《Buildings》：A Bibliometric Review of Artificial Neural Networks in Construction over the Past Decade (2015–2025)
编辑推荐：
人工神经网络（Artificial Neural Networks, ANNs）是建筑研究的关键组成部分，因为建筑4.0（Construction 4.0）和基于数据的解决问题方式持续塑造着建筑行业。在本文中，研究人员对2015年至2025年间建筑研究中的人工
人工神经网络（Artificial Neural Networks, ANNs）是建筑研究的关键组成部分，因为建筑4.0（Construction 4.0）和基于数据的解决问题方式持续塑造着建筑行业。在本文中，研究人员对2015年至2025年间建筑研究中的人工神经网络进行了基于Scopus的文献计量分析。从初始的9149篇出版物中，识别出3800篇英文出版物，并使用VOSviewer（版本1.6.20）中的出版物、来源、国家、引文和关键词映射技术进行分析。出版物在2018年后显著增加，于2024年达到峰值。中国、印度和美国是建筑研究中人工神经网络的关键参与者，关键出版物聚焦于优化、混凝土性能预测、机器学习和深度学习。建筑研究中人工神经网络的关键出版物来自《Construction and Building Materials》、《IEEE Transactions on Geoscience and Remote Sensing》和《Energy》。建筑研究中的人工神经网络正朝着混合、数字化集成和基于数据的应用方向发展，尽管在可持续性、社会公平、气候适应能力和代表性不足地区方面仍存在空白。
**1. 引言**
过去十年，建筑行业见证了先进计算技术的整合，其中人工神经网络（Artificial Neural Networks, ANNs）的应用尤为显著。该方法利用大脑神经网络的结构和功能来识别模式，并基于输入信息进行预测，应用涵盖成本估算、安全监控、资源管理、缺陷检测和可持续性等领域。尽管建筑行业采用数字技术的速度相对较慢，但随着建筑4.0（Construction 4.0）的到来，基于人工智能（Artificial Intelligence, AI）的解决方案（包括ANN）的应用大幅增加。ANN的应用已发展到处理非线性多变量问题，其增长轨迹与建筑项目日益增长的复杂性并行。现有文献聚焦于能源管理和成本估算，以及反向传播方法和混合ANN结构（如结合模糊逻辑或遗传算法）。深度学习变体，如卷积神经网络（Convolutional Neural Networks, CNNs），在基于图像的应用（如缺陷检测和安全帽识别）中受到欢迎。然而，现有研究大量集中于成本估算、能源消耗优化和结构健康监测，而对生命周期可持续性评估、社会公正和气候变化的关注相对较少。ANN对高质量数据输入的依赖性在建筑行业因数据系统碎片化而加剧。值得注意的发展包括ANN与建筑信息模型（Building Information Modelling, BIM）、物联网（Internet of Things, IoT）和数字孪生（Digital Twins）的整合。研究方法从内容分析演进到使用先进文献计量工具（如VOSviewer和CiteSpace）进行科学图谱绘制。本研究基于2015–2025年间的Scopus索引文献，旨在：（1）检验年度出版增长和文献类型；（2）使用叠加可视化映射关键词演化与新兴主题；（3）使用密度可视化和关键词共现聚类识别研究热点；（4）识别领先的贡献国家、关键出版来源和最有影响力的作者及文献。先前的文献计量研究存在局限性，如数据库覆盖范围窄、未报告定量网络指标或主题范围受限。本研究填补了这一空白，提出了三个研究问题：出版物与引文轨迹、主题聚类与关键词模式、地理区域与期刊领先状况。
**2. 材料与方法**
研究旨在使用文献计量方法识别过去十年中人工神经网络领域的主导主题，并勾勒未来方向。采用四阶段方法：数据获取、数据精炼、数据可视化和评估。数据来源于Scopus，检索日期为2025年6月16日，检索式为TITLE-ABS-KEY（“Artificial Neural Networks”）OR TITLE-ABS-KEY（“ANN”）AND TITLE-ABS-KEY（“construction”），初始获得9149条记录。经过年份筛选（2015–2025）、学科领域限制（工程、计算机科学、数学、材料科学、决策科学）、文献类型限制（文章、会议论文、会议综述、书籍章节、书籍）、出版阶段限制（仅终版）、关键词排除（如“Human”、“Humans”、“Article”）、来源类型排除（行业期刊）和语言限制（仅英文），最终获得3800篇出版物。使用VOSviewer（版本1.6.20）进行细粒度文献计量关系分析，包括逐年出版分析、来源分析、国家分析、共被引分析、合著分析、书目耦合分析以及关键词共现分析（包括叠加和密度可视化）。
**3. 文献计量结果与讨论**
**3.1 逐年出版分析**
2015至2024年间，ANN在建筑领域的学术产出稳步显著增长，2024年达到663篇（占17.61%），随后2025年因数据收集时间点和Scopus索引滞后降至304篇。总引文量从2015年的2768篇稳步增长至2021年的13093篇峰值，随后因引文积累滞后而下降。期刊文章是最主要的文献类型，2024年达到521篇峰值；会议论文数量稳定增长，2023年达到138篇峰值；书籍章节、书籍和会议综述贡献较少。
