Современные подходы к оценке технического состояния строительных конструкций зданий на этапе эксплуатации

Введение. Рассматривается разработка подходов к построению системы автоматизированной оценки технического состояния строительных конструкций с использованием механизмов обнаружения дефектов и предварительной оценки физического износа зданий на основе методов искусственного интеллекта (ИИ). Современные строительные объекты характеризуются высокой сложностью и масштабом, что требует особого внимания к качеству и надежности конструкций. Традиционные методы проведения технического обслуживания не всегда показывают свою эффективность в связи с влиянием человеческого фактора. В настоящее время основным способом обнаружения дефектов остается визуальный осмотр, который хотя и позволяет оценить состояние объектов, зависит от уровня квалификации и внимательности оценщика. Это создает риски ошибки, что может угрожать безопасности зданий и приводить к неправильным решениям в области ремонта и технического обслуживания. Цель исследования — анализ необходимой функциональности и моделирование автоматизированной системы, способной оперативно и точно выявлять потенциальные дефекты в конструкциях зданий и оценивать вероятный физический износ.

Материалы и методы. Комплексный подход включает два основных компонента: систему анализа накопленных данных о физическом износе жилого фонда и механизм обнаружения дефектов на основе анализа изображений с помощью ИИ. Основные исходные данные для анализа — результаты фотофиксации состояния зданий, а также объем накопленных за продолжительный период наблюдений сведений о физическом износе жилого фонда.

Результаты. Подробно описаны библиотеки и инструменты, которые необходимы для реализации работы системы, включая популярные фреймворки для машинного обучения и обработки изображений.

Выводы. Современные подходы, основанные на применении ИИ и методов машинного обучения, открывают новые горизонты в сфере обнаружения дефектов и прогнозирования технического состояния зданий. Они позволяют значительно увеличить скорость и точность анализа.

1. Adewale B.A., Ene V.O., Ogunbayo B.F., Aigbavboa C.O. A Systematic Review of the Applications of AI in a Sustainable Building’s Lifecycle // Buildings. 2024. Vol. 14. Issue 7. P. 2137. DOI: 10.3390/buildings14072137

2. Mishra A., Pareek R.K., Kumar S., Varalakshmi S. A review of the current and future developments of artificial intelligence in the management and building sectors // Multidisciplinary Reviews. 2024. Vol. 6. P. 2023ss068. DOI: 10.31893/multirev.2023ss068

3. Сулейманова Л.А., Обайди А.А. Управление жизненным циклом здания на этапе эксплуатации с использованием моделей искусственных нейронных сетей и машинного обучения // Вестник Белгородского государственного технологического университета им. В.Г. Шухова. 2024. № 3. С. 38–46. DOI: 10.34031/2071-7318-2024-9-3-38-46. EDN DHJYVT.

4. Jaufer L., Kader S., Spalevic V., Škatarić G., Dudić B. Machine learning practices during the operational phase of buildings : a critical review // Applied Engineering Letters. 2024. Vol. 9. Issue 1. Pp. 37–45. DOI: 10.46793/aeletters.2024.9.1.4

5. Burgos D.A.T., Vargas R.C.G., Pedraza C., Agis D., Pozo F. Damage Identification in Structural Health Monitoring : а Brief Review from its Implementation to the Use of Data-Driven Applications // Sensors. 2020. Vol. 20. Issue 3. P. 733. DOI: 10.3390/s20030733

6. Entezami A., Sarmadi H., Behkamal B., Mariani S. Health Monitoring of Large-Scale Civil Structures : аn Approach Based on Data Partitioning and Classical Multidimensional Scaling // Sensors. 2021. Vol. 21. Issue 5. P. 1646. DOI: 10.3390/s21051646

7. Thohari A.N.A., Karima A., Santoso K., Rahmawati R. Crack Detection in Building Through Deep Learning Feature Extraction and Machine Learning Approch // Journal of Applied Informatics and Computing. 2024. Vol. 8. Issue 1. Pp. 1–6. DOI: 10.30871/jaic.v8i1.7431

8. Hamishebahar Y., Guan H., So S., Jo J. A Comprehensive Review of Deep Learning-Based Crack Detection Approaches // Applied Sciences. 2022. Vol. 12. Issue 3. P. 1374. DOI: 10.3390/app12031374

9. Hsieh Y.-A., Tsai Y.J. Machine learning for crack detection : review and model performance comparison // Journal of Computing in Civil Engineering. 2020. Vol. 34. Issue 5. DOI: 10.1061/(asce)cp.1943-5487.0000918

10. Сикорский О.С. Обзор сверточных нейронных сетей для задачи классификации изображений // Новые информационные технологии в автоматизированных системах. 2017. № 20. С. 37–42. EDN YNADUJ.

