陳曹陽，金 靈

（長沙理工大學(xué)土木工程學(xué)院，湖南 長沙 410114）

1 概述

20 世紀(jì)中期，Warren McCulloch 等［1］第一次提出了神經(jīng)網(wǎng)絡(luò)的概念。然而受到硬件設(shè)備的限制，研究者們只能訓(xùn)練一些淺層的網(wǎng)絡(luò)，無法完成復(fù)雜任務(wù)。因此，神經(jīng)網(wǎng)絡(luò)的發(fā)展逐漸停滯。隨著計(jì)算機(jī)的計(jì)算性能大幅度提升以及大數(shù)據(jù)時(shí)代的來臨，神經(jīng)網(wǎng)絡(luò)再一次成為了各個行業(yè)的研究熱點(diǎn)。

雖然目前的人工智能技術(shù)的能力暫時(shí)不足，但是，神經(jīng)網(wǎng)絡(luò)作為人工智能的基礎(chǔ)之一，已經(jīng)在自然語言處理、圖像識別、優(yōu)化計(jì)算等領(lǐng)域產(chǎn)生了里程碑式的影響［2］。自動駕駛、股市預(yù)測、人臉識別等技術(shù)的實(shí)現(xiàn)，都是以神經(jīng)網(wǎng)絡(luò)作為技術(shù)基礎(chǔ)。這證明了神經(jīng)網(wǎng)絡(luò)在各個行業(yè)應(yīng)用的可行性。

土木工程行業(yè)雖然是我國的國民經(jīng)濟(jì)支柱之一，卻存在著發(fā)展模式粗放、智能化水平低等問題。習(xí)近平總書記指出，世界正在進(jìn)入以信息產(chǎn)業(yè)為主導(dǎo)的經(jīng)濟(jì)發(fā)展時(shí)期。我們要把握數(shù)字化、網(wǎng)絡(luò)化、智能化融合發(fā)展的契機(jī)，以信息化、智能化為杠桿培育新動能。實(shí)現(xiàn)土木工程的行業(yè)升級，需要在設(shè)計(jì)、施工、檢測等方面與新型技術(shù)深度融合。因此，土木工程行業(yè)與神經(jīng)網(wǎng)絡(luò)技術(shù)融合的趨勢已經(jīng)不可阻擋。

2 智能設(shè)計(jì)

智能設(shè)計(jì)是智能建造的重要一環(huán)，設(shè)計(jì)工作依賴于設(shè)計(jì)人員的經(jīng)驗(yàn)，智能化、自動化程度低?，F(xiàn)有的結(jié)構(gòu)設(shè)計(jì)能夠構(gòu)成一個大型數(shù)據(jù)庫，通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)現(xiàn)有設(shè)計(jì)資料，可以提升設(shè)計(jì)工作的效率以及自動化程度。Ballal，Sher［3］提出了四種學(xué)習(xí)初步結(jié)構(gòu)設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了設(shè)計(jì)方案建議的快速生成，證明了神經(jīng)網(wǎng)絡(luò)在初期設(shè)計(jì)階段應(yīng)用的可行性。Asadi 等［4］提出了一種遺傳算法（GA） 與人工神經(jīng)網(wǎng)絡(luò)（ANN） 相結(jié)合的多目標(biāo)優(yōu)化模型，能夠?qū)崿F(xiàn)對建筑改建方案進(jìn)行智能評估與權(quán)衡。Tafraout 等［5］提出了一種基于遺傳算法的鋼筋混凝土板結(jié)構(gòu)自動設(shè)計(jì)模型，并成功應(yīng)用于BIM 軟件中。2014 年，Ian J． Goodfellow［6］提出了一種生成網(wǎng)絡(luò)模型Generative Adversarial Networks（GAN） 。GAN 通過無監(jiān)督訓(xùn)練學(xué)習(xí)，可以根據(jù)使用者的需求，生成使用者想要的數(shù)據(jù)。目前GAN 在圖像處理、語音處理、自然語言處理等領(lǐng)域已有了成功的應(yīng)用［7－9］。建筑設(shè)計(jì)方面的智能設(shè)計(jì)已有許多研究，如建筑平面圖自動分析［10］、二維建筑布局生成［11］、智能建筑綠色設(shè)計(jì)［12］等。但是GAN 在結(jié)構(gòu)設(shè)計(jì)方面的研究很少。Wenjie LIAO 等［13］提出了一種基于GAN 的剪力墻智能布置模型，并提出了結(jié)構(gòu)設(shè)計(jì)模型的性能量化評估指標(biāo)ScoreIoU，為結(jié)構(gòu)設(shè)計(jì)的智能化、自動化找到了一條路。該模型可以通過訓(xùn)練學(xué)習(xí)已有剪力墻設(shè)計(jì)圖紙，實(shí)現(xiàn)剪力墻結(jié)構(gòu)設(shè)計(jì)的智能化與自動化。模型生成的剪力墻設(shè)計(jì)圖紙不僅與工程師設(shè)計(jì)方案相接近，效率更是提升將近20 倍。

