赵潇羽，万 达

（天津城建大学 建筑学院，天津 300384）

从20 世纪60 年代数字技术应用于建筑学开始，建筑学科就进入了数字时代，在其后的发展过程中，科学技术进步与工程难题攻关共同推动着数字技术与建筑学科的不断融合.与此同时，经过几十年的飞速发展，人工智能已经成为新一轮科技革命和产业变革的重要驱动力量，它正在为农业、医疗、教育、能源、国防等诸多领域提供大量新的发展机遇[1]. 进入新世纪，人工智能的快速发展及对机器学习、深度学习研究的不断深入更是推动了建筑行业各个领域的技术革新，建筑设计思维及设计方法也在人工智能技术语境下有了新的研究与探索[2].本文对人工智能、机器学习及深度学习等相关概念进行概述，并对CumInCAD平台中与机器学习相关的研究进行检索，利用文献计量法分析机器学习技术应用于建筑学领域的研究热点，从而对建筑学科与机器学习的结合有更深入地理解，并对未来的研究趋势做出预测.

1 机器学习与深度学习

人工智能是一门交叉学科，和计算机科学、信息论、语言学等学科有着十分密切的关系.在1956 年召开的达特蒙斯会议上，麦卡锡首次提出人工智能的概念：人工智能就是要让机器的行为看起来就像是人所表现出的智能行为一样.

机器学习处于计算机科学和统计学的交叉点，是人工智能和数据科学的核心[3]，机器学习的关键是使用算法分析海量数据，挖掘其中存在的潜在联系，训练出一个有效的模型进行决定或预测.通常按照训练样本提供的信息以及反馈方式的不同，将其算法分为监督学习、无监督学习、半监督学习和强化学习[4].监督学习的根本目标是训练机器学习的泛化能力，通过学习对未知的结果做出预测.而无监督学习是通过学习将数据根据相似性原理进行区分，即分类问题.

深度学习是一种深层的机器学习模型，是机器学习领域最热门的分支[5]. 深度学习能够从数据中自动学习到有效的特征表示，采用的模型主要是神经网络模型.常用的神经网络包含卷积神经网络、生成对抗网络及循环神经网络等.

2 研究方法及数据来源

2.1 研究方法及工具

文献计量分析是以文献为数据源，包括搜集、整理和分析三大基本过程.知识图谱分析是可视化分析的一个分类，一般通过“网络数据”的关系构建和可视化分析，实现科学知识图谱的绘制.在网络中，节点代表被研究对象，连线表示两个研究对象之间的关系强度，使得分析结果更加美观和直接.本文运用的知识图谱工具是荷兰莱顿大学科技研究中心的van Eck 和Waltman 基于Java 平台开发的VOSviewer[6]，VOSviewer可用于构建科学出版物、研究人员、研究组织、国家、关键词和术语的网络.文章的关键词高度概括了文章的研究范畴、研究方法、研究内容等：一方面，这些关键词本身就是领域内的重要概念；另一方面，关键词又不是孤立存在的，其间的相互联系构成了领域的研究本体[7].因此，本文基于VOSviewer，运用文献计量学方法进行关键词网络共现，聚类出机器学习技术应用于建筑学领域的研究热点.

2.2 研究数据来源

本研究数据来源于CumInCAD 数据库，CumInCAD是有关计算机辅助建筑设计的出版物的累积索引，是由奥地利维也纳科技大学的Bob Martens 教授和卢布尔雅那大学（斯洛文尼亚）的Ziga Turk 教授于1998 年设计创建的[8]. 它包含来自世界各地的期刊和会议的书目信息共12300 余条记录，例如国际计算机辅助建筑设计协会（ACADIA），亚洲计算机辅助建筑设计研究协会（CAADRIA），欧洲计算机辅助建筑设计教育及研究协会（eCAADe），西班牙伊比利亚数字图形学会（SiGraDi），计算机辅助建筑设计未来国际会议（CAAD Futures）以及国际自动化与计算（IJAC）等杂志. 这些会议及杂志是数字建筑领域重要的平台，学者们通过其分享全世界的教育、研究与实践经验，展望这一领域的未来发展，因此这个平台的研究成果能够很好地反映数字建筑的研究全貌和发展趋势.

本研究在CumInCAD 中设置的检索条件为：在高级检索中依次搜索“机器学习”“机器学习、神经网络”及“神经网络”；附加条件是标题、关键词或摘要中包含“机器学习”“深度学习”“神经网络”“人工智能”“监督学习”任一词；检索时间为2020 年3 月21 日，搜索到符合条件文献共231 篇，其中最早的文献出现在1969 年.

3 机器学习研究热点领域及研究趋势

3.1 研究热点领域分析

利用VOSviewer 对231 篇论文的关键词进行识别和处理，共378 个关键词，表1 列举了除“机器学习、人工智能、神经网络”等常规词之外出现频次及连接强度最高的10 个关键词.

如表1 所示，“设计方法”和“信息处理”总连接强度最大，与其他各类论文相关性最高.其次“生成设计”“优化”“数字建造”“机器人建造”等词为机器学习研究的核心词汇.

表1 相关研究中出现频次及连接强度最高的关键词

VOSviewer 在进行网络共现时将关键词识别为“节点”，用圆圈表示，权重越大，节点越大，代表重要性越高；将关键词之间的连接关系识别为一个“连接”，每个项目的连接数表示与其有关联的项目个数；由这些节点和连接组成关键词共现网络.为了形成更明确的集群，本文在构建网络时对378 个关键词全部进行了共现，共现网络中共有378 个节点、790 个连接，网络中相关性高、联系紧密的项目组成了“集群”，该网络中共127 个集群（见图1）.

