ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В СТРОИТЕЛЬСТВЕ

APPLICATION OF ARTIFICIAL NEURAL NETWORKS IN CONSTRUCTION

Anna Sukhoruchenkova

student, Department of Construction and Urban Economy Belgorod State Technological University named after V.G. Shukhov,

Russia, Belgorod

Stanislav Esipov

scientific director, PhD in Engineering, Assoc. Prof., Belgorod State Technological University named after V.G. Shukhov,

Russia, Belgorod

АННОТАЦИЯ

В статье рассматривается применение искусственных нейронных сетей (ИНС) в строительной отрасли. Описываются основные направления использования ИНС: проектирование зданий и сооружений, управление строительством, оценка стоимости работ, мониторинг состояния конструкций, оптимизация строительных процессов и прогнозирование спроса на услуги. В статье подчёркиваются преимущества и перспективы применения ИНС в строительстве, а также указывают на существующие ограничения и проблемы, которые необходимо решить для успешного внедрения этой технологии.

ABSTRACT

The article discusses the use of artificial neural networks (ANN) in the construction industry. The main areas of ANN use are described: design of buildings and structures, construction management, cost assessment of works, monitoring of the state of structures, optimization of construction processes and forecasting of demand for services. The authors of the article emphasize the advantages and prospects of using ANN in construction, and also point out the existing limitations and problems that need to be solved for the successful implementation of this technology. 

Ключевые слова: искусственные нейронные сети, строительство, проектирование, управление, стоимость, мониторинг, оптимизация, прогнозирование.

Keywords: artificial neural networks, construction, design, management, cost, monitoring, optimization, forecasting.

Искусственные нейронные сети (ИНС) — это математические модели, которые имитируют работу человеческого мозга. Они состоят из множества связанных между собой элементов, называемых нейронами. ИНС способны обучаться на основе данных и делать предсказания.

В последние годы ИНС находят всё более широкое применение в различных областях, включая строительство. В этой статье мы рассмотрим основные направления применения ИНС в строительстве, а также их преимущества и ограничения.

ИНС могут использоваться для автоматизации процесса проектирования зданий и сооружений. Они могут генерировать различные варианты дизайна на основе заданных параметров, таких как размер, форма, материал и т. д. Это может ускорить процесс проектирования и сделать его более эффективным. [1]

Кроме того, ИНС могут помочь архитекторам и инженерам оптимизировать конструкции с точки зрения прочности, устойчивости и энергоэффективности. Они могут анализировать большие объёмы данных о нагрузках, материалах и других факторах, чтобы определить наиболее оптимальные параметры конструкции. Например, они могут предложить оптимальное расположение окон и дверей для обеспечения естественного освещения и вентиляции, а также рассчитать необходимое количество материалов для строительства.

Однако использование ИНС для проектирования требует тщательного анализа и проверки результатов, поскольку ошибки в проектировании могут привести к серьёзным последствиям. Поэтому важно использовать ИНС в сочетании с традиционными методами проектирования и проводить дополнительную проверку результатов.

ИНС также могут применяться для управления строительством. Они могут отслеживать ход работ, прогнозировать сроки завершения проекта и выявлять возможные проблемы. Это может помочь руководителям проектов принимать более обоснованные решения и управлять рисками.

Например, ИНС могут анализировать данные о поставках материалов, рабочей силе и других ресурсах, чтобы определить, какие ресурсы необходимы для выполнения работ в срок. Они также могут прогнозировать риски, связанные с погодными условиями, задержками поставок и другими факторами. Кроме того, они могут оптимизировать график работ и распределение ресурсов, что позволяет сократить время и затраты на строительство. [2]

Управление строительством с помощью ИНС требует интеграции с существующими системами и обучения персонала работе с новыми инструментами. Это может потребовать дополнительных инвестиций и времени, но в долгосрочной перспективе может привести к повышению эффективности и снижению затрат.

Одно из важных преимуществ использования искусственных нейронных сетей (ИНС) в строительной отрасли — возможность оценки стоимости строительных проектов. ИНС способны учитывать множество факторов, таких как стоимость материалов, рабочей силы, оборудования и других ресурсов, чтобы определить общую стоимость проекта. Это помогает заказчикам и подрядчикам более эффективно планировать бюджеты и избегать перерасхода средств. [2]

Кроме того, ИНС могут прогнозировать изменения стоимости в зависимости от различных факторов, включая инфляцию и изменение цен на материалы. Это позволяет более точно планировать расходы и принимать обоснованные финансовые решения. Однако для достижения высокой точности оценок с помощью ИНС необходимо иметь доступ к актуальным и надёжным источникам данных.

ИНС могут применяться для мониторинга состояния конструкций. Они могут собирать данные о деформациях, трещинах и других признаках износа, чтобы своевременно выявлять проблемы и предотвращать аварии. Это особенно важно для зданий и сооружений, которые подвергаются воздействию экстремальных нагрузок, таких как землетрясения, ураганы и т.п.

ИНС могут обрабатывать большие объёмы данных, полученных от датчиков, установленных на конструкциях. Они могут выявлять закономерности и тенденции, которые могут указывать на проблемы. Например, они могут обнаруживать увеличение деформаций, которое может привести к разрушению конструкции.

