資訊科技在土木工程的
跨域結合與應用案例

現在的生活已離不開資訊科技，身為土木工程師的我們，也需要知道如何運用電腦、資訊科技等技能，因為這些技能可以幫助我們更有效率地設計、建造和管理各種建築物、道路、橋梁等設施。從另一個角度看，擁有這樣的技能也會讓我們在未來的就業市場上更具競爭力，及提升我們在工作上的效率。以下我們邀集了土木領域業界先進及學界專家，分享產業及學術界中實際案例及研究應用，讓你們更加了解未來的就業環境與工作內容喔。

虛擬實境技術的工程應用

虛擬實境(Virtual Reality, VR)是利用電腦技術營造逼真的三維空間和擬真場景，讓使用者在配戴頭戴裝置後進行身歷其境地沉浸式體驗。近年來，VR裝置的購買與維護成本與開發的技術門檻持續降低，使得VR已成為娛樂或遊戲產業之外，其他領域也爭相應用於自家服務或產品的技術工具。

在土木營建領域的應用上，可由VR技術能提供的沉浸式體驗及強化溝通的特性著手，為工程設計成果的質感再加值、工程施作的歷程和內涵更增色，及輔助工程技術或專家經驗的保存與傳承。

以下分別就這三種目的，提供應用說明與案例圖片：

1. 工程規劃與設計構想的實現：利用VR技術可更準確傳達工程規劃與設計的理念與構想，讓新建工程的利害關係人能夠更容易地聚焦在關鍵議題作有效協商，幫助減少認知誤差及確保目標的一致，提升群眾對於工程設施興建成果的信賴度與滿意度。

2.設計內涵與施工程序的體察：利用VR技術可重現隨時間推移就不復見的施工歷程，透過將重要建設施工過程中的關鍵要點或施工程序於虛擬世界中重現，能讓當初還來不及參與過往榮景的人從中感受施工的艱辛與一點一滴的累積，藉此傳達施工階段各級單位戮力合作所投入的心力與價值。

3.危害辨識與作業要點的傳承：利用VR技術可將真實施工場域的狀態擬真重建，藉由虛擬環境、物件與事件的區分與建置，可具象且擬真地讓操作人員體察工區現場狀況，及特定施工程序的前、中、後所該對應進行的查核事項。除了傳達知識給受訓人員外，VR身歷其境、感同身受的體驗，搭配後台操作與測驗紀錄，相較於傳統教育訓練提供講義、課程講授的方式，能更促成工程團隊成員的共鳴，進而觸發一系列地討論與交流，確實提升工安知識被吸收的效果。

作者：黃琬淇博士 / 中興工程顧問公司研發及資訊部

結合BIM與AR技術在營建產業的應用實例

近年來，擴增實境（Augmented Reality, AR）技術在各行各業都得到了廣泛的應用，其中營建產業也不例外。AR技術在營建領域中的應用，為傳統設計端與工地現場的高溝通成本帶來了創新的解決方案，提高了溝通效率、降低了錯誤風險，並改善了工作流程。AR技術在營建產業的應用中，與BIM模型的關係密不可分。AR環境與BIM模型的結合，為設計端和工地之間的溝通提供了更強大的工具和平台。

在傳統的營建工程中，施工階段常常會遇到設計資訊與現場實際情況不符的情況，這就需要進行設計變更或疑義澄清。然而，這涉及到多個專業人士的參與，包括設計團隊、現場工程師和相關權責單位等。這種多方參與的過程往往需要大量的溝通和協調，容易產生誤解和錯誤。

在傳統的工程執行模式中，設計資訊是以一般2D工程圖說的方式呈現。然而，這種方式往往無法直觀地展示設計在實際場景中的樣貌，也難以將設計意圖傳達給工地人員。這就可能導致理解偏差、施工錯誤以及時間和成本的浪費。舉個例子來說，假設在施工過程中，現場工程師發現某個結構元件的位置與設計文件不符。傳統的做法可能是拍照或在2D圖說上進行文字描述，然後通過Email或文件檔案將問題提交給相關人員。這樣的溝通方式容易產生歧義，且不便於追蹤和管理。

但AR技術的引入改變了這種情況。通過將BIM模型與AR環境結合，設計端可以將虛擬的建築模型置於實際場景中，實現虛實結合。工地人員可以通過AR設備觀察到建築物的虛擬模型，並將其與現實場景進行3D的比對。這樣，他們即可直觀地理解設計意圖，確保在施工過程中按照設計要求進行。

