1 认识大数据的两个基本角度
自1980年阿尔文•托夫勒在《第三次浪潮》一书中提出这一概念[1]，至2002年前后形成固定术语，到2008年《Nature》专刊《大数据时代的到来》[2]、2011年《Science》专文讨论[3]，再到 2012年后各国相继推出发展倡议和计划，“大数据”(big data)的概念正在以前所未见的速度、深度和广度影响着整个世界的认知，并被公认为是新的创新、竞争和生产力的前沿，引领着保障未来繁荣的重大技术变革，也正带动着社会、经济、科学与技术等各个领域的研究热潮。
大数据一词如此流行，甚至已深入到普通人的日常生活和交流当中。然而，有关大数据的定义和大数据是什么？一时间却诸说并陈，颇有令人眼花缭乱之感。这种定义多样性且尚未形成共识的现状，一方面反映大数据概念处在外延和内涵不断扩展的快速成长期，另一方面也提示我们需要结合具体应用对象的特点来阐释。
因此，针对土木工程中结构工程学科的特点，本文尝试从大数据思想和大数据技术两个角度展开讨论：关于思想的研讨侧重于研究观念和范式的变化，而关于技术的分析则有助于理解未来可开展的研究方向和需要采用的具体手段。最后通过建筑物活荷载的统计和建模研究的实例，说明大数据思维下，范式转变和手段变革后所带来研究思路的开拓和研究工作的创新。
2 大数据思想带来的研究范式变化
2.1 大数据概念
大数据(big data)概念的一种常见定义是[4]：泛指巨量数据、海量数据、大资料，所涉及的数据量规模巨大，无法通过人工在合理时间内达到截取、管理、处理并整理成为人类所能解读与利用的信息，同时具有如下 4Vs特点，即 Volume(海量)，Velocity(速度)，Variety(多样性)，Value(低值)。除上述这种属性定义之外，关于大数据概念还有比较定义、体系定义等不同形式，以及3Vs或5Vs的不同特点归纳，详细区分这些定义间细微差异的实际意义不大，它们的共性之处在于强调数据量大的同时，大数据还应有累积速度快、来源多样性、异构性以及价值有限等关键特征。
2.2 研究范式转变
前述4Vs属性构成了辨识大数据问题的基本准则。然而属性多是表象，需再结合特定学科的内涵来解读属性的具体含义和相互之间的内在关联，过分拘泥则会产生“多大是大”“多少类才是多样”等困惑而不得要领。具体而言，应从研究范式(paradigm)变革的角度把握结构工程大数据问题，范式指“从事某一科学的研究者群体所共同遵循的世界观和行为方式”[5]。
结构荷载统计建模是结构分析的基础，可靠的荷载取值是设计任何类型结构的先决条件，因此荷载研究在结构工程的历史中始终处在极为重要的位置[6]。下面以我国活荷载研究为例探讨大数据思维下研究范式的转变。传统荷载研究中，首先通过随机抽样称重来获得典型结构上的活荷载(家具、人群流等)情况，对样本称重结果进行统计分析与推断来建立荷载的概率分布模型，并进而确定荷载设计值[7－8]。受时间和经济成本限制，抽样样本数量往往有限。楼面活荷载研究中，第一次全国荷载调查(TJ9―74规范修订)对北京、兰州、成都和广州的606间住宅，以及北京、兰州和广州的258间办公室进行了现场称重实测；第二次荷载调查(20世纪80年代初)共调查了 10个城市的 566间住宅，25个城市中133栋办公楼中的2201间办公室，10个城市21家百货商店的214个柜台重量[9]。抽样调查的方式，统计显著性及调查结果严重依赖于样本的代表性和分析方法的合理性，因此抽样原则和统计推断方法迄今仍是荷载研究的重点[10－13]。基于小样本抽样的研究，是在基础研究数据十分缺乏且流通受限制的模拟数据时代的历史选择，经过几代人的延续与传承，逐渐形成了主流的、理所当然的研究方式。
20世纪后期，随着具有采集和存储功能的电子设备的全方位普及，各类电子数据资源正在以超出想象的速度累积。2011年，Hilbert和Lopez在《科学》杂志上撰文指出[14]，“整个人类文明迄今所获得的全部数据中，有 90%是在过去两年内产生”，文章同时预测，到 2020年，全世界所产生的数据规模将进一步达到当时的 44倍。事实上，据统计仅 2015年人类就创造了4.4 ZB(即 4.4亿TB)的数据[15]。在这样一个“万物互联”的信息时代背景下，物理世界中真实物体(如代表建筑物室内活荷载的桌子、椅子、电脑等各种物品)，会以不同的方式(如产品目录、监控照片、录像、商品二维码)映射于虚拟数据网络中，并以不同的特征与其重量相关联。因此，通过对全面数据资源的挖掘，即可获得某一物体的重量，从而在完全不需要抽样称重的前提下获得典型建筑内的实际活荷载分布，并建立完整的、可动态调整的活荷载模型。后续实例分析将进一步说明这种新型研究方式的可行性。
