《Clean Technologies》：Artificial Intelligence and the Prospects for Net-Zero Energy and Net-Zero Carbon Buildings: A Science Mapping Analysis Using Digital Twins and Geographic Information Systems
本研究探讨了过去十年间人工智能（AI）与净零碳建筑（NZCB）及净零能耗建筑（NZEB）之间的关系。在该研究领域中观察到一项主题演变，即从传统的优化方法转向更先进的数字化、智能化和脱碳基础设施。共现分析、聚类分析、主题演变、网络分析和可视化共同支撑了这项按固定时间区间进行的科学图谱分析。数字孪生（DTs）已被确定为战略分析中的主导主题，其整合了建筑信息模型（BIM）、传感器、通信网络和AI算法。相比之下，地理信息系统（GIS）作为一个补充平台出现，通过碳测绘、生命周期评估、储能规划和空间决策，将AI应用从单体建筑扩展到社区、城市和区域尺度。分析强调AI是一种支撑性技术而非孤立的研究主题，它通过数字孪生管理建筑信息，并通过GIS促进城市尺度的脱碳。本研究的创新之处在于提出了一个双框架，将数字孪生和GIS定位为连接AI与净零建筑目标的互补实施平台。所开发的框架为构建智能、节能和碳中和建成环境的智力结构提供了宝贵见解。
1. 引言
建筑行业的脱碳已成为全球气候行动的首要关注点，推动着从净零能耗建筑向净零排放建筑的转型。环境指标的评估涵盖建筑生命周期的各个阶段，如隐含阶段、施工阶段、运营阶段、拆除阶段和回收阶段。在建筑运营阶段，供暖-制冷需求约占商业建筑能耗的40-60%。在寒冷地区，住宅建筑的供暖-制冷能耗占比更高。城市人口的持续增长导致电气化程度加剧，并对现有能源基础设施的进一步扩张造成压力。因此，需要在当前的智能管理策略中解决与电网稳定性、能源安全和长期脱碳目标相关的额外挑战。
传统方法目前采用预设的操作设置或固定时间表。需要根据天气条件、实时 occupancy模式、室内环境变化或电网碳强度的波动做出适当的响应。在施工中选择高能耗材料、对未占用空间进行不必要的供暖或制冷，以及在白天过度使用人工照明，都是可能导致过度能耗和排放的情况。能源审计表明，在先进智能系统中存在提高能效和减少碳排放的空间。人工智能是一种有前景的技术，能够通过对历史数据和实时数据的持续学习来支持预测性措施。将AI与节能技术、可再生能源系统和智能建筑基础设施相结合，有望将传统建筑转变为智能系统。
净零能耗建筑的概念是通过采用节能建筑立面、先进技术和整合可再生能源，将能源需求降至零。早期研究的重点主要是降低能源需求、安装智能暖通空调系统、利用光伏系统发电以及需求响应机制。最近，将AI纳入NZEB研究的工作重点放在了优化建筑性能上。通过应用AI模型，可以实现能源需求预测、室内环境状况预测以及可再生能源改进。机器学习是支持智能能源管理和减少NZEB边界内运营能耗的有效机制。AI推动了从传统、静态的节能建筑向能够持续优化和自动化管理的自适应生态系统的转变。
净零碳建筑则着眼于整个建筑生命周期的更广阔视角，而非像NZEB那样只关注能源。它涵盖了运营阶段的排放以及与建筑材料、运输、维护和拆除相关的隐含碳排放。NZCB日益增长的重要性与全球减排碳目标紧密相连。因此，近期研究强调了在整个建筑生命周期内实现碳中和的重要性。在生命周期评估中，可持续材料、可再生能源系统和低碳施工技术被优先考虑。由于AI具备处理大数据集、执行预测分析和优化复杂系统的能力，其在NZCB研究中的应用变得愈发重要。此外，AI可以协助整合可再生能源、减少运营低效，并在长期内降低碳足迹。虽然训练AI模型和运行数据中心需要大量电力，但这些环境影响可以通过使用高效算法和低碳计算基础设施来降低。最终，随着AI的成功部署，智能数据驱动型建筑所带来的环境效益将远超AI本身的能源成本。