AR環境與BIM模型的結合還提供了更多的功能和互動性。例如，工地人員可以在AR環境中進行標註、註釋和問題反饋，直接在虛擬模型上進行操作。這些標註和註釋可以與BIM模型同步，被設計團隊即時捕捉和回應。這樣，設計端和工地之間的溝通變得更加直觀和高效。

同時，AR環境與BIM模型的結合還能夠幫助設計端和工地人員更好地理解和協調設計變更。當現場出現問題或需要進行變更時，工地人員可以直接在AR環境中標註和描述問題，並將其與BIM模型相關聯。設計團隊可以即時觀察到問題，進行評估和討論，並提出解決方案。這樣，設計變更可以更迅速地得到處理，減少了延誤和錯誤。

總結來說，AR技術在營建產業中的應用為工程變更管理帶來了革命性的改變。它提供了直觀、互動和可視化的界面，使得現場工程師和設計團隊能夠更好地溝通和協調。這種系統能夠提高溝通效率、降低錯誤風險，並改善工作流程。基於AR的工程變更管理系統的成功應用為營建工程的執行和控制帶來了更大的便利和效益。

作者：龔力歐經理 / 泰興工程顧問公司BIM中心

利用資訊科技進行維運管理

資訊科技在隧道維運管理中發揮著重要作用，台灣世曦工程顧問司BIM中心的V3DM系統提供一個好的示範。V3DM是一個綜合性的資訊科技平台（Lee et al., 2016），專為建物提供維運管理服務，於2019年起服務於台76線八卦山隧道（蘇瑞育等，2020），左線全長4.9 km、右線全長4.9 km，示意如下圖；以及服務於2022年的蘇花改工程（蘇瑞育等，2022），包含8座隧道24.6 km、12座橋梁8.5 km、平面道路5.7 km，共計38.8 km。

隧道巡檢是指人工進入隧道進行監測和檢查的方式。維護人員通常步行或駕駛車輛進入隧道內，檢查設備狀態、照明系統、通風設施、漏水和裂縫問題等。他們可能使用手持照明和測量儀器進行檢查，並記錄發現的問題（圖 14）。巡檢需要耗費時間和人力，並且存在著安全風險。使用資訊科技輔助巡檢，減少人員在隧道內工作的複雜程度，是維運管理正在前進的目標。

因此V3DM提供了一個便利的巡檢與紀錄功能，為維護人員提供工作上的便利。維護人員可以使用行動裝置上的V3DM App執行隧道巡檢工作，透過掃QR code或感應無線射頻識別系統 (Radio Frequency Identification, RFID) 即時紀錄巡檢時的資訊及問題，例如設備故障、裂縫、漏水情況等（圖 15）。V3DM可以將記錄以機關規定格式輸出，減少資料轉換的問題，這些紀錄也可立即傳送給相關人員，以加快問題解決的速度。同時，系統保存歷史巡檢資料，供管理人員回顧和分析，進一步提高運營效率。

V3DM也提供了一個令人驚艷的3D瀏覽功能服務於台76線八卦山隧道（圖 16）。透過V3DM網站，管理人員可以使用瀏覽器全景地查看隧道內的各個部位，包括管線、設備配置和出入口等。這使得管理人員能夠清晰了解隧道的結構和佈局，有助於更好地進行維護工作的規劃。同時網站能夠與App進行無縫連接，襯砌（隧道內襯的單元，左右各一，見圖 17）的RFID連結巡檢資訊和3D模型（圖 17），實現數位雙生，從而提高管理效率和準確性。

圖 17 隧道3D模型的每個襯砌都透過資料結構與現場襯砌的RFID關聯(台灣世曦工程顧問公司提供)

另外，V3DM還具備一個高效的設備檢索和管理功能（圖 18）。該系統建立了一個集中的設備資料庫，包含了設備的詳細信息，例如型號、安裝位置和維護記錄等。維護人員可以快速查詢所需設備的資訊，節省了大量的時間和精力。除此之外系統還提供定期提醒功能，以確保管理人員按時檢查和維護設備，保障其正常運行和安全性。

圖 18 V3DM網站提供隧道的3D模型瀏覽、設備資訊查詢和裂縫管理。(台灣世曦工程顧問公司提供)

