王夢琦,陳 東

(安徽建筑大學(xué) 土木工程學(xué)院,安徽 合肥 230601)

Intel公司估算從人類社會(huì)產(chǎn)生開始至2003年,整個(gè)人類社會(huì)產(chǎn)生了5 EB的數(shù)據(jù)資料,在此后的將近十年間數(shù)據(jù)量增長至2.72 ZB,是2003年數(shù)據(jù)量的500倍,并且Intel公司預(yù)估此后每兩年數(shù)據(jù)量便成倍增長。隨著數(shù)據(jù)量的高速增長,人工處理數(shù)據(jù)變得越來越困難,人工智能成為處理數(shù)據(jù)的高效率手段。人工神經(jīng)網(wǎng)絡(luò)隨著人工智能的興起逐漸成為研究熱點(diǎn),其在結(jié)構(gòu)上模仿人腦的神經(jīng)元網(wǎng)絡(luò)行為特征,具有強(qiáng)大的自主學(xué)習(xí)能力、尋找最優(yōu)解的能力和存儲(chǔ)功能,能夠解決許多復(fù)雜的非線性映射問題,被廣泛應(yīng)用于多個(gè)領(lǐng)域[1]。神經(jīng)網(wǎng)絡(luò)最早被應(yīng)用于建筑結(jié)構(gòu)損傷識(shí)別,之后逐漸被用在建筑結(jié)構(gòu)中。謝金豪等[2]將單一的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型與經(jīng)過GAP優(yōu)化后的神經(jīng)網(wǎng)絡(luò)預(yù)測模型運(yùn)用于工程造價(jià)中。楊鑠等[3]將神經(jīng)網(wǎng)絡(luò)應(yīng)用于建筑結(jié)構(gòu)損傷識(shí)別中。劉媛媛等[4]將數(shù)值模擬與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,提出了一種新思路。林申正等[5]通過BIM技術(shù)測算的結(jié)果輸入神經(jīng)網(wǎng)絡(luò),建立了建筑成本控制模型。NEIRA P[6]等將神經(jīng)網(wǎng)絡(luò)應(yīng)用于混凝土抗壓強(qiáng)度預(yù)測中。目前國內(nèi)外學(xué)者將神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于實(shí)驗(yàn)研究中,但缺乏對整個(gè)學(xué)科研究進(jìn)程和研究前景的總結(jié)和歸納,而傳統(tǒng)的文獻(xiàn)歸納法有效率低、傾向性強(qiáng)、缺乏系統(tǒng)性等缺點(diǎn)?，F(xiàn)代化的文獻(xiàn)分析和歸納對各個(gè)學(xué)科的發(fā)展至關(guān)重要。本文通過CiteSpace6.1R2可視化分析軟件對2009—2022年的Web of Science(WOS)數(shù)據(jù)庫文獻(xiàn)和中國知網(wǎng)(CNKI)數(shù)據(jù)庫文獻(xiàn)進(jìn)行統(tǒng)計(jì)分析。分別對其作者合作網(wǎng)絡(luò)、關(guān)鍵詞和時(shí)區(qū)圖進(jìn)行可視化分析,旨在梳理國內(nèi)外神經(jīng)網(wǎng)絡(luò)在建筑領(lǐng)域內(nèi)的研究進(jìn)展和趨勢,以期為相關(guān)領(lǐng)域研究提供參考。

1 數(shù)據(jù)來源及研究方法

1.1 數(shù)據(jù)來源

應(yīng)用CiteSpace軟件對WOS和CNKI中的核心期刊進(jìn)行檢索。在WOS中以“neural network”為主題進(jìn)行檢索,之后對文獻(xiàn)進(jìn)行篩選、去重處理,最終得到1 843篇關(guān)于神經(jīng)網(wǎng)絡(luò)在建筑領(lǐng)域的有效文獻(xiàn)。在CNKI中,以“神經(jīng)網(wǎng)絡(luò)”為關(guān)鍵詞進(jìn)行搜索,去掉除建筑科學(xué)與工程學(xué)科的其他文獻(xiàn),去掉學(xué)位論文、專利、報(bào)紙、會(huì)議等,得到1 643篇核心期刊相關(guān)文獻(xiàn)。將所得文獻(xiàn)進(jìn)行去重處理,最終得到1 621篇有效文獻(xiàn)。