科学图谱分析是一种公认的定量工具，用于评估特定时间段内的智力研究主题、主题演变和研究趋势。该图谱通过分析关键词、引文、作者和研究网络来识别研究发展。科学图谱分析工具利用共现分析、共引分析和主题图谱，可视化研究主题、概念和科学领域之间的关系。它帮助研究人员识别科学景观中的新兴主题、横向主题、有影响力的研究领域和跨学科联系。这些互补的方法为研究进展提供了系统性见解，特别是在可持续建筑领域，包括智能建筑、可再生能源、碳中和、数字化建设和AI应用。
本研究考察了2015年至2026年间关于人工智能、NZEB和NZCB研究的演变。选择这一时期涵盖了AI驱动建筑研究的重要发展阶段，与机器学习和深度学习技术的快速进步以及2015年《巴黎协定》后全球净零建筑倡议的加速相吻合。该时间范围捕捉到了出版物的指数级增长、新兴研究主题和技术创新，包括AI赋能的能源优化、数字孪生、预测性分析和生命周期碳评估。因此，需要对这一领域的演变和未来研究方向提供一个全面且最新的概述。在这项科学图谱分析中，AI作为核心赋能技术的战略性发展得到了探索。
2. 材料与方法
本研究应用科学图谱网络来审视2015年至2026年间与AI、NZEB和NZCB相关的研究主题和新兴研究趋势的相互关联性。由西班牙格拉纳达大学设计的科学图谱分析工具是一款公认的工具，用于系统分析大量的期刊、会议论文、综述文章和技术报告，以识别特定时期内研究领域的演变。通过相互关联的主题，可以更清晰地理解AI在可持续和净零建筑中的应用研究进展。本综述的方法论框架包含三个主要组成部分：数据库形成、用于研究演变的科学图谱分析工具，以及AI应用的潜在领域。
2.1. 数据库形成
文献计量数据来源于Web of Science核心合集，因为它对同行评审文献进行了全面覆盖，并且与科学图谱分析兼容。WoS因其可靠的期刊覆盖范围和结构化元数据而被选为主要数据库。相比之下，Scopus提供更广泛的期刊覆盖，但其元数据和索引实践差异较大，可能在科学图谱分析中导致不一致。其他数据源，如IEEE Xplore，主要关注工程和计算机科学出版物。尽管谷歌学术索引的学术文献数量要大得多，但它包含灰色文献且数据导出选项有限，使其不太适合此类分析。此外，使用单一精选数据库可以最大限度地减少与重复记录、异构格式和多数据库索引差异相关的不一致性。先前的文献计量学研究已成功地将WoS作为单一数据源，这得益于其高质量的引文索引和可重复性。例如，一项关于WoS和交叉引用的案例研究强调了可靠、标准化数据对于评估引文分析中数据质量的重要性。然而，对于特定时期内的已发表研究和综述论文，WoS已被证明适用于选择性、动态、跨领域和基于内容的分析。
本研究遵循结构化策略，使用覆盖综合领域的关键词进行检索。人工智能被视为总括性的检索概念，因为它涵盖了广泛的计算方法。本研究并非追踪单个优化算法，而是评估AI作为多学科研究范式在净零能耗和净零碳建筑中的演变。数据集以纯文本文件和制表符分隔文件的形式导出，包含完整记录和引用的参考文献。此外，研究期限限定为2015年至2026年发表的论文，以反映AI驱动技术在脱碳过程中的演变。
结构化的检索策略能够识别人工智能与净零可持续建筑研究之间的跨学科关系。检索框架由多个关键词组合构成，涵盖了AI赋能的能源优化、可持续建筑运营、碳减排和智能建筑管理。科学图谱分析认识到，早期的研究通常通过神经网络、人工神经网络、大型语言模型、工具、优化、智能电网等在AI集群形成中的连通性来采用特定的AI相关方法。
所选文献的识别和筛选过程是根据PRISMA 2020框架进行的，以确保方法论透明度和可重复性。初步检索从WoS核心合集中共获得1876条记录。排除基于标题和摘要筛选的记录后，剩余1792条。此外，由于与研究范围不相关、非英语语言或不合适的文献类型，根据预定义的纳入和排除标准排除了1261条记录。剩下的531篇全文文章被评估是否符合科学图谱分析的资格，结果排除了149项研究。排除的主要原因包括方法学相关性不足、与研究目标不符，以及对AI在净零能耗和净零碳建筑中的应用适用性有限。最终，有382篇出版物被纳入使用SciMAT进行的科学图谱分析。