最後，V3DM還包含了一個創新的裂縫管理模組（圖 19）。裂縫管理系統革命性地利用行動裝置和網站結合，實現了裂縫的高效拍攝和註記，以及在3D隧道模型上的管理和檢視。維護人員使用行動裝置上的App，可以輕鬆地拍攝裂縫的照片，並對其進行詳細註記，包括位置、尺寸和其他相關信息，即時傳輸到資料庫。在網站上，管理人員可以輕鬆檢視3D隧道模型，該模型以真實的隧道結構為基礎，並顯示出裂縫的位置和相關註記。這使得管理人員可以直觀地查看隧道的狀況，快速定位並評估裂縫的嚴重程度。

綜上所述，V3DM在隧道維運管理中的應用十分廣泛且有效。它的巡檢與紀錄功能、3D瀏覽功能、設備檢索與管理功能以及裂縫管理模組，能夠協助管理人員更有效率地監控和維護隧道設施，提高運營效率和安全性。相信隨著科技的不斷發展，V3DM將持續演進並為隧道維運管理帶來更多創新和改進。

參考資料

Lee, W. L., Tsai, M. H.*, Yang, C. H., Juang, J. R. & Su, J. Y. (2016). V3DM+: BIM interactive collaboration system for facility management. Visualization in Engineering. 4(5). https://doi.org/10.1186/s40327-016-0035-9
蘇瑞育、周昌典、林志全、劉世桐、陳舜賢（2020年），應用BIM技術優化並提升道路巡檢效益-以八卦山隧道導入V3DM。中華民國第15屆結構工程及第5屆地震工程研討會論文集。
蘇瑞育、林志全、劉佳任、莊子毅、蕭秋安、陳正勳、林衍丞（2022年11月2-3日）。隧道全生命週期維護管理系統建置與科技應用案例。第二十屆海峽兩岸隧道與地下工程學術與技術研討會，台北市，台灣。

作者：莊智仁工程師 / 台灣世曦工程顧問股份有限公司BIM中心

融合虛擬與現實世界的數位孿生

數位孿生為在虛擬環境中，建立一個與真實世界中的實際物件相同或高擬真度之模型。而這個模型可以對實際物件進行監控、模擬、預測、控制等等，其中這些資訊必須互相流通以建立數位孿生的完整生命週期（Grieves & Vickers, 2017）。目前這些技術已經被廣泛應用在工業、航太工程、健康醫療等產業中。而在工程領域，數位孿生則可以提供所有參與者，包括業主、廠商、設計方針對專案之設計、營建、營運管理，做出基於有效資訊之決策（圖 20）。這個過程可以更有效的提升整體建築系統之管理效率、監控成本以及即時最佳化建築系統之表現。

目前在營建工程領域中，基於數位孿生的管理方式，提供一種新的管理模式，整理設計、營建過程，並有效整合在營建過程中所蒐集到的資料，做出最佳決策。其中應用到的感測技術包括，影像、熱感、溫濕度等，與建築資訊模型、人工智慧即精實營建整合，主要應用蒐集到的準確資訊以及預期規劃之模型，最佳化設計、規劃及生產過程。如此將可更有效的增加效率、減少浪費及風險。而這些技術則可應用到工程進度、安全、永續等相關議題。

整體來講，數位孿生是一個資訊整合的集成，將所有現實中蒐集到的資料與規劃中的設計資料，比較、整合、更新後，整理出最具代表性之決策資訊，提供工程師做出相關判斷。這之中必須整合所有相關感測資料，應用人工智慧分析判斷，並與設計模型比對，整體流程橫跨不同領域，也必須瞭解整個工程生命週期。雖說系統龐大，但可更有效的提供最有用的資訊，是未來工程中不可獲缺的一環。

參考文獻

Grieves, M., & Vickers, J. (2017). Digital twin: Mitigating unpredictable, undesirable emergent behavior in complex systems. Transdisciplinary perspectives on complex systems: New findings and approaches, 85-113.

作者：林之謙助理教授 / 國立臺灣大學土木工程學系

應用長短期記憶網路預測地下水位與土壤鹽化的金門案例

資訊科技在土木工程的應用已久，受益於近年人工智慧（Artificial Intelligence, AI）的硬體、數學與大數據的整合愈趨成熟，土木工程與營建產業利用AI解決規劃、設計、施工、營運養護與資源分析等一系列生命週期問題的學理與案例也愈來愈多。以AI與土木工程及營建的交集主題查詢國際文獻WOS資料庫，分別有252及2352筆資料。使用視覺化工具VOSviewer (Van Eck & Waltman, 2010)分析關鍵字可展示如圖 22，可以發現人工智慧在土木的應用涵蓋：分類、聚類與迴歸等模型[1]，並有類神經網路[2]、遺傳演算法[3]、支持向量機[4]等演算法，應用在混凝土等基礎建設的力學機制、劣化的績效評估及預測等問題。簡單來說，在土木工程師利用電腦模擬來進行工程設計及施工已是常態，不論是傳統的機器學習或是近年的深度學習，均有大量文獻。