3 智能施工管理

神經(jīng)網(wǎng)絡(luò)在施工方面的應(yīng)用主要為參數(shù)分析以及施工人員智能管理。

3．1 參數(shù)分析

施工過程中往往會遇到突發(fā)狀況，處理不及時(shí)會造成嚴(yán)重的后果。將神經(jīng)網(wǎng)絡(luò)應(yīng)用于施工過程中，能夠預(yù)測以及處理危險(xiǎn)的發(fā)生。神經(jīng)網(wǎng)絡(luò)對施工數(shù)據(jù)的分析主要分為靜態(tài)與動態(tài)兩類。

靜態(tài)分析方面：衛(wèi)建軍等［14］應(yīng)用神經(jīng)網(wǎng)絡(luò)對立井的各項(xiàng)指標(biāo)參數(shù)進(jìn)行了工程預(yù)報(bào)，結(jié)果與現(xiàn)場實(shí)測結(jié)果基本吻合。蘇道振等［15］利用BP 神經(jīng)網(wǎng)絡(luò)，對隧道圍巖的變形進(jìn)行了靜態(tài)的預(yù)測，對隧道的開挖有指導(dǎo)意義。

動態(tài)分析方面：熊孝波等［16］改進(jìn)的RBF 神經(jīng)網(wǎng)絡(luò)可以根據(jù)實(shí)測數(shù)據(jù)對深基坑的變形進(jìn)行動態(tài)的預(yù)測。候公羽等［17］提出了神經(jīng)網(wǎng)絡(luò)預(yù)測模型可以對煤礦長斜井TBM 施工進(jìn)行動態(tài)的風(fēng)險(xiǎn)預(yù)測，為礦長斜井TBM 施工提供了一種新的風(fēng)險(xiǎn)評估途徑。

3．2 施工人員智能管理

我國的建筑安全事故頻發(fā)，主要原因是工人的不規(guī)范操作、不安全行為以及缺乏監(jiān)督等人為因素［18］。為了解決建筑工地環(huán)境復(fù)雜，安全人員無法及時(shí)發(fā)現(xiàn)危險(xiǎn)的問題。將計(jì)算機(jī)視覺與工地監(jiān)管相融合，能夠及時(shí)的發(fā)現(xiàn)并阻止危險(xiǎn)［19］。通過監(jiān)控施工過程，能夠提升工人的工作效率，有效縮短工期［20］。

人體姿態(tài)評估可以檢測出人體或機(jī)械的姿態(tài)信息，包括肢體的朝向。通過對人體的行為進(jìn)行預(yù)測［21－22］，能夠?qū)ξｋU(xiǎn)動作發(fā)出警告、及時(shí)發(fā)現(xiàn)傷者。Amin Assadzadeh 等［23］提出了一種智能生成數(shù)據(jù)集的挖掘機(jī)姿態(tài)評估模型，解決了數(shù)據(jù)集制作成本高的問題。如圖1 所示，該模型能夠成功評估挖掘機(jī)的姿態(tài)。并且，該模型適用于其他機(jī)械的姿態(tài)評估。Soumitry J 等［24］使用低分辨率相機(jī)采集車輛操作員的頭部圖像，實(shí)時(shí)地對駕駛員的頭部姿態(tài)進(jìn)行估計(jì)，并提出一種計(jì)算駕駛員動態(tài)視野盲區(qū)的方法。該方法能夠動態(tài)地分析駕駛員視野盲區(qū)，并對進(jìn)入盲區(qū)的施工人員發(fā)出警告，能夠有效預(yù)防施工現(xiàn)場中設(shè)備撞擊造成的傷亡。白正宗等［25］提出的評估方法能夠使用智能手機(jī)對施工人員的軀干姿勢進(jìn)行危險(xiǎn)評估、判斷施工人員的身體狀況、降低錯誤的作業(yè)姿勢對施工人員身體的損害。