量变到质变、小样本到全样本、局部到总体、精确性到关联性，是大数据思维的核心，所有这些因素的合力带来了研究范式的革命性转变。同时，传统的针对物理世界的研究方式也必须转变以延伸、扩展至数字虚拟世界。循着范式转变的这条主线，很容易回答“什么是结构工程的大数据及大数据问题？”这类似是而非的疑问，并进一步澄清如下一些可能的模糊认识。
2.2.1 大数据：可获取的全数据
大数据的关键是“可获取数据”以及“全”，数据是核心，“可获取”是性质，“全”则是目标。大数据即可获取的全数据，而“全”的度量则对应具体问题，本质是信息维度的剧增。值得注意的是，填满取值空间的全数据要求必然导致维数灾难：某个问题涉及N个变量，每个变量有M种取值可能，每种取值考虑K个重复采样数据，则真正“全”数据的量级至少应为O(KMN)。机器学习等大数据技术的发展也主要是针对这样的复杂高维问题，提升学习的泛化能力。
因此，“全”的要求是目标而非目的，其背后观念的革命性在于应将一切可用的(包括大量过往被忽略的、或无法及时获取的非结构化数据)不同类型的资料都视为研究资源。遵循这样的判断原则，在结构荷载研究中大量增加抽样数，或者其他类似研究工作中大幅度提升数据采集量，都是单一信息纬度的延伸，只要对应的研究方式和手段没有本质的变化，就仍是在增大的样本集上的传统研究，不是真正意义的大数据问题。
2.2.2 数字资源的数据化
此外，应特别强调信息资源的数据化而非仅仅数字化，数据是面向特定问题的、可分析、可获取的数字。“全”的要求引入了图片、声音、视频、文本等多纬非结构化资料，它们通常以数字化方式存储，因此必须进行针对性的“数据化”(注意：不一定是结构化)。例如，以 PDF格式存储的大量建筑物图纸，是数字化资源，必须针对特定目的(如城市建筑群抗灾、区域规划等)进行数据化，以获得可用于分析的结构模型；此外，从可视化的建筑物BIM模型到可分析的FEA有限元模型，还需要翻译和转换的工具完成数据化过程。
3 大数据技术的冲击
3.1 大数据技术
大数据4Vs的属性需要高性能数字处理技术的支撑，涉及数据的采集、存储、清洗、检索、挖掘和可视化等方面，可统称为大数据技术，它们通过超级存储和超级计算等硬件平台来实现。云存储和云计算是超算硬件平台的网络化，云存储/计算为大数据提供工具，大数据则为云计算技术提供了施展空间。
由麻省理工学院主办、创刊于 1899年的《Technology Review》期刊[16]，自2001年起，通过咨询各领域顶级专家“这项技术是否可能会改变世界？”的调查方式，每年遴选出 10项突破性技术(breakthrough technology)。在迄今为止公布的160项(2002年未发布)技术中，信息科学最多，共有70多项，其中的数据挖掘(2001)、分布式存储、贝叶斯机器学习(2004)、云编程(2010)、借助普通手机的大数据分析(2012)等，构成了当前各领域内大数据成功应用的技术基础。大数据技术的发展方向，一方面是提升管理巨量动态数据的能力，一方面是从软件(人工智能、深度学习算法等)和硬件(前端智能、智能识别芯片等)上提升从散乱超大数据中提取信息的能力，并最终成为研究者的利器。如果大量数据和超级硬件平台是一张纸的两面，大数据技术就是承载、实现这一切的纸张本身。因此，如下对大数据应用的描述几乎适用于包括结构工程在内的任何领域[17－18]：未来，可在互联网云端(存储和计算平台)用人工智能方式(处理手段)处理行业大数据(数据资源和对象)。
对上述大数据技术的发展细节描述脱离了本文的主旨，事实上，多源、异构、多属性的特征，使得大数据问题具有天然的学科交叉特质，具体应用场景所适合的技术手段，必需通过跨领域的协作来开发和拓展。因此，大数据技术的发展不仅仅改变了研究者与数据相处的方式，也影响着不同领域研究者合作的模式。
3.2 相关分析与因果关系