金門的降水量少蒸發量大，水資源極度珍貴(Shiu et al., 2023)，當地居民為了生存，需要抽取地下水，但引發土壤鹽化等不利於環境的問題。因此監控及預測金門地下水位與土壤鹽化能瞭解當地水資源與鹽化現況，若能有效預測則更能增益當地實施永續管理之成效。但受限於地質、水文及環境條件的複雜性，較難利用傳統方法獲取低誤差的預測模型。為了解決前述問題，我們採用長短期記憶網路(Hochreiter & Schmidhuber, 1997)進行研究分析。長短期記憶網路[5]是一種發展於遞歸神經網路，可分為簡單、堆疊、雙向與結合卷積等多種變形的生成模型(Yu et al., 2019)，可以用來處理較複雜的資料，幫助我們更好的理解與應用。

長短期記憶網路是一種神經網路，它可以記住比較長時間的東西，而遞歸神經網路只能記住較短的東西。長短期記憶網路有多種生成模型，分別是簡單、堆疊、雙向和結合卷積，每種模型有不同的應用。簡單來說，它們都是用來處理較複雜的資料，幫助人們更好地理解和應用。

金門當地具有10口地下水井及12處鹽化監測點，並具有超過6年的地下水位資料及超過10年的氯鹽監測資料。其中地下水位監測點可如圖 23所示。

我們使用雙向長短期記憶網路分析資料，每個地下水位監測點均有1956筆資料，每個水質監測點均有2862筆資料。我們使用約3:1的比例來切割訓練集合與測試集合[6]（地下水監測點部份為1500/456及水質監測點為2200/662）。測試樣本的案例實際值與預測值可如圖 24與圖 25所示，從二張圖中可以知道預測值與實際值相當接近。其他樣本之判定係數也均超過 0.90，可見雙向長短期記憶網路法有助於本研究案例的地下水位及土壤鹽化預測。

人類需要在生存、繁榮與破壞生態之間取得一個長期的平衡，這也是金門發展低碳島及永續環境的根本意義。從本案例中可以發現善用AI能快速獲得較傳統方法低誤差的工具解決部分問題，但卻較難發現當地地質、水文與環境、地下水位漲跌與土壤鹽化等物理量之間的機制。我們正使用可解釋AI搭起力學與低誤差模型之間的橋梁，並期望藉由這些努力帶來智慧土木的貢獻與創新。

參考文獻

Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation, 9(8), 1735-1780. https://doi.org/10.1162/neco.1997.9.8.1735
Shiu, H.-Y., Lee, M., Lin, Z.-E., & Chiueh, P.-T. (2023). Dynamic life cycle assessment for water treatment implications. Science of The Total Environment, 860, 160224. https://doi.org/10.1016/j.scitotenv.2022.160224
Van Eck, N., & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. scientometrics, 84(2), 523-538. https://doi.org/10.1007/s11192-009-0146-3
Yu, Y., Si, X., Hu, C., & Zhang, J. (2019). A review of recurrent neural networks: LSTM cells and network architectures. Neural computation, 31(7), 1235-1270. https://doi.org/10.1162/neco_a_01199

[1] iT邦幫忙：機器學習模型：https://ithelp.ithome.com.tw/articles/10295354

[2] AWS：什麼是神經網路：https://aws.amazon.com/tw/what-is/neural-network/

[3] 維基百科：基因演算法：https://zh.wikipedia.org/zh-tw/%E9%81….%B3%95

[4] 維基百科：支持向量機：https://zh.wikipedia.org/zh-tw/%E….%8F%E6%9C%BA

[5] 維基百科：長短期記憶：https://zh.wikipedia.org/zh-tw/%E9%9….86%B6

[6] 維基百科：訓練集、驗證集和測試集 https://zh.wikipedia.org/zh-tw/%E8%…%9B%86

作者：蔣子平副教授、蔣元紘學生 / 金門大學土木與工程管理學系

對話系統與災害防救決策輔助

對話系統（dialogue system或conversational agent）是與人以對話的方式互動的電腦程式 (Jurafsky & Martin, 2007)，亦稱為對話機器人（chatbot）。隨著智慧型手機與網際網路的普及，以及機器學習與人工智慧的快速發展，對話機器人能提供資訊檢索、導航、即時通知與個人化服務 (Tu & Hsiang, 2000)，因此成為資訊超載問題的解決方式之一。

