《CivilEng》：Integrating Artificial Intelligence (AI) and Building Information Modeling (BIM) Technologies to Automate CO2 Emission Calculations and Support Low-Carbon Building Design: A Systematic Literature Review
编辑推荐：
建筑、工程、施工与运营（AECO）行业的脱碳进程，提升了将碳指标纳入设计决策的需求。本文开展一项遵循PRISMA协议的系统性文献综述（SLR），旨在探究结合人工智能的CO2排放计算自动化是否已被用于支持基于建筑信息模型（BIM）的低影响设计决策。检索覆盖Sco
建筑、工程、施工与运营（AECO）行业的脱碳进程，提升了将碳指标纳入设计决策的需求。本文开展一项遵循PRISMA协议的系统性文献综述（SLR），旨在探究结合人工智能的CO2排放计算自动化是否已被用于支持基于建筑信息模型（BIM）的低影响设计决策。检索覆盖Scopus、Web of Science与ScienceDirect数据库，纳入2021至2025年发表的文献，共获得2567条记录。经去重与多阶段筛选，最终85项研究构成分析样本，并被划分为核心研究组（BIM + CO2+ AI）与基础研究组（BIM + AI、BIM + CO2、BIM + AI + 可持续性、AI + CO2）。结果表明，当前研究以部分集成为主，核心研究占比较低。尽管60%的研究实现了碳排放量化，但仅39%将量化结果用于提出、比较或优化设计方案。研究发现，BIM + CO2+ AI集成具备支持低碳建筑设计的潜力，但仍需在标准化、互操作性、验证机制、可追溯性及运营集成等方面进一步完善。
1. 引言
气候变化加剧了对各行业CO2减排的需求，建筑业是主要贡献者之一。建筑全生命周期碳排放核算依赖生命周期评价（LCA）方法，其边界依据EN 15978标准划分为产品与建造阶段（模块A）、使用与运营阶段（模块B）、报废阶段（模块C）及系统边界外收益（模块D，如回收抵扣）。LCA虽被广泛采用，但清单数据收集与影响评价过程仍高度依赖人工，耗时且易错，难以匹配设计早期快速反馈的需求。建筑信息模型（BIM）技术的进步，使其能够通过API、插件、脚本与可视化编程环境，从几何表征拓展为工程量提取、排放因子关联、性能模拟与方案比选的数据源，这种连接可在概念层面预判性能趋势，亦可在运营层面联动碳数据库与优化模块。同时，BIM与数字孪生（DT）的集成研究强调，BIM支撑模型协调与语义组织，DT则延伸至全生命周期的动态数据与资产管理，这对跨建造、运营、维护与报废阶段的碳减排至关重要。此外，6D-BIM、循环经济与AI支持的可持续建筑研究指出，利益相关方参与、互操作性、数据治理与循环价值链是低碳工作流落地的主要障碍。在此背景下，人工智能（AI）作为BIM的补充技术，已逐步应用于排放优化与能源性能预测，但BIM-AI集成在AECO领域仍处于早期阶段。现有综述多聚焦能效或广义自动化，缺乏对自动化CO2计算与设计决策支持的针对性整合。因此，本研究通过区分完全集成与部分集成研究，探讨自动化CO2计算、BIM环境与AI技术是否协同支持低影响设计决策，并围绕碳计算、计算自动化、AI应用与设计决策支持四个维度展开分析。
2. 研究方法
