鞠松+楊曉東

摘要： 人工智能在傳統(tǒng)行業(yè)的應(yīng)用有著廣闊的前景，近些年，已經(jīng)取得不少成績。把人工智能技術(shù)與建筑行業(yè)各專業(yè)相結(jié)合，制成相應(yīng)專家系統(tǒng)、決策支持系統(tǒng)、智能輔佐設(shè)計等必將會帶來技術(shù)的進步與經(jīng)濟社會綜合效益。本論文全面綜述了目前國內(nèi)外人工智能技術(shù)在建筑行業(yè)的各方面已取得的研究成果以及工程應(yīng)用現(xiàn)狀，針對在建筑設(shè)計與規(guī)劃、建筑結(jié)構(gòu)、施工及工程管理等各專業(yè)子領(lǐng)域，分別闡述目前的研究和應(yīng)用情況，并加以分析，為今后進一步的研究工作提供參考。

Abstract： Artificial intelligence has a broad application prospects in the traditional industry， in the recent years， it made a lot of success. The combination of artificial intelligence technology and the construction industry， such as the corresponding expert system， decision support system， intelligent design， etc. will bring the technical progress and economic and social benefits. This paper summarizes the research achievements and engineering application status of the artificial intelligence technology in the construction industry， and aims at the professional sub-fields in the construction industry such as architectural design and planning， building structure， construction and project management respectively， and provide a reference for further research work in the future.

關(guān)鍵詞： 人工智能；建筑行業(yè)；機器學(xué)習(xí)

Key words： artificial intelligence；construction industry；machine learning

中圖分類號：TP18 文獻標(biāo)識碼：A 文章編號：1006-4311（2018）04-0225-04

0 引言

自AlphaGo人工智能程序擊敗了圍棋頂尖選手柯潔后，人工智能漸漸成為了社會熱詞和輿論關(guān)注的焦點，可以肯定的是，人工智能技術(shù)的應(yīng)用，會在今后影響我們生活的方方面面，從我們的家居、娛樂、各種服務(wù)體驗等一切，將會發(fā)生顛覆性改變。建筑行業(yè)作為我國傳統(tǒng)的體量巨大的支柱型行業(yè)，也將必然會參與到這股浪潮之中，進行產(chǎn)業(yè)的進步與升級。

1 人工智能概述

人工智能是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及系統(tǒng)的一門新的技術(shù)科學(xué)。它是在計算機科學(xué)、控制論、信息論、神經(jīng)心理學(xué)、哲學(xué)、語言學(xué)等學(xué)科的研究基礎(chǔ)上發(fā)展起來的，因此又可把它看作是一門綜合性的邊緣學(xué)科。

人工智能學(xué)科借用數(shù)學(xué)工具，比如數(shù)學(xué)分析，線性代數(shù)、概率論、數(shù)理統(tǒng)計、數(shù)理邏輯、運籌學(xué)、優(yōu)化等，數(shù)學(xué)進入人工智能學(xué)科，它們互相促進而更快地發(fā)展。

目前人工智能的研究重心主要集中在專家系統(tǒng)、模式識別、自然語言理解、自動定理證明、自動程序設(shè)計、機器人學(xué)、博弈、智能決策支持系統(tǒng)及人工神經(jīng)網(wǎng)絡(luò)等方面。

人工智能技術(shù)的實現(xiàn)方法有三種。

1.1 傳統(tǒng)人工智能方法

傳統(tǒng)的人工智能方法基于邏輯推理與演繹，將問題表述為命題邏輯和一階邏輯，然后使用經(jīng)典的邏輯學(xué)方法，進行推導(dǎo)，進而選擇策略，該方法還被用于規(guī)劃問題，在狀態(tài)空間中運用搜索規(guī)劃算法。

由于使用邏輯運算和符號操作，它適合模擬人的邏輯思維過程，解決需要進行邏輯推理的復(fù)雜問題，并用一定的符號表示知識，在已知基本規(guī)則的情況下，無需輸入大量的細(xì)節(jié)知識，該方法可對推理結(jié)論進行解釋，便于對各種可能性進行選擇。