對話機器人在各個領域扮演著助理、顧問等不同的角色，幫助使用者解決問題 (Kusal et al., 2022)。醫療與商業領域中，需要與病患和顧客大量互動、提供資訊或建議，因此對話機器人的技術經常應用在這些領域中。在醫療領域中，對話機器人主要應用在心理與精神健康方面 (Laranjo et al., 2018)。在商業領域中，對話機器人主要應用於電子商務、銷售、購物與航班預訂等方面 (Bavaresco et al., 2020)。

在災害應變時，決策仰賴及時且精準的資訊，但在災害防救的情境中，決策者必須面對許多資訊的挑戰，例如：龐大的資料量、眾多且可信程度不一的資料來源、資料交換的急迫性等等 (Hristidis et al., 2010)。為了解決災害防救中資訊超載的問題，近年來有一些政府機關發展對話機器人作為決策輔助的工具 (Tsai et al., 2019; Tsai et al., 2021)，並搭配發展環境資訊問答系統與方法（中華民國專利號I688873，2020）、開放原始碼繪圖程式 (Tsai & Chan, n.d.) 等不同技術。以下跟大家介紹臺科大團隊為經濟部水利署與經濟部礦務局開發的災害防救決策輔助對話系統。

1. 經濟部水利署「水利署AI robot Diana」

「水利署AI robot Diana」是經濟部水利署開發的對話機器人，聚焦在整合不同資訊來源，完整呈現災害的現況與潛在風險，輔助水利防災相關單位完成決策處置。它在2019年1月正式上線服務，主要服務對象為水利署的決策者、應變人員與專業幕僚，同時也提供開放資料與水利防災知識供一般民眾查詢。提供的資料分為五大主題，包含：氣象、應變、減災、署內業務、通訊錄，讓高階決策者與應變人員能更即時、快速地掌握防災資訊。它主要有三個功能：

在強降雨、颱風、地震、淹水等災害發生時主動發送示警，並整合不同資訊來源，完整呈現使用者所需要的資訊。（圖 26）

圖 26 在示警訊息中整合中央氣象局與經濟部水利署的資料
以適合的文字搭配圖片回應使用者的問題，讓使用者快速掌握所需即時資訊，也能將該資訊透過即時通訊軟體直接分享給相關人員，提升資料傳遞與溝通的效率。（圖 27）

圖 27 文字搭配圖片回應使用者的問題
應用智慧搜尋技術，於使用者輸入錯別字或提問不夠精確時，能建議一些有關的關鍵字，幫助使用者找到可能所需的資訊。（圖 28）

圖 28 智慧搜尋技術幫助使用者找到可能所需的資訊

2. 經濟部礦務局「礦場光明燈」

「礦場光明燈」是經濟部礦務局開發的對話機器人，聚焦在主動發送示警提醒、快速啟動作業流程。它在2019年11月上線服務，輔助礦務局決策者與保安人員進行防災決策，讓保安人員可以迅速取得應變資訊，而決策者可以專注於複雜的決策處置。它提供的資料分為三大主題：氣象、防災情資、法規與文件。它主要有二個功能：

