BIM与人工智能优化建设项目能源、经济与环境的系统综述（2014–2026）

《AUTOMATION IN CONSTRUCTION》：BIM and AI for optimising energy, economy, and environment in construction projects: Systematic review (2014–2026)

　　

• 在57项纳入综述的研究中，仅9%的研究在同一工作流中同时涉及能源、成本和碳排放。
• IFC/gbXML转换错误会以系统性偏差的形式级联进入AI训练数据。
• DRL在模拟中实现了16–37%的暖通空调节能，但仅有不到3项研究展示了实际部署。
• BIM赋能的全生命周期碳排放评估正在推进，但运营和报废阶段的研究仍然不足。
• 已映射出七个优先研究方向，跨越近期、中期和长期时间框架。

**1. 引言**

建筑仍然是全球温室气体排放最重要的贡献者之一，占全球最终能源消耗的37%，排放40%的能源相关二氧化碳（CO?）[1]：这些数字从《京都议定书》到《巴黎协定》的历次气候政策周期中几乎没有减少。这一问题的根本原因在于，设计和施工决策所使用的数据远少于现代数字工具所能提供的。两项技术特别适合弥合这一差距：建筑信息模型（BIM）和人工智能（AI）。

BIM最初不过是三维绘图工具，但已发展成为一个语义丰富的平台，能够在项目各阶段存储和共享全生命周期数据[2]；ISO 19650-1:2018[3]现已将其采用的信息管理实践编纂成文。与此同时，AI以机器学习（ML）、深度学习（DL）和强化学习（RL）的形式，自2010年代中期取得突破以来，在预测和优化方面取得了快速进展[4],[5]。当BIM与AI协同使用时，新的能力成为可能：从早期设计参数预测能源性能、收紧成本估算、通过供应链追踪隐含碳排放以及实时调整建筑运营。这些能力共同跨越了本文所称的能源–经济–环境（3E）关联。

然而，现有文献仍然各自为政。早期的综述已涵盖BIM在能源模拟中的应用[6]、AI在智能建筑能源管理中的应用[7]、BIM在可持续建筑中的应用[8]以及暖通空调（HVAC）控制的深度强化学习[9]，但每一项都孤立地处理其主题。表1将本综述与最相关的八篇先行研究进行了定位对比。先行研究中标注的部分覆盖（°）反映了真实的研究范围限制：一篇涵盖能源和成本但不涉及碳排放的综述，或仅涵盖运营阶段的综述，无法满足从业者在全生命周期中同时优化3E三个维度的需求。最近的基于PRISMA的先行研究，Valdebenito和Forcael[10]，定量比较了AI–BIM集成，但在跨全生命周期同时解决成本和碳排放方面仍未到位。基于检索的四个数据库，未发现既往有符合PRISMA 2020标准的研究综述，能在同一框架下覆盖全建筑生命周期的所有三个3E维度并报告筛选一致性指标；这并不排除此类综述存在于检索范围之外的可能性。

本综述回应以下五个研究问题（RQ）：

**表1. 与相关综述的定位对比**

| 综述 | 年份 | BIM | AI | Ee | Ec | En | 全生命周期 | PRISMA 2020 |
|------|------|-----|----|----|----|----|-----------|-------------|
| Kamel & Memari [6] | 2019 | ? | × | ? | × | × | ° | × |
| Farzaneh et al. [7] | 2021 | × | ? | ? | × | × | 仅运营 | × |
| Arenas et al. [8] | 2023 | ? | ° | ? | × | × | ° | × |
| Li et al. [11] | 2024 | ? | ? | ? | × | ° | ° | × |
| Avogaro et al. [12] | 2025 | ? | ? | × | ? | × | ° | × |
| Sharif et al. [13] | 2019 | ? | ° | ? | ° | ° | ° | × |
| Valdebenito et al. [10] | 2025 | ? | ? | ? | × | × | ° | × |
| Elghaish et al. [14] | 2022 | ? | ? | ? | × | ° | ° | × |
| **本综述** | **2025** | **?** | **?** | **?** | **?** | **?** | **?** | **?** |

注：E = 能源，Ec = 经济/成本，En = 环境/碳排放。? = 已涉及；° = 部分涉及；× = 未涉及。

**RQ1** 当前存在哪些BIM至BEM（建筑能源模型）互操作性框架，以及它们在面向全生命周期3E优化方面仍存在哪些不足？

**RQ2** AI和ML在哪些方面已与BIM耦合，以预测能源性能并支持多目标设计决策？

**RQ3** 基于AI的暖通空调和建筑运营策略如何借助BIM数据实时平衡能源使用与成本？

**RQ4** BIM在量化和减少项目全生命周期碳排放方面已应用至何种程度？

**RQ5** 哪些数字孪生架构将BIM、物联网和AI连接起来以实现3E联合监控，以及关键差距在哪里？（见表2）

**表2. 研究问题可追溯性**

| RQ | 问题（缩写） | 涉及章节 | 回答章节 |
|----|-------------|---------|---------|
| RQ1 | BIM至BEM互操作性框架及其在全生命周期3E优化中的不足 | 第4.1节，附录表A | 第7节（RQ1） |
| RQ2 | AI/ML与BIM耦合用于能源预测和多目标设计 | 第4.2节，附录表B | 第7节（RQ2） |
| RQ3 | 基于AI的暖通空调/运营策略实时平衡能源和成本 | 第4.3节，附录表C & 表6 | 第7节（RQ3） |
| RQ4 | BIM量化和减少全生命周期碳排放 | 第4.4节，附录表D | 第7节（RQ4） |
| RQ5 | 数字孪生架构连接BIM、IoT和AI实现3E监控及关键差距 | 第4.5节，附录表E | 第7节（RQ5） |

注：每个RQ对应其涉及的主题轴和证据表，以及回答所在的具体位置。

基于57项主要研究，组织为五个主题轴，本文做出三项贡献：(i) BIM–AI 3E集成实际现状的量化快照，(ii) 强调互操作性不足、地理盲点和生命周期不完整性的差距分析，以及(iii) 具有可行性时间框架和最佳行动者社区的优先研究议程。本文的后续安排如下：第2节描述PRISMA 2020方法；第3节提供必要的技术背景；第4节报告五轴综合分析；第5节呈现交叉发现；第6节阐述研究议程；第7节得出结论。

**2. 方法论**

本节阐述了综述协议及语料库的构建程序。它描述了所采用的PRISMA 2020框架、在四个数据库上应用的布尔检索策略、两个筛选阶段使用的合格标准、对随机子样本执行的评估者内部一致性检验，以及对每项纳入研究应用的质量评价工具。

**2.1. 综述协议与注册**

本系统综述遵循PRISMA 2020指南[15]。综述于2025年1月至2026年4月间进行。在数据收集前已定义正式协议，规定了检索策略、纳入与排除标准、质量评估程序以及综合方法。本综述未进行预先注册；PROSPERO仅接受健康相关综述，此局限性已在第5.12节中予以说明。

**2.2. 检索策略**

以下布尔检索式于2026年4月9日在四个数据库上部署：

（"Building Information Model*" OR "BIM"）AND（"Artificial Intelligence" OR "Machine Learning" OR "Deep Learning" OR "Neural Network*" OR "Reinforcement Learning"）AND（"Energy" OR "Energy Efficiency" OR "Energy Consumption"）AND（"Construction" OR "Building Design" OR "Lifecycle"）

该布尔检索式在特定数据库中的翻译已逐字报告于表3。检索字段限制如下：Scopus和Web of Science仅检索标题、摘要和关键词（TAK）字段（分别为TITLE-ABS-KEY和TS=）；Semantic Scholar和Google Scholar应用全文索引。第二轮检索去掉了建筑领域限定词，以捕获相邻建成环境领域方法学相关的研究成果。在四个数据库中，检索共返回743条记录（去重前）：Scopus 245条，Web of Science（含Compendex）186条，Semantic Scholar和Google Scholar合计312条。浏览保留全文的参考文献列表另增加了23条背景来源。检索日期（2026年4月9日）予以报告，以便可以精确复现该查询。

**表3. 各数据库检索式**

| 数据库 | 原生查询语法（如输入所示） |
|--------|--------------------------|
| Scopus | TITLE-ABS-KEY(("Building Information Model*" OR "BIM") AND ("Artificial Intelligence" OR "Machine Learning" OR "Deep Learning" OR "Neural Network*" OR "Reinforcement Learning") AND ("Energy" OR "Energy Efficiency" OR "Energy Consumption") AND ("Construction" OR "Building Design" OR "Lifecycle")) |
| Web of Science（核心合集 + Compendex） | TS=(("Building Information Model*" OR "BIM") AND ("Artificial Intelligence" OR "Machine Learning" OR "Deep Learning" OR "Neural Network*" OR "Reinforcement Learning") AND ("Energy" OR "Energy Efficiency" OR "Energy Consumption") AND ("Construction" OR "Building Design" OR "Lifecycle")) |
| Semantic Scholar | 通过公开API进行全文相关性检索；四个词组以AND组合的从句形式提交，组内为OR同义词。不支持字段限制标记，因此匹配范围涵盖标题、摘要和已索引全文。 |
| Google Scholar | 通过高级检索布尔界面进行全文检索（相同的四个词组）。结果按相关性排序，上限为前1000条记录；不支持字段标记。 |

