【学术前沿】AEC产业中的人工智能:科学计量分析和研究活动的可视化

建筑、工程和建筑(AEC)行业充满了复杂和困难的问题。人工智能(AI)是帮助解决这些问题的强大工具。本文介绍了第一个全面的科学计量学研究，评价了aeci中的人工智能研究的最新进展。采用科学制图法对Scopus检索到的41827份相关文献进行了系统定量分析。结果表明，遗传算法、神经网络、模糊逻辑、模糊集和机器学习是目前应用最广泛的人工智能方法。优化、模拟、不确定性、项目管理和桥梁已经成为使用AI方法/概念最常见的主题/问题。本研究的主要价值和独特性在于它是第一个提供最新的、包容的、大的关于aeci中的ai的文献。本研究通过可视化和理解趋势和模式，识别主要研究兴趣、期刊、机构和国家，以及这些如何在aeci中ai的现有研究中联系起来，为AEC文献增加价值。这些发现揭示了当前研究的不足，并为未来的研究提供了路径，指出未来的研究机会在于将机器人自动化和卷积神经网络应用于AEC问题。对于实践世界来说，这项研究为实践者、政策制定者和研发机构提供了一个现成的参考点。因此，本研究提高了人工智能的认识水平，促进了人工智能领域在AEC行业的知识财富建设。

AI指的是创造具有推理、学习、知识、沟通、感知、规划以及移动和操作物体能力的智能机器的科学与工程。它有几个在文献中被广泛记录的好处。例如，它可以使用复杂的算法从“大”数据中“学习”，然后使用获得的知识来辅助行业/实践。此外，人工智能通过快速准确地分析大量数据，为显著提高生产率提供了巨大的机会。此外，人工智能系统和技术可以处理复杂的、非线性的实际问题，并且，一旦训练，可以在高速下进行预测和归纳。由于这些好处，人工智能在许多行业都引起了广泛的关注，包括建筑、工程和建筑(AEC)，吸引了AEC研究人员的注意。这导致了AEC行业(AI-in-the- aeci)中关于AI的研究工作和出版物数量的激增。这种情况带来了危险，因为它很难掌握知识体的现状，造成忽视研究和实践改进的关键领域和问题的重大风险。为了解决这个科学问题，有必要对领域进行严格的审查和分析。

本研究采用科学绘图法对ai -in- aeci的文献进行分析。科学制图是“领域分析与可视化的一般过程”，旨在发现科学领域的智力结构。该方法有助于可视化大量文献和书目数据中的重要模式和趋势。它使研究人员可以通过其他方法无法实现的文献相关发现。科学制图研究通常采用文献计量学或科学计量学分析方法。虽然文献计量学分析的重点是文献本身，但科学计量学分析提供了一个更广泛的方法，包括文献计量工具、方法和数据，以分析文献及其输出，识别该领域潜在的有洞察力的模式和趋势。研究方法的结构包括以下阶段:科学测绘工具的选择、数据收集和分析、建模、可视化和发现的交流。

人工智能研究领域总体上诞生于1956年;而关于aeci中的ai的第一项研究似乎是Ref.的工作，发表在《计算机辅助设计杂志》上，该杂志研究了计算机在建筑中的应用。这意味着关于人工智能的研究自20世纪70年代就开始了。

ai -in- aeci研究出版物的趋势(1974 - 2019年8月)。2019年的出版物数量可能会在年底增加。

主要研究方向为ai -in- aeci(关键词共现网络)

用于aeci中的ai研究的聚类结构

ai -in- aeci(1974-2019)文献中引用次数最多的前50个关键词

研究aeci中的ai的著名网点网络

本研究通过定量、文本挖掘方法对这一活动进行了彻底的审查。该审查已进行，以确定集群和合作网络的主要研究兴趣(包括各种人工智能方法/概念以及各种AEC主题/问题使用人工智能方法/概念)，期刊，机构，和国家在现有的文献。该领域的科学计量学分析是必要的，以发展一个完整的图景和理解的研究重点是ai -in- aeci，并揭示相关的差距和未来的需求。

卷积神经网络在AEC中的应用

CNN模型的性能主要是检查和判断的准确性和计算效率(定义为实时和快速处理数据的能力-在一个可行的时间)。尽管一些现有的研究显示良好的性能CNN模型的创建,它必须强调,增加数据的鲁棒性建议综述可以需求一些CNN的快速处理技术以达到准确以及计算效率的实现。因此，未来的研究有必要利用GPU和FFTaccelerated软件和硬件解决方案，例如，在AEC中应用cnn。最后,未来的研究可以探讨相结合的潜力与其他DL架构——例如,cnn复发性神经网络(RNNs)实现强化学习(RL),等——开发CNN-based模型针对AEC行业的需求。将cnn与其他DL模型相结合的系统目前并不常见。