圖1 挖掘機(jī)姿態(tài)評估

安全帽是施工人員必需的頭部護(hù)具，能夠在關(guān)鍵時(shí)刻保護(hù)施工人員的頭部不遭受致命傷。然而，由于部分施工人員安全意識的缺乏，在施工現(xiàn)場摘下安全帽，導(dǎo)致了大量的安全事故。傳統(tǒng)的監(jiān)管方法為安全人員人工監(jiān)管，由于現(xiàn)場環(huán)境復(fù)雜、障礙物遮擋、監(jiān)管人員疲勞等問題，容易產(chǎn)生漏檢。方明等［26］提出的基于改進(jìn)YOLO v2的安全帽快速檢測模型能夠?qū)崿F(xiàn)148 frame/s 的檢測速度，對目標(biāo)檢測的平均準(zhǔn)確率達(dá)到了87．42%。檢測結(jié)果如圖2 所示，黑框代表佩戴安全帽，白框代表未佩戴安全帽。Guang HAN 等［27］提出了一種基于SSD 目標(biāo)檢測網(wǎng)絡(luò)以及跨層注意力機(jī)制的安全帽佩戴檢測方法，在安全帽數(shù)據(jù)集GDUT-HWD 上的準(zhǔn)確率達(dá)到了88．1%，相比YOLO v3 提高了9．74%。

圖2 安全帽檢測結(jié)果

4 智能檢測

傳統(tǒng)檢測方式是檢測人員使用檢測儀器進(jìn)行檢測，存在效率低、成本高等問題。在檢測高層建筑以及橋梁裂縫時(shí)，檢測人員需要進(jìn)行高空作業(yè)，存在安全隱患。使用無人機(jī)（UAV） 以及深度學(xué)習(xí)技術(shù)能夠保障檢測人員安全，降低檢測成本，進(jìn)行安全、高效的檢測。

4．1 無人機(jī)

無人機(jī)是一種無人駕駛，可重復(fù)使用的飛行平臺的簡稱［28］。無人機(jī)靈活機(jī)動、成本低廉，并且能夠集成多種小型傳感器。因此，無人機(jī)廣泛應(yīng)用于遙感、測繪等任務(wù)周期短的行業(yè)［29］。無人機(jī)的優(yōu)點(diǎn)同樣適用于無損檢測、災(zāi)害識別以及裂縫檢測。

余加勇等［30］提出了基于無人機(jī)傾斜攝影的公路邊坡三維重建方法和災(zāi)害識別方法，利用無人機(jī)構(gòu)建了邊坡的三維實(shí)景模型，實(shí)景模型如圖3 所示。實(shí)現(xiàn)了災(zāi)害場景的自動識別，能夠正確判別災(zāi)害的位置、類型以及嚴(yán)重程度。ZhenXU 等［31］使用無人機(jī)傾斜攝影對城市進(jìn)行三維建模、使用低材質(zhì)簡化模型對地震進(jìn)行模擬，實(shí)現(xiàn)了城市地震的動態(tài)可視化模擬?？梢暬Y(jié)果與有限元模擬結(jié)果相吻合，證明了地震可視化模擬的可行性，有助于降低地震造成的人員傷亡。馬如進(jìn)等使用消費(fèi)級無人機(jī)對古橋進(jìn)行三維建模，證明了利用無人機(jī)重構(gòu)模型對古橋三維模型信息檔案化的可行性。

圖3 邊坡實(shí)景模型

使用無人機(jī)檢測是對老化橋梁進(jìn)行檢測的一種高效方案［32］。Xiong PENG 等［33］提出了一種基于無人機(jī)的機(jī)器視覺方法，能夠快速地測量橋梁裂縫寬度，準(zhǔn)確率達(dá)到了90%以上。Jianxi YANG 等［34］為了解決裂縫邊緣檢測困難的問題，提出了一種基于無人機(jī)邊緣計(jì)算的裂縫分割網(wǎng)格。楊娜等［35］設(shè)計(jì)了一套適用于古建筑木結(jié)構(gòu)的裂縫檢測方法。通過無人機(jī)采集圖像，使用計(jì)算機(jī)視覺技術(shù)對裂縫的長度及寬度進(jìn)行識別，能夠長期檢測古建筑木結(jié)構(gòu)的裂縫開展情況。雖然基于機(jī)器視覺的裂縫檢測方法能夠?qū)崿F(xiàn)對裂縫的快速檢測，但是存在著無法適應(yīng)復(fù)雜背景、手動設(shè)置閾值等問題。

4．2 深度學(xué)習(xí)