注：报告以供复现。四个词组在各数据库中相同，仅字段标记语法不同。

**2.3. 纳入与排除标准**

合格标准围绕人群、干预、对照、结局和研究设计（PICOS）框架构建（表4）。人群为建筑和建设项目；干预为任何将BIM和/或AI应用于能源、成本或环境结果的措施；对照为传统设计或运营，或另一种数字工具；结局为能源、经济或环境绩效的可衡量改进；研究设计为具有完整方法学描述的同行评审期刊文章或会议论文。

最终纳入的57项主要研究语料库反映了在建设项目背景下同时应用BIM和AI且涉及至少一个3E维度的出版物真正稀缺，而非检索策略的局限。将合格标准扩展至包含单一技术研究（如仅AI用于能源预测，或BIM不含AI）将使语料库膨胀至数百篇论文，但无法服务于RQ1–RQ5，因为这些研究问题专门探究集成的BIM–AI–3E交叉领域。五个主题轴进一步确保在每个聚类（n=8–16项研究）内综合仍然有意义。

**表4. 纳入与排除标准**

| 阶段 | 纳入标准 | 排除标准 |
|------|---------|---------|
| I1–I4 | I1：在建筑/项目背景下涉及BIM、数字孪生或OpenBIM；I2：将AI、ML或DL应用于至少一个3E维度（能源、成本或碳排放）；I3：报告定量方法或结构化质性综合；I4：具有全文的同行评审期刊文章或会议论文 | E1：仅为会议摘要；无方法学描述；E2：2014年前发表；E3：非英文且无同行评审翻译；E4：重复发表（相同数据集，不同发表场所） |

注：在标题/摘要和全文筛选阶段应用。

**2.4. 筛选与评估者间信度**

去除142条重复记录后，剩余606条唯一记录。记录管理、去重和筛选决策均使用Microsoft Excel 2021中的结构化决策日志进行管理；未使用专用系统综述筛选平台（如Rayyan或Covidence），因为研究团队机构资源中无法获取此类工具。主审学者筛选了全部606条标题和摘要（Pass 1），按固定顺序应用纳入和排除标准（I1→I4，然后E1→E4）。为评估评估者内部筛选一致性（同一评估者在不同时间做出的决策的可重复性），对120条记录的随机子样本（20%）以随机顺序重新筛选（Pass 2）。Cohen's kappa[16]计算结果为：

κ = (P? - P?)/(1 - P?) = (0.917 - 0.506)/(1 - 0.506) = 0.832

其中观察一致率为 P? = 110/120 = 0.917。偶然一致项 P? 由子样本2×2一致表的边际频率推导得出：

P? = (n_inc,1 × n_inc,2 + n_exc,1 × n_exc,2)/n2 = (66×68 + 54×52)/1202 = (4488 + 2808)/14400 = 0.506

Wilson 95%置信区间为 κ = 0.83（0.78–0.88），落在Landis–Koch量表[16]的"近乎完美"区间。必须强调，此kappa为评估者内部指标，而非评估者间信度：它证明了时间决策一致性，但未提供防止标准应用中系统性偏差的保护，因为这种偏差在两次筛选中同样存在。由于本研究仅有一位评估者可用，单一评估者的第二轮重新筛选是可行的一致性指标。边缘性全文案例通过三位作者讨论解决。此局限性已在第7节中予以说明。

**表5. 评估者内部一致表**

| | Pass 2：纳入 | Pass 2：排除 | 合计 |
|------|------------|------------|------|
| **Pass 1：纳入** | 62 | 4 | 66 |
| **Pass 1：排除** | 6 | 48 | 54 |
| **合计** | 68 | 52 | 120 |

注：针对120条记录筛选子样本。

标题和摘要筛选排除了435条明显偏离主题的记录。剩余171篇全文被检索并根据所有合格标准进行评估；114篇被排除（67篇偏离主题，28篇缺乏原始方法学，19篇重复发表），剩余57项主要研究用于综合分析（图1）。需注意，虽然综合严格聚焦于这57项主要研究，但总参考文献列表包含69条引用；额外引用涉及基础性背景文献、方法学指南（如PRISMA）和国际标准（如ISO），用于为综述提供语境支撑。

为验证语料库的主题分组，对57项纳入研究的标题和摘要进行了文献计量共现分析（图2）。使用VOSviewer，对共现关键词进行了映射和聚类，基于其链接强度。分析揭示了五个不同的关键词聚类，与本综合中归纳得出的五个主题轴精确对应（第4节）。具体而言，第一个聚类（蓝色）以"BIM"、"Interoperability"和"IFC"为中心；第二个（橙色）关联"Artificial Intelligence"、"Machine Learning"和"Multi-objective Optimisation"；第三个（绿色）代表"Deep Reinforcement Learning"和"HVAC Control"；第四个（紫色）汇总了"Life Cycle Assessment"和"Embodied Carbon"；第五个（青绿色）突出了"Digital Twin"和"IoT/Sensors"。这些聚类之间的桥接表明新兴的集成路径，尽管LCA和DRL节点之间的连接较稀疏，突出了设计阶段规划与运营控制之间的结构性差距。

下载：下载高分辨率图片（399KB）
下载：下载全尺寸图片

**图1. PRISMA 2020流程图**

注：BIM–AI 3E系统综述修订流程图（检索日期：2026年4月9日；57项主要研究）。

四个数据库的检索阶段、去重、标题/摘要筛选及评审者间一致性复核（κ=0.83；95% CI：0.78–0.88）、全文纳入资格评估、质量等级（高、中、低）以及综合研究五大主题轴的分布情况如下图所示。下载：下载高分辨率图片（411KB）下载：下载完整尺寸图片 图2. 关键词共现网络 注：基于57项原始研究的标题和摘要，使用VOSviewer生成，按综合研究的五大主题轴进行聚类。节点大小表示共现频率；连线粗细表示词项间关联强度。

2.5 质量评估

57项原始研究中的每一项均使用作者为本综述专门开发的四标准评分表进行评估（每项标准0–3分，总分0–12分）。该评分表旨在评估与应用型BIM-AI研究特别相关的维度，因为标准健康科学工具如混合方法评价工具（MMAT）难以很好地适用于计算和工程类研究设计。四项标准为：（1）研究目标的清晰度；（2）方法的严谨性和可重复性；（3）验证方法（含定量输出的真实案例研究）；以及（4）3E领域特定适用性，操作化定义如下：3分 = 研究同时在建设项目背景下对3E维度（能源、成本、碳）中的至少两个进行定量处理；2分 = 对一个3E维度进行定量处理并讨论对其他两个维度的影响；1分 = 对一个3E维度进行处理但未进行跨领域讨论；0分 = 无明确的3E框架。得分9–12分为高质量（n=31；54%），5–8分为中等质量（n=19；33%），0–4分为低质量（n=7；13%）。完整的质量矩阵作为补充材料A提供。未应用标准健康科学评价工具（MMAT、Cochrane偏倚风险评估），因为它们不适用于计算工程、基于物理的仿真或文献计量学研究设计；因此专门开发了该自定义评分表以反映应用型BIM-AI研究的具体方法论要求。

为确保标准4（3E领域特定适用性）应用的透明度，提供了三个示例。研究使用"3E"标签并非获得高分的必要条件；重要的是跨多个维度的定量证据。高质量（11/12）：Wu等人[17]：五目标问题（能源、舒适度、采光、生命周期成本、CO?），采用RF-NSGA-III，基于中国建筑节能标准（NZEB）在真实教学建筑上验证；C4=3，因为对两个或以上3E维度进行了定量处理。中等质量（7/12）：Zhao等人[18]：目标明确，标准遗传算法，单一中国案例研究；仅涉及能源和采光，未量化成本或生命周期碳；C4=1。低质量（3/12）：Yang[19]：宽泛综述，无系统方法论，无原创案例研究，无定量3E框架；C4=1。

敏感性检验：排除7项低质量研究不改变任何五大主题轴的综合结论或跨领域缺口发现。3E覆盖统计从5/57（9%）变为5/50（10%）。

3. 背景

本节建立了综合研究所依赖的技术术语。它追溯了BIM从几何表征到语义丰富的生命周期数据管理的演变，定位了文献中遇到的各类AI方法，并定义了贯穿整个综述的能源-经济-环境（3E）分析框架。

3.1 建筑信息模型：从几何到生命周期智能

BIM起源于Charles Eastman的建筑描述系统（1974年），这是最早提出的以单一共享数字模型替代基于图纸设计的构想。经过五个十年的发展，BIM从三维几何建模演变为语义丰富、以模型为中心的工作流：一个权威数字表示贯穿所有项目阶段，承载几何、语义和生命周期数据[20]。熟悉的"nD"框架通过叠加时间排程（4D）、成本估算（5D）、可持续性分析（6D）和设施管理（7D）将这一发展轨迹形式化[2]。当前前沿——AI驱动的生成式设计直接集成于BIM编制平台中——标志着设计变体生成与性能评估同步进行，绕过了传统顺序工作流的定性转变[19][21]。开放数据交换依赖两个主要标准：由buildingSMART国际维护的行业基础类（IFC）和向能源仿真工具提供输入的绿色建筑XML（gbXML）[6]。然而在实践中，BIM在商业建筑以外的采用并不均衡，且IFC向能源分析环境的转换仍然丢失足够的语义细节，从而削弱了该框架所承诺的生命周期优化能力[22]。