值得特别关注的是有关大数据技术核心功能的一个流行观点：由于数据之全，无须再紧盯事物之间的因果关系，而应当寻求事物之间的相关关系，即客观现象间非确定的相互依存关系。这一观点因为谷歌对流感传播[19]、百度对春运趋势的准确预测、沃尔玛、亚马逊对关联商品的精准推送[20]、以及无监督机器学习[21]的实现等成功案例而广获肯定、影响深远。由此观点所产生的疑问：只要有足够多的数据，是否就不再需要理论模型？同时可以避免类似于经济学研究经常提到的“理论致盲现象”(theory-induced blindness)这一观点无疑会给建立在因果分析之上的传统的结构工程理论研究带来了巨大的冲击。事实上，类似于结构分析由三维空间进入多维空间后依赖经验(即相关性分析)进行直观判断的困难，在大数据时代如何(甚至是否需要)捍卫传统的理论研究的意义和价值体系，值得深入的思考并通过更多的实践来回答。
与强调标准化、规则化的交通、金融、医疗等大数据应用领先的领域不同，工程结构通常具有极强的个体性特征：创作个性化作品是建筑设计师的基本理念，而创新结构体系则往往是结构工程师的执业追求。这样一种行业文化背景下，笔者认为现阶段过分强调数据的相关分析而忽略理论建模的意义，存在相当的隐患。将大数据技术视为一种新的研究手段，一种处理“全”但却是碎片化、分布式信息的有效手段，并将其服务于严谨的理论研究，理应成为结构工程大数据思维的起点。
4 结构工程领域大数据应用场景
大数据观念所带来的研究范式的转变和研究手段的提升，为结构工程学科中很多有待解决的问题带来了全新的思路和契机，同时也为传统问题的深化提供了新的视角。结构工程学科的前进动力，在新材料、新理论、新体系等传统引擎上，新增了大数据驱动引擎。例如，文献[22－24]分别从资料调研、若干具体问题和工程施工的角度讨论了大数据思维对土木/结构工程的影响和发展趋势，文献[25－28]则研究了大数据技术在不确定性的量化、桥梁的健康监测、可构造性及施工管理等方面的应用，文献[29]利用无人机图像结合机器学习的方式进行建筑物实时震损预测。领域内大数据相关的研究热度正在迅速增强。在诸多学者已有的精辟认识和具体实践的基础上，可以进一步从数据资源、工程应用、科学研究三个宏观层面讨论结构工程领域内大数据应用的诸多可能场景。
1)数据资源层面：加强顶层设计，统一标准，打通数据孤岛，构建开放透明的结构工程大数据库。
大数据时代，得数据者得天下，数据就是有价值的商品。谷歌、百度等能在大数据应用、大数据技术研发以及人工智能算法等方面迅速取得领先优势，与其掌握的丰富数据资源密不可分。以人工智能技术为例，在目前基于深度学习的“弱”人工智能阶段[21]，其技术核心是基于经验的学习，对机器而言经验就是数据，大量的数据是人工智能技术发展和向更高阶段进步的关键。
对比医疗、交通、金融等诸多大数据成功应用的领域，结构工程领域内真正的大数据资源似乎尚未形成。缺乏大数据基础是当前开展相关研究所面临的首要难题，需要各方形成共识后合力解决。虽然领域内构建各种数据库(如地震动记录、试验数据、荷载信息、建筑设计资料等)的自发行为从未间断，但距离全面、开放、透明以及在线功能等大数据库要求还有很大差距，大多仍是单一的数据孤岛。亟待通过顶层设计，制定规范，统一标准接口，支持和鼓励各种机构和力量构建大数据库，打通数据孤岛，增加数据库透明性，实现资源的有效互通，进而利用大数据技术充分发挥和释放数据的潜在价值。
必须特别强调数据库的在线性和共享性能。工程结构强烈的个体特征和差异化需求映射到不同数据空间中，造成结构工程大数据库的对象和边界往往不像交通、金融系统那样明确。建立统一的、全功能的结构工程数据库既无可能也无必要。以200 m以上的高层建筑为例，它们的规划、设计、施工和维护等信息，或者每幢建筑每天进出的总人数、视频录像、楼层分布乃至每个人的体重资料，或者每年大风天数量、风速、风向、大风天时用户对建筑振动的抱怨等，都可单独形成为一个有价值的、满足特定需求的数据库。因此，每个独立形成的数据库必须具备可获取性，才能实质推动大数据研究。2011年一份大数据在各行业应用的分析报告，曾指出在建筑行业的效益最低[30]。事实上，现有结构工程领域内各种自发形成的数据库资源，正是由于缺少数据间流动和在线共享的机制和标准，缺少与之配合的数据挖掘的有效工具，所以目前来看不能形成数据的增值效应。
2)工程应用层面：基于大数据技术的各类智能专家系统及新型业态的催生。
