课程名称：《人工智能在土木工程中的应用》
任课老师：楼文娟 结构工程研究所副所长
课程性质：专业选修课
课程代码：CCEA2724M 学分：2.0
课程号：(2025-2026-1)-CCEA2724M-0095161-1
面向对象：大二及以上学生
预修要求：微积分、线性代数、土木工程概论
上课时间：周三第11,12节，周五第11,12节（18:50-20:25）。
上课地点：线下上课，紫金港教室待定
报名时间：2025年11月10日15：00前
联系人：徐畅建筑工程学院教育教学办公室 88208683
报名链接：https://wj.qq.com/s2/24617173/c8j4/
报名二维码：
《人工智能在土木工程中的应用》课程简介和教学大纲
课程代码：CCEA2724M
课程中文名称：人工智能在土木工程中的应用
课程英文名称：Artificial Intelligence in Civil Engineering
学分：2.0周学时：4.0总学时：32
课程类别：专业课
面向对象：大二及以上学生
预修课程要求：微积分、线性代数、土木工程概论
一、课程介绍
（一）中文简介
本课程主要介绍人工智能（AI）在土木工程中的应用，涵盖AI模型基本原理、神经网络结构、轻量级AI模型搭建、数据准备、软件实现及模型训练。通过理论与实践相结合的教学方式，培养学生运用AI技术解决土木工程实际问题的能力。
（二）英文简介
This course focuses on the application of artificial intelligence in civil engineering, covering the basic principles of AI models, neural network structures, construction of lightweight AI models, data preparation, software implementation, and model training. It aims to equip students with the skills to apply AI technologies to solve practical problems in civil engineering.
二、教学目标
（一）学习目标
通过本课程学习，学生将了解AI在土木工程中的发展与应用，掌握AI模型的基本原理和神经网络结构，能够完成轻量级AI模型的搭建、数据准备、软件实现和模型训练，理解AI的基本原理、方法及常用模型结构，并具备简单模型软件编写的初步能力。
（二）育人目标
培养掌握AI模型编写与人工智能应用能力的复合型土木工程专业人才，满足企业及科研院所对前沿技术人才的需求，引导学生思考技术伦理与社会责任。
（三）可测量结果
1. 能够独立完成轻量级AI模型的搭建与训练。
2.掌握数据处理与特征工程的基本方法，完成数据集的准备。
3.能够使用Python及相关库（如PyTorch, TensorFlow等）实现AI模型并进行调试。
4.能够完成一个结合土木工程场景的AI应用大作业（如图像检测、时间序列预测、材料性能预测等）。
三、课程要求
（一）授课方式与要求
本课程采用线上为主的教学模式。线下部分以教师讲授为主，包括理论讲解、案例分析、视频演示等，重点选取AI在土木工程中最有代表性的应用和最经典的模型作为对象，旨在引导和示范，激发学生的积极性，提高学生自主学习的能力。线下部分包括课堂讨论、实践操作、小组项目等，注重培养学生的实际操作能力和团队协作能力。线上部分为学生观看视频。
（二）考试评分与建议
1.平时成绩（含课堂参与、作业）:30%
2.自学演讲与专题研讨10%
3. 课程大作业（AI建模与报告）: 60%
四、教学安排
说明：本课程分课内和课外两个部分，课内又分教师讲授和学生讨论两个环节。课外每周约需一个学时的扩展阅读（阅读文献及书目见每周参考文献）和线上学习。
第一周人工智能概论与发展前沿
理论讲授（4课时）
主要内容：介绍人工智能的起源与演进历程，从图灵测试、达特茅斯会议到深度学习崛起的关键人物与里程碑事件。重点分析人工智能的当前发展现状与未来趋势，结合2025云栖大会等行业领袖演讲视频，探讨AI技术发展的驱动力与潜在方向。通过本次课程，使学生建立起对AI领域的宏观认知，激发学习兴趣。
第二周AI基础与编程环境实战
理论讲授（4课时）
主要内容：系统讲解Python编程基础语法，并介绍NumPy、Pandas、Matplotlib等数据科学核心库的功能与基本使用方法。详细演示Anaconda环境的搭建、第三方库的安装与管理，以及常见环境报错的排查与解决方法。回顾线性代数中的向量、张量等概念，深入讲解卷积操作的原理及其在图像处理中的应用。学生将通过课堂练习，完成环境调试，并利用Matplotlib库实现地形云图、风谱频谱图等土木工程常见的科研绘图。
