分析建筑管理中建筑信息模型与人工智能集成的障碍:一种混合方法研究

《Buildings》:Analyzing Barriers to BIM and AI Integration in Construction Management: A Mixed-Methods Approach

【字体: 大 中 小 】 时间:2026年06月30日 来源:Buildings 3.4

编辑推荐:

   建筑信息模型(BIM)与人工智能(AI)通过深度融合正引领建筑业进入新时代。然而,由于实践经验与探索不足,建筑企业在采用集成BIM与AI技术时仍面临重大挑战。本研究旨在通过识别与分析关键障碍,深入探讨BIM与AI的集成。通过系统性文献综述与专家咨询,识别

  

建筑信息模型(BIM)与人工智能(AI)通过深度融合正引领建筑业进入新时代。然而,由于实践经验与探索不足,建筑企业在采用集成BIM与AI技术时仍面临重大挑战。本研究旨在通过识别与分析关键障碍,深入探讨BIM与AI的集成。通过系统性文献综述与专家咨询,识别出16项主要障碍。在此基础上,构建了径向基函数神经网络增强的加权影响非线性测量系统(RBF-WINGS)模型,以计算各障碍的权重并解构其非线性交互结构。结果表明,数据相关因素构成障碍的核心类别,而组织文化和技术因素则是关键的次要障碍。本研究为中国建筑业的发展提供了理论基础,并为政府部门提供了决策参考。
**论文解读文章**

**研究背景与问题**
当前,世界正处于以大数据和人工智能(AI)驱动的第四次工业革命(工业4.0)之中,建筑业也迅速扩展了AI的应用。建筑信息模型(BIM)作为建筑、工程与施工(AEC)领域数字化转型的核心驱动力,通过三维参数化模型和基于对象的丰富数据信息,支持项目全生命周期的数字化管理。然而,建筑业作为全球数字化转型的滞后领域,在资源优化配置和多利益相关方协作方面仍存在制约。BIM与AI的集成被视为推动建筑业智能化、提升效率与决策能力的关键路径,其潜在益处包括增强数据管理与处理能力、优化设计与施工阶段、改进设施管理与运营效率、精细化成本与进度管理以及支持风险知情决策。尽管前景广阔,但由于变革阻力大、自动化水平低、结构复杂等因素,AEC行业在BIM-AI集成方面面临比其他行业更显著的挑战。现有研究多聚焦于技术层面,对集成管理的障碍及其动态交互关系关注有限,缺乏系统性分析。因此,本研究旨在识别建筑管理中BIM-AI集成的障碍,并探究其相互关联性。

**研究目的与方法**
本研究设定了三个研究目标:识别建筑管理中BIM-AI集成的障碍;使用径向基函数(RBF)神经网络增强的加权影响非线性测量系统(RBF-WINGS)模型计算障碍因素的权重;通过识别核心变量和非线性关系,检验障碍因素对BIM-AI集成的因果效应。研究人员通过系统性文献综述、行业报告分析以及跨领域专家咨询(涉及建筑管理、BIM技术、AI开发及建筑造价等领域的专家,通过腾讯会议进行结构化讨论),初步识别出障碍因素,并依据科学性、简洁性、相对独立性、客观性和数据可得性原则,构建了包含6个维度、16项具体指标的障碍指标体系。这六个维度包括管理与协作障碍、组织文化障碍、数据相关障碍、政策与法规障碍、技术障碍以及财务障碍。为分析障碍间的非线性交互关系,研究采用了RBF-WINGS模型。该模型结合了径向基函数神经网络的数据驱动学习能力和WINGS方法在量化因素间直接与间接影响强度方面的优势。研究数据来源于17位符合严格筛选标准(至少五年相关专业或研究经验,并参与过BIM/AI相关项目或咨询活动)的专家评分,专家背景涵盖建筑企业、咨询公司、高校、设计院和技术相关组织,确保了观点的多样性和代表性。专家根据WINGS语言量表对障碍的强度及其相互影响关系进行评估,评分数据被用于构建RBF-WINGS模型的直接强度-影响矩阵。