本研究严格遵循PRISMA协议开展系统性文献综述，检索限定为Scopus、Web of Science与ScienceDirect数据库中2021至2025年的英文同行评审期刊文章，检索策略按BIM、碳、人工智能与建造/设计四大主题块组合，未使用OR运算符以提升组合可控性。文献筛选由两名独立评审员分阶段执行，通过共识解决分歧，排除仅单一主题且无工作流集成的文献及综述类文章，最终纳入的85项研究按主题轴分类为核心组（同时集成BIM、CO2量化与AI）与基础组（BIM + AI、BIM + CO2、BIM + AI + 可持续性、AI + CO2），每篇文章仅归属一个主导类别。研究质量评估聚焦数据可靠性、验证透明度、可复现性与设计决策相关性，并采用定性成熟度量表划分BIM工作流的自动化层级，从基础模型应用到高级AI集成逐级区分。数据提取覆盖文献计量、方法设计、BIM应用、碳/可持续性指标、AI技术、结果与验证、权衡关系及集成度九个维度，确保分析一致性。
3. 结果与讨论
3.1 样本总体特征
85项研究呈现显著的主题轴不对称性：BIM + AI与BIM + CO2轴占比最高，AI + CO2与核心研究占比较低，表明同时集成三者的工作流仍稀缺。地理分布上，亚洲（57%，以中国、韩国为主）与欧洲（25%，以英国为主）为研究集中区域，美洲占9%，非洲与大洋洲占比较低，且无巴西机构作者，反映出碳数据库、能源结构与建造实践的地域依赖性限制了成果的可迁移性。时间分布显示，2024年前发文量持续增长，2025年略有下降，增长主要由BIM + AI轴驱动，核心研究近年才缓慢增加。研究类型以方法开发与计算实验（47%）、方法开发与案例研究（35%）为主，原型开发与插件开发合计仅占18%，说明领域仍以方法论探索为主，尚未大规模转化为专业实践工具。AI功能中，预测/预报占比约30%，属性解释与推荐占26%，单目标与多目标优化占25%，方案自动生成占20%。工具流分析显示，Revit是主流建模平台，IFC用于提升互操作性，EnergyPlus与DesignBuilder多用于运营碳排放，One Click LCA与Tally等LCA工具或自定义计算多用于隐含碳排放，AI层常以Python、机器学习环境与优化模型作为模块化组件嵌入，而非BIM原生功能。尽管60%的研究量化了碳排放，但仅16%覆盖全生命周期，仅39%将量化结果用于方案比选或优化，BIM + AI研究中仅17%涉及碳量化，凸显计算向决策转化的断层。
3.2 按集成轴的分析
3.2.1 BIM + AI轴：不直接量化CO2，但展示了可迁移至低碳工作流的技术能力。研究分为三个宏观目标：设计与优化方案创建（占最大比例，通过生成模型、元启发式算法、NLP需求转译与参数化规则实现布局、结构与机电方案的自动生成，最高可降低23%成本、节省90%设计时间）、BIM信息智能交互（依托NLP、数据挖掘与计算机视觉提升模型语义质量与查询效率，GPT类助手简单查询准确率达94%，但复合任务准确率降至49.5%，暴露复杂环境决策的局限性）、施工规划与管理（将BIM数据转化为进度、成本与风险决策，进度编制时间可从150分钟缩短至3–4分钟，管理决策时间减少约30%）。该轴验证了BIM作为参数化环境支持自动化生成与优化的可行性，但未关联碳指标。
3.2.2 BIM + AI + 可持续性轴：聚焦能源、热舒适、采光与改造的性能优化，未明确量化CO2。宏观目标包括性能导向的优化与生成式设计（通过参数化循环实现围护结构优化，最高降低6.7%供暖负荷与3.5%制冷负荷，或平衡能耗与成本）、能耗预测与诊断（基于BIM数据训练集成学习模型，识别屋顶、外墙与窗户为关键影响变量，误差控制在可接受范围）、既有建筑改造决策（依托现状建模与场景评估支持改造，但未关联隐含碳排放与全生命周期权衡）。该轴证明了BIM与AI可构建环境性能评估循环，但需进一步纳入排放因子与LCA边界。