表1 數(shù)據(jù)來源

1.2 研究方法

通過文獻(xiàn)計(jì)量學(xué)的方法分析神經(jīng)網(wǎng)絡(luò)在建筑領(lǐng)域的研究現(xiàn)狀。文獻(xiàn)計(jì)量學(xué)是以文獻(xiàn)為研究對象,集數(shù)學(xué)、統(tǒng)計(jì)學(xué)和文獻(xiàn)學(xué)為一體,研究某學(xué)術(shù)領(lǐng)域的發(fā)展歷程、研究熱點(diǎn)以及未來的研究趨勢[7]。先將WOS數(shù)據(jù)庫和CNKI數(shù)據(jù)庫里面的相關(guān)文獻(xiàn)分別保存為純文本格式和Refworks格式,然后運(yùn)用CiteSpace軟件對保存的文獻(xiàn)進(jìn)行數(shù)據(jù)轉(zhuǎn)換處理以及可視化分析[8],最后通過可視化分析得到5個(gè)知識(shí)圖譜(見圖1)。本文在知識(shí)圖譜的基礎(chǔ)上分析神經(jīng)網(wǎng)絡(luò)在建筑領(lǐng)域的研究現(xiàn)狀以及未來的研究趨勢。

圖1 研究方法流程圖

2 數(shù)據(jù)分析

2.1 文獻(xiàn)量時(shí)序分布分析

對WOS和CNKI數(shù)據(jù)庫中近13年的相關(guān)文獻(xiàn)發(fā)文量進(jìn)行分析,可以反映出該學(xué)科領(lǐng)域在這一時(shí)間段的研究熱點(diǎn)(見圖2)。

圖2 建筑領(lǐng)域的神經(jīng)網(wǎng)絡(luò)研究發(fā)文量

由圖2可知,國內(nèi)外關(guān)于建筑領(lǐng)域的神經(jīng)網(wǎng)絡(luò)的相關(guān)文獻(xiàn)在2009—2022年整體呈現(xiàn)上升趨勢。其中,國外相關(guān)文獻(xiàn)在2009—2017年呈穩(wěn)定增長趨勢,2020—2021年發(fā)文量從287篇增長到450篇,呈大幅增長趨勢。國內(nèi)相關(guān)文獻(xiàn)整體呈穩(wěn)定增長趨勢。由此可以看出近幾年神經(jīng)網(wǎng)絡(luò)在建筑領(lǐng)域內(nèi)的發(fā)展受到了廣大學(xué)者的關(guān)注,成為研究熱點(diǎn)之一。

