《AUTOMATION IN CONSTRUCTION》：Automated compliance checking in AEC in the era of AI and LLMs: A review (2022–2025)
编辑推荐：
多模态提取落后于建筑信息模型（BIM）/工业基础类（IFC）对齐。规则形式化与推理相对成熟。知识驱动的人工智能（AI）正将自动化合规检查（ACC）转向混合推理。信任、报告质量与人工监督仍然至关重要。评估与决策支持仍然分散。
多模态提取落后于建筑信息模型（BIM）/工业基础类（IFC）对齐。规则形式化与推理相对成熟。知识驱动的人工智能（AI）正将自动化合规检查（ACC）转向混合推理。信任、报告质量与人工监督仍然至关重要。评估与决策支持仍然分散。
研究背景与框架
引言（Introduction）部分指出，在建筑、工程与施工（AEC）行业中，维持建筑项目符合法定要求对安全、可持续性和质量至关重要。在建筑信息模型（BIM）和城市地理标记语言（CityGML）等数据建模引入之前，自动化合规检查（ACC）的尝试很少。人工检查耗时且易出错，随着法规日益复杂且与更严格的可持续性标准相互关联，传统人工流程的困难增加。ACC作为替代方案出现，利用BIM等面向对象的数据环境自动检查数字建筑设计是否符合特定规范。早期采用如新加坡的CORENET ePlanCheck和澳大利亚的DesignCheck，将法规规则直接嵌入程序代码，但维护成本高且难以扩展。近期研究采用基于本体的框架，利用语义网技术如网络本体语言（OWL）、语义网规则语言（SWRL）和SPARQL协议与RDF查询语言（SPARQL）进行推理。最前沿的研究应用自然语言处理（NLP）和机器学习（ML）来解决规则捕获挑战，包括语言模型（LLM）用于生成候选规则。本文采用基于阶段的ACC分析结构，包括规则解释、模型准备、规则执行、报告和决策支持五个主要流程阶段，以及一个跨切面的保证与验证层，并提出三个研究问题以考察2022-2025年间AI和LLM时代下ACC的方法论发展、技术主题分布及剩余挑战。
研究格局与分析框架（Research landscape and analytical framework）部分回顾了ACC从早期基于规则的方法向集成语义、数据驱动和AI辅助方法的演进。初始阶段研究者从叙述性法规文本中提取规则相关信息，随后解决法规意图与数字模型之间的语义对齐，进而将法规文本形式化为规则引擎可处理的形式，并探索基于SPARQL、SHACL（形状约束语言）和SWRL的推理。本体和知识图谱（Knowledge Graphs）用于以可重用形式表示法规知识，近期研究结合结构化推理方法与LLM以适应特定项目规则。人机协同方法允许专家审查歧义案例，可解释AI（XAI）反馈系统增强信任。基准测试和评估提升方法论严谨性，工具开发与部署推动实际应用。然而，仍存在四个关键瓶颈：规则捕获瓶颈（将法律文本转换为机器可读规则仍依赖专家手动工作）、有限的语义互操作性（BIM模型通常仅描述几何和少量属性，缺乏功能或上下文意义）、领域特定解决方案（大多原型聚焦单一法规领域，难以跨领域适应）以及不透明的推理引擎（商业检查器如Solibri或Revit插件为闭源，阻碍独立审查）。基于此，本文建立了基于五阶段ACC管线的分析框架，并映射出十个技术主题：多模态信息提取、法规文本形式化、与BIM/IFC的语义对齐、本体与知识图谱集成、规则表示与推理、模型驱动合规智能、工具开发与实际应用、AI系统可解释性与信任、人机协同方法、评估与基准测试。