1.2 機器學(xué)習(xí)方法

機器學(xué)習(xí)致力于研究如何通過計算的手段，利用經(jīng)驗來改善系統(tǒng)自身的性能。在計算機系統(tǒng)中，“經(jīng)驗”以“數(shù)據(jù)”的形式存在，因此，機器學(xué)習(xí)是關(guān)于計算機上從數(shù)據(jù)中產(chǎn)生模型的算法。

常用的機器學(xué)習(xí)方法包括決策樹方法、支持向量機方法、貝葉斯分類方法、聚類方法、集成學(xué)習(xí)方法、強化學(xué)習(xí)方法等。

機器學(xué)習(xí)是一種新的編程方式，它不像基于邏輯和規(guī)則的方法需要人輸入邏輯和規(guī)則，它只要把大量數(shù)據(jù)輸入給計算機，然后計算機就可以自己總結(jié)經(jīng)驗歸納邏輯，這個過程叫做訓(xùn)練，訓(xùn)練過后得到一個模型，我們稱之為機器學(xué)習(xí)模型。

1.3 深度學(xué)習(xí)方法

深度學(xué)習(xí)源于人工神經(jīng)網(wǎng)絡(luò)。它是含多隱層多感知器的一種神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。

深度學(xué)習(xí)是目前人工智能技術(shù)中新的領(lǐng)域，其動機在于建立、模擬人腦進行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機制來解釋數(shù)據(jù)，例如圖像，聲音、文本和決策。

2 人工智能技術(shù)在建筑行業(yè)中的研究和應(yīng)用

人工智能技術(shù)與建筑行業(yè)各專業(yè)相結(jié)合必將取得很好的經(jīng)濟與社會效益。目前，其已在建筑設(shè)計與規(guī)劃、建筑結(jié)構(gòu)、施工及建筑工程管理等建筑行業(yè)中的各專業(yè)子領(lǐng)域取得一些成功的嘗試、研究與應(yīng)用。endprint

2.1 人工智能技術(shù)在建筑設(shè)計與規(guī)劃中的研究和應(yīng)用

建筑的設(shè)計與規(guī)劃凝結(jié)著建筑師與規(guī)劃師的專業(yè)知識、智慧和創(chuàng)造力，這不僅是專業(yè)問題的解決，同時也是一種藝術(shù)上的創(chuàng)作過程。目前，人工智能技術(shù)已初步應(yīng)用于建筑設(shè)計選型、建筑風(fēng)格樣式的學(xué)習(xí)與模范等方面。

2017年5月31號，被稱為"世界上第一個人工智能建筑師"的小庫XKool，結(jié)合了機器學(xué)習(xí)、大數(shù)據(jù)與云端智能顯示等技術(shù)，將多種先進算法融入到最簡易的操作中。它是第一款在實際建筑應(yīng)用層面上實現(xiàn)了人工智能的建筑設(shè)計SaaS系統(tǒng)。能夠幫助建筑師和開發(fā)商極大效率的完規(guī)的分析、規(guī)劃和建筑設(shè)計前期工作。在產(chǎn)品發(fā)布會上的介紹中，小庫XKool可以介入整個設(shè)計階段的前40%，包括拿地強排與概念設(shè)計。

Rabee M. Reffat在其研究中闡述了AI的概念和技術(shù)用以在建筑設(shè)計的過程，提出了三種利用AI技術(shù)豐富建筑設(shè)計工件質(zhì)量的例子，包括基于案例的建筑設(shè)計，建筑風(fēng)格學(xué)習(xí)的模式識別和建筑風(fēng)格多樣性和復(fù)雜性的機器學(xué)習(xí)。

徐州工程學(xué)院的黨向盈等學(xué)者，采用遺傳算法對建筑設(shè)計進行優(yōu)化，為了降低算法的復(fù)雜性，提出一種神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法的建筑優(yōu)化設(shè)計方法。結(jié)果表明：與傳統(tǒng)遺傳算法對比，該方法可以有效降低算法的迭代次數(shù)和運行時間，提高建筑優(yōu)化設(shè)計的效率。

2.2 人工智能技術(shù)在建筑結(jié)構(gòu)中的研究和應(yīng)用

不論是前期的結(jié)構(gòu)設(shè)計還是建成后，建筑物在長期使用中都會產(chǎn)生的裂縫、破損，或者建筑物經(jīng)過震動、地震后的破損情況，都是影響建筑安全的重要因素，而關(guān)于這方面的評估一直是該領(lǐng)域有關(guān)專家、學(xué)者關(guān)注的焦點。人工智能技術(shù)的引入為解決該領(lǐng)域的問題提供了許多新的思路與高效的工具。