大量成功的案例表明，大数据技术的优势是预测。大数据时代，足够丰富的数据加上足够强的计算能力，就可以预测问题、推断未来。对于结构工程，在拥有大数据资源的前提下，通过与人工智能、数据挖掘等技术相结合，可迅速形成各类新型的智能专家系统，催生出全新的产业模式，其商业、社会价值显著，具有十分广阔和诱人的发展前景。
以前述200 m以上高层建筑的大数据库为例，基于其上的智能专家系统可为开发商的选址、投资方的风险评估、政府机关的规划审批、设计方的结构选型、施工单位的方案制定以及材料供应商的备货等，整个产业链上下游的不同部门的预测分析和决策支持提供依据。甚至可以进一步形成新型咨询产业，为一般商业机构、普通市民的投资和租赁行为提供参考信息。依据上述数据库，还可创建人工智能工程师，实现自动化结构设计，形成结构方案和草图，大大提升设计效率。此外，在已有相当数据基础的大型工程结构健康监测领域，利用大数据技术建立与城市建设、交通规划等联动的智能专家系统，可以推动结构监测与控制技术从面向结构安全的单一功能，发展到面向功能应用评估、商业和城市规划等更广阔的用途，并催生出新的业态。
类似智能专家系统的建立几乎可以推进覆盖到结构工程领域中的任何角落，特别是那些依赖于总体数据进行决策的场合。例如：大数据支持下的城市生命线系统综合管控、运维专家系统；城市重大工程应急防灾智能专家系统；城市火灾安全评估与应急处理智能专家系统；工程结构智能建造专家系统；重大工程结构的全寿命评估与风险管控等。大数据技术关于信息间相关关系分析的优势，将在这些智能专家系统中得到淋漓尽致的发挥，从而最大程度地挖掘和释放数据的潜在价值。例如，对于区域防灾应急，多因素相关关系分析尽管不能准确预知某件灾害事件的发生，但可以警示类似灾害发生的可能。很多场合，这种灾前预警的意义和价值更为重大。
3)科学研究层面：既有课题的大数据化研究与学科新增长点的构建。
立足大数据思维，运用大数据技术，可以大胆预测，所有结构工程领域的既有课题都可以重新实施大数据化研究，通过研究观念的变革以及研究手段的创新，形成结构工程学科新的增长点[22－24]。特别是通过与第三代结构设计理论的研究趋势[31]相互融合，大数据思维下的新型课题几乎俯首即是，且激动人心。
例1.结构荷载统计与建模
结构荷载的统计建模是结构工程分析的基础，也是结构可靠度评估的基础，在第三代结构设计理论中“是最为薄弱的一个支点”[31]。大数据技术的引入，从有限样本到全样本转变，有望带来这一薄弱环节的关键性突破。以实际地震动加速度记录为例，直到20世纪70年代末，全世界积累的记录不到500条[32]，而在2008年汶川地震中，仅在主震阶段就记录了1 400条地震动，在余震中又记录了20 000条记录，同时伴随有场地条件、距离等丰富的信息。再以建筑物内的人群活荷载研究为例，对于办公楼等特定建筑，利用进出打卡记录、视频录像、手机信号以及员工资料等多源数据，可以研究楼内总人数、分布情况以及总重量的变化规律，进而给出人群活荷载的动态模型，可显著提升结构可靠性预测的水平。
例2.材料特性的研究
各种材料的特性同样是结构工程关注的重点，大数据化研究必将进一步夯实这一关键基础。以混凝土的本构关系研究为例，通过共享全国所有质监站、单体结构或混凝土搅拌站的混凝土试块的强度结果，以及相关测试照片、录像、试件实际尺寸、配料性能和来源、测试环境等数据，可以采用完全不同于传统研究的方法开展混凝土本构关系的研究。类似的，通过共享既有建筑物的混凝土材料强度的回弹、芯样结果以及对应结构设计信息、原始施工资料、各阶段维护情况等其他数据，可进行更细致深入的材料性能退化研究，提升结构耐久性研究的水平。
例3.基于智能携带设备的城市灾害研究
“考虑灾害性动力作用对结构安全性的影响，是近代结构设计理论发展的重要标志”[31]，研究地震等各种灾害性动力作用的特性始终是结构工程的主旨任务之一。尽管我国已经建立了覆盖全国的地震台网(中国地震台网 http://news.ceic.ac.cn)，然而由于地震发生地点、时间和强度的显著随机特征，对强震及其传播规律的准确记录仍面临着巨大的挑战。当前，以手机为代表的各种智能携带设备的综合测试功能日益强大，已经从单一功能的通讯设备进化成了移动数据终端，伴随移动互联网络的拓展，智能设备的分布区域更几乎达到了无处不在。智能设备数量庞大、测试数据精度低且传播快，具有典型的大数据特征，与传统测站的数据相互结合，势必为地震动危险性分析研究带来全新的思路和手段。2016年美国学者利用智能手机研究地震发生和传播区域的“iShake”和“Citizen Sensor”计划，就是这一思路的有益和重要的尝试[33－34]。我国学者也在探索智能手机用于地震作用下结构响应监测以及应急响应[35]。
