كاربرد هوش مصنوعي در مهندسي عمران و معماري و صنايع ساختمان

The Applications of Artificial Intelligence in Civil Engineering, Architecture, and Construction Industries

مقاله پيشِ رو بررسي جامعي است از كاربردهاي هوش مصنوعي (AI)، يادگيري ماشين (ML) و يادگيري عميق (DL) در صنعت ساخت و ساز نسل 4.0 در زمينههاي مختلف. اين كاربردها شامل طراحي و تجسم معماري، بهينهسازي و طراحي مواد، تجزيه و تحليل سازهها، ساخت برونسايتي و اتوماسيون، مديريت ساخت، نظارت بر پيشرفت و ايمني، عملكرد هوشمند، مديريت و نظارت بر ساختمان و نيز نظارت بر سلامتي، دوام و تجزيه و تحليل چرخه عمر و چرخه بهره برداري اقتصادي است. اين مقاله ديدگاه منحصر به فردي از كاربردهاي AI DL و ML در اين حوزه ها براي تمام طول عمر ساختمان، از مرحله مفهومي، طراحي، ساخت، عمليات و نگهداري تا انتهاي عمر پيش مي نهد. همچنين، راهبردهاي جمع آوري داده با استفاده از بينش هوشمند و حسگرها، روشهاي غربال داده (پسپردازش)، ذخيره سازي داده براي توسعه اين مدلها و مسائل موجود در توسعه مدل به تفصيل بررسي ميشود. روندهاي آينده در اين حوزه ها و مسيرهاي تحقيقات ممكن نيز بررسي شده است.

The present article provides a comprehensive examination of the applications of Artificial Intelligence (AI), Machine Learning (ML), and Deep Learning (DL) in the construction industry, specifically within the domain of Industry 4.0. These applications encompass architectural design and visualization, optimization and design of materials, structural analysis, off-site construction and automation, construction management, progress monitoring, safety oversight, intelligent performance, building management and monitoring, as well as health, durability, lifecycle analysis, and economic operational cycle analysis. This article offers a unique perspective on the applications of AI, DL, and ML throughout the entire lifespan of a building, from conceptualization, design, construction, operation, and maintenance to the end of its lifecycle. Additionally, data collection strategies utilizing smart insights and sensors, data screening methods (post-processing), data storage for the development of these models, and challenges in model development are extensively examined. Future trends in these domains and potential research avenues are also discussed.