共有382篇出版物被用于科学图谱分析，以探索2015年至2026年间与NZEB和NZCB相关的人工智能研究的演变。2015年至2019年间，每年观察到的出版物数量有限，仅为1至3篇。2020年至2021年间观察到逐渐增加，随后从2022年开始大幅上升。记录显示，将人工智能应用于可持续、碳中和建筑的研究兴趣和开发正在迅速增长。在所检索的文献中，数据集以期刊文章为主，其次是综述文章、会议论文集和其他类型。同行评审文章和综述论文的主导地位证明了使用科学图谱进行主题演变、研究趋势和新兴技术路径分析的合理性。
2.2. 科学图谱分析工具用于研究演变
共现频率生成主题网络图谱，以可视化研究主题、主题群和跨学科研究领域之间的相互作用。在本科学图谱分析工具中使用了一组分析参数，以确保方法论透明度和可重复性。作者关键词和来源关键词被用作分析单元。使用最小关键词出现阈值2来移除低频术语，同时保留具有代表性的主题结构。等价指数是共词分析归一化过程中推荐的相似度度量。主题群是使用SciMAT的简单中心算法生成的，并使用软件的默认剪枝策略进行网络简化，以移除弱关系并提高主题清晰度。相同的纳入阈值在三个研究期间一致应用，以实现可靠的主题演变和纵向比较。这种分段方式有助于更清晰地理解不同发展阶段中不断增长的兴趣、技术优先级和主题结构。从AI驱动的优化到更先进的智能建筑系统的转变在这一演变中是显而易见的。此外，战略图将这些主题分为四大类，分别命名为：驱动主题、基础性和横贯性主题、新兴和衰退主题、高度发达但孤立的主题。
驱动主题是具有影响力的研究领域，与更广泛的研究领域有很强的联系。基础性和横贯性主题代表了支撑更广泛跨学科研究的基础研究。新兴和衰退主题表示要么正在获得近期关注，要么逐渐失去相关性的研究。高度发达和孤立的主题代表了专业化研究，但在更广泛的主题网络中互动有限。主题群的相对重要性和成熟度分别由X轴和Y轴指示。中心性通过衡量一个主题与网络中其他研究主题之间的交互程度来指示整体重要性。而密度则通过反映主题群的内聚力来体现内部研究联系的强度。结合起来，这些指标为未来与净零能耗和碳中和建筑研究相关的AI驱动研究技术提供了全面的理解。
3. 结果与讨论
3.1. 研究主题的演变
在2015年至2026年间，观察到研究概念的清晰主题演变。本研究分析了三个四年期内的主题演进，展示了从关于AI、NZEB和NZCB的基础研究向涉及智能建筑运营、预测性分析、数字孪生和数据驱动优化的更高级应用的转变。这些发现与先前的研究一致，后者报道了AI技术在建筑能耗预测、HVAC优化、可再生能源整合和运营决策制定方面的日益广泛应用，突显了AI作为可持续建筑性能关键驱动力的作用。然而，与以往主要关注特定AI应用或建筑性能个别方面的综述不同，本研究提供了一个全面的主题演变分析，系统地描绘了过去十年间AI研究在NZEB和NZCB两个领域的发展。这一更广阔的视角不仅揭示了不断增强的研究强度，还揭示了跨学科合作的出现和研究重点的演变，而这些在早期研究中受到的关注有限。这一主题演进从基础研究向先进数字技术的转变反映了采用AI日益增长的重要性。长远来看，这些发现将通过支持采用AI驱动的节能低碳技术来促进可持续发展措施。
3.1.1. 第一阶段
这一阶段显示了AI在建筑能耗应用中的初步介入。此阶段主要聚焦于能源基础设施，而非融入智能建筑生态系统。AI与能源系统、微电网、优化和智能电网相关联。传统的预测方法在评估电力需求模式背后的非线性和动态关系方面效果不佳。这是由于能源系统日益复杂以及可再生能源的整合。从这个角度来看，AI辅助的预测因其强大的建模复杂输入-输出关系的能力而受到全球关注。人工神经网络是进行AI驱动结果的基础。ANN对于预测是有效的，因为它们可以识别数据中的相对不确定性。然而，这种预测受到输入变量如网络架构、激活函数和训练算法，以及外部参数如天气条件和occupancy模式的强烈影响。
3.1.2. 第二阶段