3.2 建筑环境中的AI格局

此处最相关的三类AI方法：第一，监督学习ML，包括随机森林、梯度提升（LightGBM、XGBoost）和人工神经网络（ANN），主导着能源性能预测和成本估算，通常基于仿真输出或历史项目记录进行训练[23][24]。第二，多目标进化算法如非支配排序遗传算法（NSGA-II、NSGA-III），与ML代理模型配合使用，搜索平衡能源、舒适度和成本的帕累托最优设计[17][25]。第三，深度强化学习（DRL）将建筑视为环境，通过试错和奖励学习暖通空调及其他控制策略，无需显式热力学模型[9][26]。数字孪生（DT）架构将这些部分整合起来，将实时传感器数据连接到由BIM承载的虚拟副本，实现实时监控和决策支持[27]。

3.3 建筑业中的能源-经济-环境纽带

3E理念很明确：能源性能（使用强度、峰值需求）、经济性能（建造成本、生命周期成本、投资回报率ROI）和环境性能（隐含碳、运营CO?、废弃物）之间相互纠缠而非彼此独立。削减能源使用通常需要前期资金投入；转向低碳结构材料通常提高单位隐含成本；降低运营能源需求的被动式策略往往需要更高规格的围护结构，进而增加隐含碳；而居住者热舒适约束则限制了暖通空调回缩策略的范围。正是这些固有矛盾使得同时对整个3E纽带进行优化既必要又在技术上极具挑战性[17][28]。BIM提供了共享数据模型，使得能够对同一设计对象评估所有三个维度，而AI则提供了驾驭这些权衡的优化引擎[28][29]。然而在实践中，大多数已发表的工作最多只涉及三个维度中的两个；成本是最常被忽略的一个[12]。

AI与BIM集成的一个关键催化剂是已有充分记录的"性能差距"（Performance Gap）：设计阶段能源预测与实际运营性能之间的系统性偏差。实证研究一致表明，商业建筑的运营能耗超过设计阶段建筑能源模型（BEM）预测20%–100%[30]，其原因包括理想化的占用率假设、气象年标准化、设备退化以及确定性仿真无法完全捕捉的行为因素。弥合这一差距需要来自运营建筑反馈到设计模型的持续循环：这一架构只有成熟的数字孪生才能实现，而当前文献中尚未出现（第4.5节）。

4. 主题综合

组织本次综合研究的五大主题轴通过对57项纳入研究进行归纳式主题编码而得出，遵循Thomas和Harden[15]描述的方法。经过三次独立通读语料库，相同的五个聚类从主要研究焦点中涌现：（1）BIM到BEM的数据交换；（2）AI驱动的能源预测与设计优化；（3）基于AI的暖通空调控制；（4）BIM支持的生命周期碳评估；以及（5）用于3E监测的数字孪生架构。每个主题轴直接对应一个研究问题（RQ1–RQ5）。各主题轴的对比证据表（表A–E，作为补充材料E提供）使跨全部57项研究的方法论比较成为可能。

4.1 BIM-BEM互操作与数据交换

BIM与建筑能源模型（BEM）工具的集成是将AI应用于设计阶段能源优化的基础前提。Kamel和Memari[6]进行了最全面的BIM到能源仿真互操作性综述，识别出七类问题：缺失几何信息、错误的空间边界、热区映射不一致、缺失或错误的材料属性、暖通系统抽象失败、细节级别（LOD）过度指定导致的文件膨胀，以及工具版本不兼容。他们基于Python的纠错中间件证明，在向EnergyPlus导入之前自动修复绿色建筑XML（gbXML）文件可将仿真偏差（相对于竣工数据）降低多达34%，为互操作修正确立了模板，后续研究在此基础上展开。Pinheiro等人[31]通过基于信息交付手册（IDM）框架的模型视图定义（MVD）将信息交换需求形式化，认为标准化各开发级别（LOD）所需的IFC实体是确保BIM-建筑能源性能仿真（BEPS）数据可靠传输的最可行途径。其MVD特别针对EnergyPlus和Modelica仿真环境，证明IFC架构的正式指定子集可在不依赖专有导出筛选器的情况下实现一致的能源模型生成。

Porsani等人[22]对Revit（编制工具）与三个EnergyPlus兼容引擎（DesignBuilder、OpenStudio、CYPETHERM HE）之间gbXML和IFC作为转换格式进行了并列比较，发现从开放架构导出生成的建筑能源模型的建筑面积比BIM源模型小多达7.5%，且各工具间的仿真分歧在6倍至900倍之间。这一惊人的仿真结果方差凸显了对基于BIM派生仿真数据训练的AI模型的关键可靠性担忧：如果数据生成管线几何不一致，代理模型将继承系统性偏差并传递至设计建议。Utkucu和S?zer[32]解决了多物理场互操作问题，在共享BIM平台上整合了BIM派生建筑几何、计算流体力学（CFD）自然通风模型和热能仿真，发现主要瓶颈是IFC导出过程中暖通系统拓扑的丢失——这一发现得到了Lai等人[33]在非同质BIM软件交换研究中的印证。

最近的研究已从诊断互操作失败转向构建面向合规的框架。Gourabpasi和Marzouk[34]提出了一种开放BIM信息交付规范（IDS）框架，定义了各LOD下运营碳评估的最低IFC数据需求，使BIM模型在传递给能源或LCA工具前可自动验证。Sanhudo等人[35]提供了从现场数据采集（激光扫描、红外热成像）到BIM模型生成再到能源分析的全面方法论，专门针对既有建筑改造工作流：在此背景下IFC保真度尤为困难，因为竣工几何与原始设计文件显著偏离。Alhammad等人[36]证实，二进制转换仍是BIM-BEM数据交换最可靠的机制，绿色建筑工作室（Green Building Studio）对EnergyPlus引擎实现了比开放架构替代方案更高的保真度，但代价是供应商锁定。Su?nik等人[37]将互操作范围扩展至声学仿真，证明基于Dynamo的可视化编程可通过直接从BIM几何计算声学参数来绕过IFC限制：该策略可适用于其他物理性能领域。

基于所综述的八项研究，将数据可靠地从BIM编制工具传输到能源仿真环境仍是文献库中最一致报告的障碍[6][22]。根本原因是本体论上的：BIM围绕建筑产品和几何组织信息，而能源仿真需要热区和边界条件。标准化语义映射（IFC和gbXML）尚未完全以AI工作流所需的保真度弥合这一鸿沟。下载：下载高分辨率图片（203KB）下载：下载完整尺寸图片

4.2 AI驱动的能源性能预测与多目标优化

ML和DL在建筑能源性能预测中的应用快速增长，BIM既作为模型训练的数据源，也作为设计阶段决策支持的部署平台。Shen和Pan[23]开发了语料库中方法论最严谨的框架，将DesignBuilder参数化仿真与贝叶斯优化LightGBM（BO-LGBM）预测及基于SHAP（SHapley Additive exPlanations）的可解释性相结合，部署于自适应几何估计多目标进化算法（AGE-MOEA）优化循环中。其框架在能源预测上实现了R2>0.934和平均绝对百分比误差（MAPE）<2.13%，并识别出能源消耗、CO?排放和热不适综合目标改善13.43%，当蒙特卡洛仿真考虑模型和数据不确定性时进一步获得4.0%的收益。关键的是，SHAP分析揭示暖通系统参数（设定温度、调度和渗透率）主导了能源预测，贡献超过被动式围护结构特征：这一发现对改造优先级排序具有直接影响。

Hosamo和Hosamo[24]为挪威一所中学建筑探索了类似的BIM-ML-NSGA-II管线，在系统比较11种ML算法后选择组最小二乘支持向量机（GLSSVM）作为最优代理模型。

