About Us
我們在做什麼?/What we do?
Scan-to-BIM
運用三維雷射掃描逆向重建實態BIM，實現精確施工品管、進度追蹤與設施維護管理。
專注於Scan-to-BIM逆向工程技術，利用高精度雷射掃描儀針對建築結構、基礎設施及MEP系統進行全方位數據採集。透過點雲處理技術，重建反映真實細節之現況建築資訊模型(As-built BIM)。此高精度模型旨在解決工程實務痛點，精確應用於施工階段的進度追蹤與品質控制(QA/QC)，並作為營運階段設施維護管理之核心數位資產，確保實體與數位資訊的高度一致性。
Digital Twins
結合BIM與物理引擎模擬倒塌，建構災難資料庫訓練深度學習，提供搜索與救援決策輔助。
構建具備物理運算核心之數位孿生系統，整合BIM、物理引擎與有限元素分析(FEM)執行高擬真結構倒塌模擬。透過虛實整合演繹建築結構極限倒塌物理，建立大規模倒塌合成資料庫，解決真實災難數據稀缺的問題。此資料庫將作為深度學習之關鍵訓練數據，訓練AI識別結構外觀幾何並精準預測崩塌等級與內部空間，實現以數據驅動的次世代智慧防災決策支援。
Robotics for SHM
整合機器人與多模態感測，於複雜環境自主導航，執行結構診斷與災難搜救。
致力於開發具備高度自主性之四足仿生機器人系統。透過深度融合光學雷達、熱像儀、深度相機與IMU等多模態感測器，建構高強健性SLAM演算法，克服工地、隧道及災後退化環境之導航難題。此系統最終能自主蒐集多元結構數據以進行結構健康檢測(SHM)，執行邊緣運算，並具備於極限環境下執行搜索與救援(SAR)之關鍵能力，實現無人化之延展智慧作業。
Cleaner Production
轉化有機廢料為生物炭建材，結合電化學分析，實現低碳永續與智慧非破壞檢測。
聚焦於清潔生產技術，嘗試用有機纖維取代人造纖維，並利用熱解技術將有機廢料轉化為生物炭以改質混凝土，提升其耐久性並降低碳足跡。結合生命週期評估(LCA)與電化學阻抗頻譜(EIS)技術，深入探討材料微觀電學與巨觀力學之關聯。旨在建立新型非破壞檢測模式，透過電訊號即時診斷材料性能，達成資源循環、環境永續與智慧監測之多重目標。
Principal Investigator
學歷
- 密西根大學安娜堡土木與環境工程系博士
- 國立成功大學土木工程學系碩士
- 國立臺灣大學土木工程學系學士
經歷
- 國立成功大學 副教授
- 國立成功大學 助理教授
- 高雄應用科技大學 助理教授
專長
- Scan-to-BIM
- 機器人應用開發
- 結構健康檢測
- 混凝土非破壞檢測
Publications
- Lili Lorensia Mallu, Fang-Ru Yu, and Tsung-Chin Hou (2025, Nov.), “Comparative Evaluation of Coir Fiber Origin on the Mechanical and Electrochemical Properties of Fiber-Reinforced Cement Mortar Using Electrochemical Impedance Spectroscopy,” Journal of Building Engineering, 114049 [link]
- Lili Lorensia Mallu and Tsung-Chin Hou (2024, Jul), “Effects of boiling and fiber length on the resistivity of coconut-fiber-reinforced mortar,” Case Studies in Construction Materials, 20, e03177 [link]
- Tsung-Chin Hou, Lili Lorensia Mallu, and Kai-Ren Zhan (2024, Apr), “A simple direct current model for residual bond strength assessment of embedded rebars in thermally damaged concrete,” Construction and Building Materials, 422, 135777 [link]
Current Members
Scan-to-BIM, Digital Twin, Robotics for SHM
博士生
鄭清寳日
侯政仁
碩二
呂佳穎
楊子毅
碩一
吳昱洋
黃郁茹
張閔崴
劉恩旂
Cleaner Production
博士生
馬莉莉
碩二
黃翊雯
李冠慧
碩一
林育弘
許銘城
2025 畢業生
江寳田
謝其澔
周順鴻
Scan-to-BIM
高精度點雲數據採集與演算法核心。
