کاربرد هوش مصنوعی در مهندسی عمران و معماری و صنایع ساختمان

مقاله پیشِ رو بررسی جامعی است از کاربردهای هوش مصنوعی (ai)، یادگیری ماشین (ml) و یادگیری عمیق (dl) در صنعت ساخت و ساز نسل 4.0 در زمینههای مختلف. این کاربردها شامل طراحی و تجسم معماری، بهینهسازی و طراحی مواد، تجزیه و تحلیل سازهها، ساخت برونسایتی و اتوماسیون، مدیریت ساخت، نظارت بر پیشرفت و ایمنی، عملکرد هوشمند، مدیریت و نظارت بر ساختمان و نیز نظارت بر سلامتی، دوام و تجزیه و تحلیل چرخه عمر و چرخه بهره برداری اقتصادی است. این مقاله دیدگاه منحصر به فردی از کاربردهای ai dl و ml در این حوزه ها برای تمام طول عمر ساختمان، از مرحله مفهومی، طراحی، ساخت، عملیات و نگهداری تا انتهای عمر پیش می نهد. همچنین، راهبردهای جمع آوری داده با استفاده از بینش هوشمند و حسگرها، روشهای غربال داده (پسپردازش)، ذخیره سازی داده برای توسعه این مدلها و مسائل موجود در توسعه مدل به تفصیل بررسی میشود. روندهای آینده در این حوزه ها و مسیرهای تحقیقات ممکن نیز بررسی شده است.

the applications of artificial intelligence in civil engineering, architecture, and construction industries

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.