如图1 所示，关键词呈现出组团化，对包含的项目数量最多的9 个集群的内容进行整理，见表2.如表2 所示，对集群内的常规词去除后可见以“生成设计”“混合现实”“数字建造”“建筑”“深度图像”为主要标签的集群. 与生成设计相关的有“形式查找”“结构设计”“基于知识的设计”等关键词；数字建造相关的词有“材料”“机器人建造”“数字机器人”等.对于建筑能量表现的预测、性能优化以及使用机器学习算法对谷歌街景图像、全向图像等深度图像的识别和抓取等也是近年的研究热点.

图1 关键词共现网络

结合表2 显示结果，机器学习技术应用于建筑学领域的主要研究内容如下.

表2 主要集群内容

（1）生成设计：使用变分自动编码器、自组织映射等机器学习模型来完成形态生成、操作等找形过程以及结构的设计；用K 均值聚类方法对设计方案空间进行优化；基于案例推理进行方案的设计.

（2）数字建造、机器人建造：将机器人与机器学习算法相结合的数字化制造，包括对材料性能特点的研究、材料的制备以及数字建造工艺的探讨；使用人工神经网络实现对机器人操作路径的控制，乃至实现人机协同及人机交互.

（3）深度图像方面的应用：多为对谷歌街景图像、全向图像的应用，对街景深度图像进行语义分割实现对街道空间及城市环境的评估；构建深度图像与RGB图像的映射实现街景图像的生成；类似增强现实及减弱现实，利用卷积神经网络架构实现对街景图像的分割及修复.

（4）性能映射模型的建立：根据建筑的参数及能量表现构建机器学习模型实现对建筑能耗的预测，或通过对建筑设计参数的调节实现对能耗的控制.

3.2 研究趋势分析

对检索结果中2000 年以后的论文进行发文量统计，见图2.由图2 可知，2016 年之前机器学习的相关论文发表量较少，而2016 年至2019 年有关机器学习的发文量出现明显的上升趋势.对发表期刊、研究地域及各地域研究数量进行统计分析，见图3.对全球各研究机构的相关研究数量进行统计，见表3.

表3 研究机构统计

图2 2000—2019 年机器学习相关论文发表数量的变化趋势

图3 发表期刊及研究地域分析

由图3b 可知，绝大多数相关研究发表于CAADRIA、ACADIA、eCAADe、CAAD Futures 等会议.

为了分析不同地域的研究偏好，本文根据文章第一作者所属研究机构所在的地域，将231 篇机器学习相关研究分为欧洲、美洲、亚洲、大洋洲四个部分进行对比分析，见图4.由图4 可知，欧洲、美洲、亚洲的研究数量相当，占绝大多数，大洋洲的研究数量较少，美洲的绝大多数研究出自美国，主要形成了以“设计方法”“生成设计”“建筑能量表现”为标签的集群.“生成设计”“计算机视觉”是美洲研究机构主要的关注点，其次“建筑性能优化”也是一个研究热点.“数字建造”“生成设计”是欧洲学者主要的关注点. 亚洲的大多数研究出自中国及日本，“自动化”“深度图像”“街景图像”“优化”“分类”是出现频次及连接强度较高的关键词. 基于谷歌街景图像、深度图像等的图像分割是主要的关注点. 其次“图像识别”和“分类问题”也是一大研究热点，“机器人建造”与“生成设计”次之. 而“参数化设计”和“利用卷积神经网络的分类”等是大洋洲的研究热点. 东伦敦大学、苏黎世联邦理工学院等是国际上在该领域研究较多的机构.

图4 各地域研究的关键词网络

国内研究方面，机器学习技术在“机器人建造”“材料”“3D 打印”及“智慧城市”“环境性能”等方面的应用是主要的研究热点. 清华大学、同济大学等是国内在该领域研究较领先的机构（见表4、图5）.

表4 国内相关领域主要研究机构

图5 国内的研究热点及主要研究机构

4 结 语

本文对CumInCAD 平台中与机器学习相关的研究进行了统计并用文献计量的方法构建机器学习知识图谱，分析了机器学习应用于建筑领域的研究热点及发展趋势，得出以下结论.

（1）建筑领域内有关机器学习的研究的发文量从2016 年起显著增多，机器学习与建筑领域的结合将作为数字建筑的研究热点引发更多研究者的关注.

（2）亚洲、欧洲、美洲在该领域的研究总数相当，美国在此领域的相关研究最多，生成设计、计算机视觉是美洲的研究热点.亚洲较关注深度图像、图像分割及机器人建造、生成设计等领域.中国是在此领域最活跃的亚洲国家，机器学习技术在机器人建造、材料、3D 打印及智慧城市、环境性能等方面的应用是国内主要的研究热点. 国内在该领域研究较活跃的机构主要包括清华大学、同济大学、东南大学等.

（3）机器学习技术在建筑领域的研究热点主要分为以下几个方面：生成设计、数字建造、深度图像及混合现实、性能映射建模及设计决策支持等.

人工智能是新一轮科技革命的重要驱动力量.将人工智能技术应用于建筑设计及建造过程与原有的的数字化设计具有本质上的不同，在这样崭新的的“数字化时代”，建筑数字技术将具备更加强大的创造力与生命力.