依照礦務局工作流程，於在豪雨、地震、颱風等災害示警達到啟動保安作業的等級時，發送明確的作業提示給相關人員。（圖 29）

圖 29 在災害達到特定等級時發送作業提示
回應使用者的問題，讓使用者快速掌握所需即時資訊，並依照礦務局工作需求進行分析與整理。（圖 30）

圖 30 回應使用者的問題

參考文獻

Bavaresco, R., Silveira, D., Reis, E., Barbosa, J., Righi, R., Costa, C., Antunes, R., Gomes, M., Gatti, C., Vanzin, M., Junior, S.C., Silva, E. & Moreira, C., (2020). Conversational agents in business: A systematic literature review and future research directions. Computer Science Review, 36, 100239. https://doi.org/10.1016/j.cosrev.2020.100239
Chan, H.Y. & Tsai, M.H. (2019). Question-answering dialogue system for emergency operations. International Journal of Disaster Risk Reduction, 41, 101313. https://doi.org/10.1016/j.ijdrr.2019.101313
Hristidis, V., Chen, S.C., Li, T., Luis, S. & Deng, Y., (2010). Survey of data management and analysis in disaster situations. Journal of Systems and Software, 83(10), 1701–1714. https://doi.org/10.1016/j.jss.2010.04.065
Jurafsky, D. & Martin, J.H., (2007). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. 2nd ed., Prentice Hall PTR, Upper Saddle River, NJ, USA.
Kusal, S., Patil, S., Choudrie, J., Kotecha, K., Mishra, S. & Abraham, A., (2022). AI-based conversational agents: A scoping review from technologies to future directions. IEEE Access, 10, 92337–92356. https://doi.org/10.1109/access.2022.3201144
Laranjo, L., Dunn, A.G., Tong, H.L., Kocaballi, A.B., Chen, J., Bashir, R., Surian, D., Gallego, B., Magrabi, F., Lau, A.Y.S. & Coiera, E. (2018). Conversational agents in healthcare: a systematic review. Journal of the American Medical Informatics Association, 25(9), 1248–1258. https://doi.org/10.1093/jamia/ocy072
Tu, H.C. & Hsiang, J., (2000). An architecture and category knowledge for intelligent information retrieval agents. Decision Support Systems, 28(3), 255–268. https://doi.org/10.1016/s0167-9236(99)00089-5
Tsai, M.H., Chan, H.Y., Chan, Y.L., Shen, H.K., Lin, P.Y. & Hsu, C.W. (2021). A Chatbot System to Support Mine Safety Procedures during Natural Disasters. Sustainability, 13(2), 654. https://doi.org/10.3390/su13020654
Tsai, M.H., Chen, J.Y. & Kang, S.C. (2019). Ask Diana: a keyword-based chatbot system for water-related disaster management. Water, 11(2), 234. https://doi.org/10.3390/w11020234
Tu, H.C. & Hsiang, J., (2000). An architecture and category knowledge for intelligent information retrieval agents. Decision Support Systems, 28(3), 255–268. https://doi.org/10.1016/s0167-9236(99)00089-5
蔡孟涵、詹皓詠（2020）。中華名國專利號I688873。台北：經濟部智慧財產局。
Tsai, M.H. & Chan, H.Y. (n.d.). Formosa. Retrieved 27 June 2023 from https://gitlab.com/ntusthcilab/formosa

詹皓詠博士後研究員 / 國立臺灣科技大學營建工程系

計算流體力學於土木環境之應用

在土木水利廣泛的專業領域中，有相關於流體動力學[1]的問題在近年來電腦資訊能力大幅提升的情況下，也逐漸獲得關注與改善。一般來說，分析流體動力學相關問題常用的方法有：數學解析法（mathematical method）、實驗法（experimental method）與數值模擬法（numerical simulation method）三大系統。

在電腦尚未被廣泛應用前，數學解析法與實驗法並列為研究方法的兩大主流。對一個流場問題而言，其求解是以一個足以正確描述流場變數（流速、壓力、溫度、濃度等）對時間與空間變化的微分方程式（governing equations，亦稱控制方程式）為本，配合以適當的起始條件（initial condition）[2]與邊界條件（boundary condition）[3]後，應用數學工具推衍出相應之流場數學解（mathematical solution）。

然而，一個動力問題相應的控制微分方程式往往是非線性（non-linear）的，對此類問題數學解之尋求並非易事。更何況在實際問題中，隨著流場區域邊界幾何或動力條件複雜程度之增加，欲獲取一個精確的流場結果往往有頗高的難度。因此，在古典的解析方法中，常將區域邊界予以簡化以利求解，甚至沿用簡化但對真實流況描述能力較差之控制方程式以獲得流場的結果。在採取此雙重簡化的情況下，雖然達成了問題解析的目的，但是結果的真確度卻可能大打折扣。

隨著近年來電子計算機軟、硬體方面的快速進步，以往在數學解析方面可能遭遇的各種困難，在運用數值解析（numerical analysis）的方法後，多已迎刃而解，此即所謂計算流體力學（Computational Fluid Dynamics，簡稱CFD）方法。值得一提的是，在古典數學解析的方法中，流場結果是以時間與空間函數的數學形式表示出來，其在時空方面之變化均具有連續性；而在數值解析方法中，則為離散化（discretized）數值形態時空分佈的流場結果。以下列舉幾個範例介紹目前CFD的應用性。

首先，圖 31為採用CFD方法針對都會區高層建築戶外露台區的風環境模擬結果。都會區中大樓林立，對於風流動的方向造成改變，因此容易對於大樓使用者造成行人風障礙疑慮。若採用風洞試驗來模擬高樓屋頂處戶外露台區的風環境比較花費時間。若使用數值模擬，則可以快速地評估強風位置區，並針對強風區域可以選擇耐風性較佳的樹種或是增加擋風設施，以降低強風的影響。