XI 實驗室整合地面（TLS）與手持式（MLS）光學雷達，針對建築場域進行高密度三維採集。為處理龐大的數據，我們建立 k 維樹（kd-tree）索引大幅提升運算效率，利用體素下採樣（Voxel Downsampling）降低數據量，並透過迭代最近點（ICP）演算法精確對齊不同時期的掃描座標。此自動化流程將雜亂點雲轉化為符合現況（as-built）的精細模型。
結構健康監測與災後韌性評估
Scan-to-BIM 技術在我們的研究中延伸至結構健康診斷與全域變形分析。針對受震建築，我們利用雷射掃描克服傳統接觸式量測（如位移計）僅能獲取局部資訊的限制。透過主成分分析（PCA）提取特徵，我們能精確計算出樑柱構件在受力後的位移量與幾何變化。藉由比對「全態」（as-built）與震後「實態」（as-damaged）的點雲模型，我們能分析結構體的整體外觀變化及局部構件的斷面尺寸差異。此非接觸式全域量測能快速提供安全性評估數據，實現從維護到災害應變的智慧管理。
施工安全管理與自動化孔洞偵測
針對施工階段的墜落風險管理，利用手持式光學雷達開發自動化監測系統。我們結合布料模擬過濾器（CSF）濾除地面點，並透過 Alpha Shape 演算法提取邊界特徵。系統運用隨機抽樣一致法（RANSAC）區分柱牆與危險區域，能有效識別如電梯井等非預期孔洞。此技術可自動計算孔洞深度與座標，即時提供防護資訊，解決人工巡檢視線死角問題，大幅提升工地安全管理效率。
智慧化特徵提取與物件辨識
建構精細 BIM 模型的關鍵在於自動提取語意資訊。運用噪密度基礎分群法（DBSCAN）與區域搜索法（RNN）將散亂點雲物件化。透過幾何特徵分析，我們能自動辨識樑、柱、牆面及門窗開口。針對複雜幾何，亦採用最小二乘法擬合精確邊界方程式。此技術將掃描數據轉化為具備語意的 BIM 物件，除用於檢核施工現場非預期孔洞外，更為設施管理提供準確的數位分身，落實延展智慧願景。
Digital Twins
傳統結構力學研究多半聚焦於建築的抗震行為，較少關注結構物達到倒塌臨界點後的動力反應與真實殘骸堆積模式，而這些資訊對於地震災害調查與搜救至關重要。本研究提出創新的混合數值分析架構，結合了有限元素法(FEM)與物理引擎(PE)的優點，以提供研究結構物完整倒塌過程的新思路。具體而言，我們整合了 Abaqus 有限元素分析與 Blender 物理引擎。此方法的優勢在於：前半段小變形階段由精確控制，確保了微觀力學的準確性；後半段大變形及碎片堆積階段則由 PE 高效模擬，達成了宏觀倒塌視覺化的完整性。這套架構能有效克服單一數值方法的侷限。
本研究的技術旨在提升倒塌模擬的準確度與效率。以 Python 介面程序整合 Abaqus FEM 分析結果與 Blender 物理引擎的設定。為避免物理引擎中過小的元素造成高計算成本和不實際的碎片堆積，研究採用元素合併技術，將 FEM 的小尺寸元素合併至 PE 的大尺寸元素。在運動狀態映射方面，Python 程式會讀取FEM 模型的節點位置與時序，並將其更新至物理引擎中的節點作為關鍵幀，完成位移映射；而速度映射則透過計算關鍵幀間的切線速度達成。藉由合理設置約束參數，成功將有限元素法的材料性質映射至物理引擎中的剛體單元約束。
透過混合數值模擬對七層與十一層建築進行案例分析，研究成果明確指出低樓層 RC 隔間牆對倒塌模式及存活空間分佈具有決定性影響。具有低樓層隔間牆的結構物，其倒塌後的潰縮量皆小於無隔間牆的結構物。數據趨勢顯示，在七層結構物中，有無隔間牆在兩種地震規模下的潰縮量差異達到 1.42 倍以上；而十一層結構物雖然差異較小，仍有 1.16 倍以上的差異。低樓層 RC 隔間牆不僅有效減少了潰縮量，更在其周圍提供了更多且更明確的人體存活空間，同時使得中上部樓層（例如七樓結構的四樓與五樓）的空間保持較為完整。
本研究的最終應用價值，是為地震災害後的搜索與救援 (SAR) 流程提供更有效率的支持。我們將倒塌後的建築資訊模型進行深入挖掘，以協助 SAR 工作。透過分析倒塌後的空間分佈，本研究能夠規劃出疏散與救援的路徑圖，將大空間與較小的存活空間進行有效串聯，並且將這些分析成果與虛擬實境 (VR) 技術結合，在 Blender 物理引擎中，透過材質渲染與燈光調控，創建了貼近真實的探索體驗，使救援人員能夠掌握現場情況。 利用 Python 腳本能夠精準識別出倒塌模型中的嚴重破壞區域以及存活空間，並在 VR 環境中重點顯示，從而提高救援成效與效率。
Robotics for SHM
本研究的首要核心在於開發一套具備高度自主性的四足仿生機器人系統，旨在解決複雜且非結構化環境中的移動與定位難題。針對工地、隧道或災後廢墟等特徵退化環境，傳統單一感測器往往因光線不足或幾何特徵單調而失效。因此，本系統採用了深度多模態感測融合技術，將光學雷達（LiDAR）的幾何資訊、熱像儀的溫度特徵、深度相機的近距細節以及慣性測量單元的運動數據進行緊密結合。透過構建高強健性的同步定位與地圖建置（SLAM）演算法，機器人能有效克服運動模糊與環境干擾，在極限條件下實現精準的自我定位與路徑規劃。這不僅賦予機器人如生物般的環境適應力，更為後續的檢測任務奠定了堅實且穩定的移動載台基礎。
