本章节聚焦于人工智能在建筑建造阶段（Construction Stage）以及运营与维护阶段（O&M Stage）的前沿应用。
一、 建造阶段（Construction Stage）的 AI 应用
在建造阶段，人工智能主要通过计算机视觉、机器学习和 3D 激光扫描等技术，改变了成本、进度、质量和安全的管控模式：
1. 成本与物流管理（Cost and Logistics Management）
- 新房单价估算：2016年，RIA 和 Adadi 提出了一个全面模型，通过集成深度置信受限玻尔兹曼机（DBRBM / 录音音译为 Depelief restracted Biman Machine）和非配对的遗传算法技术，在设计和施工初期对新房价格进行估算。该框架包含两组输入（房地产的实物与财务属性、住宅公寓的经济变量指标）和一组输出（项目的单价）。
- 物流成本预测：建筑物流成本预测属于复杂的非线性问题。利用具有强大非线性函数和全局优化能力的支持向量机（SVM / 知识向量机），结合移动平均法（具有更高的准确性）、指数平滑、时间序列分解法和回归模型等进行优化，可高精度地预测施工阶段的物流成本。
2. 施工进度与材料识别（Progress Monitoring & Material Classification）
- 现场图像代替纸质记录：工地拍摄的图像逐步取代了传统纸质流程记录。利用计算机视觉技术，可高效自动地存储和分析这些图像，识别建筑对象（如梁、柱、墙、楼板）并对建筑材料进行分类。
- 材料分区识别算法：2010年，BELX 提出了一种识别施工现场图像中混凝土与钢材的方法：首先通过图像分割（Image Segmentation）将图像分为多个区域；然后利用预训练的分类器进行视觉特征提取（Visual Feature Extraction）并分类。此方法可免除用户手动定义样本的操作，且易于重新训练以加入新材料，扩展性极强。
- AI 辅助 3D 激光扫描：传统的 3D 激光扫描由于需要 360 度全方位扫描，耗时且工作量大。结合 AI 的计算机视觉识别和照片成像技术（Photogrammetry）后，只需从项目的一侧进行快速扫描，通过提升分辨率和倾角摄影计算，即可更新工地进度，节省了大约 75% 的现场扫描时间。这种技术可将原设计模型与竣工数据进行比对，直接发现现场缺失的窗户或装载平台等偏差。
3. 混凝土表面缺陷与结构健康监测（Defect & Structural Health Detection）
- 混凝土表面缺陷自检：取代传统不可靠且耗费人力的手工检测，利用计算机识别技术可自动定位混凝土表面的气孔和变色区域，精确检测气孔数量及变色面积。
- 桥梁结构健康监测：2008年起，非接触式、非破坏性的计算机视觉与图像处理技术被用于检测桥梁变形和结构测试，精度可达 1 毫米（0.04 英寸），并能节省 50% 以上的检测劳动力。2010年，研究人员提出了一种自动化的两步桥梁评估系统：首先采用图像拼接技术合成全景图，然后应用 CNN（卷积神经网络）进行边缘定位以检测混凝土材料缺陷。
4. 自动化“扫描至 BIM”（Scan-to-BIM）
- 传统的 CAD 构造模型难以实时获取实际建造的详细设施数据，而人工处理点云数据生成 BIM 既耗时又主观易错。利用机器学习，可将激光扫描仪收集的原始 3D 点云数据自动转化为内置的实际 BIM 数据。其核心操作包含三个步骤：几何建模、对象识别、对象关系建模。
5. 建筑废弃物智能回收（CDW Recycling）
- 建筑垃圾和拆迁废物（CDW）由于具有高度的异质性，极难进行分离回收，导致回收率低下。2015年的一项研究采用计算机视觉技术来识别 CDW 类别，并探索通过合并光谱分析中提取的特征来增强分类器对矿物与建材回收的准确性。
二、 运营与维护阶段（O&M Stage）的 AI 应用
在建筑建成后的运维阶段，大数据的挖掘与分析带来了精细化运营、节能降耗和个性化舒适度的新机会：
1. 运营策略与能耗预测（Operations & Energy Prediction）
- 2017年，Miller 和 Megus 提出了一个挖掘电表数据的框架，用以预测数百个非住宅建筑的运营策略。该过程分为两步：
- 特征提取：利用数据挖掘技术过滤数据库中的原始定量数据，并将其转化为可在热图（Heatmap）中显示和解释的定性类别。
- 聚类功能：使用生成的特征测试随机森林（随机设定分类模型）的准确性，进而预测主要空间的使用、能源消耗规模以及操作策略类型，极大地减少了专家的人工干预。
2. 设备运行与节能机会发现（Building Monitoring & Control）
- 针对建筑设备产生的海量运行数据，范（Fan）等人提出了一种逐步模式挖掘的方法。该方法从建筑运存数据中发现有用的模式与知识，并将其应用于 HVAC（冷暖空调）冷却法的开发以及供回热水温差的关联识别中，从而推断并锁定建筑的节能机会。
3. 大数据居住后评估（POE / Post-Occupancy Evaluation）
- 大数据的分析为设施管理员提供了从室内环境测量、人员满意度与舒适度调查中挖掘数据的新可能，以便更有效地优化建筑性能。
- 个人舒适度系统（PCS / Personal Comfort System）：研究人员以一张加热/冷却实验椅作为实验空间，收集了移动办公室内 38 位居住者的个人行为、环境条件和设备系统设置等现场数据。通过采用六种机器学习算法进行分类学习，建立起的个人舒适度预测模型展现出了极高的精确性和预测能力，为建筑项目实施更具个性化的居住后评估（POE）提供了新的策略。
本章结语：
随着人工智能技术的迅速发展，建筑数字化进程正大幅提速。为了应对行业的全新挑战，系统地建立数字建筑学的技术体系显得尤为必要。本课程通过对理论、技术设计、自动化、建造技术、生产流程和未来展望六个板块的系统梳理，为未来的建筑智能化与建筑智能的发展打下了良好的理论基础。
同济大学/第6章 数字建筑学的未来展望/6.1.4 人工智能在建筑全生命周期中的应用展望（下） （内容非AI生成 ©读行 • Readwiki™Studio 
，转载注明来源）
，转载注明来源）