度,、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)用于對混凝土強度的預(yù)測。采用一個輸入元和一個輸出元,，中間一個隱層,，通過對3、4,、5,、6、7天的強度值進行學(xué)習(xí),，來預(yù)測28天強度值,，這比用灰度理論計算的值更優(yōu)。此外,，還用BP神經(jīng)網(wǎng)絡(luò)對六組份混凝土配合比設(shè)計進行模擬,，既可預(yù)測其強度，又可單獨模擬某一參數(shù)的值,。波蘭學(xué)者Janusz Kasperkiewicz等采用ART神經(jīng)網(wǎng)絡(luò)對六組份混凝土28天強度值進行模擬和預(yù)測,。臺灣中華大學(xué)Cheng Yeh用BP網(wǎng)絡(luò)對高性能混凝土的強度和可使用性進行模擬和預(yù)測，以建立一個最好的配合比,。
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)圖的自動生成,。采用框架和過程混合知識表示法描述各種規(guī)則和知識,，把框架和推理結(jié)果存于數(shù)據(jù)庫中。系統(tǒng)采用正向推理方法,，從開工結(jié)點出發(fā),，按拓撲排序，根據(jù)布點規(guī)則逐個推算每個結(jié)點的直接后繼結(jié)點的位置,，再根據(jù)布線規(guī)則,，逐條顯示以每個結(jié)點為始結(jié)點的所有工作。
　　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個結(jié)點，隱含層有3 000個結(jié)點,。同時通過對已有案例進行空間旋轉(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,，將人工智能用于建筑工程預(yù)算中,。通過定義一個類別（class）——定額框架，將框架的數(shù)據(jù)及操作的函數(shù)封裝在這個類中,。同時在框架中嵌入產(chǎn)生式結(jié)構(gòu),，以擴充其推理能力。由于實際工程往往不同于定額,，所以通過“調(diào)整”和“聯(lián)動”來實現(xiàn)知識的收集和整理,。山東建筑工程學(xué)院鄧曉紅等實現(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)院許寧將運用模糊神經(jīng)網(wǎng)絡(luò)進行建筑工程造價的估算，利用模糊數(shù)學(xué)中的隸屬函數(shù)來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,，對工程特征數(shù)量化描述后，進行歸一化處理,，得到隸屬度,。神經(jīng)網(wǎng)絡(luò)采用8-16-16-5-1結(jié)構(gòu),，即一個輸入層，三個隱層,，一個輸出層,。輸入層的8個結(jié)點用來表示與造價相關(guān)的8個因素，隱層結(jié)點分別為16,、16,、5個。此方法收斂快,，經(jīng)過4 187次迭代,，精度可達10^-6。
　　科威特大學(xué)Hashem AI-tabtabai[10]構(gòu)建了一個建筑工程性能效益分析系統(tǒng)PAFES(Performance Analysis and Forecasting Expert System),。此系統(tǒng)包含二個模塊：一個采用產(chǎn)生式表示知識,，用于診斷分析建設(shè)項目性能效益；另一個采用人工神經(jīng)網(wǎng)絡(luò)的方法,，用于預(yù)測的模塊,。加拿大Alberta的二位學(xué)者Jason Portas和Simman AbouRizk，利用神經(jīng)網(wǎng)絡(luò)對建筑勞動生產(chǎn)力效率進行預(yù)測,，進而可以對勞動力成本進行預(yù)測,，對整個建筑預(yù)算和施工都有極大的好處。它采用一個三層的BP網(wǎng)絡(luò),，與其他模型不同的是,，其輸出采用一個模糊集，而不是一個精確的值,。
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體的識別,。通過二個連續(xù)的、三層BP網(wǎng)絡(luò)進行示例訓(xùn)練識別,，提高識別率,。針對建筑中常用的24個手寫體，如用第一個BP網(wǎng)絡(luò)識別有誤,，則再用第二個BP網(wǎng)絡(luò)進行識別,。
　　揚州工學(xué)院劉雁等利用人工智能軟件開發(fā)包GURU構(gòu)建了建筑物防火安全性評估系統(tǒng)。利用產(chǎn)生式規(guī)則組織知識庫,，運用反向推理機制達到建筑物防火安全性評估的目標,。
　　英國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)自然光照度的計算中,。
3  結(jié)束語
　　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,，使設(shè)計者、使用者和管理者在不具備專家知識的情況下,，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)由于其具有較強的學(xué)習(xí)能力,，通過對以往案例的學(xué)習(xí)得到較好的權(quán)重系數(shù),，進而對未來情況進行較好的預(yù)測，所以也得到了很好的應(yīng)用,。
參考文獻
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，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)點損傷識別方法.大連理工大學(xué)學(xué)報,，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)故障實時診斷方法.水利學(xué)報，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