加拿大曼尼托巴大學(xué)的Young-Jin Cha和Wooram Choi教授，以及麻省理工的Oral Buyukozturk教授所做的工作，被稱為深度學(xué)習(xí)在土木工程領(lǐng)域的首此嘗試，該研究基于視覺識別的結(jié)構(gòu)損傷識別技術(shù)，使用深度學(xué)習(xí)方法，利用已有的不少研究成果得出結(jié)構(gòu)外觀狀態(tài)（裂縫分布與形態(tài)、變形變位等）與結(jié)構(gòu)損傷之間的聯(lián)系，對圖像進行高效地識別。該方法可以有效的改變過去常用的在橋梁上布置大量的傳感器的手段。

復(fù)雜工程結(jié)構(gòu)的可靠度的較精確的計算問題，一直是一個有待被解決的問題，關(guān)于如何借鑒人工智能機器學(xué)習(xí)方法，在廣西大學(xué)的趙偉在他的博士論文研究中，提出了基于高斯過程分類-MCS動態(tài)響應(yīng)面的結(jié)構(gòu)可靠度分析方法，為含有隱式功能函數(shù)的復(fù)雜工程結(jié)構(gòu)可靠度的高速求解提供一個新的選擇，并基于Breitung法的高斯過程進行回歸動態(tài)響應(yīng)面法研究。該研究所做成果在應(yīng)用于實際的大型復(fù)雜結(jié)構(gòu)進行結(jié)構(gòu)可靠度計算后，取得了較好的成績，與傳統(tǒng)響應(yīng)面法相比較，具有較高的計算精度與計算效率。

蘇國韶等學(xué)者，針對邊坡工程是復(fù)雜的非線性系統(tǒng)，提出一種對處理非線性復(fù)雜問題具有很好的適應(yīng)性一種有概率意義的核學(xué)習(xí)機——高斯過程機器學(xué)習(xí)方法，來解決邊坡穩(wěn)定性的合理評價問題，建立了相應(yīng)的邊坡穩(wěn)定性預(yù)測模型。研究表明，其方法能夠很好地表達邊坡穩(wěn)定性與各影響因素之間的非線性映射關(guān)系，能方便快捷地給出合理可靠且具有概率意義的邊坡穩(wěn)定狀態(tài)評價結(jié)果。

除此之外，美國卡內(nèi)基梅隆大學(xué)開發(fā)了高層建筑結(jié)構(gòu)初步設(shè)計的專家系統(tǒng)，對十層以上民用建筑進行結(jié)構(gòu)的初步設(shè)計，該系統(tǒng)使用了人工智能技術(shù)中的啟發(fā)式算法。普渡大學(xué)開發(fā)了對地震后房屋破損評估的專家系統(tǒng)，它利用各種觀測數(shù)據(jù)和現(xiàn)場記錄進行不確定性推理，解釋房屋的破損程度，以幫助工程師做出決策。

2.3 人工智能技術(shù)在建筑施工中的研究和應(yīng)用

麻省理工學(xué)院的S. AbouRizk對建筑模擬理論進展的進行了詳細(xì)概述概述，并結(jié)合作者在2008年10月的Peurifoy地址項目對模擬在建筑工程和管理中的作用總結(jié)了他的觀點，總結(jié)出了成功部署模擬的關(guān)鍵因素，對下一代建筑計算機建模系統(tǒng)的有著積極促進作用，并闡述了模擬在自動化項目的規(guī)劃和控制上的未來愿景中起著不可或缺的作用。

美國密歇根大學(xué)的Amir H.Behzadan等人使用了增強現(xiàn)實技術(shù)，利用了無線局域網(wǎng)WLAN以及RFID和藍牙技術(shù)進行室內(nèi)跟蹤，并利用全球定位系統(tǒng)GPS進行戶外空間情景跟蹤，提供現(xiàn)場人員對項目的計劃，圖表，進度和預(yù)算等信息的訪問，同時該系統(tǒng)配合以用戶角色的偏好，在特定的任務(wù)和現(xiàn)有項目條件下提供即時的幫助。

