第 65 章 · 结构抗震加固

AI建筑

一、领域界定与行业地位

结构抗震加固是针对既有建筑在地震作用下安全性不足而采取的检测鉴定、性能评估与加固修复活动，是城市更新与建筑全寿命周期安全治理的关键环节[118]。我国现存大量建于不同历史时期、执行过不同版本抗震设防标准的建筑，随着《建筑抗震鉴定标准》与《建筑抗震加固技术规程》JGJ 116 的演进，以及"城市体检""城市更新"行动的推进，抗震加固从一个零散的应急维修行为，发展为系统性的城市安全工程。其行业地位体现在：第一，它是存量建筑安全托底的"最后一道防线"，直接关系到人民生命财产安全和城市韧性；第二，加固工程高度依赖对既有结构真实状态的判断，是典型的知识密集型作业；第三，加固对象千差万别，难以用标准化产品覆盖，使经验与判断成为核心生产要素。

二、关键知识体系与行业痛点

抗震加固的知识体系由四个层次构成：既有建筑现状调查（材料强度、配筋、节点连接、损伤普查）、抗震鉴定与评级（依据 JGJ 116 进行 A/B/C/D 类鉴定）、加固方法选择（外包钢、粘钢、碳纤维 CFRP 外贴、增大截面、外加预应力、隔震与减震）、以及细部节点与构造处理[118]。这一体系长期面临三重痛点。其一，资料缺失：大量既有建筑竣工图、隐蔽工程记录不完整，工程师只能依靠有限的现场检测数据反推结构真实状态，不确定性极高。其二，知识高度依赖个体经验：加固方案的选择往往取决于老工程师对震害模式的直觉判断，同样的损伤在不同结构体系下的处置差异极大，难以形成可复制的规则。其三，鉴定意见主观性强、难以沉淀：检测数据离散、评级边界模糊，资深工程师的"手感"无法被结构化记录，一旦人员流动，机构便丢失了核心能力。这些痛点共同指向一个问题——抗震加固领域最宝贵的"经验知识"长期未被有效沉淀[119]。

三、AI、大模型与数据如何重构该领域生产力

AI 对该领域的重构，本质是让抗震加固的经验型知识从"人脑"迁移到"可计算、可检索、可推演"的知识系统中。首先，知识图谱技术可将 JGJ 116 的鉴定评级规则、加固方法适用条件、典型震害案例与处置策略结构化，形成"损伤现象—鉴定评级—加固方法"的语义网络，使新手工程师也能沿着图谱获得系统化的方案建议。其次，计算机视觉可对现场照片、三维点云与倾斜摄影数据进行语义分割，自动识别裂缝宽度、混凝土剥落、钢筋锈蚀等损伤特征，将主观目测转为可量化的损伤指标。再次，机器学习模型可基于有限的回弹、钻芯与配筋探测样本，推估整体材料强度分布，缓解资料缺失带来的不确定性。更进一步，大模型驱动的语义检索能在海量历史加固报告中匹配"相似工程"，把某位老工程师十年前处理过的同类砖混加固案例，实时推送到当前项目的年轻工程师面前，让经验真诚流动[119]。生成式设计则可依据"结构类型+损伤等级+约束条件"自动生成多套加固方案供比选，把方案构思从纯经验活动变为可计算、可解释的设计过程。

四、实践路径与推演

以一栋建成于 1980 年代、未按现行抗震设防标准设计的既有框架-砖混结构为例。实践路径分四步：第一步，利用三维激光扫描获取建筑几何与损伤点云，计算机视觉模型输出各构件损伤等级清单；第二步，将检测数据接入抗震加固知识图谱，系统依据 JGJ 116 自动给出抗震鉴定初步评级，并标注边界不确定项提示补充检测；第三步，生成式设计引擎结合 CFRP 外贴、外包钢、增设抗震墙三种策略，产出多套加固方案及其预估造价与工期；第四步，基于数字孪生对加固后结构进行地震响应推演，验证是否达到目标性能水准。在整个流程中，资深工程师的角色从"亲自做每一个判断"转变为"校准图谱、复核推演、处置例外"，机构的知识资产则被持续写入知识库，形成越用越聪明的闭环。

五、小结

抗震加固的价值从来不在"机器替人决策"，而在于把老师傅脑中那些无法言传的震害判断与处置经验，沉淀为可检索、可推演、可传承的知识资产。AI 与大模型让这份经验在建筑企业间真诚流动，使每一次加固都站在过往所有工程的肩膀上——这正是"AI 不取代建筑行业，而是帮助行业把知识沉淀下来、让经验真诚流动"在存量安全治理上的具体体现[118]。