5 实例分析：基于大数据的建筑物活荷载研究
如前所述，对于建筑物的活荷载研究，一般采用抽样称重后统计的方式，然而对于大件物品的现场称重是十分困难的。此外，20世纪 70年代～80年代所开展的大规模荷载调查中[9]，民用和工业建筑中典型物品的种类、分布和重量，显然已和当今情况差异巨大。譬如，现今电脑、打印机、复印机、冰箱等电器设备的普及以及新型钢木、板材、玻璃类家具的流行。图1(a)～图1(c)所示为一典型办公楼相邻三间面积完全相同的办公室的情况，可见建筑内实际活荷载的分布情况也差异显著，依赖小样本统计的荷载研究方式亟待创新。
图1 某办公楼相邻面积相同的三间办公室活荷载分布情况
Fig.1 Distribution of live loads in three offices with the same plan area in a real building
基于大数据思维和技术，可以利用业已积累的丰富数据资源，在完全不称重的前提下研究该建筑活荷载的分布情况。以图1(c)情形为例，可以如下步骤实现：
1)多角度拍照室内照片或视频信息；
2)深度学习技术识别、分离照片中物体；
3)提取物体的特征属性并进行互联网匹配；
4)对匹配成功的网址进行网络爬虫获得物体重量信息；
5)累积所有重量获得室内实际活荷载情况。
依照上述步骤，根据不同的物品特征，就可以获得各类物品的重量信息。图2(a)、图2(b)是室内桌椅的识别结果，算法采用谷歌开源的物体检测神经网络模型(https://github.com/tensorflow/models)。将识别出的黑色椅子与某在线商品网站上的椅子照片进行匹配，可获得其重量(含外包装)为11 kg(图2(c))，而该椅子实际称重为 10.33 kg。除去照片特征的直接匹配，还可以利用商品二维码等特征(如图2(d))，通过网络爬虫方式获得物品的重量(图 2(d)机箱称重为10 kg，条码显示含包装10.6 kg)。文献[36]给出了上述荷载大数据技术识别过程的技术细节和效果分析。
上述实践表明，采用大数据技术可以突破传统的小样本抽样称重的方式，利用多类型、非结构化数据，实现建筑物活荷载的统计。将这一思路与日益成熟的各类智能携带设备(如谷歌眼镜、智能监控镜头)、深度学习技术等相结合，可以形成建筑物活荷载研究的新范式，实现对建筑物内部活荷载的实时、在线获取。
图2 基于谷歌开源神经网络的物体识别与匹配
Fig.2 Identification and match of objects by Google open-source artificial-network
6 结论
面向推动实施国家大数据战略的需求，应对大数据给结构工程研究所带来的冲击和挑战，急需通过广泛的讨论，凝聚共识，合力推动对结构工程中大数据应用更深入的思考和实践。为此，本文抛砖引玉，建议从研究范式转变以及研究手段革命两个角度，从数据(信息+知识)加速聚集的、量变而后质变的时代高度，认识和把握结构工程的大数据问题，并重新审视我们一直遵从的科学观念和行为传统。在此基础上，进一步从数据资源的形成、工程应用的开发和科学研究的创新三个层面，以第三代结构设计理论的发展为主线，探讨了结构工程领域内大数据可能的应用，并以建筑物活荷载研究为例，进行了初步的尝试。
毋容置疑，大数据观念和手段必将给结构工程的研究和实践带来巨变，巨变的强大爆发力和冲击波正在形成。在热情拥抱这一历史机遇、迎接巨变的同时，需要我们有足够的自信和定力，集中智慧，准确辨识和精准规划结构工程大数据的发展方向和路径。
[1]阿尔文•托勒夫, 著.第三次浪潮[M].黄明坚, 译.北京: 中信出版社, 2006: 19－25.Alvin Toffler.The third wave[M].Translate by Huang Mingjian.Beijing: Citic Press, 2006: 19－25.(in Chinese)
[2]Nature.Big Data[DB].http://www.nature.com/news/specials/bigdata/index.html, 2008.
