Оценка рабочей документации с использованием цифровых моделей и нейросетевой классификации

Введение. Цифровизация строительной отрасли и внедрение технологий информационного моделирования (ТИМ) требуют разработки новых подходов к оценке рабочей документации (РД). Традиционные методы ручной проверки трудоемки, субъективны и не обеспечивают воспроизводимости результатов. Предлагается методика интеллектуальной оценки РД, подготовленной с использованием средств информационного моделирования, на основе формализованных логических правил и нейросетевого анализа.

Материалы и методы. Методика реализует двухканальный подход: параллельную оценку цифровой модели и текстово-графической документации. В ее основе — многоуровневая структура показателей, логическая булева модель, а также архитектура нейросети, включающая графовую подсеть (GNN), текстовую подсеть (BERT) и сверточную подсеть (CNN), объединенные в многослойный классификатор. На выходе — четыре дискретных решения: принято, принято с доработкой, направлено на доработку, отказ в приемке. Учтена возможность работы с неполным комплектом документации. Верификация методики осуществлялась с помощью экспертного опроса.

Результаты. Разработана математическая модель, описывающая логику оценки документации по критериям выполнения, процентного соответствия и количественных метрик. Экспертная валидация показала высокую согласованность оценок (W ≈ 0,52), особенно по логике структуры, разделению на критические группы и двухканальности. Наиболее проблемными аспектами признаны архитектура нейросети и обратная связь.

Выводы. Методика доказала применимость для задач внутреннего аудита, автоматизации контроля приемки документации, подготовки к экспертизе и оценки степени готовности РД. Развитие модели возможно через уточнение архитектуры и расширение набора показателей.

1. Крюков К.М. Практический подход к интеграции технологии информационного моделирования и бережливого строительства // Вестник Томского государственного архитектурно-строительного университета. 2025. Т. 27. № 1. С. 180–193. DOI: 10.31675/1607-1859-2025-27-1-180-193. EDN SRJTJS.

2. Вирцев М.Ю., Салахов Р.Л. Преимущества и область применения BIM-технологий в России // Экономика строительства и жилищно-коммунального хозяйства. 2022. № 1 (1). С. 31–38. EDN IIIPWK.

3. Кестелев Н.А. Роль информационного моделирования и автоматизированных технологий в проектировании и строительстве высотных зданий // Современные перспективы развития гибких производственных систем в промышленном гражданском строительстве и агропромышленном комплексе : сб. науч. ст. 2-й Всеросс. науч.-техн. конф. молодых ученых, аспирантов, магистров и бакалавров. 2024. С. 235–240. EDN QGFLSV.

4. Лапидус А.А., Федосов С.В., Петрухин А.Б., Кеневеи Э. Цифровое информационное моделирование BIM — одна из возможностей управления жизненным циклом объектов строительства // Строительное производство. 2023. № 4. С. 32–36. DOI: 10.54950/265853402023432. EDN AWXPGA.

5. Никитин А.Р. Оценка рабочей документации, подготовленной с помощью информационного моделирования // Технологии, модели и алгоритмы модернизации науки в современных геополитических условиях : сб. ст. Нац. (Всеросс.) науч.-практ. конф. с междунар. уч. 2025. С. 62–67. EDN NNJCEG.

6. Придвижкин С.В., Тяпочкин М.Ю., Старцева М.Г. Оценка себестоимости строительства в ГК «Кортрос» с использованием аналитики данных информационной модели // Вестник Южно-Уральского государственного университета. Серия: Строительство и архитектура. 2024. Т. 24. № 4. С. 41–49. DOI: 10.14529/build240406. EDN LCNAWB.

7. Евсягина В.А., Дмитриева Н.Н. Проверка нормативных документов в процессе разработки проектной документации с помощью информационной модели // Экономика строительства. 2024. № 4. С. 160–164. EDN OACGCE.

8. Gao S. A BIM-based ontological seismic multi-objective evaluation and optimisation design for buildings : PhD thesis. Cardiff University, 2025. URL: https://orca.cardiff.ac.uk/id/eprint/177611

9. Мандрица П.М. Применение искусственного интеллекта в экспертизе проектной документации: повышение эффективности и качества строительного проектирования // Инновации и инвестиции. 2024. № 5. С. 623–628. EDN SVSJLM.

10. Hosseini M.A., Ravanshadnia M., Rahimzadegan M., Ramezani S. Next-Generation Building Condition Assessment: BIM and Neural Network Integration // Journal of Performance of Constructed Facilities. 2024. Vol. 38. Issue 6. DOI: 10.1061/JPCFEV.CFENG-4828

11. Ostadreza A., Shahhosseini V. Automated Construction Progress Monitoring Using Image Segmentation Trained on a Synthetic Dataset, 3D Reconstruction, and BIM. 2024. DOI: 10.2139/ssrn.5049036

12. Никитин А.Р., Синенко С.А. Выявление показателей и доминирующих факторов, влияющих на оценку проектной документации // Вестник евразийской науки. 2024. Т. 16. № 5. EDN CWDXSG.