Their optimisation reduced building energy consumption by 37.5% and improved Predicted Percentage of Dissatisfied (PPD) thermal comfort by 33.5% simultaneously, demonstrating that Pareto-front multi-objective approaches can identify design solutions that are non-inferior on both axes compared to single-objective baselines. Wu et al. [17] extended this to a five-objective near-zero energy building (NZEB) problem, coupling BIM–DesignBuilder with Random Forest (RF)-NSGA-III, and achieved a 21.25% energy-saving rate on a teaching building in Wuhan while satisfying the Chinese NZEB standard. The five-objective formulation (energy intensity, thermal comfort, daylighting, lifecycle cost and CO2 emissions) represents one of the most complete 3E configurations identified in this review, though the lifecycle cost objective was derived from design-stage unit costs rather than whole-lifecycle financial modelling.
Khan et al. [25] extended the SHAP-XGBoost paradigm by substituting LIME (Local Interpretable Model-agnostic Explanations) as the explainability layer, providing instance-level explanations rather than global feature importance: an advantage for practitioners seeking to understand individual design decisions rather than general model behaviour. Paula et al. [38] addressed the data availability constraint inherent in design-stage prediction by generating a 210-run Design of Experiments (DOE) from BIM–EnergyPlus simulations for Orlando, Florida office buildings, training four regression algorithms, and demonstrating that Random Forest achieved ??2>0.97. Their subsequent study [39] extended the output space to five performance indicators including embodied and operational carbon, providing early-stage multi-output prediction capability directly from BIM design parameters (simulation-only; single office typology, Florida; not independently replicated).
Several studies have examined specific AI architectures in the energy prediction context. Zhao et al. [18] applied an improved genetic algorithm within a BIM-integrated parametric framework to simultaneously optimise building energy conservation and daylighting performance for a Chinese low-carbon building, navigating the well-documented tension between glazing area (which improves daylighting but increases heat loss) and envelope insulation. Elwy and Fahmy [40] synthesised 72 surrogate-assisted optimisation studies, identifying that ANNs and Kriging-based surrogate models dominate the literature and that geographic diversity in climate representation is severely skewed towards temperate and hot-dry climates, leaving humid tropical and sub-polar climates severely under-studied. Manmatharasan et al. [41] similarly reviewed 85 AI-driven design optimisation studies, highlighting the emergence of transformer-based and generative AI architectures as the next frontier for simultaneous multi-performance optimisation. Mousavi et al. [29] provided a framework taxonomy for net-zero and positive-energy buildings, classifying data-driven approaches into renewable energy supply prediction, demand-side envelope optimisation, and occupant comfort control, three layers that need to be jointly optimised in a BIM environment for genuine 3E performance.
Reported prediction accuracies are uniformly high (??2>0.90 in nearly every case), but the consistency is somewhat misleading. Most training datasets come from EnergyPlus or DesignBuilder simulations, not from metered buildings, so the ML models inherit whatever assumptions the simulator encoded. On top of that, training typically involves a single building type in a single climate zone, which limits transferability. This limitation is compounded by the well-documented Performance Gap: empirical studies show that operational energy use in commercial buildings routinely deviates from design-stage BEM predictions by 20%–100%, reflecting idealised occupancy assumptions, weather-year normalisation, and equipment degradation that no deterministic simulation fully captures [30]. Transfer learning (training on one building stock and applying the model to another) is an obvious remedy for geographical and typological narrow-training, yet only 4 of the 57 studies in this corpus use any form of domain-adapted or transfer-trained model, and none of these crosses climate zones.
The temporal extension of this review to 2026 also reveals a distinct shift towards generative design at the earliest conceptual stages. Alghasham et al. [21] and Yang [19] report that AI-driven generative tools, when integrated directly inside the BIM authoring environment, map conceptual variations and evaluate architectural iterations instantaneously. These design-phase evaluations optimise energy performance well before a traditional BEM is generated, circumventing many of the geometric interoperability issues outlined previously. Similarly, Sima and Popescu [42] mapped early-stage energy efficiency applications, concluding that 3E analyses executed at the parametric and generative stages are more cost-effective to implement. Complementing these authoring-stage tools, Urbieta et al. [43] trained a Mask R-CNN model to parse legacy 2D architectural and structural drawings and automatically generate IFC-compliant BIM models, extending AI-assisted model creation to the existing building stock that lacks digital documentation: a prerequisite for retrofit-oriented energy analysis where as-built models are otherwise unavailable.
Download: Download high-res image (251KB)
Download: Download full-size image
4.3. AI-based HVAC control and smart building operations
HVAC alone accounts for 40%–50% of electricity consumption in commercial buildings [44], making it the most significant target for near-term, AI-driven energy savings. Deep Reinforcement Learning (DRL) has become the method of choice because it can learn effective control policies directly from data (adapting to shifts in occupancy, weather and grid pricing) without the explicit thermal model that Model Predictive Control (MPC) requires.
Zhang et al. [26] established an early benchmark with their BEM-DRL framework, applying deep RL to control a radiant heating system in an existing office building. Following multi-objective Bayesian calibration of the BEM, their DRL agent achieved 16.7% heating demand reduction compared to the previous rule-based control, with statistical significance confirmed across real deployment data. This study is notable for its explicit integration of the BEM (derived from a BIM model) as the DRL training environment, representing the direct BIM–AI–operation chain that this review identifies as a key architectural pattern. Yu et al. [9] provided a systematic taxonomy of DRL methods for Smart Building Energy Management (SBEM), classifying approaches by system scale from single-zone through multi-zone to campus level, and identifying that the transition from simulation-validated to real-world deployed controllers remains the primary limitation. Their companion multi-agent study [44] demonstrated that Multi-Agent Reinforcement Learning (MARL) with an attention mechanism could manage spatially and temporally coupled HVAC zones in a commercial building, reducing energy cost by 20% compared to rule-based baselines while maintaining thermal comfort and CO2 constraints.
Wang et al. [45] addressed the specific challenge of open-plan offices with multiple Variable Air Volume (VAV) systems, proposing a low-complexity DRL architecture that achieves 37% energy savings while minimising temperature violations to below 1% of work hours, accomplished with only 40 min of training time due to the architecture's deliberate simplicity. Du et al. [46] compared DDPG (Deep Deterministic Policy Gradient) with Deep Q-Network (DQN) in multi-zone residential HVAC control and found DDPG superior on both counts: 15% lower energy cost than DQN and 98% fewer comfort violations than rule-based baselines. The policy transferred well to building configurations not seen during training. Jiang et al. [47] took a different angle, foregrounding economics by casting HVAC control as a Partially Observable Markov Decision Process whose reward function embeds time-of-use electricity pricing and demand charges. Their DQN achieved 6%–8% total cost savings, with the demand charge structure incentivising pre-cooling strategies that reduce peak consumption during high-tariff periods.
Brandi et al. [48] conducted a detailed sensitivity analysis on DRL hyperparameters and input variable selection for heating system control, finding that the choice of input features is critical: with appropriate variable selection, heating energy savings of 5%–12% are achievable, but inappropriate inputs can produce negative performance. Guo et al. [49] broadened the objective set to include not just energy and thermal comfort but also CO2 concentration and PM2.5 levels: reflecting a growing recognition that indoor air quality belongs in the control loop alongside energy cost. Using a hybrid simulator calibrated against laboratory measurements, they reported 21.4% energy savings over rule-based controls. A notable nuance emerged from their comparison: MPC outperforms DRL when disturbance conditions are well characterised and predictable, whereas DRL performs more robustly under the stochastic disturbances of real operation.
Adibhesami et al. [50] tested Q-learning against a deeper DRL architecture for HVAC control in Tehran, where extreme seasonal swings stress any controller. The DRL agent cut Energy Use Intensity by 25% and predicted thermal loads with roughly 50% greater accuracy than Q-learning. Wang et al. [51] demonstrated a BIM–deep learning digital twin for environmental satisfaction assessment in Beijing residential communities, integrating Back-Propagation Deep Coupled Heat Pump (BP-DCHP) data fusion in wireless sensor networks with BIM-hosted occupant feedback: an architecture that connects BIM's spatial model to operational AI without relying on a full DT middleware stack.
A systematic limitation persists across the DRL–HVAC literature. Classifying the 10 studies by validation type reveals: simulation-only (trained and evaluated in EnergyPlus without real-building data): 6/10 studies (60%) [9], [44], [45], [46], [47], [50]; calibrated model (physics model calibrated to metered data before DRL training): 1/10 (10%) [51]; real-world deployment (policy tested in actual building): 3/10 (30%) [26], [48], [49].
To move this observation from a qualitative caveat to an evidence-based finding, the realised energy savings reported by the three real-deployment studies were directly compared against the savings claimed by the simulation-only subset of the same corpus (Table 6). Aggregating the three field studies yields a mean realised saving of 15.5% (range 5%–21.4%), against the 16%–37% (midpoint 26.5%) reported by the six simulation-only studies. Real deployment therefore recovers, on average, only ≈59% of the savings projected in simulation: an ≈41% relative attenuation. This magnitude is consistent with the 30%–50% deviation documented for uncalibrated building energy models used as reinforcement-learning training environments [30]. Two further observations sharpen the interpretation. First, the attenuation is conservative rather than exaggerated: of the three real-world studies, only Zhang et al. [26] and Brandi et al. [48] are deployments in occupied buildings, whereas Guo et al. [49] (the highest-performing of the three) relied on a hybrid simulator calibrated to laboratory measurements rather than an in-situ occupied-building trial; excluding Guo, the two genuine field deployments average 12.6% (≈47% of the simulation midpoint). Second, no study in the corpus reports a paired simulation-and-real evaluation of the same controller, so the gap can be estimated only across studies. With only three real-deployment data points and heterogeneous baselines (heating-only versus whole-building; differing climates and control objectives), a formal random-effects meta-analysis would be statistically underpowered and potentially misleading; the structured quantitative comparison in Table 6 is therefore the defensible synthesis given the available evidence. The practical implication is concrete: DRL energy savings should be reported with an explicit validation tier, and simulation-only figures should be treated as an upper bound of which field deployment can be expected to recover roughly one half to three-fifths.
Beyond this quantified gap, there is also a conceptual disconnect with BIM. Typically, BIM supplies the initial geometry that seeds the energy model for DRL training, and then the two diverge; there is no feedback loop that updates the virtual model as the physical building ages or is renovated.
Table 6. Sim-to-real comparison for DRL-based HVAC control.
Study | Validation tier | Deployment context | Reported energy saving | Recovery vs. sim. midpoint
Zhang et al. [26] | Real (field) | Occupied office; radiant heating; Bayesian-calibrated BEM | 16.7% | 0.63
Brandi et al. [48] | Real (field) | Occupied building; heating control; input-feature sensitivity | 5%–12% (8.5%) | 0.32
Guo et al. [49] | Real (hybrid) | Lab-calibrated hybrid simulator; energy + IAQ objectives | 21.4% | 0.81
Real-deployment mean, 3 studies | 15.5% (5–21.4) | 0.59
Simulation-only subset | Simulation | 6 studies; EnergyPlus, no field data | 16%–37% (26.5) | 1.00 (ref.)
Note. Realised savings for the three real-deployment studies are compared against the aggregate range reported by the simulation-only subset of the same ten-study corpus. Values are transcribed from the sources cited in this section.
However, a promising counter-trend emerging in the 2025–2026 literature focuses on predictive maintenance as a tether between BIM environments and HVAC control. Zhao and Li [52] demonstrated that DRL coupled with dynamic anomaly detection significantly reduces unpredicted HVAC downtime. Ahmed and Kumar [53] showed that layering a predictive maintenance ML-module onto BIM reduces energy waste by forecasting electromechanical faults before operational degradation occurs.
Download: Download high-res image (244KB)
Download: Download full-size image
4.4. BIM-enabled lifecycle carbon and environmental assessment
Reducing construction-related carbon has moved from aspiration to policy mandate: the EU, the UK, China, and a growing list of other jurisdictions now set embodied-carbon benchmarks and net-zero operational targets. BIM has emerged as the natural platform for automating Life Cycle Assessment (LCA) and carbon accounting, and AI is beginning to push that capability towards prediction and optimisation.
Zhang et al. [28] developed the Carbon Emission Intensity (CEI) metric (the ratio of lifecycle carbon emissions to lifecycle costs) as a BIM-based integrated assessment framework, arguing that minimising CEI rather than carbon or cost independently produces better-balanced design decisions.
他们的优化方案使建筑能耗降低了37.5%，同时将有百分不满意率（PPD）热舒适度提升了33.5%，证明帕累托前沿多目标方法能够识别出在两个维度上均不劣于单目标基准的设计方案。Wu等人[17]将此扩展至五目标近零能耗建筑（NZEB）问题，将BIM-DesignBuilder与随机森林（RF）-NSGA-III相结合，在满足中国NZEB标准的前提下，为武汉某教学楼实现了21.25%的节能率。该五目标体系（能耗强度、热舒适度、采光、全生命周期成本和CO2排放）是本综述所识别的最完整的3E配置之一，不过其全生命周期成本目标系基于设计阶段单价推导，而非基于全生命周期财务建模。Khan等人[25]将SHAP-XGBoost范式扩展为采用LIME（局部可解释模型无关解释）作为可解释性层，提供实例级解释而非全局特征重要性：这对于希望理解个别设计决策而非一般模型行为的从业者而言是一大优势。Paula等人[38]通过基于BIM-EnergyPlus模拟针对佛罗里达州奥兰多办公楼生成了210次实验设计（DOE）来应对设计阶段预测中固有的数据可用性限制，训练了四种回归算法，并证明随机森林达到了??2>0.97。他们随后的研究[39]将输出空间扩展至五项性能指标（包括隐含碳和运行碳），实现了直接从BIM设计参数进行早期多输出预测的能力（仅基于模拟；单一办公建筑类型，佛罗里达州；未经独立复现）。
多项研究在能耗预测背景下考察了特定的AI架构。Zhao等人[18]在BIM集成的参数化框架内应用了一种改进的遗传算法，对中国某低碳建筑的建筑节能与采光性能进行同步优化，解决了玻璃面积（提升采光但增加热损失）与围护结构保温之间已充分记录的矛盾。Elwy和Fahmy[40]综合了72项代理辅助优化研究，发现神经网络和基于Kriging的代理模型在文献中占主导地位，且在气候表征的地域多样性方面严重偏向温带和炎热干燥气候，湿热热带和亚极地气候则严重缺乏研究。Manmatharasan等人[41]同样回顾了85项AI驱动的设计优化研究，强调了基于Transformer和生成式AI架构的出现，标志着同步多性能优化的下一前沿。Mousavi等人[29]提供了零碳和正能建筑的框架分类法，将数据驱动方法分为可再生能源供应预测、需求侧围护结构优化和 occupant comfort control（ occupants 舒适控制），这三个层次需要在BIM环境中联合优化才能实现真正的3E性能。
报告的预测精度普遍很高（几乎所有情况下??2>0.90），但这种一致性有些误导。大多数训练数据集来自EnergyPlus或DesignBuilder模拟，而非计量建筑数据，因此机器学习模型会继承模拟器所编码的任何假设。此外，训练通常仅涉及单一建筑类型和单一气候区，这限制了可迁移性。此限制还与已被充分记录的"性能差距"叠加：实证研究表明，商业建筑的运行能耗通常与设计阶段BEM预测值偏差达20%–100%，反映了理想化的人员占用假设、气象年归一化以及任何确定性模拟都无法完全捕获的设备退化[30]。迁移学习（在一个建筑群体上训练并将模型应用于另一个建筑群体）是地理和建筑类型狭域训练的明显解决方案，然而在这57项研究中，仅有4项使用了任何形式的领域适应或迁移训练模型，且无一跨越气候区。
本综述的时间扩展至2026年也揭示出一种向最早概念阶段生成式设计的明显转变。Alghasham等人[21]和Yang[19]报告称，AI驱动的生成式工具在直接集成到BIM编写环境内部时，能够映射概念变体并即时评估建筑迭代。这些设计阶段的评估在传统BEM生成之前就能优化能源性能，从而规避了前述的许多几何互操作性问题。类似地，Sima和Popescu[42]梳理了早期能效应用，得出结论：在参数化和生成式阶段执行的3E分析在实施上更具成本效益。作为这些编写阶段工具的补充，Urbieta等人[43]训练了一个Mask R-CNN模型来解析传统2D建筑和结构图纸，并自动生成符合IFC标准的BIM模型，将AI辅助模型创建扩展至缺乏数字化文档的既有建筑存量：这是在缺乏竣工模型时进行改造导向能耗分析的先决条件。
下载：下载高分辨率图片（251KB）
下载：下载全尺寸图片
4.3. 基于AI的暖通空调控制与智能建筑运营
仅暖通空调就占商业建筑用电量的40%–50%[44]，使其成为短期内AI驱动节能的最大目标。深度强化学习（DRL）已成为首选方法，因为它能直接从数据中学习有效的控制策略（适应用户占用、天气和电网定价的变动），而不需要模型预测控制（MPC）所需的显式热力学模型。
Zhang等人[26]通过其BEM-DRL框架建立了早期基准，将深度强化学习应用于对现有办公楼的辐射供暖系统进行控制。在对BEM进行多目标贝叶斯校准之后，其DRL智能体相比先前的基于规则的控制实现了16.7%的供暖需求减少，并且在真实部署数据中确认了统计显著性。该研究的显著之处在于将BEM（源自BIM模型）明确集成为DRL训练环境，代表本综述所识别的关键架构模式——直接的BIM-AI-运营链路。Yu等人[9]提供了智能建筑能源管理（SBEM）中DRL方法的系统分类法，按系统规模从单区域经多区域至园区级别进行分类，并指出从模拟验证到真实世界部署控制器的过渡仍是主要限制。其配套的 multi-agent 研究[44]表明，带有注意力机制的多智能体强化学习（MARL）能够管理商业建筑中在空间和时间上耦合的暖通空调区域，与基于规则的基准相比降低20%的能源成本，同时维持热舒适度和CO2约束。
Wang等人[45]针对带有多个变风量（VAV）系统的开放式办公室的特定挑战，提出了一种低复杂度的DRL架构，在将温度违规最小化至工作时间1%以下同时实现37%的节能率，由于该架构的刻意简化，仅需40分钟的训练时间即可达成。Du等人[46]在住宅暖通空调多区域控制中比较了DDPG（深度确定性策略梯度）与DQN（深度Q网络），发现DDPG在两方面均更优越：比DQN能耗成本低15%，比基于规则的基准舒适度违规减少98%。该策略在训练期间未见过的建筑配置中也能良好迁移。Jiang等人[47]从不同角度入手，通过前景化经济性，将暖通空调控制建模为部分可观测马尔可夫决策过程（POMDP），其奖励函数嵌入了分时电价和需求电荷。他们的DQN实现了6%–8%的总成本节约，且需求电荷结构激励了在高峰电价时段通过预冷策略来减少峰值用电消耗的策略。
Brandi等人[48]对供暖系统控制的DRL超参数和输入变量选择进行了详细的敏感性分析，发现输入特征的选择至关重要：在适当选择变量的情况下，可实现5%–12%的供暖节能，但不恰当的输入可能会产生负面效果。Guo等人[49]将目标集合扩展至不仅包括能源和热舒适度，还包括CO2浓度和PM2.5水平：反映出对室内空气质量理应与能源成本并列纳入控制环路的日益增强的认识。他们使用针对实验室测量值校准的混合模拟器，报告了相较于基于规则控制21.4%的节能率。其比较中揭示了一个值得注意的细微差别：当扰动条件得到良好表征且可预测时，MPC优于DRL；而在真实运行的随机扰动下，DRL表现出更强的鲁棒性。
Adibhesami等人[50]在德黑兰测试了Q学习与更深层DRL架构在暖通空调控制中的表现，该地极端季节变化对任何控制器都是严峻考验。DRL智能体将能耗强度降低了25%，热负荷预测精度比Q学习高出约50%。Wang等人[51]在北京住宅社区展示了一个BIM-深度学习数字孪生系统，用于环境满意度评估，将BP-DCHP（反向传播深度耦合热泵）数据融合在无线传感网络中与BIM托管的用户反馈相结合：这是一种将BIM空间模型连接到运营AI的架构，而无需依赖完整的数字孪生中间件栈。
系统性限制贯穿整个DRL-暖通空调文献。按验证类型对10项研究进行分类显示：仅模拟（在EnergyPlus中训练和评估，无真实建筑数据）：6/10项研究（60%）[9]、[44]、[45]、[46]、[47]、[50]；校准模型（在使用DRL训练前将物理模型校准至计量数据）：1/10（10%）[51]；真实世界部署（策略在实际建筑中测试）：3/10（30%）[26]、[48]、[49]。
为使这一观察从定性警示转变为基于证据的发现，三项真实部署研究报告的已实现节能率直接与同一语料库中仅模拟子集的声称节能率进行了比较（表6）。汇总三项实地研究得出平均已实现节能率为15.5%（范围5%–21.4%），而六项仅模拟研究报告的节能率为16%–37%（中位数26.5%）。因此，真实部署平均仅恢复了模拟中预计节能量的一半左右（约59%）：约41%的相对衰减。该量级与未校准建筑能源模型作为强化学习训练环境所记录30%–50%偏差一致[30]。两个进一步观察使解读更为精准。第一，该衰减是保守的而非夸大的：三项真实世界研究中，仅有Zhang等人[26]和Brandi等人[48]是在有人居住建筑中的部署，而Guo等人[49]（三项中表现最高的）依赖的是针对实验室测量值校准的混合模拟器，而非现场有人居住建筑试验；排除Guo的研究后，两项真正的实地部署平均为12.6%（约为模拟中位数的47%）。第二，语料库中没有研究对同一控制器报告配对的模拟与真实评估，因此差距只能在研究之间进行估计。仅凭三个真实部署数据点且基准异质（仅供暖与整栋建筑对比；不同气候和控制目标），正式的随机效应元分析将统计力不足且可能产生误导；因此表6中的结构化定量比较是鉴于现有证据所能提供的合理综合。实际含义是具体的：DRL节能数据应明确报告验证层级，且仅模拟数据应视为上限，实地部署预计可恢复约二分之一至五分之三。
除这一量化差距外，与BIM之间还存在概念上的脱节。通常，BIM提供用于DRL训练的初始几何数据作为能源模型的种子，然后两者便分道扬镳；没有反馈回路能在物理建筑老化或翻新时更新虚拟模型。
表6. DRL暖通空调控制的模拟-真实对比
研究 | 验证层级 | 部署场景 | 报告的节能率 | 相对于模拟中位数的恢复率
Zhang等人[26] | 真实（实地） | 有人办公；辐射供暖；贝叶斯校准BEM | 16.7% | 0.63
Brandi等人[48] | 真实（实地） | 有人居住建筑；供暖控制；输入特征敏感性 | 5%–12%（8.5%） | 0.32
Guo等人[49] | 真实（混合） | 实验室校准混合模拟器；能源+室内空气质量目标 | 21.4% | 0.81
真实部署平均，3项研究 | 15.5%（5–21.4） | 0.59
仅模拟子集 | 模拟 | 6项研究；EnergyPlus，无实地数据 | 16%–37%（26.5） | 1.00（参考值）
注：三项真实部署研究的已实现节能率与同一十项研究语料库中仅模拟子集报告的汇总范围进行比较。数值转录自本节引用的来源。
然而，2025–2026年文献中出现的有希望的对抗趋势侧重于将预测性维护作为连接BIM环境与暖通空调控制之间的纽带。Zhao和Li[52]证明了DRL结合动态异常检测可显著减少未预见的暖通空调停机时间。Ahmed和Kumar[53]表明，在BIM上叠加预测性维护机器学习模块可以通过在运行退化发生之前预测机电故障来减少能源浪费。
下载：下载高分辨率图片（244KB）
下载：下载全尺寸图片
4.4. BIM赋能的全生命周期碳与环境评估
减少建筑相关碳排放已从愿景转向政策强制：欧盟、英国、中国及越来越多的其他司法管辖区现在设定隐含碳基准和零运行碳目标。BIM已成为自动化生命周期评估（LCA）和碳排放核算的自然平台，AI正开始将该能力推向预测和优化。
Zhang等人[28]开发了碳排放强度（CEI）指标（全生命周期碳排放与全生命周期成本之比）作为基于BIM的综合评估框架，主张最小化CEI而非独立最小化碳排放或成本可产生更平衡的设计决策。