**主要研究结果**
1. **障碍识别与权重计算**:通过RBF-WINGS模型分析,计算出了16项障碍因素的参与度(R+C)和位置度(R-C)。参与度衡量因素在系统中的重要性,位置度大于零表示该因素是影响其他因素的系统驱动因素,小于零则表示是受其他因素影响的系统结果因素。
2. **核心障碍类别**:数据相关障碍的参与度最高,是阻碍BIM-AI集成的核心类别。其中,“A8:数据完整性与准确性”和“A6:数据标准化实施水平”是参与度最高且位置度为正的系统驱动因素,表明它们不仅直接阻碍集成,还显著影响其他障碍。
3. **关键次要障碍**:组织文化障碍(如“A4:建筑业数字化转型意愿”、“A5:智能建造技术理解水平”)和技术障碍(如“A11:系统间兼容程度”、“A12:BIM-AI技术应用成熟度”)也具有较高的参与度,是关键次要障碍。然而,它们的位置度多为负值,表明这些因素更多是受数据、政策等因素驱动而产生的结果,而非根本驱动因素。
4. **其他障碍角色**:财务障碍(如初始投资成本、运维成本、投资回报率不确定性)和政策法规障碍(如政策支持清晰度、监管执法力度)也被确认为重要障碍。其中,“A9:建筑政策支持清晰度”和“A14:集成技术实施的财务可行性”位置度为正,是重要的驱动因素。管理与协作障碍(如管理决策有效性、跨团队信任水平、跨部门协作效率)则多表现为系统结果因素,其改善依赖于数据基础设施和技术部署的突破。
5. **障碍间因果关系网络**:分析揭示了障碍因素间的因果链与反馈回路。例如,数据标准化水平低(A6)会直接削弱系统兼容性(A11),进而降低技术应用成熟度(A12);数据完整性不足(A8)会削弱AI输出的可靠性,降低跨团队信任水平(A2),并动摇管理层推动转型的决心(A4)。

**讨论与结论总结**
研究人员在讨论中指出,本研究通过结合RBF神经网络与WINGS方法,克服了现有研究对BIM-AI集成障碍仅进行孤立列举或静态分类的局限,揭示了障碍因素间的因果链条与系统演化逻辑。数据相关因素被确立为基础性驱动因素,这印证了先前研究关于BIM-AI集成高度依赖数据质量的论点。研究的新发现在于,组织文化和技术障碍更多是数据、政策等因素导致的结果,而非首要驱动因素,这为实践干预的优先级提供了新视角:应优先解决数据和政策问题,而非直接针对组织文化。财务障碍反映了技术升级成本与传统行业结构惯性之间的根本冲突。政策法规障碍则体现了制度体系与技术创新之间的错配。管理与协作障碍的改善,有赖于数据基础设施和技术部署的突破。

基于RBF-WINGS模型的分析结果,研究人员提出了针对性的建议:首先,应巩固数据基础设施,解决互操作性和质量瓶颈,包括开发成熟的IFC(工业基础类)到AI工具链、促进BIM软件API接口的开放与标准化。其次,应优化技术部署架构,支持场景驱动的智能应用,如在数字孪生场景部署边缘计算,在AI辅助决策场景强调“人机协作”与决策过程透明化。最后,应重构管理协作机制,支持组织与流程适配,推动从经验驱动到数据驱动的决策文化转变,并建立跨部门的BIM-AI创新中心。

**研究结论**(翻译自原文结论部分):
本研究系统地调查了建筑领域采用BIM-AI集成的障碍。通过广泛的文献综述、行业报告和专家咨询,识别、分析并将16项关键障碍归类为六个维度。使用RBF-WINGS模型,科学地分析了这些障碍之间的因果关系,以提取最关键障碍及其相互依赖性。结果表明,数据相关障碍的参与度最高,表明它们构成了最重要类别的障碍。具体而言,这些包括A6:数据标准化实施水平;A7:数据安全与隐私保护成熟度;以及A8:数据完整性与准确性。这些因素不仅直接阻碍建筑领域BIM-AI的采用,还间接影响其他障碍。此外,参与度也集中在技术和组织文化层面,表明组织文化和技术因素是关键的次要障碍。这些包括A4:建筑业数字化转型意愿;A5:智能建造技术理解水平;A11:系统间兼容程度;A12:BIM-AI技术应用成熟度;以及A13:系统扩展灵活性。本研究为AEC行业从业者和政策制定者提供了可操作的指导,特别是在制定有针对性的策略以应对已识别的BIM-AI集成障碍方面。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号