[3]Reichman O J, Jones M B, Schildhauer M P.Challenges and opportunities of open data in ecology[J].Science,2011, 331(6018): 703－705.
[4]李学龙, 龚海刚.大数据系统综述[J].中国科学: 信息科学, 2015, 45(1): 1－44.Li Xuelong, Gong Haigang.A survey on big data system[J].Scientia Sinica: Informationis, 2015, 45(1): 1－44.(in Chinese)
[5]Thomas S K.The structure of scientific revolutions[M].3rd ed, Chicago: University of Chicago Press, 1970: 10.
[6]Haldar A, Mehrabian A.Structural engineering in the new millennium: opportunities and challenges[J].Structural Survey, 2008, 26(4): 279－301.
[7]Ross B C.Probabilistic load duration model for live loads[J].Journal of Structural Engineering, 1983,109(4): 859－874.
[8]Asantey S B A.Factory and warehouse live load survey[J].Building and Environment, 1996, 31(2): 167－178.
[9]GB 50009－2012, 建筑结构荷载规范[S].北京: 建筑工业出版社, 2012.GB 50009－2012, Load code for the design of building structures[S].Beijing: China Architecture Industry Press, 2012.(in Chinese)
[10]陈淮, 葛素娟, 李静斌, 孙增寿.中原地区住宅建筑结构活荷载调查与统计分析[J].土木工程学报, 2006,39(5): 29－34.Chen Huai, Ge Sujuan, Li Jingbin, Sun Zengshou.Survey and statistical analysis of live loads of residential buildings in the central plains region[J].China Civil Engineering Journal, 2006, 39(5): 29－34.(in Chinese)
[11]高若凡, 李杰.中日建筑规范楼面活荷载对比[J].结构工程师, 2016, 32(2): 84－91.Gao Ruofan, Li Jie.Comparison of the floor live load between Chinese and Japanese building codes[J].Structural Engineer, 2016, 32(2): 84－91.(in Chinese)
[12]贾存龙.建筑楼面活荷载的小样本统计推断[D].陕西: 西安建筑科技大学, 2013.Jia Cunlong.Statistical inference methods for characteristic value of floor live load on minor sample[D].Shaanxi: Xi’an University of Architecture and Technology, 2013.(in Chinese)
[13]杨庆山, 田玉基, 陈波, 等.行业标准《屋盖结构风荷载标准》的主要内容[J].工程力学, 2018, 35(7): 1－6.Yang Qingshan, Tian Yuji, Chen Bo, et al.Main contents of the standard for wind loads on roof sructures[J].Engineering Mechanics, 2018, 35(7): 1－6.(in Chinese)
[14]Hilbert M, Lopez P.The world’s technology capacity to store, communicate and compute information[J].Science, 2011, 332(6025): 60－65.
[15]Futurescoutllc.Emerging science and technology trends(2016-2045)– A synthesis of leading forecasts report[R].http://www.futurescoutllc.com/wp-content/uploads/2016/ 09/2016_SciTechReport_16June2016.pdf, 2016.
[16]MIT technology review[DB].https://www.technologyreview.com.
