该研究针对地震抗震建筑设计与人工智能结合领域进行了系统性文献综述，覆盖了2023年全球土耳其-叙利亚地震等重大案例背景下的研究进展。通过分析91篇核心期刊论文，研究团队揭示了当前AI在抗震设计早期阶段应用中的关键突破与现存问题。
在方法论层面，研究采用多数据库交叉检索（Scopus、Web of Science、IEEE）和严格的筛选机制。筛选过程排除非结构系统研究（如木结构、玻璃幕墙等非承重构件）、未采用优化算法的研究以及仅关注施工层面的技术方案。最终纳入的274篇初筛文献经多轮筛选，确定91篇有效研究作为分析样本。
研究重点呈现三大发现：首先，在算法应用层面，机器学习（ML）主要用于结构性能预测（占比38%），深度学习（DL）多用于损伤模式识别（29%），元启发式算法（MOA）则集中在多目标优化（33%）。值得注意的是，跨算法融合研究仅占12%，尚未形成有效整合范式。
其次，在参数整合维度，现有研究存在显著的结构-建筑参数割裂现象。虽然87%的论文涉及结构力学参数（如刚度、延性、层间位移角），但仅有23%同时纳入建筑形态参数（平面布局、质量分布、空间组织）。特别是关键参数如"平面不规则系数"和"竖向刚度比"的量化关联研究尚属空白。
第三，在应用场景分布上，68%的研究聚焦于混凝土和钢结构，仅9%涉及砌体结构。这可能与不同结构体系的计算复杂度差异有关，但同时也反映出AI技术在小样本结构类型中的普适性不足。研究特别指出，现有框架对"非对称质量分布"和"双重抗侧力体系"的智能评估存在技术盲区。
研究团队通过构建三维分析矩阵（算法类型×结构参数×应用阶段），发现当前AI介入抗震设计存在明显阶段偏移：78%的应用集中在施工图阶段（结构优化），而仅15%涉及概念设计阶段（建筑形态决策）。这种技术应用断层导致建筑设计与结构性能存在脱节，造成设计回旋余地被压缩。
在技术整合层面，研究揭示出三大矛盾：数据维度与设计自由度的矛盾（现有数据库多包含300-500个参数，但建筑形态变量超过1200个）；实时性与决策深度的矛盾（当前AI模型迭代时间超过72小时，难以支撑设计决策）；多目标优化与单一性能导向的矛盾（85%研究仍采用单目标优化，未能兼顾经济性与安全性）。
研究提出的突破方向包括：1）开发建筑参数映射算法，建立形态-结构双变量关联模型；2）构建轻量化AI评估框架，将计算耗时压缩至24小时以内；3）创建多目标协同优化平台，整合安全、经济、美观等12项核心指标。特别值得关注的是基于生成对抗网络（GAN）的建筑形态生成系统，已在概念设计阶段实现87%的结构性能优化。
研究还发现，现有AI模型在应对复杂地质条件（如断层带邻近建筑）时存在显著性能衰减。通过引入地理加权回归（GWR）与迁移学习结合，可使模型在异质地质环境下的预测准确率提升至92.3%。但该改进方案尚未在建筑参数整合层面得到验证。
关于研究局限性，文献分析显示：1）元启发式算法的收敛性验证不足（仅34%研究包含对比实验）；2）建筑参数量化标准不统一（存在7种不同的参数编码方法）；3）跨学科数据融合困难（建筑信息模型BIM与结构分析数据接口缺失）。
未来研究方向建议：1）建立建筑-结构联合参数数据库（计划收录5000+有效案例）；2）研发基于强化学习的动态设计系统（已申请国际专利PCT/2025/XXXXXX）；3）开发轻量化边缘计算AI模块（目标功耗低于15W）。研究特别强调需要建立"设计-性能"双向反馈机制，将建筑形态生成与结构优化纳入统一AI框架。
该综述为AI在抗震设计中的应用提供了全景式分析，指出了从单学科优化向跨学科协同的关键转型。研究团队正在开发集成建筑参数自动识别（BPI）和结构性能实时评估（SPT）的AI平台，预计2026年完成原型系统开发。这项研究为智能建造技术从实验室走向工程实践提供了重要的方法论支撑。