深度學(xué)習(xí)是基于神經(jīng)網(wǎng)絡(luò)的一種算法。通過加深網(wǎng)絡(luò)深度，深度學(xué)習(xí)解決了傳統(tǒng)機(jī)械學(xué)習(xí)效果不佳的問題，能夠適用于解決更復(fù)雜的問題。深度學(xué)習(xí)在檢測方面的應(yīng)用主要為目標(biāo)檢測網(wǎng)絡(luò)。

駱劍彬等將聲吶與Faster R-CNN 框架下的VGG16 模型結(jié)合，提出了水下樁墩表觀病害的智能檢測方法。對樁墩表觀病害的整體準(zhǔn)確率達(dá)到了88．3%，解決了水下人工檢測易出錯的問題。李良福等［36］提出了基于卷積神經(jīng)網(wǎng)絡(luò)（CNN） 的DBCC（Deep Bridge Crack Classify） 裂縫分類模型，通過滑動窗口算法解決了經(jīng)典深度學(xué)習(xí)模型對橋梁裂縫分類不準(zhǔn)確、泛化能力差的問題。孟詩喬等［37］建立了基于深度學(xué)習(xí)的Grid-Deeplab 模型，提升了裂縫檢測的準(zhǔn)確率與效率，并實(shí)現(xiàn)了混凝土結(jié)構(gòu)表面裂縫的語義分割，分割結(jié)果如圖4 所示。

圖4 裂縫語義分割結(jié)果

Mask R-CNN 是Kaiming HE 等［38］提出的深度學(xué)習(xí)目標(biāo)檢測網(wǎng)絡(luò)，對小目標(biāo)物體具有很好的檢測性能，并且能夠?qū)崿F(xiàn)實(shí)例分割。Yingying XU 等［39］使用改進(jìn)的Mask RCNN 對隧道裂縫進(jìn)行自動檢測與分割，提高了網(wǎng)絡(luò)準(zhǔn)確性，具有很好的魯棒性與準(zhǔn)確性。張躍飛等［40］針對路面的復(fù)雜環(huán)境，在Mask R-CNN 中增加了新的自適應(yīng)權(quán)重?fù)p失函數(shù)，提出了一種基于改進(jìn)的Mask R-CNN 的公路裂縫檢測算法。檢測結(jié)果如圖5 所示。

圖5 路面裂縫原始圖像與檢測結(jié)果

5 結(jié)語

本文從智能設(shè)計(jì)、智能施工管理、智能檢測等方面闡述了神經(jīng)網(wǎng)絡(luò)在土木工程行業(yè)的研究現(xiàn)狀及實(shí)際應(yīng)用情況。神經(jīng)網(wǎng)絡(luò)在結(jié)構(gòu)工程、巖土工程、交通工程、建筑工程等方面已有簡單的應(yīng)用。神經(jīng)網(wǎng)絡(luò)正處于發(fā)展階段，土木工程行業(yè)與神經(jīng)網(wǎng)絡(luò)等信息技術(shù)的融合也處于起步階段，具有很高的研究價(jià)值。隨著更多研究者的參與，未來能夠?qū)崿F(xiàn)真正的自動化結(jié)構(gòu)設(shè)計(jì)、智能化施工管理、自動化結(jié)構(gòu)檢測等。要實(shí)現(xiàn)真正的智能化、自動化，神經(jīng)網(wǎng)絡(luò)的應(yīng)用還有很多問題需要解決：

1） 數(shù)據(jù)集的大小對神經(jīng)網(wǎng)絡(luò)的性能影響很大，中小型數(shù)據(jù)庫無法完全發(fā)揮模型的性能。土木工程領(lǐng)域資料大部分不公開，研究者難以收集大量數(shù)據(jù)。并且建立數(shù)據(jù)集工作量大，只靠個人無法建立大型數(shù)據(jù)集，需要建立大數(shù)據(jù)庫，開放公共數(shù)據(jù)集。

2） 神經(jīng)網(wǎng)絡(luò)的創(chuàng)新性不夠，很難完成設(shè)計(jì)任務(wù)。目前土木工程領(lǐng)域?qū)AN 的研究較少，繼續(xù)研究GAN 的應(yīng)用才能實(shí)現(xiàn)真正的自動化設(shè)計(jì)。

3） 神經(jīng)網(wǎng)絡(luò)應(yīng)用的軟件及硬件較少，大部分研究停留在算法的研究階段。要加強(qiáng)神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用，嘗試將軟件及硬件投入生產(chǎn)中。