将该方法应用于中国公共建筑时，其研究发现材料生产阶段贡献了最大的隐含碳排放份额，同时在不超出全生命周期成本约束的前提下，用低碳替代材料替换高碳结构混凝土可使碳排放强度（CEI）降低多达30%。Liu等人[54]对BIM与碳排放研究进行了为期14年的文献计量分析，发现设计和施工阶段得到了不成比例的重视，而运营和末端阶段（这两阶段在大多数建筑类型中合计占全生命周期碳排放的70%以上[55]）在BIM文献中仍属探索不足。Li等人[56]将焦点转向施工阶段本身。其BIM—物联网（IoT）平台可实时跟踪预制建筑的碳排放，相比传统人工方法，跟踪准确率提高了30%；而通过优化装配顺序和构件再利用，可使物化阶段碳排放降低30%—50%。Ullah等人[57]对南京东南大学的C-House预制建筑进行了全生命周期BIM分析，进一步佐证了再利用的价值。C-House在第二个生命周期（拆卸后重新组装）中碳排放相较于第一个生命周期下降了70.57%[57]（单一预制案例研究，东南大学南京；未经独立复现）：这是预制建筑循环经济潜力的一个具体衡量。Parece等人[58]攻克了另一个瓶颈：评估隐含碳排放本身所花费的时间。其工具在每一个相关的精细度等级（LOD）下将BIM对象映射到生命周期评估（LCA）数据库，可将从中节省评估单栋建筑所需的最高达20小时，并为住宅类型建筑得出375—426 kgCO?e/m2的结果，与当前欧洲基准一致。Zubair等人[59]将BIM、LCA和地理信息系统（GIS）结合，为巴基斯坦建筑部门提出了一种新颖的框架，量化了GIS优化的废料运输路线可使末端阶段温室气体（GHG）排放减少21.14%，而通过替代材料选择和可再生能源集成，材料阶段和运营阶段分别可实现29.35%和16.04%的减排。这一跨尺度框架——跨越建筑几何（BIM）、环境影响（LCA）和区域物流（GIS）——代表了文献中最完整的三维框架之一，但尚未整合AI预测或优化功能。Samniang等人[60]在曼谷的一座立交桥项目中，通过应用BIM—LCA评估替代结构方案，实现了全球变暖潜势（GWP）降低67.51%，证明了BIM赋能的环境评估在基础设施而非建筑领域的应用可行性。Li等人[11]对AI—BIM用于可持续建筑进行了宏观层面的文献计量综合分析，识别出生命周期评估、成本优化、能效和施工排程为四大主要研究集群，并强调尽管AI、BIM和LCA结合具有理论潜力，但在实践中仍相对少见。缺乏与BIM对象直接集成的标准化碳排放因子数据库，在多项研究中被认定为阻碍BIM-LCA自动化工作流程的主要障碍[8][54]，这一问题正逐步由开放BIM IDS框架[34]着手解决。