英國拉夫堡大學(xué)的Sarah Bowden等學(xué)者分析了智能化的信息通信技術(shù)（ICT）在施工中應(yīng)用的愿景，通過案例研究，說明了通過使用該技術(shù)對施工時間縮短、降低施工資金成本、減少缺陷、減少事故、增加可預(yù)測性、減少浪費、提高生產(chǎn)率、降低運行和維護成本上面的作用。

國立成功大學(xué)S.-M. Chen等學(xué)者提出了一種智能調(diào)度系統(tǒng)（ISS），可以幫助項目經(jīng)理根據(jù)項目目標(biāo)和項目約束，來決定人力、物力、設(shè)備和空間的近似最佳分布，以找到近似最優(yōu)的進度計劃。嘗試使用基于對真實數(shù)據(jù)的分析改變以往傳統(tǒng)的調(diào)度方法導(dǎo)致的“座椅式”的管理風(fēng)格。該系統(tǒng)在一個現(xiàn)實世界的建設(shè)項目中得以驗證有效性。

Y. Cui等學(xué)者討論了在鋼橋施工中矩形二維切割問題， 該問題需要從供應(yīng)商指定范圍內(nèi)的任意尺寸的板材切割一組矩形物品的問題，使得板面積最小化。YaodongCui等學(xué)者結(jié)合了人工智能中的啟發(fā)式算法，提出了一種使用遞歸和動態(tài)編程技術(shù)來生成解的算法。 22個實例的計算結(jié)果表明，該算法可以產(chǎn)生接近最優(yōu)的解，計算的時間對實際使用也是合理的。

日本長岡科學(xué)技術(shù)大學(xué)的L.D. Long等學(xué)者使用一種基于遺傳算法的施工項目調(diào)度方法，來解決考慮了活動的不同屬性之間的不同關(guān)系的相互影響，來達到時間最小化的方法。使用該方法在一橋梁建設(shè)實例種得以有效而成功的驗證。

馬來西亞Kebangsaan大學(xué)的Leila Ooshaksaraie等學(xué)者創(chuàng)造性的設(shè)計一個施工現(xiàn)場雨水管理計劃專家系統(tǒng)RP3CA，該專家系統(tǒng)涉及環(huán)境保護，水土流失和接收水保護等方面的大量信息，以及領(lǐng)域內(nèi)的專家知識和經(jīng)驗。RP3CA有其獨特的用戶界面，它利用地理信息系統(tǒng)功能作為支持組件來顯示空間地圖，使用確定性因子用于衡量專家信念或不信任系統(tǒng)規(guī)則，通過應(yīng)用Expert Choice軟件提供了各種替代方案。endprint

國立新加坡大學(xué)的H. Zhang等學(xué)者介紹了模糊邏輯在離散事件模擬中的應(yīng)用，以處理施工作業(yè)的不確定性，該方法使用了傳統(tǒng)人工智能技術(shù)中的邏輯推理方法。激活活動所需的資源數(shù)量的不確定性用語言術(shù)語中的模糊集建模，建立模糊邏輯if-then規(guī)則來控制活動的激活。并通過基于模糊邏輯規(guī)則的模型確定活動的持續(xù)時間隨著所涉及的資源量而變化，以實現(xiàn)施工作業(yè)模糊仿真系統(tǒng)。

2.4 人工智能技術(shù)在建筑管理中的研究和應(yīng)用

加拿大里賈納大學(xué)的Varanon Uraikul等學(xué)者為了協(xié)助工廠經(jīng)營者，采用了人工智能決策支持系統(tǒng)，用于監(jiān)控，控制和診斷任務(wù)。對復(fù)雜過程涉及的過程變量進行過程的監(jiān)控和診斷，以分析當(dāng)前狀態(tài)，檢測和診斷過程異常，或采取適當(dāng)?shù)拇胧┛刂七^程。該研究還介紹了一個全程監(jiān)控，控制和診斷的智能系統(tǒng)，并介紹麻省理工學(xué)院的過程工程智能系統(tǒng)實驗室，普渡大學(xué)智能過程系統(tǒng)實驗室，阿爾伯塔大學(xué)智能工程實驗室，以及利茲大學(xué)化學(xué)工程系的研究工作。