这一时期变得更加多元化和跨学科，因为它更接近实际应用。主导主题演变为四个主要标准：智能电网、人工智能、算法和网络。观察到从能源优化向智能建筑应用的明显转变。在此阶段，AI与建筑性能分析相结合，涉及神经网络、建筑、可持续性措施、优化、能源、GIS和微电网。
AI的扩展角色支持各种智能电网功能，包括动态能源管理、监控与数据采集数据处理自动化、电压稳定性评估、自动故障检测、电能质量控制以及智能楼宇能源管理。遗传算法在多个层面结合了神经网络和深度学习方法，包括传感器级数据收集、基于强化学习的管理系统和云级通信网络。AI在智能建筑中的应用不仅限于监测室内环境条件、增强多维效率和提升性能准确性。AI网络还集成了用于热舒适评估的物联网传感器系统、用于优化多能源管理的先进算法，以及用于建筑负荷、子系统性能和结构安全性的预测模型。因此，AI赋能的智能建筑可以提高空间利用率、运营效率和能源管理，同时支持长期的可持续性目标。
3.1.3. 第三阶段
这一时期显示出研究的进一步推进。观察到从静态优化向动态、自主和智能管理系统的战略性转变。在此AI发展阶段，一个完全智能的建筑系统是显而易见的。研究重点已从运营能效扩展到脱碳目标，包括大型语言模型、网络安全、能源转型、净零排放、电动汽车、碳排放和能源系统。数字孪生的出现在后面的章节中被强调为驱动主题。DT代表物理建筑的虚拟副本。结合AI以及来自传感器和物联网设备的实时数据，它们可以有助于预测性维护、能源优化、occupancy模拟和生命周期评估。
3.2. 战略主题解读
战略图为了解研究主题的重要性和成熟度提供了宝贵的见解。驱动主题与更广泛的研究网络高度连接。这一时期的主导主题是：数字孪生、能源、人工智能、GIS、净零碳、预测和复合材料。这些主题推动着未来可持续建筑的持续发展。该集群表明其通过将虚拟模型与AI和物联网技术相结合来实现实时监控和优化的扩展。未来的净零能耗建筑预计将严重依赖自动化管理系统。
人工智能具有最高的中心性但最低的密度。这表明AI被用作通用目的赋能技术，而非一个成熟、独立的研究主题。几乎每个集群都与AI相连。中心性反映了更高的连通性，而低密度则表明AI是支撑其他技术的基础智能。数字孪生作为驱动主题，展现出高中心性和最高密度。它是一个发展完善的研究主题，连接着更广泛的领域并推动着未来方向。显然，GIS是一个重要的主题，具有中等中心性和密度。该主题代表了与碳管理技术相关的集群组成。GIS通过发展为净零规划的战略技术，将AI能力从单体建筑层面扩展到邻里、城市和区域尺度。因此，DT和GIS通过中央AI系统充当“操作平台”，交付实际成果。
尽管能源具有相对较高的中心性和密度，但鉴于其集群特性，它代表了一个非常宽泛、通用的主题。该主题特别侧重于应用、资源或评估方法，而非一条连贯的技术路径。预测主题具有较低的中心性和较高的密度，代表了研究领域中一个高度发达但相对孤立的主题。它具有强大的内部连贯性，但与其他研究领域的联系有限，主要集中于预测建模。复合材料主题具有最低的中心性和中等密度，代表了AI在净零环境中更广泛应用中影响力有限的专门利基领域。相关集群表明其关注重点是先进材料及其性能特征，而非智能能源管理。
3.2.1. 数字孪生集群
数字孪生已被概念化为一个高度跨学科的领域，结合了人工智能、数字技术和可持续指标。DT不再仅仅被视为虚拟表示，而是作为智能信息物理系统，用于建筑性能的持续监控、分析和优化。卷积神经网络、专家系统、算法和传感器与DT平台高度关联，体现了先进AI技术的日益融合。相反，DT与BIM、网络和系统、绿色建筑以及零能耗建筑之间的关系阐明，DT已成为实现净零能耗和碳目标的关键平台。由于其与BIM、AI、传感器、网络、绿色建筑和零能耗建筑的连通性，DT已成为本分析中最具实质性的驱动主题。
3.2.2. GIS集群
GIS集群展示了从传统地理测绘向实现节能和碳中和建成环境的空间框架的转变。在当前AI驱动的净零建筑研究中，空间智能的重要性得到了凸显。在该集群分析中，观察到GIS与CO2排放、生命周期评估和燃料的强关联。与传统方法不同，GIS可以在邻里、城市和区域等更广泛的层面上关注碳足迹估算。如今，人们越来越强调，实现净零碳建筑需要考虑城市基础设施的更广泛背景，而不是仅仅关注孤立的建筑性能。