4.5 用于集成三维协同优化的数字孪生

数字孪生（DT）整合了三样通常彼此分离的东西：BIM模型（几何形状和生命周期属性）、IoT传感器（来自物理建筑的实时数据）以及AI（分析、预测和优化）。原则上，这一组合使建筑在其整个生命周期内实现持续的三维监测和自适应管理成为可能[27]。Pan和Zhang[61]构建了文献中最完善的数字孪生框架之一：一个闭环系统，结合了过程挖掘、时间序列预测（含外生变量的自回归积分滑动平均，ARIMAX）和4D BIM可视化，以预测施工瓶颈并即时重新分配资源。在一个实际项目中，其系统将进度预测转化为主动管理措施，将数字孪生直接与经济结果——成本和进度超支——挂钩。然而，更棘手的难题在于如何让BIM数据和IoT数据互通。Eneyew等人[62]提出了BIM-IoTDI架构，以弥合BIM的产品-几何本体与IoT的观测-计量本体之间的语义鸿沟，其查询调解层在受控评估中表现优于早期集成方法。Wang及其同事[63]采取了互补路线，通过为IFC扩展SensorML标签，使来自无线传感器的环境数据可直接流入BIM模型。他们通过COVID后设施管理中的室内空气质量监测演示了该方法的可行性。Piras等人[64]将精益建造思维与融合BIM、IoT和AI的数字孪生相结合，当现场条件发生变化时实时重新规划工作流程，从而将进度延误（在意大利城市工地约为15%）降至最低。在运营方面，Li等人[65]在数字孪生平台中将住户可控设备（照明、空调、遮阳）的BIM模型与DesignBuilder仿真相连接；对这些设备的智能控制相比无人管理状态可实现最高30%的节能。Desogus等人[66]表明，完整的中间件层并非总是必要的。对于一座现有的意大利建筑，他们通过Revit的Dynamo应用程序编程接口（API）将IoT传感器连接至BIM，为设施管理人员提供能源消耗和室内环境的实时仪表板：这是一种轻量级方法，使既有建筑存量更易获得数字孪生类功能。数字孪生的经济论证前景令人鼓舞，但记录仍不均衡。Gebre等人[67]综合了证据，指出可实现20%—40%的全生命周期成本节约，主要归因于预测性维护和更少的施工超支。Karunaratne等人[68]则更为审慎：数字孪生在模块化建造和能耗密集型设施中的回报最为明确，但前期投资高昂，且该领域缺乏标准化的财务指标，导致跨研究比较不可靠。Avogaro等人[12]绘制了全生命周期成本分析、BIM和AI当前交叉覆盖的地图。其结论是全生命周期成本（LCC）与BIM的集成在方法论上现已成熟，但将AI加入其中（例如用于预测维护成本或优化更换计划）仍处于早期阶段，受到数据碎片化和与BIM管线其余部分相同的互操作性问题的制约。该文献集中每一个数字孪生架构都是针对单栋建筑提出、构建和测试的。尚无任何已发表研究证明其可扩展至建筑组合、可迁移至不同气候区或建筑类型，或在一个现实的50年服务期限内保持有效性。最具后果性缺失的环节是从设计到运营的交接：一个能从设计阶段模型演变为运营控制器的数字孪生，使实测建筑性能能够持续反馈并校正设计意图。