加拿大南艾伯塔省理工學(xué)院的Faisal Manzoor Arain等學(xué)者提出了一種基于知識的系統(tǒng)（KBS），用于管理新加坡教育建筑項目的變化。 KBS能夠通過為決策提供準(zhǔn)確和及時的信息來協(xié)助專業(yè)人士，是一個用戶友好的工具，用于分析和進行變量控制。KBS是通過收集80個教育項目的源文件，問卷調(diào)查，文獻回顧和與專業(yè)人士進行深入訪談的數(shù)據(jù)而開發(fā)。該系統(tǒng)提供有關(guān)項目變化的詳細(xì)信息。

東地中海大學(xué)的Yousef Baalousha等學(xué)者提出了一種基于網(wǎng)絡(luò)的綜合數(shù)據(jù)倉庫和用于單價分析的人工神經(jīng)網(wǎng)絡(luò)模型，通過稱為“DANUP”的通貨膨脹調(diào)整系統(tǒng)。使用Web工具和數(shù)據(jù)庫管理功能創(chuàng)建數(shù)據(jù)倉庫，集成多個異構(gòu)數(shù)據(jù)庫和其他信息源的數(shù)據(jù)，綜合成本指數(shù)，以調(diào)整估算過程中通貨膨脹的影響。

新加坡國立大學(xué)M.-Y. Cheng等學(xué)者開發(fā)了一種進化模糊混合神經(jīng)網(wǎng)絡(luò)來加強項目現(xiàn)金流量管理。作者開發(fā)并應(yīng)用了這種進化模糊混合神經(jīng)網(wǎng)絡(luò)，通過融合HNN、FL和GA等算法技術(shù)來評估建筑行業(yè)項目的成功。制成的項目績效持續(xù)評估（CAPP）軟件可以用于動態(tài)地研究影響項目績效的重要因素。結(jié)果表明，提出的進化模糊混合神經(jīng)網(wǎng)可以有效部署，實現(xiàn)輸入因子和項目成功輸出的最佳映射，以用于建筑行業(yè)動態(tài)項目成功評估。

香港理工大學(xué)H. Guo等學(xué)者基于游戲技術(shù)進行施工企業(yè)員工的安全培訓(xùn)，以解決目前業(yè)界在安全培訓(xùn)方法與工具上無法為學(xué)員提供所需的實踐操作訓(xùn)練學(xué)習(xí)的問題。該平臺有其特有的特點，通過對三個主要建筑工廠的案例研究開發(fā)和測試，成功地證明其有效性。

S. Jiang等學(xué)者使用模糊決策模型跟蹤建筑材料的無線技術(shù)，對隨著施工項目規(guī)模和規(guī)模的擴大，而目前使用現(xiàn)場數(shù)據(jù)手工操作效率低下的問題進行的了探索。該項研究對新興無線技術(shù)在大型建筑行業(yè)的計算和傳感器網(wǎng)絡(luò)提供可行的參考，以選擇合適的跟蹤建筑材料的技術(shù)，有助于施工工程師在施工現(xiàn)場等模糊環(huán)境中對選擇應(yīng)用（RFID，GPS，Wi-Fi，Zigbee和UWB）技術(shù)進行合理的排序。

3 結(jié)語

本文介紹了當(dāng)今國內(nèi)外人工智能技術(shù)在建筑行業(yè)各專業(yè)子領(lǐng)域中的研究和應(yīng)用現(xiàn)狀。目前在施工與工程管理方面已經(jīng)取得了較大的進展，相應(yīng)的專家系統(tǒng)和決策系統(tǒng)取得較好的實際應(yīng)用效果。在關(guān)于有所偏向主觀的設(shè)計方面，在現(xiàn)階段也已經(jīng)取得的一定成績，對于這方面，構(gòu)造更合理的算法模型，仍有待進一步的研究。

同時我們應(yīng)該正確的看待人工智能。它將會把人類的大腦解放出來，去從事那些更具挑戰(zhàn)性，更具創(chuàng)造性的工作。目前全世界的建筑行業(yè)都還在為實現(xiàn)了自動化，信息化和智能化而努力。不論是廣大的從業(yè)人員，還是學(xué)生、教師和研究者，都應(yīng)該抱著開放的心態(tài)去了解與學(xué)習(xí)人工智能。

參考文獻：

[1]Stuart J.Russell ， Peter Norvig，殷建平等譯.人工智能： 一種現(xiàn)代方法[M].三版.清華大學(xué)出版社，2013.