2.2 作者共現(xiàn)分析

作者共現(xiàn)網(wǎng)絡(luò)能夠反映該研究領(lǐng)域內(nèi)作者的交流合作情況。網(wǎng)絡(luò)密度能夠反映作者的合作情況,網(wǎng)絡(luò)密度越高,作者間的合作越密切[9]。國內(nèi)作者共現(xiàn)分析圖譜、國外作者共現(xiàn)分析圖譜分別如圖3、圖4所示。在CNKI作者共現(xiàn)分析圖譜中,“N=467,E=203”,說明該圖譜中共有467個(gè)節(jié)點(diǎn),203條網(wǎng)絡(luò)連接。節(jié)點(diǎn)的大小與作者的發(fā)文量相對應(yīng),發(fā)文量越多,節(jié)點(diǎn)越大。節(jié)點(diǎn)間連接線的粗細(xì)表示作者間合作強(qiáng)度的大小。203條網(wǎng)絡(luò)連接則表示203個(gè)作者之間存在合作關(guān)系,但是網(wǎng)絡(luò)密度只有0.001 9,說明作者在神經(jīng)網(wǎng)絡(luò)研究中合作總體較少,但是周世玉、劉曉平、周玉成、杜光月、曹正彬之間有較多研究領(lǐng)域的合作,其研究合作主要集中于利用神經(jīng)網(wǎng)絡(luò)的預(yù)測算法,對木質(zhì)地板的蓄熱性能提供依據(jù)[10-11]。李琦在圖中是較大的橙色節(jié)點(diǎn),但是節(jié)點(diǎn)附近沒有邊線,說明李琦發(fā)表的研究成果較多但合作較為分散,不夠密切。在WOS作者共現(xiàn)分析圖譜中共有520個(gè)節(jié)點(diǎn),596條網(wǎng)絡(luò)鏈接,網(wǎng)絡(luò)密度為0.004 4。說明596個(gè)作者之間存在合作關(guān)系,并且比國內(nèi)作者合作更加緊密,很少有獨(dú)立發(fā)表的研究成果。

圖3 CNKI作者共現(xiàn)分析圖譜

圖4 WOS作者共現(xiàn)分析圖譜

2.3 國家及機(jī)構(gòu)合作網(wǎng)絡(luò)分析

國家和機(jī)構(gòu)在該領(lǐng)域文獻(xiàn)的發(fā)表在一定程度上可以反映一個(gè)國家和機(jī)構(gòu)在該研究領(lǐng)域的重要性和影響力,國家之間的相互交流可以促進(jìn)大規(guī)模的科技創(chuàng)新和突破[12]。本文對相關(guān)文獻(xiàn)發(fā)文的國家和機(jī)構(gòu)進(jìn)行統(tǒng)計(jì)和可視化分析,得到圖5、圖6以及表2。由表2可以看出中國和美國的發(fā)文量明顯高于其他國家,但中國發(fā)文的中心性很低,說明發(fā)表的文章影響力不大[13]。其他國家按發(fā)文量依次遞減(見表2)。

圖5 國家合作網(wǎng)絡(luò)

圖6 國外機(jī)構(gòu)合作網(wǎng)絡(luò)

表2 排名前十的發(fā)文國家和發(fā)文機(jī)構(gòu)中心性分布表

在合作機(jī)構(gòu)方面,發(fā)文量最多的是代爾夫特理工大學(xué)(Delft Univ Technol),中心性最強(qiáng)的是南洋理工大學(xué)(Nanyang Technol Univ)和伊朗科技大學(xué)(Iran Univ Sci &Technol)。機(jī)構(gòu)合作網(wǎng)絡(luò)圖譜整體的合作密度為0.003 5,合作程度較低,總體呈現(xiàn)以代爾夫特理工大學(xué)、南洋理工大學(xué)、同濟(jì)大學(xué)、東南大學(xué)等幾個(gè)綜合實(shí)力較強(qiáng)的單位為中心的合作關(guān)系,其中以同濟(jì)大學(xué)為中心的合作網(wǎng)絡(luò)的次節(jié)點(diǎn)為武漢大學(xué)、諾森比亞大學(xué)等知名大學(xué)。

2.4 關(guān)鍵詞分析

2.4.1 關(guān)鍵詞共現(xiàn)分析

關(guān)鍵詞是一篇論文的核心概況。關(guān)鍵詞共現(xiàn)的頻次能說明該文獻(xiàn)集所代表的學(xué)科中各主題之間的聯(lián)系[14]。利用CiteSpace軟件對選中的文獻(xiàn)進(jìn)行關(guān)鍵詞共現(xiàn)、聚類分析,能夠有效地了解到該領(lǐng)域的研究熱點(diǎn)。繪制關(guān)鍵詞共現(xiàn)圖譜和關(guān)鍵詞聚類圖譜分別如圖7和圖8所示。