5. 交叉分析

本节从五个主题轴转向跨越这些轴的规律。它量化了三维关联中三个维度之间的结构性差距，描绘了支撑它的工具和平台生态系统的碎片化图景，识别了出现在文献边缘的技术方向，并考察了证据基础的地理和制度集中度。

5.1 主要结构性差距：三维关联中的领域碎片化

本综述并不主张每项研究都必须涵盖全部三个三维维度，单维度研究做出了重要贡献，且构成了文献主体。相反，碎片化的发现揭示了一个事实：不存在任何已发表的集成工作流程，能在一个BIM—AI平台内同时关联能源、成本和碳排放优化，且跨越完整施工生命周期。这构成了本综述所识别的主要结构性差距。

单独来看，BIM和AI在能源、成本和碳排放方面已取得可衡量的效益。然而，在单一管线内将三个维度共同集成仍然罕见：57项研究中有34项（60%）仅涉及单一三维维度（几乎全部是能源），18项（32%）涉及两个维度（最常为能源搭配碳排放或成本），仅5项（9%）同时尝试三个维度，且无一追踪从设计到拆除的完整生命周期（图3D）。这种碎片化有结构性根源。从事BIM互操作性、机器学习代理、深度强化学习控制器、LCA和数字孪生的研究社区在不同的期刊发表、与不同的行业部门合作，并遵循不同的方法学惯例。这些社区之间的交叉引用比共同问题所暗示的要薄弱。

5.2 工具与平台生态系统碎片化

三维工作流程必须穿越的工具链充斥着专有限制与开放接口不匹配的问题。BIM建模软件（Autodesk Revit、ArchiCAD、Vectorworks）导出IFC或gbXML格式，以便能源工具（EnergyPlus、DesignBuilder、IES VE、OpenStudio）可加载模型，而这些翻译过程经常丢失语义内容[6][22]。任何下游环节（包括AI层）都会继承这些丢失的信息。LCA数据库（Ecoinvent、GaBi、SimaPro）没有标准方法直接与BIM对象关联，因此材料映射必须手动完成[54][58]。数字孪生平台（AWS IoT TwinMaker、Azure Digital Twins、FIWARE）无法原生导入IFC格式，这意味着又需要一层翻译[62]。结果是形成了一条五阶段管线（BIM → IFC/gbXML → BEM → ML/DRL → DT），每个接口都引入信息丢失和人工干预（图4）。这一差距直接推动了第6节中优先事项P1（统一三维数字孪生平台）的提出。

5.3 新兴技术方向

文献中有三个技术方向值得在不同证据成熟度水平上予以关注。用于BIM的生成式AI在现有审查证据中最为扎实[19][21]：AI驱动的生成式工具集成在BIM建模环境中，可即时映射设计方案变化并评估建筑迭代，从而绕过许多互操作性问题。联邦学习是一个有证据支持的方向[29][41]：通过使AI模型能在多个建筑记录上训练而无需集中数据，它直接解决了数据稀缺和隐私约束导致训练语料库规模有限的问题。大型语言模型（LLM）作为BIM查询接口仅得到部分证据支持：Elghaish等人[14]演示了一个基于Amazon Alexa构建的自动语音识别语音助手，可通过自然语言请求检索基于IFC的BIM数据，这是对话式BIM访问的早期概念验证。然而，将此类接口从数据检索扩展到驱动三维优化（以自然语言查询BIM模型以触发能效仿真或成本—碳排放权衡）在文献中尚无任何研究演示，因此对于三维用例仍应归类为推测性。这些方向推动了第6节中优先事项P2和P5的提出，且各自的证据基础评级明确区分。

5.4 地理与制度盲区

57项研究的地理分布极不均衡。地理来源基于第一作者机构所在国进行编码，这可能与分析的建筑或案例研究地点不同；这一区别被确认为编码方案的局限性。在此基础上，中国占21项研究（37%），欧洲17项（30%），北美11项（19%），其他高收入经济体5项（9%），整个非洲仅有1项研究，拉丁美洲2项，南亚和东南亚（不含中国）3项。这种分布不仅仅是出版文化差异的产物。建筑部门最迫切需要进行脱碳的地区（撒哈拉以南非洲、南亚、拉丁美洲）恰恰是城市化增长最快的地方（撒哈拉以南非洲的建筑存量预计到2060年将增长至三倍[1]），制冷负荷上升最为急剧，且BIM采用率最低。机器学习代理的训练数据所涵盖的气候区（主要是温带大陆性气候和热带沙漠气候）同样不能代表湿热热带和季风气候——而下一轮城市化浪潮恰恰集中在这些气候区（图3）。这一差距直接推动了第6节中优先事项P6（全球南方建筑语境）的提出。

未来研究优先级

基于第5节中呈现的差距分析，本文提出了七项研究优先级。表7将四个结构性差距映射到其所激发的优先级，使推导过程完全可追溯。表8汇总了每项优先级及其技术障碍、利益相关方群体、可行性时间跨度和证据基础评级。证据基础评级区分了基于三项或更多综述研究支撑的优先级（高）、基于一至两项研究及既有相邻文献的优先级（中），以及超出综述语料库范围的优先级（推测性）。各优先级的相对定位在图5中进行了可视化呈现。

P1：统一3E数字孪生平台

被识别为最具推动3E优化潜力的干预措施，是一个开放标准平台，该平台通过共享语义层将BIM设计模型、运营AI控制器和LCA数据库连接起来：具体而言，一个基于IFC的本体模型，并辅以SensorML和Ecoinvent绑定。在综述语料库及广泛调研的文献中，未发现此类集成的开放标准平台。buildingSMART数据字典涵盖几何和产品数据；SensorML涵盖观测数据；Ecoinvent涵盖环境影响，但没有一个维护的本体桥接这三者，而构建这样一个平台是一项多年、多利益相关方的努力。

P2：多物理BIM–AI代理模型

语料库中的大多数ML代理模型根据BIM几何和围护结构参数预测单一变量（如年能耗）。少数近期模型处理两个输出[23]、[39]。差距在于缺乏一种能够在单次前向传播中同时返回能耗、隐含碳、运营碳、生命周期成本和维护成本的多输出代理模型，并且通过迁移学习进行训练，使其能够跨建筑类型和气候区泛化，而非仅针对单一项目进行拟合。

P3：实际建筑中的DRL部署与Sim-to-Real迁移

语料库中不到十分之一的研究报告了将DRL控制器部署在真实建筑中的结果[26]、[48]。鉴于未校准的训练环境与真实建筑行为之间存在30%–50%的偏差[30]，所报告的16%–37%模拟节能效果很可能大大高估了实际成果。该领域需要标准化的Sim-to-Real移交协议，涵盖：(i) 安全约束和故障保护覆盖；(ii) 有人建筑中的预热和探索期；(iii) 建议的量化基准：实际节能效果≥模拟预测节能效果的50%（即，如果模拟预测30%，实际部署应达到≥15%）；以及(iv) 共享报告格式，以支持跨建筑和跨气候的比较。建立此类协议将使经验性的实际证据基础转变为可比较的累积结果体系[30]。

P4：IFC原生AI工作流

目前，训练好的ML模型和DRL策略存储在Python文件或云端点中，与其训练所用的BIM模型没有任何正式关联。相关的标准化工作已存在（ISO 23247-2:2021[69]为制造业建立了数字孪生参考架构，涉及数据模型链接；buildingSMART IFC 5.0路线图正在开发AI关联实体类型），但没有任何一项直接针对建筑生命周期3E应用场景。一个领域特定的IFC模式扩展（可称为"IfcAIModel"）将使从业者能够在BIM文件本身内存储、版本管理和交换AI模型工件，将训练好的预测器或控制器直接绑定到其训练时的几何和语义上下文。

P5：LLM增强的BIM–3E决策支持

研究多模态LLM作为BIM–3E查询和优化的自然语言接口，使非专业项目经理能够针对实时BIM–ML模型进行诸如"什么是能将能耗降低15%的最便宜的设计变更？"这样的查询。

