陈曹阳，金 灵
（长沙理工大学土木工程学院，湖南 长沙 410114）
1 概述
20 世纪中期，Warren McCulloch 等［1］第一次提出了神经网络的概念。然而受到硬件设备的限制，研究者们只能训练一些浅层的网络，无法完成复杂任务。因此，神经网络的发展逐渐停滞。随着计算机的计算性能大幅度提升以及大数据时代的来临，神经网络再一次成为了各个行业的研究热点。
虽然目前的人工智能技术的能力暂时不足，但是，神经网络作为人工智能的基础之一，已经在自然语言处理、图像识别、优化计算等领域产生了里程碑式的影响［2］。自动驾驶、股市预测、人脸识别等技术的实现，都是以神经网络作为技术基础。这证明了神经网络在各个行业应用的可行性。
土木工程行业虽然是我国的国民经济支柱之一，却存在着发展模式粗放、智能化水平低等问题。习近平总书记指出，世界正在进入以信息产业为主导的经济发展时期。我们要把握数字化、网络化、智能化融合发展的契机，以信息化、智能化为杠杆培育新动能。实现土木工程的行业升级，需要在设计、施工、检测等方面与新型技术深度融合。因此，土木工程行业与神经网络技术融合的趋势已经不可阻挡。
2 智能设计
智能设计是智能建造的重要一环，设计工作依赖于设计人员的经验，智能化、自动化程度低。现有的结构设计能够构成一个大型数据库，通过神经网络学习现有设计资料，可以提升设计工作的效率以及自动化程度。Ballal，Sher［3］提出了四种学习初步结构设计的神经网络模型，实现了设计方案建议的快速生成，证明了神经网络在初期设计阶段应用的可行性。Asadi 等［4］提出了一种遗传算法（GA） 与人工神经网络（ANN） 相结合的多目标优化模型，能够实现对建筑改建方案进行智能评估与权衡。Tafraout 等［5］提出了一种基于遗传算法的钢筋混凝土板结构自动设计模型，并成功应用于BIM 软件中。2014 年，Ian J． Goodfellow［6］提出了一种生成网络模型Generative Adversarial Networks（GAN） 。GAN 通过无监督训练学习，可以根据使用者的需求，生成使用者想要的数据。目前GAN 在图像处理、语音处理、自然语言处理等领域已有了成功的应用［7－9］。建筑设计方面的智能设计已有许多研究，如建筑平面图自动分析［10］、二维建筑布局生成［11］、智能建筑绿色设计［12］等。但是GAN 在结构设计方面的研究很少。Wenjie LIAO 等［13］提出了一种基于GAN 的剪力墙智能布置模型，并提出了结构设计模型的性能量化评估指标ScoreIoU，为结构设计的智能化、自动化找到了一条路。该模型可以通过训练学习已有剪力墙设计图纸，实现剪力墙结构设计的智能化与自动化。模型生成的剪力墙设计图纸不仅与工程师设计方案相接近，效率更是提升将近20 倍。
3 智能施工管理
神经网络在施工方面的应用主要为参数分析以及施工人员智能管理。
3．1 参数分析
施工过程中往往会遇到突发状况，处理不及时会造成严重的后果。将神经网络应用于施工过程中，能够预测以及处理危险的发生。神经网络对施工数据的分析主要分为静态与动态两类。
静态分析方面：卫建军等［14］应用神经网络对立井的各项指标参数进行了工程预报，结果与现场实测结果基本吻合。苏道振等［15］利用BP 神经网络，对隧道围岩的变形进行了静态的预测，对隧道的开挖有指导意义。
动态分析方面：熊孝波等［16］改进的RBF 神经网络可以根据实测数据对深基坑的变形进行动态的预测。候公羽等［17］提出了神经网络预测模型可以对煤矿长斜井TBM 施工进行动态的风险预测，为矿长斜井TBM 施工提供了一种新的风险评估途径。
3．2 施工人员智能管理
我国的建筑安全事故频发，主要原因是工人的不规范操作、不安全行为以及缺乏监督等人为因素［18］。为了解决建筑工地环境复杂，安全人员无法及时发现危险的问题。将计算机视觉与工地监管相融合，能够及时的发现并阻止危险［19］。通过监控施工过程，能够提升工人的工作效率，有效缩短工期［20］。
人体姿态评估可以检测出人体或机械的姿态信息，包括肢体的朝向。通过对人体的行为进行预测［21－22］，能够对危险动作发出警告、及时发现伤者。Amin Assadzadeh 等［23］提出了一种智能生成数据集的挖掘机姿态评估模型，解决了数据集制作成本高的问题。如图1 所示，该模型能够成功评估挖掘机的姿态。并且，该模型适用于其他机械的姿态评估。Soumitry J 等［24］使用低分辨率相机采集车辆操作员的头部图像，实时地对驾驶员的头部姿态进行估计，并提出一种计算驾驶员动态视野盲区的方法。该方法能够动态地分析驾驶员视野盲区，并对进入盲区的施工人员发出警告，能够有效预防施工现场中设备撞击造成的伤亡。白正宗等［25］提出的评估方法能够使用智能手机对施工人员的躯干姿势进行危险评估、判断施工人员的身体状况、降低错误的作业姿势对施工人员身体的损害。
图1 挖掘机姿态评估