圖7 CNKI關(guān)鍵詞共現(xiàn)圖譜

圖8 WOS關(guān)鍵詞共現(xiàn)圖譜

在CNKI關(guān)鍵詞共現(xiàn)圖譜中,共有473個(gè)節(jié)點(diǎn),400條網(wǎng)絡(luò)鏈接,密度為0.003 6。

在WOS關(guān)鍵詞共現(xiàn)圖譜中,共有608個(gè)節(jié)點(diǎn)、960條網(wǎng)絡(luò)鏈接,密度為0.005 2。國內(nèi)大多將神經(jīng)網(wǎng)絡(luò)用于識(shí)別建筑的損傷,國外卻較少?？偟膩碚f,國內(nèi)外建筑領(lǐng)域的神經(jīng)網(wǎng)絡(luò)研究大體相似。

2.4.2 關(guān)鍵詞聚類分析

對國內(nèi)外建筑領(lǐng)域關(guān)于神經(jīng)網(wǎng)絡(luò)的文獻(xiàn)進(jìn)行聚類[9]。選擇顯示前8個(gè)聚類,聚類編號(hào)越小說明聚類的效果越好,中心性越強(qiáng)[14]。國內(nèi)關(guān)鍵詞聚類圖譜見圖9,國外關(guān)鍵詞聚類圖譜見圖10。

圖9 CNKI關(guān)鍵詞聚類分析圖譜

圖10 WOS關(guān)鍵詞聚類分析圖譜

在CNKI關(guān)鍵詞聚類圖譜中,共有473個(gè)節(jié)點(diǎn)、400條網(wǎng)絡(luò)鏈接,密度為0.003 6。聚類模塊值Q=0.874 1,Q>0.3說明該聚類可視化較好;輪廓性指標(biāo)S=0.969 8,S>0.5說明該聚類是合理的;若S>0.7說明該聚類是高效率并且令人信服的[14]。前8個(gè)聚類依次是“神經(jīng)網(wǎng)絡(luò)”“遺傳算法”“變形預(yù)測”“預(yù)測”“仿真”“時(shí)間序列”“BP網(wǎng)絡(luò)”“目標(biāo)檢測”,結(jié)合聚類信息和圖譜可以看出國內(nèi)神經(jīng)網(wǎng)絡(luò)在建筑中發(fā)揮的作用主要是預(yù)測和檢測,例如預(yù)測建筑能耗模型、預(yù)測施工進(jìn)度模型等以及檢測混凝土裂縫和孔洞、檢測鋼筋混凝土的腐蝕程度等。

在WOS關(guān)鍵詞聚類圖譜中,共有608個(gè)節(jié)點(diǎn),960條網(wǎng)絡(luò)鏈接,密度為0.005 2。聚類模塊值Q=0.809 2,平均輪廓S=0.923 4,與國內(nèi)文獻(xiàn)相比,Q值和S值較小,但Q值仍大于0.32,S值大于0.7,表明聚類結(jié)果可信。前8個(gè)聚類依次是“structural health monitoring”“machine learning”“artificial intelligence”“wave overtopping”“system”“rainfall-runoff modeling”“reinforcement intelligence”“artificial neural networks”?？梢钥闯鰢饨ㄖI(lǐng)域的神經(jīng)網(wǎng)絡(luò)通常用于結(jié)構(gòu)的健康監(jiān)測、結(jié)構(gòu)的損傷識(shí)別以及流域降雨徑流、城市雨水徑流和河水徑流等。