11. Соснин А.С., Суслова И.А. Функции активации нейросети: сигмоида, линейная, ступенчатая, ReLu, tahn // Наука. Информатизация. Технологии. Образование. 2019. С. 237–246. EDN VUZYBA.

12. Дорафшан С., Томас Р.Дж., Магуайр М. Сравнение глубоких сверточных нейронных сетей и детекторов краев для обнаружения трещин в бетоне на основе изображений // Строительство и строительные материалы. 2018. № 186. С. 1031–1045.

13. Князева Н.В., Назойкин Е.А., Орехов А.А. Применение искусственного интеллекта для обнаружения дефектов в строительных конструкциях // Строительство и архитектура. 2023. Т. 11. № 3. С. 18. DOI: 10.29039/2308-0191-2023-11-3-18-18. EDN SVXCZV.

14. Наумов А.Е., Юдин А.В., Долженко А.В. Совершенствование технологии проведения строительно-технических экспертиз с использованием аппаратно-программного комплекса автоматизированной дефектоскопии // Вестник Белгородского государственного технологического университета им. В.Г. Шухова. 2019. № 4. С. 61–69. DOI: 10.34031/arti-cle_5cb824d26344e7.45899508. EDN FHPDTK.

15. Князева Н.В., Лёвина Д.А. Использование BIM-сценариев в работе служб эксплуатации // Вестник Белгородского государственного технологического университета им. В.Г. Шухова. 2019. № 5. С. 99–105. DOI: 10.34031/article_5cd6df471c80b0.92422061. EDN IBNDHU.

16. Курочкина Е.В. Новые информационные системы в строительстве: Технологии информационных систем в проектировании, строительстве, эксплуатации зданий // Научный Лидер. 2022. № 25 (70). С. 27–30. EDN DVSRFK.

17. Князева Н.В., Медынцев А.А. Алгоритм создания системы мониторинга здания на основе интеграции технологий информационного моделирования и радиочастотной идентификации // Инженерный вестник Дона. 2022. № 12 (96). С. 646–659. EDN NSKKNZ.

18. Герц В.А., Князева Н.В. Анализ нормативно-технической и законодательной базы при реализации этапа эксплуатации зданий непроизводственного назначения с применением технологий информационного моделирования (ТИМ) // Строительство и архитектура. 2023. Т. 11. № 3. С. 9. DOI: 10.29039/2308-0191-2023-11-3-9-9. EDN BCGLSC.

19. Knyazeva N., Medincev A., Orekhov A. Configuring parameters of information model elements for integration with RFID tags // E3S Web of Conferences. 2023. Vol. 458. P. 09010. DOI: 10.1051/e3sconf/202345809010

20. Munir M., Kiviniemi A., Jones S.W., Finnegan S. BIM-based operational information requirements for asset owners // Architectural Engineering and Design Management. 2020. Vol. 16. Issue 2. Pp. 100–114. DOI: 10.1080/17452007.2019.1706439

21. Zhou X., Qi Y., Tang H. Application of Artificial Intelligence Technology in Big Data Nining // Lecture Notes in Electrical Engineering. 2023. Pp. 737–744. DOI: 10.1007/978-981-99-2092-1_92

22. Dale D.C., Crawford J., Klippel Z., Reiner M., Osslund T., Fan E. et al. A systematic literature review of the efficacy, effectiveness, and safety of filgrastim // Supportive Care in Cancer. 2018. Vol. 26. Issue 1. Pp. 7–20. DOI: 10.1007/s00520-017-3854-x

23. Elkabalawy M., Al-Sakkaf A., Abdelkader E.M., Alfalah G. CRISP-DM-Based Data-Driven Approach for Building Energy Prediction Utilizing Indoor and Environmental Factors // Sustainability. 2024. Vol. 16. Issue 17. P. 7249. DOI: 10.3390/su16177249