3.2.3 BIM + CO2轴：直接关联BIM与碳量化，是核心集成的基础。BIM主要作为结构化数据源，碳计算通过LCA软件集成（12项）、自定义数据库计算（10项）与专用插件（1项）实现，自动化集中于工程量提取、材料映射与排放因子关联。宏观目标包括碳计算自动化与标准化（提升分项可追溯性，减少人工表格误差）、碳减排决策支持（通过多情景比选实现材料替代，最高降低52%隐含碳排放或同步降低10%成本与15%隐含碳）、建造阶段与 circularity 碳排放（延伸至施工物流、废弃物与数字孪生追踪，支持循环决策）。生命周期边界分析显示，研究多采用A1–A3（产品阶段）、A1–C4（含报废）或A1–D（含回收收益），运营阶段（B6）占比可达73%–87.86%，而结构系统碳排放中A1–A3占比可达92%，且不同数据库（ICE、GaBi、Ecoinvent）的排放强度差异可达2.5倍，凸显边界透明度的必要性。
3.2.4 AI + CO2轴：AI直接应用于碳预测与优化，但不依托BIM环境。宏观目标包括CO2预测与估算（基于建筑属性、能源数据与城市变量构建代理模型，加速量化过程，LLM可辅助解释但无法替代验证数据库）、CO2导向的优化与决策支持（针对混凝土配比、结构构件与运营控制实现多目标优化，在保障技术要求的同时降低排放与成本）。生命周期边界仅覆盖A1–A3（隐含碳）或B6（运营碳），缺乏全生命周期整合，且因脱离BIM模型，难以关联具体构件与设计方案。
3.2.5 核心研究轴：8项研究同时集成BIM、CO2与AI，分为三个宏观目标：带碳评估的方案生成与优化（将碳指标前置到设计构思阶段，通过多目标优化、生成式系统与LLM推荐实现方案比选，但常排除基础、运营碳与完整结构校验）、运营性能优化（聚焦B6边界，通过gbXML导出模型至EnergyPlus，结合可解释AI（XAI）与多目标优化探索能耗与碳减排方案，但验证多依赖模拟而非实测数据）、结构优化（针对钢结构、混凝土构件等明确变量，通过进化算法优化材料用量与废弃物，碳常作为后处理指标而非优化目标）。生命周期边界仍割裂为隐含碳与运营碳两类，集成多为模块化拼接，存在外部工具依赖、无自动反馈至BIM模型、多准则融合不足等局限。
3.3 关键壁垒与启示
跨轴分析表明，集成瓶颈不在于单一技术缺失，而在于全流程连续性断裂：BIM提供几何与参数，碳计算多在外部工具完成，AI作为后置分析层，导致数据导出时的语义丢失、格式不兼容与可追溯性弱化。生命周期边界的差异使不同研究的AI建议不可直接比较，且BIM数据质量、排放因子透明度与验证机制不足会放大决策风险。低碳设计需权衡碳、成本、舒适度、结构性能等多重目标，未来框架应超越孤立计算，构建从BIM数据、碳量化、自动化互操作、AI方法到方案比选与人工验证的完整链条，并联动数字孪生、公共数据环境（CDE）与循环经济策略，支持跨利益相关方的全生命周期决策。基于N1–N5自动化成熟度量表，BIM + CO2轴多处于N3级（环境自动化），BIM + AI轴达N4–N5级（高级计算智能），核心研究集中在N4–N5级但范围有限，印证了技术能力碎片化而非完全整合的现状。
4. 研究局限性
检索限于三大英文数据库，可能遗漏其他语言或非期刊文献；时间窗口聚焦2021–2025年，限制了历史演进分析；纳入研究在LCA边界、数据库、AI技术与验证方法上存在异质性，阻碍了定量横向对比；主题轴分类基于研究主导目标，可能忽略次要贡献；部分文献对LOD、AI参数、代码可用性与实测验证的报告不充分，反映了领域在方法透明度上的不足。
5. 结论
BIM + CO2+ AI集成已从概念阶段迈向实证探索，但尚未达到完全的方法论与运营成熟度。其核心是由BIM数据、碳计算、自动化互操作、AI方法与设计决策支持构成的连续工作流，而非三项技术的简单叠加。未来需重点推进五大方向：碳边界与数据库的标凖化、BIM语义质量与互操作性提升、将碳指标直接嵌入优化目标函数、在真实监测场景中验证模型，以及建立AI建议的人工核验与可追溯机制。唯有如此，自动化碳计算才能从量化工具转化为支持稳健、透明低碳设计决策的核心引擎。
