致远互联|跨时空协作的利器——基于生命周期管理的基础设施BIM平台( 二 ) 人力资源|大数据

一个完善的BIM模型在规划和设计阶段的意义重大，不仅可以减少施工错误、缺失和冲突，而且可以在施工阶段提高施工质量和流程。 Shin等人利用7个建筑项目验证了在铁路施工现场采用BIM的优势。 Lee等人开发了桥梁BIM模型，将预制箱梁桥的设计与施工过程相结合。 Liu等人则开发了4D GeoBIM ，将BIM与地理信息系统（GIS）相结合，确保施工效率和安全。 Koch等人提出了安全隧道建设的隧道信息建模框架。
当然，施工阶段的时间、成本、资源管理也很重要。 Mawlana等人提出了4D BIM来顺序构建和重建高速公路，以防止潜在的时空冲突概率。 Ding等人开发了一种多维建模技术，将工作分解结构（WBS）与轨道交通施工等其他施工结构集成在一起。
在建设之后，基础设施需要定期监测以保证其功能性和安全性。在美国，国家桥梁检验标准（BNIS）要求公路桥梁至少每两年检查一次。在韩国，基础设施从1995年开始，根据《设施安全控制和维护特别法》进行定期管理。基础设施的结构健康监测是生命周期管理的主要内容。 Valdependas等人开发了用于端口维护的BIM 。 Lee等人开发了BIM-3D GIS系统框架，用于有效维护综合管廊。 Sharafat等人为地下公用事业管理系统开发了BIM-GIS框架。 Boddupalli等人提出了一个SHM-BIM数字平台，用于基础设施的自动化健康监测。 Kaewunruen等人提出了6D BIM ，用于桥梁全生命周期的时间计划管理、成本估算和碳足迹分析。

三维模型构建的最新技术

对大型基础设施，尤其是检测人员难以进入的地区进行检查时是困难和危险的。因此，在机器人和无人机上应用传感器，如数码相机、激光雷达等，做了许多试验。 Kim等人开发了用于混凝土桥梁健康监测的无人机系统。 Jiang和Zhang开发了一种爬墙无人机来检测混凝土桥的表面裂缝。 Ribeiro等人提出了一种使用无人机用于高层通信塔的结构健康监测系统。 Jang等人开发了一种用于混凝土桥墩裂缝评估的多数字摄像头环形攀爬机器人系统。
从机器人上的传感器收集的数据被用来建立3D模型。激光雷达被广泛用于在数字领域建立一个已建成的基础设施3D模型。摄影测量算法也可以使用数字图像来建立三维模型，而利用三维点云数据同样可以生成BIM模型。

基于深度学习的
基础设施自动损伤评估
为了尽早发现基础设施的损坏，目视检查技术在过去的几十年里被广泛接受。然而，目视检查是不安全、耗时和不可靠的。为了克服这些问题，图像处理方法被提出作为视觉检测的替代方法，但恶劣的基础设施环境干扰了图像处理模块的应用。
最近，人们提出了基于深度学习的损伤评估技术，可以根据可靠的损伤评估结果自动做出决策。基于卷积神经网络（CNN）的损伤分类技术已经被提出。 Cha等人提出了CNN用于滑动窗口技术的裂缝检测。 Kim和Cho利用AlexNet的迁移学习技术，开发出了“漏洞检测网络” 。 Jang等人提出了一种使用混合图像扫描系统的混凝土裂缝检测网络。 Dorafshan等人验证了基于深度学习的混凝土裂缝检测方法，比图像处理方法具有更好的性能。 Hoang等人也证实了基于深度学习的路面裂缝检测效果优于图像处理方法。此外，区域卷积神经网络（R-CNN）已被用于自动定位损伤。 Cha等人开发了一种更快的R-CNN来分类和定位多种损伤，如裂缝、腐蚀和桥梁/建筑物的分层。 Zhang等人则开发了一种基于Yolo的算法，用于对桥梁的多种损伤进行分类和实时定位。
语义分割网络已经被广泛用于对像素级的损伤区域进行分类。 Feng等人开发了基于语义分割网络的大坝结构段裂缝CDDS网络。 Li等人提出了一种将na?ve Bayes数据融合方法与FCN相结合的多损伤分割网络。 Choi和Cha提出了用于实时裂缝检测的SDDnet 。