GIS与人工智能的结合应用正日益被认可为地理空间人工智能。该方法将地理空间数据分析与先进的AI技术相结合，以应对复杂的空间可持续性挑战。尽管GeoAI并未作为独立的研究集群出现在本次科学图谱分析中，但GIS集群内确定的几个主题，包括数据驱动方法、储能优化、CO2排放测绘和生命周期评估，与GeoAI的原则高度契合。早期的研究已经强调，GeoAI通过将地理信息与机器学习算法相结合，实现了空间显式建模、预测分析和决策支持。从净零建筑的角度来看，GeoAI提供了将AI应用扩展到单体建筑性能之外的机会，支持邻里和城市尺度的能源建模、可再生能源规划、碳排放评估和改造优先级排序。
GIS与储能、数据驱动方法和基于AI的分析之间的连通性提供了一个平台，可以将大量空间、环境、能源和社会经济数据与机器学习算法相结合。结合GIS和AI的综合方法可以帮助优化可再生能源系统、储能基础设施和低碳发展战略的位置。人工神经网络与地理信息系统的结合方法为评估能源绩效提供了一种经济高效的解决方案。使用AI训练的模型可以轻松获取改造后的能源绩效预测。此外，GIS促进了跨区域建筑组合的改造场景的空间可视化，无需进行广泛的现场检查。
此外，GIS集群中生命周期评估的出现阐明了其对生命周期碳演化的贡献。它帮助利益相关者计算建筑和基础设施在运营和隐含阶段的碳足迹。这些系统可以同时持续优化多个目标，包括能效、居住者舒适度、运营成本和碳减排。因此，AI正日益被认为是实现NZEB和NZCB的关键赋能技术。
3.2.3. 净零碳集群
净零碳集群与植物、视角、燃料电池和回归神经网络密切相关。植物与可再生能源和碳封存相关，包括生物质资源、生物能源系统和自然碳吸收过程。视角代表了未来方向的战略规划、政策制定和脱碳愿景。燃料电池是一种低碳能源技术，其碳排放低于传统的化石燃料系统。回归神经网络是一种用于碳排放和能源需求预测建模的人工智能技术。然而，净零碳似乎是最终可持续性决策的实际目标，其中DT和GIS作为主要的实施机制来实现期望的AI应用。
3.2.4. 能源集群
在能源集群中，观察到从传统能源管理向集成化、可持续性导向方法的清晰转变。它与光伏、数字化和能量流分析有很强的关联。这些主题与净零碳的基本目标相一致，即在能源需求与可再生能源生产、智能能源管理和能源发电优化之间取得平衡。除此之外，能源还进一步扩展到更广泛的可持续性维度，如生命周期评估、影响评估、成本和多准则决策。这表明研究不仅局限于节能，还进一步延伸到了环境影响、碳排放、经济可行性和长期可持续性结果。此外，来自生物质或废物的能源转换以及来自废热源的热能表明，人们对替代能源解决方案的兴趣日益浓厚，以补充净零建筑中的可再生能源系统。
3.2.5. 预测集群
预测集群强调了预测性分析对于支持未来NZEB日益增长的重要性。多目标优化的关联集群评估了能源性能、碳排放、居住者舒适度和经济参数之间的权衡。与市场的联系表明，能源价格、政策变化和投资条件等变量会影响结果。因此，预测被视为一种支撑性分析工具，用于增强DT、GIS和AI应用的有效性。
3.2.6. 复合材料集群
复合材料集群由动力学和金属有机框架组成。动力学指的是先进材料随时间推移的机械、热和环境行为。它表明了建筑材料的耐久性和性能。先进材料由MOF代表，这是一种用于储能、碳捕集和环境应用的高性能多孔材料。尽管该集群通过创新的材料解决方案支持碳减排和能效提升，但它是一个有前景的材料创新领域，但仍相对孤立，未来可能对NZEB和NZCB有所贡献。
3.3. 潜在AI应用的概念框架
早期的研究已经广泛调查了人工智能、数字孪生和地理信息系统在可持续建筑中的应用。然而，这些技术通常被作为独立的领域进行分析。通过AI对净零能耗和净碳建筑的贡献，确定了两种互补的途径。DT专注于单体建筑尺度的实时监控、建筑性能模拟和运营优化。相反，与GIS相关的研究则侧重于空间分析、城市能源测绘和区域可持续性评估。科学图谱分析确定，它们的互补角色将创建一个多尺度决策支持框架，用于优化和战略性碳管理。
