Ученые создали программу, которая следит за состоянием фасадов домов

Глобальная проблема стареющей инфраструктуры — это то, с чем сталкивается большинство развитых стран мира. Конструкции зданий, особенно возведенные десятки лет назад, постепенно изнашиваются под воздействием времени, окружающей среды и эксплуатационных нагрузок. На начало 2024 года в России было официально признано аварийными около 70 тысяч домов, в которых проживает более миллиона человек.

Регулярный мониторинг и своевременное выявление дефектов являются залогом предотвращения катастроф. Однако систематическому и качественному обследованию мешает целый ряд проблем: высокая стоимость экспертиз, трудоемкость процессов и «человеческий фактор». В результате накапливаются скрытые дефекты, которые остаются незамеченными до тех пор, пока не достигают критической стадии, требуя уже не планового ремонта, а аварийно-восстановительных работ.

Традиционный метод оценки, при котором инженер визуально осматривает здание и на основе своего опыта выносит вердикт, считается не только медленным, но и часто субъективным. Для существующих сегодня экспертных систем и вероятностных моделей для диагностики нужна также сложная ручная настройка правил. Это часто требует участия высококвалифицированных специалистов двух профилей: опытных инженеров-строителей, которые могут формализовать свой опыт, и программистов, способных перевести эти знания в цифровые системы. Все эти условия делают проверку состояния зданий длительной и дорогостоящей.

Ученые Пермского Политеха разработали программное решение на основе искусственного интеллекта, которое может автоматизировать рутинный процесс определения технического состояния наружных стен кирпичных зданий. Статья опубликована в журнале «Вестник Дагестанского государственного технического университета».

На первом этапе они проанализировали и оцифровали опыт, накопленный в ходе натурных обследований домов. Сбор данных осуществлялся из архивов экспертных организаций, технических отчетов и собственных полевых исследований. Из этого ученые собрали обучающую выборку, описывающую фасады, каждый из которых был разбит на ключевые элементы: цоколь, основное поле стены, перемычки.

В качестве параметров использовались 18 критически важных признаков, таких как ширина трещин, величина отклонения стены от вертикали, фактическая прочность кладки и другие. Итоговым результатом анализа стало присвоение одной из четырех категорий состояния по ГОСТ: нормативное, работоспособное, ограниченно работоспособное или аварийное.

Для создания интеллектуальной системы ученые протестировали пять различных алгоритмов машинного обучения для нейронных сетей. Наиболее перспективные результаты показала библиотека AutoGluon. Она самостоятельно выполняла перебор различных алгоритмов, комбинировала лучшие подходы, адаптируясь к характеристикам конкретных данных, что позволило достичь максимальной точности без длительной ручной настройки.

— Следующим этапом стало создание структуры программы, которая будет анализировать информацию на нескольких уровнях. Сначала интеллектуальная система принимает и обрабатывает исходные данные о состоянии здания. Второй уровень программы получает результаты анализа и вычисляет сложные взаимосвязи между различными параметрами состояний стен. На этом этапе выявляются комбинированные эффекты от множества факторов. Третий формирует итоговую оценку: соответствие четырем возможным категориям технического состояния, — рассказала Галина Кашеварова, доктор технических наук, профессор кафедры «Строительные конструкции и вычислительная механика» ПНИПУ.

Такая структура программы позволяет последовательно обрабатывать информацию: от первичного анализа отдельных параметров к выявлению комплексных зависимостей до классификации здания.

— Обучение программы проходило в несколько этапов. Сначала она изучала 65% от загруженных нами данных — это была основная учебная выборка. Затем на 20% проводились промежуточные проверки, чтобы убедиться, что программа не подстраивается под конкретные примеры, а сама выявляет закономерности. Финальный этап проходил на оставшихся 35% данных, которые программа видела впервые. Для борьбы с переобучением (когда модель «запоминает» примеры, но не может выявить общие закономерности) был использован метод исключения нейронов. Такой подход значительно повысил надежность программы при работе с новыми, ранее не встречавшимися зданиями, — отметил Сергей Крылов, аспирант кафедры «Строительные конструкции и вычислительная механика» ПНИПУ.

Результаты обучения показали высокую эффективность на тренировочных данных: точность достигла 92,3%. На финальной выборке, которая не использовалась при обучении, точность составила 84,62%.

Для определения результатов ученые также провели анализ ошибок программы и выявили важную особенность. В случаях неточного определения категории она обычно выбирает смежную, но более строгую категорию. Например, если здание фактически имеет работоспособное состояние, программа может определить его как ограниченно работоспособное. Такое «занижение» категории считается приемлемым, поскольку главная задача разработки — не пропустить аварийное состояние.

Практическое применение данной программы позволит в кратчайшие сроки проводить предварительную оценку тысяч зданий, что особенно ценно для организации плановых ремонтов и оперативного реагирования после чрезвычайных ситуаций, таких как землетрясения или ураганы.

ПНИПУ

1462 статей

Пермский национальный исследовательский политехнический университет (национальный исследовательский, прошлые названия: Пермский политехнический институт, Пермский государственный технический университет) — технический ВУЗ Российской Федерации. Основан в 1960 году как Пермский политехнический институт (ППИ), в результате объединения Пермского горного института (организованного в 1953 году) с Вечерним машиностроительным институтом. В 1992 году ППИ в числе первых политехнических вузов России получил статус технического университета.

Показать больше

Закладка

Скопировать ссылку

Email

Печать

Twitter

VK

Telegram