Page 14 - 2025年第56卷第1期

System） 的拱坝设计方法，降低了计算成本；Hariri 等 ［25］ 提出了基于自动机器学习的二维混凝土坝抗
震设计方法，并通过代理模型实现了优化设计。
综上，智能设计已经发展出以数据和机理为核心的研究框架。未来的发展趋势将从隐式代理模型
逐步转向以显式机理约束为基础的智能设计方法，例如物理信息神经网络（Physics-Informed Neural
Networks，PINN）。此外，为了构建更可靠、可信和可解释的智能设计方法，未来将更多地融合设计
知识和工程经验，推动机理、数据和知识多源驱动的智能设计，成为实现自主设计的重要方向。
4.2 智能建设
4.2.1 智能仿真 施工仿真技术可追溯至自 1990 年代，并在实际工程实践中日臻成熟。其发展历程可
以分为计算机模拟、施工系统仿真、可视化动态仿真、数据驱动仿真和施工智能仿真五个阶段。智能
仿真，是指基于施工仿真理论，采用多模态信息智能感知技术与数字孪生方法，构建数据-机理驱动
的智能仿真方法，实现从施工物理模型到孪生数字模型双向控制交互，智能仿真框架如图 10 所示。

图 10 智能仿真框架

在施工智能仿真理论研究方面，基于离散事件仿真构建的智能仿真理论框架体系 ［26-27］ 被广泛用于
土石坝、混凝土重力坝、拱坝和地下洞室群施工等领域，为大坝施工进度仿真参数和模型的智能更
新、施工进度纠偏控制提供了重要的理论支持。为应对施工过程中存在的不确定因素，毕磊 ［28］ 、Yu
等 ［29］ 以及闫玉亮等 ［30］ 建立了基于不确定性分析的施工仿真方法。钟登华等 ［31］ 引入物联网技术，实现了
施工参数的全面感知，推动了仿真边界条件的更新，将智能仿真由设计阶段成功扩展至施工阶段，并
为仿真模型与参数的智能更新提供了数据支持。在此基础上，贝叶斯理论 ［32］ 、不确定性分析 ［33］ 、群智
能优化算法 ［34］ 和自适应方法 ［35］ 等被引入至仿真模型中，推动了实时仿真、优化和反馈控制的发展。
随着人工智能技术的发展，肖尧等 ［36］ 提出了基于改进 HT-LCNN（Hough Transform-Line Convolu⁃
tional Neural Network）和正则表达式的长距离引水隧洞施工信息智能提取方法，以获取施工仿真参数；
Xiao 等 ［37］ 提出了基于改进 BiGAN（Bidirectional Generative Adversarial Network）的长距离引水隧洞施工仿
真参数联合估计方法；Zhang 等 ［38］ 提出了基于模糊 Att-Seq2Seq（Attention-based Sequence-to-Sequence）
网络的卸料时间多步预测方法；张君等通过引入多模态感知方法 ［39］ 构建了多尺度智能仿真模型 ［40］ ，并
提出了高心墙堆石坝施工方案两阶段智能优化与馈控方法 ［41］ ；吕菲等 ［42-43］ 开展了基于机器学习的高心
墙堆石坝开挖-运输-填筑全过程施工仿真与施工方案优化研究。同时，钟登华等开展了智能仿真与三
维可视化研究，提出了基于 GIS 的可视化仿真 ［44］ 、基于 CATIA 的仿真可视化分析 ［45］ 以及基于增强现实
［46］
技术（Augmented Reality，AR） 的施工进度预警等方法。当前，AR、BIM 和 GIS 等三维可视化技术已

被广泛应用于构建大坝施工数字孪生智能仿真系统 ［47］ ，为施工过程进度管理和风险预警提供了更加直
观和高效的支持，提升了大坝智能建设水平。

— 9 —