安全帽是施工人员必需的头部护具，能够在关键时刻保护施工人员的头部不遭受致命伤。然而，由于部分施工人员安全意识的缺乏，在施工现场摘下安全帽，导致了大量的安全事故。传统的监管方法为安全人员人工监管，由于现场环境复杂、障碍物遮挡、监管人员疲劳等问题，容易产生漏检。方明等［26］提出的基于改进YOLO v2的安全帽快速检测模型能够实现148 frame/s 的检测速度，对目标检测的平均准确率达到了87．42%。检测结果如图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］提出了一种基于SSD 目标检测网络以及跨层注意力机制的安全帽佩戴检测方法，在安全帽数据集GDUT-HWD 上的准确率达到了88．1%，相比YOLO v3 提高了9．74%。
图2 安全帽检测结果
4 智能检测
传统检测方式是检测人员使用检测仪器进行检测，存在效率低、成本高等问题。在检测高层建筑以及桥梁裂缝时，检测人员需要进行高空作业，存在安全隐患。使用无人机（UAV） 以及深度学习技术能够保障检测人员安全，降低检测成本，进行安全、高效的检测。
4．1 无人机
无人机是一种无人驾驶，可重复使用的飞行平台的简称［28］。无人机灵活机动、成本低廉，并且能够集成多种小型传感器。因此，无人机广泛应用于遥感、测绘等任务周期短的行业［29］。无人机的优点同样适用于无损检测、灾害识别以及裂缝检测。
余加勇等［30］提出了基于无人机倾斜摄影的公路边坡三维重建方法和灾害识别方法，利用无人机构建了边坡的三维实景模型，实景模型如图3 所示。实现了灾害场景的自动识别，能够正确判别灾害的位置、类型以及严重程度。ZhenXU 等［31］使用无人机倾斜摄影对城市进行三维建模、使用低材质简化模型对地震进行模拟，实现了城市地震的动态可视化模拟。可视化结果与有限元模拟结果相吻合，证明了地震可视化模拟的可行性，有助于降低地震造成的人员伤亡。马如进等使用消费级无人机对古桥进行三维建模，证明了利用无人机重构模型对古桥三维模型信息档案化的可行性。
图3 边坡实景模型
使用无人机检测是对老化桥梁进行检测的一种高效方案［32］。Xiong PENG 等［33］提出了一种基于无人机的机器视觉方法，能够快速地测量桥梁裂缝宽度，准确率达到了90%以上。Jianxi YANG 等［34］为了解决裂缝边缘检测困难的问题，提出了一种基于无人机边缘计算的裂缝分割网格。杨娜等［35］设计了一套适用于古建筑木结构的裂缝检测方法。通过无人机采集图像，使用计算机视觉技术对裂缝的长度及宽度进行识别，能够长期检测古建筑木结构的裂缝开展情况。虽然基于机器视觉的裂缝检测方法能够实现对裂缝的快速检测，但是存在着无法适应复杂背景、手动设置阈值等问题。
4．2 深度学习
深度学习是基于神经网络的一种算法。通过加深网络深度，深度学习解决了传统机械学习效果不佳的问题，能够适用于解决更复杂的问题。深度学习在检测方面的应用主要为目标检测网络。
骆剑彬等将声呐与Faster R-CNN 框架下的VGG16 模型结合，提出了水下桩墩表观病害的智能检测方法。对桩墩表观病害的整体准确率达到了88．3%，解决了水下人工检测易出错的问题。李良福等［36］提出了基于卷积神经网络（CNN） 的DBCC（Deep Bridge Crack Classify） 裂缝分类模型，通过滑动窗口算法解决了经典深度学习模型对桥梁裂缝分类不准确、泛化能力差的问题。孟诗乔等［37］建立了基于深度学习的Grid-Deeplab 模型，提升了裂缝检测的准确率与效率，并实现了混凝土结构表面裂缝的语义分割，分割结果如图4 所示。
图4 裂缝语义分割结果
Mask R-CNN 是Kaiming HE 等［38］提出的深度学习目标检测网络，对小目标物体具有很好的检测性能，并且能够实现实例分割。Yingying XU 等［39］使用改进的Mask RCNN 对隧道裂缝进行自动检测与分割，提高了网络准确性，具有很好的鲁棒性与准确性。张跃飞等［40］针对路面的复杂环境，在Mask R-CNN 中增加了新的自适应权重损失函数，提出了一种基于改进的Mask R-CNN 的公路裂缝检测算法。检测结果如图5 所示。
图5 路面裂缝原始图像与检测结果
5 结语
本文从智能设计、智能施工管理、智能检测等方面阐述了神经网络在土木工程行业的研究现状及实际应用情况。神经网络在结构工程、岩土工程、交通工程、建筑工程等方面已有简单的应用。神经网络正处于发展阶段，土木工程行业与神经网络等信息技术的融合也处于起步阶段，具有很高的研究价值。随着更多研究者的参与，未来能够实现真正的自动化结构设计、智能化施工管理、自动化结构检测等。要实现真正的智能化、自动化，神经网络的应用还有很多问题需要解决：
1） 数据集的大小对神经网络的性能影响很大，中小型数据库无法完全发挥模型的性能。土木工程领域资料大部分不公开，研究者难以收集大量数据。并且建立数据集工作量大，只靠个人无法建立大型数据集，需要建立大数据库，开放公共数据集。
2） 神经网络的创新性不够，很难完成设计任务。目前土木工程领域对GAN 的研究较少，继续研究GAN 的应用才能实现真正的自动化设计。
3） 神经网络应用的软件及硬件较少，大部分研究停留在算法的研究阶段。要加强神经网络的实际应用，尝试将软件及硬件投入生产中。