[17]Zhang Q C, Yang L T, Chen Z K.A survey on deep learning for big data[J].Information Fusion, 2018, 42:146－157.
[18]Yang C W, Huang Q Y, Li Z L, et al.Big data and cloud computing: Innovation opportunities and challenges[J].International Journal of Digital Earth, 2017, 10(1): 41.
[19]Ginsberg J, Mohebbi M H, Patel R S, et al.Detecting influenza epidemics using search engine query data[J].Nature, 2009, 457: 1012－1014.
[20]维克托•迈尔-舍恩伯格.大数据时代[M].杭州：浙江人民出版社, 2012: 28, 50.Victor M S.Big data: a revolution that will transform how we live, work and think[M].Hangzhou: Zhejiang People’s Publishing House, 2012: 28, 50.(in Chinese)
[21]Kathryn H.Artificial intelligence[M].Minneapolis,Minnesota: Abdo Publishing, 2016: 76.
[22]马智亮, 刘世龙, 刘喆.大数据技术及其在土木工程中的应用[J].土木建筑工程信息技术, 2015, 7(5): 45－49.Ma Zhiliang, Liu Shilong, Liu Zhe.Big data techniques and its applications in civil engineering[J].Journal of Information Technology in Civil Engineering and Architecture, 2015, 7(5): 45－49.(in Chinese)
[23]霍林生.大数据时代结构工程发展新趋势的几点思考[J].土木建筑工程信息技术, 2016, 8(5): 111－114.Huo Linsheng.Several considerations about the development trend of structural engineering in the big data time[J].Journal of Information Technology in Civil Engineering and Architecture, 2016, 8(5): 111－114.(in Chinese)
[24]Alavi A H, Gandomi A H.Big data in civil engineering[J].Automation in Construction, 2017(79): 1－2.
[25]Cai G W, Mahadevan S.Big data analytics in uncertainty quantification: Application to structural diagnosis and prognosis[J].Journal of Risk and Uncertainty in Engineering Systems Part A – Civil Engineering, 2018:4(1): 04018003.
[26]Kostic B, Gul M.Vibration-based damage detection of bridges under varying temperature effects using time-series analysis and artificial neural networks[J].Journal of Bridge Engineering, 2017, 22(10): 04017065.
[27]Kifokeris D, Xenidis Y.Constructability: Outline of past,present, and future research[J].Journal of Construction Engineering and Management, 2017, 143(8): 04017035.
[28]Bilal M, Oyedele L O, Qadir J, et al.Big Data in the construction industry: A review of present status,opportunities, and future trends[J].Advanced Engineering Informatics, 2016, 30(3): 500－521.
[29]Lu X Z, Zeng X, Xu Z, et al.Improving the accuracy of near-real-time seismic loss estimation using post-earthquake remote sensing images[J].Earthquake Spectra, 2018, 34(3): 1219－1245.
[30]McKinsey Global Institute.Big Data: The next frontier for innovation, competition and productivity[R].Technical Report.https://www.mckinsey.com/businessfunctions/digital-mckinsey/our-insights/big-data-the-next-frontier-for-innovation, 2011.
[31]李杰.论第三代结构设计理论[J].同济大学学报(自然科学版), 2017, 45(5): 617－632.Li Jie.On the third generation of structural design theory[J].Journal of Tongji University (Natural Science), 2017,45(5): 617－632.(in Chinese)
[32]Trifunac, Mihailo D.Site conditions and earthquake ground motion- a review[J].Soil Dynamics and Earthquake Engineering, 2016, 90: 88－100.
[33]Reilly J, Dashti S, Ervsti M, et al.Mobile phones as seismologic sensors: automating data extraction for the iShake system[J].Transactions on Automation Science and Engineering, 2013, 10(20): 242－251.
[34]Feng M, Fukuda Y, Mizuta M, et al.Citizen sensors for SHM: use of accelerometer data from Smartphones[J].Sensors, 2015, 15(2): 2980－2998.
[35]韩瑞聪.基于智能手机的多参数监测技术及地震应急响应研究[D].大连: 大连理工大学, 2018.Han Ruicong.Multi-parameter monitoring technology based on smart phone and earthquake emergency response research[D].Dalian: Dalian University of Technology, 2018.(in Chinese)
[36]Chen J, Li Y, Li R.Big data methodology for structure live load investigation: a case study[C].Hang Zhou: Zhe Jiang University Press, 2018: 555－556.