[2]周志華.機器學(xué)習(xí) Machine learning[M].清華大學(xué)出版社，2016.

[3]Ian Goodfellow，Yoshua Bengio，趙申劍等譯.深度學(xué)習(xí)Deep Learning[M].人民郵電出版社，2017.

[4]Reffat R M. Utilization of Artificial Intelligence Concepts and Techniques for enriching the Quality of Architectural Design Artifacts[J]. 2002.

[5]黨向盈，姜代紅.神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法在建筑優(yōu)化設(shè)計中的應(yīng)用[J].徐州工程學(xué)院學(xué)報（自然科學(xué)版），2017，32（2）：66-71.

[6]Cha Y J， Choi W， Büyük？觟ztürk O. Deep Learning﹞Based Crack Damage Detection Using Convolutional Neural Networks[J]. Computer﹞aided Civil & Infrastructure Engineering， 2017， 32（5）：361-378.

[7]趙偉.復(fù)雜工程結(jié)構(gòu)可靠度分析的高斯過程動態(tài)響應(yīng)面方法研究[D].廣西大學(xué)，2014.

[8]蘇國韶，宋詠春，燕柳斌.高斯過程機器學(xué)習(xí)在邊坡穩(wěn)定性評價中的應(yīng)用[J].巖土力學(xué)，2009，30（3）：675-679.

[9]Abourizk S M. Role of Simulation in Construction Engineering and Management [J]. Journal of Construction Engineering & Management， 2013， 139（139）：252-253.endprint

[10]A.H. Behzadan， Z. Aziz， C.J. Anumba， V.R. Kamat Ubiquitous location tracking for context-specific information delivery on construction sites [J].Automation in Construction， 17 （2008）， pp. 737-748.

[11]S. Bowden， A. Dorr， T. Thorpe， C. Anumba. Mobile ICT support for construction process improvement [J]. Automation in Construction， 15 （2006）， pp. 664-676.

[12]S.-M. Chen， F.H. Griffs， P.-H. Chen， L.-M. Chang Simulation and analytical techniques for construction resource planning and scheduling [J]. Automation in Construction， 21 （2012）， pp. 99-113.

[13]Y. Cui， Y. Lu .Heuristic algorithm for a cutting stock problem in the steel bridge construction [J]. Computers and Operations Research， 15 （2009），pp.612-622.

[14]L.D. Long， A. Ohsato. A genetic algorithm-based method for scheduling repetitive construction projects[J]. Automation in Construction， 18 （2009）， pp. 499-511.

[15]Ooshaksaraie L， Basri N E A， Bakar A A， et al. RP3CA： An expert system applied in stormwater management plan for construction sites in Malaysia.[J]. Expert Systems with Applications， 2012， 39（3）：3692-3701.

[16]Zhang H， Tam C M， Shi J J. Application of Fuzzy Logic to Simulation for Construction Operations[J]. Journal of Computing in Civil Engineering， 2002， 17（1）：38-45.

[17]Uraikul V， Chan C W， Tontiwachwuthikul P. Artificial intelligence for monitoring and supervisory control of process systems[J]. Engineering Applications of Artificial Intelligence， 2007， 20（2）：115-131.

[18]Arain F M， Pheng L S. A knowledge-based system as A decision making tool for effective management of variations and design improvement： Leveraging on information technology applications[J]. Electronic Journal of Information Technology in Construction， 2006， 11：373-392.

[19]Yousef Baalousha， Tahir ？覶elik. An integrated web-based data warehouse and artificial neural networks system for unit price analysis with inflation adjustment[J]. Journal of Civil Engineering & Management， 2011， 17（2）：157-167.

[20]Cheng M Y， Tsai H C， Sudjono E. Evolutionary fuzzy hybrid neural network for dynamic project success assessment in construction industry[J]. Automation in Construction， 2012， 21（1）：46-51.

[21]Guo H， Li H， Chan G， et al. Using game technologies to improve the safety of construction plant operations.[J]. Accident Analysis & Prevention， 2012， 48（3）：204-213.

[22]Shaohua Jiang， Won-Suk Jang， Miroslaw J. Skibniewski. Selection of Wireless Technology for Tracking Construction Materials Using a Fuzzy Decision Model[J]. Journal of Civil Engineering & Management， 2012， 18（1）：43-59.endprint