第三周无监督学习
理论讲授（4课时）
主要内容：讲解聚类算法（K-Means、层次聚类）和降维技术（PCA、t-SNE）的原理及应用场景，结合土木工程中的实际问题，如对建筑材料性能数据进行聚类分析、对结构监测数据进行降维可视化等。
第四周机器学习与深度学习原理
理论讲授（4课时）
主要内容：系统阐述机器学习的基本概念，使用通俗易懂的方式讲解监督学习、无监督学习等主要分类，并介绍模型中的函数、超参数调优策略及常用评估指标。进而过渡到深度学习，讲解神经网络的基础结构、反向传播算法的原理、常见优化器（如SGD, Adam）与损失函数的作用。
第五周卷积神经网络（CNN）与工程视觉应用
理论讲授（4课时）
主要内容：深入讲解卷积神经网络（CNN）的核心原理，包括卷积层、池化层的作用，并介绍LeNet、ResNet、YOLO等经典与前沿网络架构。重点结合土木工程中的视觉检测任务，通过Mask R-CNN在山地地形特征识别、基于CNN的导线气动力智能预测等实例，展示CNN解决实际工程问题的强大能力。
第六周循环神经网络（RNN）与序列模型预测
理论讲授（4课时）
主要内容：讲解循环神经网络（RNN）的基本原理及其在处理序列数据（如时间序列、文本）中的优势与挑战。重点介绍长短期记忆网络（LSTM）和Transformer模型的结构与工作机制。课程后半段将启动课程大作业，教师辅导学生进行轻量级AI模型的选题、数据准备、软件环境配置与模型训练流程的初步搭建。
第七周AI在土木工程的挑战与未来图景
理论讲授（4课时）
主要内容：系统探讨AI在土木工程领域落地应用时面临的核心挑战与现实困境，包括数据壁垒（获取成本高、标注困难、质量不均）、技术瓶颈（模型泛化能力不足、可解释性差）以及随之而来的伦理与责任问题（隐私安全、算法歧视、决策责任归属）。在此基础上，课程将转向对未来应用场景的拓展探讨，学生将学习使用DeepSeek等AI工具辅助进行观点阐述与内容生成，并结合“华为智能世界2035”等前沿视频，激发对AI在智能设计、自动化施工、基础设施全生命周期运维与城市级管理等未来场景的想象力，并进行分组演讲与互评。
第八周分组课堂展示+简单问题研讨
实践教学（2学时）+分组讨论（2课时）
主要内容：学生以小组为单位，展示其课程大项目的最终成果，内容包括项目背景、所用模型、实现过程、结果分析及总结展望。展示结束后进行课堂互评与提问研讨，通过交流碰撞，深化对AI技术在土木工程中应用的理解，全面锻炼学生的项目管理、技术实现、沟通表达与批判性思维能力。
附：时间表（课程安排确定后详细整理）
周次 | 学时 | 教学内容（要点） | 课程思政融入点和实施方法 | 教学形式（理论、讨论、实践、实验、测试等） |
1 | 4 | 人工智能概述：发展历史、关键里程碑、现状与未来展望（结合2025云栖大会等前沿动态）。 |
| 理论讲授 |
2 | 4 | AI基础与环境搭建：Python基础；NumPy、Pandas、Matplotlib等库；Anaconda环境搭建；向量、张量、卷积等数学基础。 |
| 理论讲授 |
3 | 4 | AI在土木工程中的应用概览：智能建造（含国家政策学习）、建筑设计生成、城市更新。 | 国家政策学习 | 理论讲授 |
4 | 4 | 机器学习与深度学习原理：机器学习分类、函数、超参数、评估；神经网络基础、反向传播、优化器、简单分类模型。 |
| 理论讲授 |
5 | 4 | 卷积神经网络（CNN）：CNN原理、典型架构（LeNet, ResNet, YOLO）、土木应用案例（山地识别、裂缝检测）。 |
| 理论讲授 |
6 | 4 | 循环神经网络（RNN）与大作业辅导：RNN、LSTM、Transformer原理；轻量级AI模型搭建、数据准备、模型训练辅导。 |
| 理论讲授 |
7 | 4 | AI应用的挑战与拓展：数据、泛化、伦理与隐私问题；应用场景拓展（结合“华为智能世界2035”等视频）。 | 融合思政教育，引导学生思考并树立“人工智能必须为人类福祉与社会可持续发展正向服务”的正确价值观。 | 理论讲授、课堂讨论 |
8 | 4 | 课程大作业展示与评审：学生分组展示AI在土木工程中的应用项目，并进行互评与交流。 |
| 实践教学+分组讨论 |
五、参考教材及相关资料
参考教材：
1.Stuart Russell, Peter Norvig. 《人工智能：一种现代的方法（第四版）》。
2.吴军.《数学之美》。
参考资料：
1.中国大学MOOC、B站、CSDN等平台的相关开源课程与代码库。
2.GitHub上的开源项目（如YOLO系列, PyTorch教程等）。
六、课程教学网站
“学在浙大”课程平台发布的课件、通知和提交作业。