2.4.3 研究前沿分析

通過CiteSpace中的“Burst Terms”對國內(nèi)外文獻(xiàn)進(jìn)行關(guān)鍵詞突發(fā)性算法分析,得到了國內(nèi)外關(guān)鍵詞突現(xiàn)圖。國內(nèi)關(guān)鍵詞突現(xiàn)如圖11所示,國外關(guān)鍵詞突現(xiàn)如圖12所示。由圖11可以看出,2009年國內(nèi)將神經(jīng)網(wǎng)絡(luò)多用于預(yù)測[15]和邊坡[16]方面;2018年“機(jī)器學(xué)習(xí)”開始突現(xiàn),強(qiáng)度為6.59;2019年“深度學(xué)習(xí)”開始突現(xiàn),強(qiáng)度為19.73,增長了將近3倍?！皺C(jī)器學(xué)習(xí)”和“深度學(xué)習(xí)”成為國內(nèi)建筑領(lǐng)域神經(jīng)網(wǎng)絡(luò)發(fā)展的轉(zhuǎn)折點(diǎn)。在這之前,神經(jīng)網(wǎng)絡(luò)主要用于預(yù)測、識(shí)別結(jié)構(gòu)損傷、對工程結(jié)構(gòu)進(jìn)行健康監(jiān)測以及對工程的造價(jià)進(jìn)行預(yù)測等[17]?！皺C(jī)器學(xué)習(xí)”開始突現(xiàn)于2018年,至今尚未結(jié)束,是突現(xiàn)時(shí)間最長的詞,說明機(jī)器學(xué)習(xí)在近年來一直受到廣泛的關(guān)注。由圖12可以看出2009年國外就已經(jīng)出現(xiàn)了神經(jīng)網(wǎng)絡(luò),比國內(nèi)出現(xiàn)早。早期國外多將神經(jīng)網(wǎng)絡(luò)用于識(shí)別、預(yù)測降雨徑流、河流流量和橋墩周圍的局部沖刷。中后期強(qiáng)度較大的關(guān)鍵詞是“genetic algorithm”,是國外建筑領(lǐng)域神經(jīng)網(wǎng)絡(luò)發(fā)展的轉(zhuǎn)折點(diǎn)。在這之后,神經(jīng)網(wǎng)絡(luò)的研究開始傾向于遺傳算法[18]、粒子群算法[19]、全局優(yōu)化[20]、海岸建筑[21]等方面。

圖11 CNKI關(guān)鍵詞突現(xiàn)圖

圖12 WOS關(guān)鍵詞突現(xiàn)圖

3 結(jié)論

基于CiteSpace計(jì)量分析軟件,通過對2009—2022年CNKI和WOS中收錄的3 464篇文獻(xiàn)的年發(fā)文量、作者的合作關(guān)系、研究現(xiàn)狀、研究熱點(diǎn)和研究趨勢進(jìn)行計(jì)量分析,可以得出:

(1)2009—2022年國內(nèi)外在建筑領(lǐng)域內(nèi)以神經(jīng)網(wǎng)絡(luò)為主題的相關(guān)文獻(xiàn)發(fā)文量總體呈上升趨勢,并且國外近三年增幅巨大,說明目前該研究領(lǐng)域在國外受到廣泛關(guān)注。國內(nèi)該領(lǐng)域的研究學(xué)者雖然較多,但是各個(gè)學(xué)者之間的合作較少,而國外研究學(xué)者之間有較密切的合作關(guān)系,并且發(fā)文量也較多。未來國內(nèi)研究學(xué)者應(yīng)該進(jìn)一步加強(qiáng)團(tuán)隊(duì)間的合作。

(2)各國的相關(guān)學(xué)者對于神經(jīng)網(wǎng)絡(luò)的研究和發(fā)展都做出了重大的貢獻(xiàn),其中美國、中國、英國等國學(xué)者的研究成果最豐富。在國際交流方面,國外在神經(jīng)網(wǎng)絡(luò)研究領(lǐng)域的合作與交流較為密切,而我國與其他國家的交流相對較少,還需要加強(qiáng)國際合作與交流。

(3)神經(jīng)網(wǎng)絡(luò)、預(yù)測、遺傳算法等關(guān)鍵詞出現(xiàn)頻率較高,說明當(dāng)前研究熱點(diǎn)主要集中在這些方面。通過關(guān)鍵詞突現(xiàn)分析可以看出,近幾年國內(nèi)外的研究主要集中在人工智能方向,這些研究方向可能仍然是未來的研究重點(diǎn)。