**3.2 关键词趋势叠加可视化**
叠加可视化显示节点颜色代表平均出版年份，节点大小代表出现频率，链接粗细代表共现强度。核心关键词为“neural networks”，紧密连接“forecasting”、“machine learning”和“artificial intelligence”。早期文献中，ANN应用与材料性能和结构性能预测强相关，关键词如“compressive strength”、“concrete”、“cements”、“concrete aggregates”、“reinforced concrete”和“mean square error”。随后出现“benchmarking belt”，包括“support vector machines”、“decision trees”和“nearest neighbour search”，表明研究从“ANN能否工作”转向“ANN与其他方法相比如何”。右侧关键词如“deep learning”、“convolutional neural networks”和“convolution”呈现较晚颜色，接近核心，表明研究开始处理高维数据集（如图像）。新簇出现“data handling”、“learning systems”和“algorithm”，表明关注点转向模型部署的现实问题。下部区域“finite element method”、“numerical model”和“decision making”与核心相连但未成为主流，表明混合模型处于发展阶段。叠加可视化指向两个新兴方向：深度学习领域和数字建筑中的集成应用。
**3.3 研究热点密度可视化**
密度可视化中，亮度反映关键词出现频率和局部链接密度。最高密度区域围绕“neural networks”及其溢出到“forecasting”、“machine learning”和“artificial intelligence”，集中在性能预测导向词汇。第二个热点出现在材料与结构性能领域，包括“compressive strength”、“reinforced concrete”、“cements”等，反映了ANN在混凝土预测问题中的适用性。连接预测核心和混凝土核心的明亮区域包括“numerical model”、“finite element method”、“soils”和“energy utilisation”，表明该区域介于纯预测与工程解释之间。深度学习相关簇（“deep learning”、“convolutional neural networks”、“convolution”、“remote sensing”）虽被广泛使用但验证周期较少，因图像和传感器数据收集成本高且难以复现。低密度区域如“decision making”、“cost–benefit analysis”和“costs”表明决策支持和成本分析仍处于起步阶段。密度图还揭示了关键词碎片化问题，通过三步骤规范化处理（合并缩写、合并同义词、复核结构位置）将关键词从88个减少至82个。总体而言，图景显示一个成熟的预测驱动核心区域，以及两个扩展前沿：深度学习和传感用于现场感知，以及ANN与数字和数值技术的混合。
**3.4 关键词共现分析**
共现分析揭示五个主要聚类。聚类1（神经网络优化在建筑管理中的应用）包括“Neural Networks”、“Artificial Neural Networks”、“Construction Industry”、“Optimisation”、“Genetic Algorithms”，代表ANN作为预测和优化工具的广泛研究，涵盖成本估算、风险评估和决策支持，已从单一参数预测发展为多目标决策模型。聚类2（基于ANN的混凝土性能预测）聚焦“forecasting”、“compressive strength”、“concrete construction”、“regression analysis”、“fuzzy neural networks”，反映预测混凝土材料性能的大规模研究，混合模型（如ANN-ANFIS）提升了预测准确性，支持可持续结构设计。聚类3（深度学习框架在预测分析与分类中的应用）包括“Deep Learning”、“Convolutional Neural Networks (CNNs)”、“Prediction”、“Long Short-Term Memory (LSTMs)”，表明从浅层ANN向深度学习的转变，CNN用于建筑能耗预测，LSTM用于设备活动识别，推动安全与效率提升。聚类4和5（混合与比较机器学习方法在性能中的应用）包括“Machine Learning”、“Support Vector Machines”、“Decision Trees”、“Random Forests”、“Predictive Analytics”、“Performance”，围绕ANN与其他预测模型的比较与混合，随机森林在事故严重性预测中优于ANN，支持数据驱动决策。网络指标显示，“neural networks”总链接强度（Total Link Strength, TLS）最高（8595），“machine learning”的TLS/频率比最高（5.4），表明其作为跨聚类桥梁的作用。五聚类模块化度Q=0.31，表明结构有意义的主题划分。