研究方法（Research methodology）部分描述了采用PRISMA（系统综述与元分析首选报告项目）流程，结合AI辅助发现、来源追溯保障、语义过滤和证据矩阵验证，确保透明且可重复的综述。搜索过程覆盖Scopus、Web of Science和IEEE Xplore，并辅以ChatGPT Deep Search进行AI辅助发现，检索窗口为2022年1月1日至2025年7月28日。针对ACC主题的多领域交叉特性，采用八轮迭代查询，每轮以“Automated Compliance Checking”为核心短语，结合不同主题透镜（如NLP、BIM、IFC、基于规则的方法、本体、知识图谱、LLM、AI）。筛选后获得88篇主要研究。语义过滤使用all-MiniLM-L6-v2模型生成文档嵌入，通过余弦相似度计算各研究与主题描述符的匹配度，并结合手动验证生成证据矩阵。最终，52篇论文被分类为相关（R）或部分相关（PR），纳入最终综合。
预综合分析（Pre-synthesis profiling）部分通过热力图、堆叠条形图、点矩阵等可视化工具展示了主题参与度的不均分布。直接关注集中在工具开发与实际应用以及法规文本形式化，而其他主题更多以支持角色出现。语义强度平均值显示，工具开发与实际应用、法规文本形式化概念整合度较高，而模型驱动合规智能和人机协同方法仍不成熟。论文-主题点矩阵表明直接贡献集中在语义对齐、形式化、推理和实际工具开发，而可解释性和人工监督的主题直接处理相对稀疏。
基于阶段的综合（Stage-based synthesis）部分围绕五个ACC阶段展开分析。
规则解释（Rule interpretation）阶段包含两个映射主题：多模态信息提取和法规文本形式化。多模态信息提取方面，研究集中于文本优先提取，使用深度学习和语法解析将条款转化为逻辑形式，部分工作尝试将图像识别、热成像、LiDAR、物联网（IoT）和光度测量结合用于生命周期合规的验证，但文本管线很少从表格、图表或布局特征中提取信息，且缺乏跨模态基准数据集。法规文本形式化方面，早期框架展示如何将条款分解为原子逻辑单元，后续研究通过规则解析和结构化表示扩展，最近结合深度学习与语言生成创建智能建筑规范，但形式化方法仍存在语义不一致、互操作性差距、缺乏基准数据集以及神经网络不透明等问题。
模型准备（Model preparation）阶段包含两个映射主题：与BIM/IFC的语义对齐以及本体与知识图谱集成。语义对齐通过将条款映射到IFC实体、属性和空间关系，连接法规要求与BIM数据。代表性方法包括构建领域本体、将IFC转换为IFCOWL并通过RDF映射和SPARQL规则模板进行对齐，以及基于本体的建筑许可审查框架OntoBPR，结合信息容器（ICDD）和SHACL支持数字许可流程。然而，实际语义对齐受IFC版本碎片化、工具依赖的属性集（PropertySet）使用以及空间/拓扑谓词形式化不足的限制。本体与知识图谱集成方面，多本体融合通过映射规则集成法规、设计和检查本体，形成共享知识库，支持SPARQL、OWL和SWRL规则推理。工具化框架将IFC数据转换为IFCOWL和RDF，使用Apache Jena等引擎验证模型。平台级努力构建完整合规管线，整合NLP和语义网组件。但跨司法管辖区本体差异限制互操作性，大多数系统仍依赖手动映射，且缺乏本体对齐和规则覆盖的基准。
规则执行（Rule execution）阶段包含两个映射主题：规则表示与推理以及模型驱动合规智能。规则表示与推理方面，早期系统使用逻辑编程和不变性推理验证模型特性，后续研究通过迭代细化扩展规则集，混合推理结合符号与数据驱动逻辑处理嵌套条款，知识图谱捕获设计约束关系。最近框架利用LLM辅助规则翻译，减少手动编写成本。但缺乏标准化规则模式和互操作性，基于符号的系统在处理模糊或不完整数据时脆弱，神经模型则缺乏透明度。模型驱动合规智能方面，混合框架将语言模型与预分类器和领域本体结合，减少标注工作量并增强规则提取。知识图谱与LLM融合，通过提示模板和架构感知检索指导模型推理，提高准确性。但LLM辅助规则生成在处理专业约束、嵌套条款或隐式交叉引用时可能退化，导致检查点过多、标准规则错位或单位/阈值误解。文献倾向于将LLM作为混合管线中的决策支持工具，结合检索增强生成（RAG）、架构感知输出和下游符号验证以确保可信度。