在DT框架内，通过传感器收集关于能源、occupancy和其他指标的实时数据。BIM提供建筑的数字模型，而AI技术如CNN和专家系统分析数据流以预测能源需求和支持预测性维护。通信网络在物理建筑和虚拟对应物之间交换连续数据。相反，GIS整合了与建筑、基础设施、环境、能源系统和人口统计相关的空间数据集。AI驱动的数据驱动方法分析数据集以识别热点、未来能源需求，而基于GIS的生命周期评估则评估整个城市区域的运营和隐含影响。监测CO2排放和长期可持续性的演化有助于政策制定者制定有效的脱碳战略。
该框架的新颖之处不在于单独提出DT或GIS，而在于通过AI展示它们作为多尺度决策支持生态系统的互补整合。AI作为整合机制，使得DT能够进行数据驱动的优化，而GIS能够跨越不同空间尺度进行战略决策。这种结合方法支持从孤立的建筑优化向综合的城市脱碳路径的过渡。
4. 结论
通过科学图谱分析工具，揭示了2015年至2026年间人工智能在NZEB和NZCB研究中显著的演变。观察到从侧重于能源优化、智能电网和建筑性能的传统研究，向整合了数字孪生、地理信息系统、建筑信息模型和AI驱动决策支持的智能数字生态系统的渐进式主题演变。
与之前的文献计量学研究不同，本科学图谱分析通过解释主题演变，为NZEB和NZCB开发了一个概念性的多尺度AI框架，从而扩展了现有知识。该框架的新颖之处不在于将DT或GIS作为新技术提出，而在于展示了由SciMAT识别的主题关系。这些技术作为互补的AI赋能平台运作，处理不同空间尺度的决策。这一概念综合源于过去十年的科学图谱演变，而非仅仅描述出版模式，构成了本研究的主要贡献。
DT的主要功能是通过实时监控、预测性维护、自适应控制和建筑层面的生命周期性能优化来促进运营智能。相反，GIS为邻里、城市和区域尺度的能源规划、碳评估、可再生能源整合和城市脱碳提供空间智能。人工智能作为一个连接的分析层，将建筑和空间数据整合为跨多尺度的决策支持机制的可操作知识。这种整合的解释为未来AI在净零建筑和城市脱碳研究中的采纳提供了战略路线图。
战略主题分析进一步解释了DT作为主导驱动主题的出现。DT展现出最高的中心性和密度，因为它们与BIM、物联网传感器、通信网络、云计算、机器学习和智能控制系统紧密相连。物理与虚拟建筑环境之间的持续同步支持预测性维护、实时性能监控、故障检测、运营优化和生命周期碳管理。因此，DT已发展成为AI驱动智能建筑研究中的核心赋能技术。因此，GIS与DT相结合，实现了战略性的城市脱碳规划，创建了一个集成的AI生态系统。该生态系统可以支持从单个资产到整个城市的可持续决策。
尽管AI驱动的能源优化已相对成熟，但在实现NZEB和NZCB方面投入的关注仍然有限。将DT和GIS整合到统一的AI支持系统中，以同时解决运营和空间智能，已被确定为一个研究空白。因此，未来的研究应侧重于开发能够整合DT和GIS的可互操作AI框架，包括BIM、物联网技术和生命周期评估等设计组件，以支持智能、碳中和的建成环境。这将超越优化孤立的建筑系统，转向开发支持建筑性能、城市韧性和碳中和的综合数字生态系统。提出的概念框架为寻求加速实施AI赋能的净零能耗和净零碳建筑的研究人员、政策制定者、软件开发人员和行业从业者提供了实用指导。
局限性
尽管本研究提供了研究格局的全面概览，但也存在一些局限性。首先，科学图谱分析仅使用Web of Science进行，可能无法捕获所有在Scopus、IEEE Xplore或谷歌学术等数据库中索引的相关出版物。其次，仅考虑了英文同行评审的期刊文章、综述论文、会议论文集和在线书籍，可能排除了技术报告和灰色文献。第三，科学图谱的结果取决于所选的检索策略、数据库覆盖范围和关键词组合。它能识别研究趋势、主题演变和知识结构，但不直接评估单个AI方法论的技术性能或有效性。建议未来的研究进行实证验证，以更全面地理解AI在净零能耗和净零碳建筑中的应用。