圖 32所示為利用CFD方法針對都會區街廓風場特性的模擬結果。都會區明顯的熱島效應[4]容易造成夏日用電大幅上升，提高了我國能源需求量。今年來中央、地方政府逐漸重視此一問題，紛紛在都市計畫準則中，要求建築物的興建需考量風環境降熱節能的必要性。在CFD方法的協助下，建築師在規劃建案時，將可以保留主要或次要都市風廊，減緩熱島效應對微氣候的衝擊，同時也達成節能的目標。

CFD方法也逐漸被用來觀察結構物的設計風力評估問題。圖 33所示為採用二維尺度的數值模擬模式，來定性觀察兩棟具有正方形斷面的高層建築物相互之間的干擾效應現象。在此圖中，位於右邊下游的建築物受到位於左邊上游的建築物角隅所分離出的渦漩影響，在建築物迎風面上受到了更大的風力。同樣的方式，CFD方法的應用也拓展到用以研究不同橋梁斷面造型的氣動力係數分布，進而評估顫振現象發生與否的可能性。然而，值得一提的是，雖然CFD方法在風環境的評估已有不錯的定性及定量評估準確度，但在考慮設計風力或設計風壓時，尚有不小程度的誤差存在。在可以預見的電腦快速發展前提下，此一誤差將逐漸降低而達到可用以設計的階段。

圖 33 建築物間干擾效應行為的二維尺度數值模擬圖(台科大建築研究中心黎益肇老師提供)

最後，由於CFD方法的模擬成果涵蓋了最全面的流場資訊，因此十分適合配合其他各種技術，如AR、VR技術，達到強化科普教育的教學目的。如圖4所示，在完成建築物受風反應下的流場CFD模擬後，應用AR技術將CFD後處理的成果以手機或者平板的方式呈現給工程師進行流場判斷。

圖 34 結合CFD方法模擬結果於建築物模型上的AR模擬圖(台科大建築研究中心黎益肇老師提供)

[1] 維基百科：流體動力學：https://zh.wikipedia.org/zh-tw/%E6%B5…..5%AD%B8

[2] 維基百科：起始條件：https://zh.wikipedia.org/zh-tw/%E5%…E4%BB%B6

[3] 教育百科：邊界條件：https://pedia.cloud.edu.tw/Entry/Det…9D%E4%BB%B6

[4] 文化部臺灣大百科全書：熱島效應：https://nrch.culture.tw/twpedia.aspx?id=3341

作者：羅元隆副教授 / 國立臺北科技大學土木工程系

資訊檢索與人工智慧在營建工程領域的應用

近二十年當中，隨著網際網路的普及，人們的生活都已離不開搜尋引擎[1]的使用，在我們的日常生活當中，舉凡尋找店家，參考商品的使用心得，或是尋找任何形式的知識，都會打開google或BING等搜尋引擎在浩瀚的網路資源當中尋找我們所關心的資訊。而專業領域就更需要仰賴搜尋引擎的運作了。土木工程的專業領域一樣有為數可觀的文件，需要透過搜尋引擎的輔助，才能夠有效率地查找與管理，舉凡學術論文、技術報告、工程規範、契約文件等等，無不是透過文字的呈現方式來達成知識的表達（knowledge representation）。圖 35為常見的開源搜尋引擎套件，網路上的通用搜尋引擎雖然功能強大，卻難以將它套用在單一的電腦主機上用以管理本機上的文件集合，因此使用者也可以透過搜尋引擎套件在自己的電腦上打造專屬於特定文件集合的搜尋引擎。

而搜尋引擎背後所倚賴的技術基礎，稱作資訊檢索（Information Retrieval）。資訊檢索乃是從一個特定的文件集合尋找符合特定資訊需求（information need）的過程。這個文件集合可以是圖片、聲音或文字等任何帶有資訊的載具，但基於文字的資訊檢索仍是佔了大宗，技術上也最為成熟，使用者將其資訊需求表達為查詢詞彙（query）之後，搜尋引擎會在文件集合當中尋找「最符合資訊需求」、與資訊需求「最相似」的數篇文件供使用者閱覽。但是，所謂的「最相似」要怎麼定義呢？至少我們可以想像，它是透過「計算」得到一個合理的量化依據的。然而，文字要經過什麼形式的轉換才能拿來「計算」呢？