Мониторинг состояния конструкций с помощью ИНС позволяет своевременно проводить ремонт и обслуживание, что помогает продлить срок службы зданий и сооружений и снизить риск аварий. Однако установка и обслуживание датчиков, а также обработка больших объёмов данных требуют дополнительных затрат и ресурсов. [4]

Ещё одно перспективное направление использования ИНС — прогнозирование спроса на строительные услуги. Анализируя исторические данные о спросе, экономические показатели и другие факторы, ИНС могут предсказать будущие тенденции и потребности рынка. Это помогает строительным компаниям планировать свою деятельность, оптимизировать ресурсы и повышать эффективность.

Прогнозирование спроса с помощью ИНС также требует сбора и обработки больших объёмов данных, а также постоянного обновления моделей. Однако оно может стать ценным инструментом для стратегического планирования и принятия решений.

Также разберем типы нейронных сетей и их применение в строительстве:

1. Перцептроны (Feedforward Neural Networks, FNN). Это один из самых простых типов нейронных сетей, который используется для классификации и регрессии. В строительстве такие сети могут применяться для предсказания различных характеристик, например, прочности материалов, прогнозирования временных затрат на строительство или стоимости строительства на основе исторических данных. Например, использование перцептрона для прогнозирования стоимости строительных проектов в зависимости от различных факторов (площадь, расположение, материалы и т.д.).

2. Свёрточные нейронные сети (Convolutional Neural Networks, CNN). Эти сети лучше всего подходят для обработки изображений и визуальных данных. В строительстве CNN могут использоваться для анализа изображений зданий, выявления дефектов в конструкции или для автоматической классификации материалов. Также их применяют в системах мониторинга состояния объектов, например, для обнаружения трещин в бетонных конструкциях с помощью фото- и видеокамер. Например, использование свёрточных нейронных сетей для автоматического анализа фотографий фасадов зданий на предмет трещин и других дефектов.

3. Рекуррентные нейронные сети (Recurrent Neural Networks, RNN). Рекуррентные сети подходят для работы с последовательными данными и временными рядами. В строительстве RNN могут использоваться для прогнозирования сроков выполнения работ, анализа динамики цен на материалы или для предсказания нагрузки на конструкции с учетом изменения внешних условий (например, температуры или нагрузки в разные сезоны). Например, использование RNN для прогнозирования нагрузки на мосты или другие транспортные сооружения в зависимости от изменяющихся погодных условий.

4. Генеративные состязательные сети (Generative Adversarial Networks, GAN). Эти сети могут генерировать новые данные, такие как изображения или планы зданий, которые соответствуют заданным условиям. В строительстве GAN могут использоваться для генерации проектных решений, оптимизации планов зданий или для моделирования различных сценариев в условиях неопределенности (например, сейсмическая активность, погодные условия и т.д.). Например, использование GAN для генерации вариантов архитектурных проектов с учетом заданных ограничений (площадь, бюджет, стиль).

5. Глубокие нейронные сети (Deep Neural Networks, DNN). Эти сети обладают многими скрытыми слоями, что позволяет им решать более сложные задачи, чем простые нейронные сети. В строительстве DNN могут применяться для комплексного анализа и прогнозирования, например, для оценки жизненного цикла зданий, прогнозирования долговечности конструкций или оптимизации расходов на материалы и труд.

Применение искусственных нейронных сетей в строительстве открывает новые горизонты для развития отрасли. Они становятся мощным инструментом, который позволяет оптимизировать процессы проектирования и управления, повысить эффективность работы и качество строительных объектов, а также обеспечить их безопасность. [5]

Хотя успешное внедрение ИНС требует комплексного подхода, включающего не только технические аспекты, но и организационные изменения. Необходимо преодолеть ряд проблем, таких как нехватка квалифицированных специалистов, сложность интеграции с существующими системами и необходимость сбора и обработки больших объёмов данных.

В целом, применение ИНС в строительстве представляет собой перспективное направление, которое может привести к созданию более эффективных, безопасных и устойчивых строительных проектов. Оно требует дальнейших исследований и разработок, а также активного сотрудничества между представителями строительной отрасли, научными кругами и государственными органами.

Список литературы:

1. Акинчи Б., Фишер М. Сотрудничество и координация в цепочке поставок с использованием BIM. Журнал строительной инженерии и менеджмента. 2012; 139(3): 331–340.
2. Болотин С. А. Организация строительного производства. — М.: Академия, 2007.
3. Булгаков С. Н. Технологические процессы в строительстве. — М.: КНОРУС, 2013.
4. Есипов С.М., Алескеров В.В., Борисенко С.А. Информационное моделирование строительства. // VII Международный студенческий строительный форум – 2022: сб. докл.: в 2 т. - Белгород: Изд-во БГТУ, 2022. – Т.1. – 250.
5. Кочерженко В. В., Авилова И. П., Суслов Д. Ю. Основы управления инвестиционно-строительными проектами. — Белгород: БГТУ им. В.Г. Шухова, 2021.