13. Мищенко Д.С., Скуркан Е.С. Особенности разработки проектной и рабочей документации // Информационные системы и технологии АПК и ПГС : сб. науч. ст. 2-й Междунар. науч.-техн. конф. 2024. С. 279–283. EDN LUNCQJ.

14. Редько В.С., Цимбельман Н.Я. Алгоритм анализа и контроля качества данных и качества проекта с применением цифровой информационной модели // Инженерный вестник Дона. 2024. № 7 (115). С. 518–536. EDN ECDPWM.

15. Рыбакова А.О. Использование информационных моделей модульных элементов на этапе архитектурно-строительного проектирования объектов капитального строительства : дисс. … канд. тех. наук. М., 2023. 201 с. EDN DHJXLQ.

16. Tsay G.S., Staub-French Sh., Poirier E., Zadeh P., Pottinger R. BIM for FM: understanding information quality issues in terms of compliance with owner’s Building Information Modeling Requirements // Frontiers in Built Environment. 2023. Vol. 9. DOI: 10.3389/fbuil.2023.1117066. EDN YJKICO.

17. Candir E., Atasoy G. Exploring quality issues in building information models via structural design reviews // IOP Conference Series: Earth and Environmental Science. 2022. Vol. 1101. Issue 9. P. 092011. DOI: 10.1088/1755-1315/1101/9/092011. EDN MVWWTE.

18. Городнова Н.В., Лемеза В.А. Применение BIM-технологий в цифровой экономике: мировой опыт и российская практика // Экономика, предпринимательство и право. 2022. Т. 12. № 8. С. 2241–2260. DOI: 10.18334/epp.12.8.115082. EDN XSISOS.

19. Zhang C., Hu Z., Zhu H., Wang X., Gao J. Effects of silane on reaction process and microstructure of meta-kaolin-based geopolymer composites // Journal of Building Engineering. 2020. Vol. 32. P. 101695. DOI: 10.1016/j.jobe.2020.101695

20. Khan A.A., Bello A.O., Arqam M., Ullah F. Integrating Building Information Modelling and Artificial Intelligence in construction projects: A review of challenges and mitigation strategies // Technologies. 2024. Vol. 12. Issue 10. P. 185. DOI: 10.3390/technologies12100185

21. Nikitin A. Features of the use ai in generative design of building and structures // Journal of Mechanics of Continua and Mathematical Sciences. 2024. Vol. 19. Issue 5. DOI: 10.26782/jmcms.2024.05.00001

22. Liu H., Gan V.J.L., Cheng J.C.P., Zhou S.A. Automatic fine-grained BIM element classification using multi-modal deep learning (MMDL) // Advanced Engineering Informatics. 2024. Vol. 61. P. 102458. DOI: 10.1016/j.aei.2024.102458

23. Peng J., Liu X. Automated code compliance checking research based on BIM and knowledge graph // Scientific Reports. 2023. Vol. 13. Issue 1. DOI: 10.1038/s41598-023-34342-1

24. Kayhani N., McCabe B., Sankaran B. Semantic-aware quality assessment of building elements using graph neural networks // Automation in Construction. 2023. Vol. 155. P. 105054. DOI: 10.1016/j.autcon.2023.105054

25. Madireddy S., Gao L., Din Z.U., Kim K., Senouci A., Han Z. et al. Large Language Model-Driven Code Compliance Checking in Building Information Modeling // Electronics. 2025. Vol. 14. No. 11. P. 2146. DOI: 10.3390/electronics14112146

26. Слепушкин Д.В., Бурлов Д.Ю. Возможности искусственного интеллекта и автоматизации процессов проектирования в строительстве: библиометрический анализ // Вестник МГСУ. 2025. Т. 20. № 3. С. 440–455. DOI: 10.22227/1997-0935.2025.3.440-455. EDN MYHCAL.

27. Candir E., Atasoy G. Exploring quality issues in building information models via structural design reviews // IOP Conference Series: Earth and Environmental Science. 2022. Vol. 1101. Issue 9. P. 092011. DOI: 10.1088/1755-1315/1101/9/092011. EDN MVWWTE.

28. Синенко С.А., Никитин А.Р. Определение критериев оценки проектной документации, подготовленной с помощью информационного моделирования // Строительное производство. 2024. № 2. С. 88–94. DOI: 10.54950/26585340_2024_2_88. EDN SGGPSM.

29. Никитин А.Р., Синенко С.А. О результатах анализа проектной документации для строительства, разработанной с использованием технологий информационного моделирования // Известия вузов. Инвестиции. Строительство. Недвижимость. 2025. Т. 15. № 2 (53). С. 257–265. DOI: 10.21285/2227-2917-2025-2-257-265. EDN KPVVRM.