一個最簡單也最經典的方式是透過「向量」，首先我們可以輕易地統計每個詞彙在一篇文件當中的使用頻率，接著以向量的形式來描述一篇文章的「組成成份」。而向量與向量之間則能夠透過餘弦運算[2]來得到兩個向量之間的夾角，夾角愈小代表兩個向量的相似度愈高，這即是比較查詢詞彙與文件的「相似度」的方法。與查詢詞彙愈相似的文件，愈有可能是使用者感興趣的目標文件。除了比對相似度以外，經過向量化的文件更可以進行許多與人工智慧有關的加值應用，像是監督式機器學習[3]當中的分類（classification）或是非監督式機器學習[4]當中的分群（clustering）。

值得一提的是，經典的向量空間模型（Vector Space Model）[5]早在1975年就被提出(Salton, et.al, 1975)，迄今已有超過三十年的歷史。但是早期將文件向量化的方式是以詞彙作為最基礎的單位，也就是向量的每一個分量都很明確地代表一個特定的詞彙。但是這樣的做法存在一個極限，那就是無法讓電腦理解詞彙當中所帶有的「語意」（semantic），例如：在土木與營建的領域，「鋼筋」與「混凝土」是密切相關且經常互相搭配的兩種建築材料，並且我們也的確常常會在土木營建領域的專業文章裡看到「鋼筋混凝土」這樣的詞彙。至少我們可以想像鋼筋與混凝土之間的關聯性一定比鋼筋與木頭間的關聯性要密切，縱使它們都是建材。然而傳統的資訊檢索模型卻會將鋼筋、混凝土等詞彙一視同仁。如此容易忽略詞彙間的潛在關聯性的傳統做法在近年深度學習蓬勃發展的時代來臨後有了長足的進步，基於神經網路[6]所架構的詞嵌入（Word Embedding）模型能夠進一步地將單一的詞彙表達為向量，雖然向量的每個分量的實際意義不再明確，但是我們之前提過「將文章向量化」的方式，提供了「文章與文章間」或「語句與語句間」的相似度比較基礎。而詞嵌入[7]模型能更進一步地比較「詞彙與詞彙間」的相似程度，可以視同是近年基於深度學習的人工智慧使得傳統的資訊檢索技術有了更大的進化與加值應用。

然而，將文字向量化以分析其組成成份的作法雖然在查找相似文件、分類與分群的任務上多半能夠滿足使用者的需求，但是向量化的過程卻也破壞了文字的順序，這會使得文章的真正涵義部份地流失，我們可以試想：如果將一篇文章的內容打亂並且依照同一個詞彙的出現次數多寡來重新排列，那麼領域專家看到這些打亂的關鍵詞彙或許還能猜出原始文章所談論的主題，卻很難將文章的原始樣貌加以復原。

因此，資訊檢索技術可以輔助使用者查找到想要的文件，但是理解文章內涵的重要任務多半還是得由使用者自行完成。相較之下，自然語言處理（Natural Language Processing, NLP）技術則更進一步地試圖讓電腦去理解文章的涵義。近兩年OpenAI公司的ChatGPT為人工智慧應用開啟了新的篇章，它基於問答的使用方式使得我們能夠更有效率地獲取知識。例如：我們在Google搜尋引擎裡打進了一個問題的時候，我們可能會得到十篇文章，其意義是「我們所尋找的答案最可能散佈在這十篇文章當中」，但是我們將同樣的一個問題打進ChatGPT這樣的對話機器人的時候，我們得到的是經過整理並且重新表達的答案，而也許這個答案仍然是來自那十篇關鍵的文章當中，但是我們會覺得對話機器人懂得摘要、吸收、彙整與表達，能夠成為每個人都負擔得起的秘書與小幫手。（雖然目前的ChatGPT未必能夠總是提供正確的答案，使用者必須勤於求證，但其提供答案的效率仍是勝過傳統搜尋引擎，傳統搜尋引擎在相同問題下所返回的文章也可能包含錯誤的搜尋結果。）而自然語言處理應用背後的技術基礎更是不斷地推陳出新，從早期基於統計分析的隱式馬克夫模型（Hidden Markov Model）[8]到近年基於深度學習的循環式神經網路（Recurrent Neural Network）[9]，再到引入注意力（Attention）機制的Transformer[10]，新技術不斷推陳出新，令人目不暇給，唯有不變的是自然語言處理任務仰賴數量充裕且品質可靠的訓練資料，這在人工智慧應用的實務上往往是最難取得的。