报告（Reporting）阶段，研究在如何传达合规结果、连接源要求与模型元素以及支持检查方面存在差异。报告格式包括文本和视觉输出，以及基于标准的报告，将违规与相关规则和模型元素关联。部分研究引入分级合规分数或问题总结与纠正建议。但报告跨工具和标准仍碎片化，缺乏共享输出结构一致地将判决与源条款、执行规则、受影响的模型元素和支持证据关联，且很少评估从业者能否理解并基于这些报告采取行动。
决策支持（Decision support）阶段包含映射主题：工具开发与实际应用。近期项目将研究原型转化为实际工具，集成BIM、本体和法规推理。例如SmartNorms4BIM结合OWL2本体推理与IFC模型进行合规检查，生成文本和视觉报告。另一项研究通过领域特定语言进行法规编码和BIM验证，允许用户创建规则并自动化检查。BRISE-Plandok项目提供注释法规语料库，I-REC项目构建链接数据知识图谱。这些工作表明从概念研究向部署的明显转变，但可扩展性、数据交换和界面设计方面仍存在挑战。
保证与验证（Assurance and validation）部分作为跨切面主题，涵盖可解释性与信任、人机协同方法以及评估与基准测试。可解释性方面，基于符号和标准框架（如RDF结合OWL、SWRL、SPARQL、SHACL）提供透明且可审计的基础，但用户中心的可解释性验证不足。LLM工作流要求统一的来源追溯、角色感知解释和神经组件混合透明度。人机协同方法方面，研究强调在数据标注、规则创建和验证中嵌入专家审查和反馈循环，确保透明度和可审计性，但缺乏标准化基准衡量人类干预的质量和一致性。评估与基准测试方面，任务驱动评估测量准确率、精确率、召回率、F1分数，以及端到端检查质量。部分研究引入分级合规评分以反映部分合规。但当前基准证据分散，缺乏共享数据集联合封装法规文本、逻辑形式、IFC实例和专家验证的合规结果，限制可重复性和跨研究比较。
讨论与未来方向（Discussion and future directions）部分指出，ACC研究在结构化规则形式化、本体和IFC链接语义对齐、以及可执行推理管道方面取得了显著进展，但多模态法规解释、利益相关者面向的可解释性、以及跨异构模型和司法管辖区的端到端验证仍不成熟。AI和LLM在ACC中的最可靠角色是支持性的，而非完全自主，与本体、检索、符号验证和专家审查结合时价值最大。三个关键瓶颈仍阻碍现场级鲁棒性：互操作性受IFC版本碎片化、工具依赖的属性集做法和不一致建模惯例限制；可解释性在可追溯规则执行层面较强，但在利益相关者面向的论证层面较弱；验证因缺乏共享基准而碎片化。未来方向包括：开放的本体链接多模态基准数据集、混合符号-神经推理引擎与可解释推理路径、结合技术指标和人类因素（如理解度、工作量、决策支持价值）的评估协议、参与式人机协同框架、以及跨司法管辖区互操作性标准。
结论（Conclusion）部分总结，2022-2025年间ACC研究日益呈现混合推理架构特征，结合语义网技术与AI和LLM组件。规则形式化、与BIM/IFC的语义对齐、本体与知识图谱集成、规则表示与推理、以及工具开发与实际应用相对成熟，而多模态提取、模型驱动合规智能和利益相关者面向的可解释性仍不成熟。主要未解决瓶颈包括BIM架构与规则本体之间的有限互操作性、AI辅助管线中推理的可验证性不足、以及缺乏共享基准数据集。AI和LLM的实际价值在于减少上游任务的手动工作量，而最终保证仍依赖符号验证、来源捕获和专家审查。方法上，AI辅助PRISMA流程展示了证据综合向更可更新和可追溯过程的转变。领域需要共享的本体链接语料库、可互操作的基准结构、具有明确来源的混合符号-神经推理引擎，以及结合技术性能与可解释性和人类因素的评估协议。