結構健康檢測（SHM）的實踐，這是一個從原始數據採集到精準模型建立的關鍵過程。機器人在自主巡檢過程中會蒐集大量的 3D 點雲數據，透過演算法，自動剔除環境噪點與非結構干擾。使得系統能將雜亂的點雲轉化為清晰的結構模型，進而利用反射強度分析牆面裂縫或剝落等瑕疵，實現高效率且高精度的自動化結構診斷。
智慧搜救導航，核心價值在於結合高精度混合倒塌模擬與四足機器人的機動性。研究透過python介面整合有限元素法（Abaqus）與物理引擎（Blender），模擬建築從受震小變形到倒塌大變形的完整過程。結果顯示，低樓層RC隔間牆能吸收能量、減緩倒塌速率並保留較多存活空間。研究更進一步結合虛擬實境（VR）技術，視覺化倒塌後的生存空間並規劃救援路徑，以輔助震災後的搜救決策 。在災難現場，這些數據將指引具備全地形穿越能力的機器狗，深入結構不穩定的廢墟進行精準驗證。這不僅解決了傳統搜救中「盲目搜索」的痛點，更讓機器人成為救難人員的延伸感官，在降低二次災害風險的同時，極大化黃金救援時間內的搜救效能 。
針對工地安全評估，提出以四足仿生機器人搭載手持式光學雷達 (Handheld LiDAR) 的自動化安全技術。其主要任務是解決建築工地上「隱藏空洞」造成的跌落風險。機器狗能自主在複雜的工地穿梭，利用雷射掃描儀捕捉環境的 3D 點雲數據，將現場數位化。透過後端的演算法處理，系統能從雜亂的訊號中過濾雜訊、描繪出地面與邊界，並自動辨識出哪些是危險的坑洞，哪些是實體結構。該方案結合布料模擬濾波 (CSF) 與 Alpha Shape 演算法，能精準提取邊界特徵。實測數據顯示，其在孔洞檢測上具備極高精確度，有效彌補人工巡檢的死角。
Cleaner Production
本研究重點在於將廢棄椰子纖維加入傳統混凝土基質中，以開發新一代永續性複合材料。XI 實驗室致力於探索纖維添加對混凝土宏觀力學性能的全面影響，包括抗壓強度、抗彎強度、韌性以及衝擊承載能力。我們相信，透過精準控制纖維的長度、比例等，可有效改善混凝土的脆性，賦予其更優異的抗裂能力。
我們利用 Extended Intelligence 的概念，不僅記錄材料的終極強度，也更深入分析其應力-應變曲線，挖掘纖維在微觀層面上的作用機制。我們最終目標是建立一套可靠的配比設計指南，以便讓建築行業提供一種高性能、低碳足跡的替代建材，實現材料性能與環境保護的完美平衡。
本研究著重於評估椰子纖維混凝土的長期耐久性能與其潛在的非破壞檢測 (NDT) 技術。因混凝土的耐久性是直接關係到結構的使用壽命。因此，我們進行嚴苛的氯離子滲透阻抗、碳化深度以及凍融循環等測試。XI 實驗室引入了先進的電化學阻抗頻譜 （EIS） 技術，將混凝土視為一個複雜的電化學系統。
利用EIS能夠非破壞性地量化材料的孔隙結構、離子傳輸阻力等微觀參數，從而精準預測其防腐蝕能力。延展智慧的核心價值在於建立力學性能與電化學參數之間的定量關聯。這使得我們能僅透過快速的電化學測試，即可間接地評估材料的結構完整性和性能衰退情況，大幅提高現場質量控制的效率。
本研究探討將廢棄咖啡渣經由不同溫度熱解（ °C 與 °C）製成生物炭，並將其作為水泥部分替代材料（取代量 %- %）的應用潛力。研究重點在於生物炭的多孔結構對混凝土早期水化動力學的影響。實驗數據顯示， °C 熱解之生物炭因粒徑較細且結構穩定，對強度的提升效果優於 °C 試樣；其中以 % 取代量的表現最佳，7 天抗壓強度可提升。我們深入分析了生物炭的內養護機制(Internal Curing)生物炭顆粒在拌合初期吸收自由水，降低有效水灰比，並隨著水化進行釋放水分，促進 C-S-H 凝膠生成並填補孔隙。SEM 微觀分析證實，水化產物能有效滲入生物炭孔隙，形成緻密的微觀結構。
我們專注於咖啡渣生物炭混凝土的機電耦合 (Electromechanical Coupling) 行為分析。我們採用修正後的等效電路模型，解析生物炭添加對混凝土內部連續導電路徑 、非連續導電路徑 及界面極化能力的影響。研究發現生物炭的添加會改變基質的電導率，且電阻率與抗壓強度之間存在顯著的正相關 ，驗證了 EIS 作為評估生物炭混凝土性能的有效性。 隨著齡期增長，電阻參數上升而電容參數下降，反映出孔隙結構的緻密化過程與水化產物的生成。我們透過整合力學測試與電化學阻抗譜分析，證實適量生物炭（特別是 % 取代量）能優化界面過渡區，提升材料的耐久性能。此研究路徑不僅確立了非破壞檢測在新型綠色混凝土中的應用標準，更具體實踐了循環經濟與環境永續工程的核心價值。