**3.5 国家分布分析**
地理分布显示全球广泛参与。中国以985篇文章和18076次引用位居第一，美国以383篇和12950次引用位居第二，印度以495篇和7770次引用位居第三。其他重要贡献者包括伊朗、英国、澳大利亚、马来西亚、韩国、土耳其、沙特阿拉伯、加拿大、埃及和俄罗斯。设定阈值（≥100篇文章和≥1000次引用）识别出13个关键利益相关国家。澳大利亚和加拿大具有较高的每篇引用率。区域分析显示非洲代表性不足，仅埃及贡献显著，表明巨大未开发潜力。引文趋势表明中国自2020年后引文量急剧上升，展现新兴主导地位。
**3.6 来源分析**
来源分析显示，《Lecture Notes in Civil Engineering》文章最多（90篇），但引用较低（169次）。《Construction and Building Materials》引用最多（2602次，57篇文章）。《Sustainability (Switzerland)》发表87篇，引用1714次。《IEEE Transactions on Geoscience and Remote Sensing》引用2027次（42篇），CiteScore为13.6。《Tunnelling and Underground Space Technology》引用2012次（38篇）。《Energy》CiteScore为16.5，H指数274。整体涵盖土木工程、材料科学、岩土工程和能源领域。
**3.7 高被引作者**
共被引分析显示，Wang Y.被引最多（1047次），Zhang Y.次之（969次），Zhang J.第三（858次），其他高被引作者包括Li Y., Liu Y., Wang J., Armaghani D.J.等。姓氏重复（Wang, Zhang, Li）反映来自中国和东亚的影响占主导地位。
**3.8 高被引出版物**
高被引出版物（至少250次引用）共27篇。Zhang等人（2021）[41]居首（1719次引用），Hong等人（2021）[42]次之（1372次）。应用研究方面，Naderpour等人（2018）[24]以559次引用领先，聚焦生态友好型混凝土强度预测。Asteris等人（2021）[43]（437次引用）整合代理机器学习模型。Golafshani等人（2020）[22]（396次引用）建立混合ANN-ANFIS-GWO模型。Armaghani等人（2017）[44]（378次引用）预测隧道掘进机贯入率。研究涵盖深度学习理论、混合优化技术以及材料、能源和自动化应用。
**4. 讨论**
2018年后ANN出版物的指数增长对应深度学习框架的广泛采用和建筑4.0的明确表述，反映结构性转变。关键词共现网络显示“neural networks”（TLS=8595）和“machine learning”（TLS=4701）已成为跨研究主题的学科连接组织。中国的主导地位（985篇，18076次引用）和印度作为第三大贡献者的出现与深度学习资源密集型研究方向的集中模式一致。中国与澳大利亚之间的每篇引用差异表明数量驱动与质量驱动增长轨迹并存。高被引出版物偏向混凝土性能预测和深度学习理论，而密度可视化显示决策支持、成本分析和生命周期可持续性仍处于边缘，构成主要结构性空白。非洲、拉丁美洲和东南亚的地理代表性不足加剧了这一空白。从工程实践角度看，ANN工具在材料选择、配合比设计和成本估算方面已达到足够的方法成熟度，可集成到BIM环境；基于视觉的ANN系统（缺陷检测、安全帽监控）已适合试点部署；决策支持、成本效益分析和风险评估的弱链接（TLS分别为514、435、332）表明需将ANN输出连接到决策逻辑层和项目控制系统中；高影响研究的地理集中性意味着ANN工具可能嵌入本地化数据分布和标准，需在代表性不足地区进行本地校准。
**5. 未来研究方向**
基于识别的空白，未来研究应优先四个方向：第一，ANN在生命周期可持续性评估（包括隐含碳建模、循环经济材料流和气候适应性）中的应用代表性不足；第二，ANN与建筑信息模型（BIM）、数字孪生和物联网（IoT）传感器网络的整合在叠加可视化中表现为结构新兴簇，未来综述应追踪其是否在2027–2030年间巩固为主导簇；第三，高产出研究的地理集中性（中国、美国、印度）需针对性努力在撒哈拉以南非洲和拉丁美洲等代表性不足地区建设ANN研究能力；第四，未来文献计量研究应将数据库范围扩展至Web of Science和Google Scholar，以减少英语和期刊索引偏见。
**6. 结论**
与研究目标一致，分析考虑了年度出版增长、主题热点和新兴趋势，以及领先的国家、来源、作者和有影响力的出版物。研究发现自2018年起研究出版物呈上升趋势，美国、中国和印度是关键国家。《Construction and Building Materials》、《IEEE Transactions on Geoscience and Remote Sensing》和《Energy》是主要发表期刊。文献表明ANN在优化、混凝土性能预测、深度学习预测分析和分类领域取得显著进展。研究已从概念验证模型转向集成建筑信息模型（BIM）的先进混合模型，可预测材料、监控设备并提高建筑能效。尽管取得显著成就，但在生命周期可持续性、社会公平和气候变化适应性方面存在空白，且非洲、拉丁美洲和东南亚部分地区在全球研究格局中代表性不足。研究局限性包括依赖Scopus数据源可能引入英语偏见，以及2022年后出版物的引文积累滞后。未来研究应纳入Web of Science和Google Scholar，并探索实时安全监控、供应链管理和韧性导向设计等新应用。总之，本综述为研究人员、从业者和政策制定者提供了结构化的循证综合，为建筑行业在日益复杂的数字世界中安全采用ANN技术奠定了基础。