P6：全球南方建筑场景

撒哈拉以南非洲、南亚和东南亚以及拉丁美洲是城市增长最快、制冷负荷上升最急剧的地区，然而这些地区在本综述语料库中贡献的研究不足5%。为弥补这一差距，本文提出了三种具体的数据收集策略。(i) 开放计量数据运动：应与国家能源和气象机构（例如西非的ECREEE）合作，发布针对主流非正式和半正式建筑类型（承重砌体结构、土坯建筑、自然通风建筑）的匿名化整栋建筑能耗计量数据集，并导出为IFC兼容模式以便直接BIM–AI摄入。(ii) 低成本物联网传感器部署：在现有预制跟踪试点[56]的基础上，配备经参考仪器校准的开源硬件传感器套件（每节点低于50美元）可为当前语料库中缺失的湿热和季风气候生成多年的运营记录。(iii) 南南研究联盟：快速发展的城市化地区机构之间的结构化合作可以汇集稀缺的BIM专业知识，并在开源许可下共享带标注的训练数据集。这些策略共同将为BIM–AI能源和碳模型实现全球相关性提供不可或缺的地理多样化数据。

P7：循环经济集成

Ullah等人[57]展示了预制组件重复利用时的情况：第二个生命周期的碳排放降低了70%以上。系统性地获取这一效益需要BIM–DT框架来追踪材料从制造到拆除的来源，并将再利用潜力纳入采购成本模型，从而将碳排放论证转化为经济论证。

表7：差距–优先级可追溯性矩阵

跨领域差距 | 章节 | 所激发的优先级
3E纽结领域的领域碎片化 | §5.1 | P2（多物理代理模型）；P1（统一数字孪生平台）
工具和平台生态系统碎片化 | §5.2 | P1（统一3E数字孪生）；P4（IFC原生AI工作流）
新兴技术不成熟 | §5.3 | P5（LLM决策支持）；P2（生成式设计）
地理和制度盲点 | §5.4 | P6（全球南方）；P2（多样化训练数据）
Sim-to-Real差距（轴3） | §4.3 | P3（实际建筑DRL部署）
碳排放评估生命周期差距（轴4） | §4.4 | P7（循环经济集成）

注：将跨领域差距（第5节）映射到其所激发的研究优先级（P1–P7）。

表8：提出的研究优先级

优先级 | 主要技术障碍 | 利益相关方群体 | 时间跨度 | 证据基础
P1 统一3E数字孪生平台 | IFC–Sensor–LCA本体差距 | buildingSMART、软件供应商、研究联盟 | 长期（5+年） | 高
P2 多物理ML代理模型 | 单一输出训练；气候多样性有限 | AI/ML研究者、能源建模师 | 近期（1–2年） | 高
P3 实际建筑DRL部署 | Sim-to-Real迁移；安全约束 | 建筑运营商、控制工程师 | 中期（2–4年） | 高
P4 IFC原生AI工作流 | IFC模式扩展治理 | buildingSMART、BIM软件供应商 | 中期（2–4年） | 中
P5 LLM决策支持（新兴） | 多模态BIM数据；无语料库证据 | AI研究者、BIM从业者 | 近期（1–3年） | 推测性
P6 全球南方数据集 | 数据收集基础设施；BIM采用 | 国家政府、国际非政府组织 | 长期（3–7年） | 高
P7 循环经济集成 | 材料护照标准化 | 承包商、材料制造商、监管机构 | 中期（3–5年） | 中

注：含技术障碍、利益相关方群体和可行性时间跨度。

图5：研究优先级矩阵

注：识别出七项BIM–AI 3E优先级（P1–P7）。气泡大小与实施所需的利益相关方群体数量成正比。颜色编码表示主要技术领域：蓝色=数据/互操作性，橙色=AI/ML方法学，绿色=运营/部署，紫色=治理/政策。象限阴影区分近期与长期可行性时间跨度。评级为推测性的优先级（P5）以斜线填充区分。

图6：3E生命周期优化概念框架

注：该流程涵盖四个阶段（设计、施工、运营和报废），每个阶段均填充了本综述中识别的代表性BIM和AI方法。顶部条带显示调节数据流的互操作性标准；底部条带展示3E纽结（能源、经济、环境）及其跨阶段的权衡关系。从运营到设计的虚线反馈箭头代表了完全实现的数字孪生架构可以闭合的性能差距修正循环（第4.5节）。

7. 结论

对五个主题轴上的57项主要研究的综合分析为以下五个研究问题提供了回答：

RQ1：目前存在哪些BIM到BEM的互操作性框架，以及它们在面向全生命周期的3E优化方面仍存在哪些不足？（第4.1节，表A）。七类转换失败持续存在[6]，工具之间报告的模拟不一致性为6×–900×[22]。合规导向的IDS框架[34]代表了最可行的缓解路径，但目前不存在满足AI工作流保真度要求的供应商中立的自动化管道。

RQ2：AI和ML以何种方式与BIM耦合以预测能源性能并支持多目标设计决策？（第4.2节，表B）。ML代理模型经常实现R2>0.90[23]、[38]，但这些结果源自模拟数据、单一建筑类型和单一气候区。仅有一项研究[17]构建了真正的五维3E优化问题；跨气候区的迁移学习在整个语料库中均不存在。

RQ3：基于AI的暖通空调和建筑运营策略如何利用BIM数据在实时平衡能耗与成本？（第4.3节，表C和表6）。DRL代理在模拟环境中报告了16%–37%的节能效果[26]、[45]，但60%的暖通空调研究仅基于模拟，且正如表6中重新量化所示，现场部署平均仅恢复约59%的模拟预测节能效果（约41%衰减），且没有任何研究报告同一控制器的配对模拟与实际评估。没有任何研究在控制器部署后维持从物理建筑到BIM的反馈循环。

RQ4：BIM在量化和减少项目生命周期碳排放方面发挥了多大作用？（第4.4节，表D）。BIM赋能的LCA在预制和循环经济背景下正在推进[56]、[57]。然而，运营排放和报废阶段（两者合计占生命周期碳的70%以上[55]）研究严重不足，AI在碳排放评估中的整合仍处于起步阶段（9项研究中仅2项）。

RQ5：哪些数字孪生架构将BIM、物联网和AI连接以实现联合3E监测，关键差距在哪里？（第4.5节，表E）。共识别出14种数字孪生架构，涵盖施工调度、物联网集成、能源监测和预测性维护。没有研究报告完整的从设计到运营的链条、组合扩展性或长期验证。语义BIM–物联网集成[62]仍是主要未解决的挑战。

综合来看，这五个答案汇聚为一个贯穿整个语料库的观察。综合分析表明，尽管在个体方面取得了重大进展，但集成的BIM–AI 3E工作流远未确立。互操作性仍是主要瓶颈：基于57项研究中8项明确将BIM到BEM转换确定为首要障碍[6]、[22]，IFC和gbXML错误以损害下游模型可靠性的规模级联传递到AI训练数据中。AI驱动的能源预测在狭窄条件下技术上已成熟（R2超过0.90是常态），但这些条件非常狭窄：一种建筑类型、一个气候区、一个输出变量。将代理模型扩展到同时预测能源、成本和碳排放，并跨类型和气候进行迁移，代表一项刚刚起步的工作。

关于运营控制，暖通空调DRL代理在模拟环境中报告了16%–37%的节能效果[26]、[45]；这些结果源自未校准的EnergyPlus模型，而非真实建筑，且很可能高估了实际成果[30]。碳排放评估正在推进，特别是通过预制和循环经济研究[56]、[57]；但文献仍偏向于设计阶段的隐含碳，而运营和报废阶段的排放研究不足。数字孪生在本综述中被确定为最能够在全生命周期中实现3E协同优化的架构；然而，语料库中的每个数字孪生仅服务于单一建筑，且没有任何研究证明了可扩展性、长期有效性或从设计到运营的反馈循环。

三项方法论局限性对上述结论进行了限定。第一，筛选由单一评审员完成；评审员内一致性（κ=0.83）证明了标准应用的时序一致性，但不构成评审员间可靠性，也无法防止系统性偏差。鉴于一个位于撒哈拉以南非洲、无法访问商业筛选平台的研究团队的资源限制，独立的筛选（PRISMA合规综述的黄金标准）无法实现。读者在解读语料库构成时应考虑这一注意事项。第二，本综述未进行预注册；在数据收集前定义了正式方案，但缺少注册记录意味着无法独立排除事后调整。第三，地理编码基于第一作者机构而非建筑所在地，近似反映研究产出而非建筑存量地理分布。

上述差距转化为一份优先排序的议程。七项研究优先级涵盖从近期到长期的时间跨度。最具可操作性的近期机会是基于地理多样化数据训练的多物理ML代理模型（P2）和实际建筑DRL部署协议（P3）。更大的战略目标是统一的开放标准3E数字孪生平台（P1），该平台用连续的信息流取代当前碎片化的管道，从早期设计贯穿数十年的运营。图6中的概念框架可视化了这一生命周期整合以及尚待闭合的性能差距反馈机制。

CRediT作者贡献声明

Justin Kinda：初稿撰写、方法论、形式分析、数据整理、概念化。Fati Zoma：审阅和编辑、初稿撰写、可视化、调查、数据整理。Tégawendé Justin Zaida：审阅和编辑、验证、监督、形式分析。Coulidiati Yerpagaba：调查、数据整理。

关于写作过程中生成式AI和AI辅助技术的使用声明

在本作品准备过程中，作者使用AI工具以完善和润色稿件语言。所有AI生成或AI辅助的文本均经过作者仔细审阅，并在必要时进行了调整。

作者对出版物的内容承担全部责任。贾斯汀·金达|法蒂·佐马|特加温德·贾斯汀·扎伊达|库尔利迪亚蒂·耶尔帕加巴