教育与研究

土木工程与机器学习交叉研究生课程体系探索与建设

黄 永

哈尔滨工业大学土木工程学院

张 坤鹏

哈尔滨工业大学土木工程学院

Keywords: 土木工程；机器学习；交叉学科；课程体系建设

---

Abstract

伴随“新基建”国家战略的纵深推进，传统土木基础设施的转型与升级已步入关键期，将机器学习技术深度融入土木工程成为了必然的行业趋势。智能化的发展大幅增加了对复合型交叉人才的需求，相关研究生课程的建设与改革迫在眉睫。本文聚焦于机器学习与土木工程的深度交叉融合，全面探讨该类课程的教学机制与实施路径。研究着力构筑涵盖算法理论解析、工程场景应用与底层代码实操三大维度的立体化教学体系，旨在为培养具备扎实数理根基与开阔国际视野的新时代智能土木卓越人才提供体系参考与改革借鉴。

---

References

[1] JORDAN M I, MITCHELL T M. Machine learning: trends, perspectives, and prospects [J]. Science, 2015, 349 (6245): 255-260.DOI:10.1126/science.aaa8415.

[2] LECUN Y, BENGIO Y, HINTON G. Deep learning [J]. Nature, 2015, 521 (7553): 436-444. DOI:10.1038/nature14539.

[3] SALEHI H, BURGUEÑO R. Emerging artificial intelligence methods in structural engineering [J]. Engineering Structures, 2018, 171: 170-189. DOI:10.1016/j.engstruct.2018. 05.084.

[4] FARRAR C R, WORDEN K. Structural health monitoring: a machine learning perspective [M]. Chichester: John Wiley & Sons, Ltd, 2012. DOI:10.1002/9781118443118.

[5] 鲍跃全，李惠. 人工智能时代的土木工程[J]. 土 木工程学报，2019, 52(5): 1-11. DOI:10.15951/j.tmgcxb. 2019.05.001.

[6] AVCI O, ABDLEJABER O, KIRANYAZ S, et al. A review of vibration-based damage detection in civil structures: From traditional methods to machine learning and deep learning applications [J]. Mechanical Systems and Signal Processing, 2021, 147: 107077. DOI:10.1016/j.ymssp.2020.107077.

[7] CHA Y J, CHOI W, BÜYÜKÖZTÜRK O. Deep learning-based crack damage detection using convolutional neural networks [J]. Computer-Aided Civil and Infrastructure Engineering, 2017, 32(5): 361-378. DOI:10.1111/mice.12263.

[8] SPENCER F B, HOSKERE V, NARAZAKI Y. Advances in computer vision-based civil infrastructure inspection and monitoring [J]. Engineering, 2019, 5(2): 199-222. DOI:10.1016/j.eng.2018.11.030.

[9] AZIMI M, ESLAMLOU D A, PEKCAN G. Data-driven structural health monitoring and damage detection through deep learning: state-of-the-art review [J]. Sensors, 2020, 20(10): 2778. DOI:10.3390/s20102778.

[10] 孙利民，尚志强，夏烨. 大数据背景下的桥梁结构健康监测研究现状与展望[J]. 中国公路学报，2019, 32 (11): 1-20. DOI:10.19721/j.cnki.1001-7372.2019.11.001.

[11] 李雪松，马宏伟，林逸洲. 基于卷积神经网络的结构损伤识别[J]. 振动与冲击，2019, 38(1): 159-167. DOI:10.13465/j.cnki.jvs.2019.01.023.

[12] NI F, ZHANG J, CHEN Z. Pixel-level crack delineation in images with convolutional feature fusion[J]. Structural Control and Health Monitoring, 2019, 26(1): e2286. DOI:10.1002/stc.2286.

[13] TIPPING E M. Sparse Bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research, 2001, 1: 211-244.

[14] HUANG Y, BECK L J, WU S, et al. Robust Bayesian compressive sensing for signals in structural health monitoring [J]. Computer-Aided Civil and Infrastructure Engineering, 2014, 29(3): 160-179. DOI:10.1111/mice.12051.

[15] HUANG G B, ZHU H M, DING X J, et al. Extreme learning machine for regression and multiclass classification [J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 2012, 42(2): 513-529. DOI:10.1109/TSMCB.2011.2168604.

[16] 钟登华. 新工科建设的内涵与行动[J]. 高等工程教育研究，2017 (3): 1-6.

[17] 林健. 新工科专业课程体系改革和课程建设[J]. 高等工程教育研究，2020 (1): 1-13+24.

[18] 马世嫒，唐勇.“ 人工智能 + 土木工程” 研究生培养模式研究[J]. 中国多媒体与网络教学学报 ( 上旬刊 )，2020, (7): 129-131.

[19] 马晓雨，生龙.“ 新工科”背景下引入人工智能 理念的“ 结构概念与创新设计”课程的构建[J]. 高教学刊， 2019, (6): 36-37+40. DOI:10.19980/j.cn23-1593/g4.2019. 06.011.

[20] 黄永. 土木工程机器学习交叉课程的线上教学实践与探索[J]. 教学方法创新与实践，2020, 3(9): 97. DOI: 10.26549/jxffcxysj.v3i9.5214.

[21] 黄永，高竞泽，周文松等. 人工智能与土木工程交叉学科教学方法与对策研究[J]. 中文科技期刊数据库 ( 全文版 ) 教育科学，2022 (10): 1-4.