Автоматизация процесса оценки технического состояния наружных стен кирпичных зданий с использованием технологии машинного обучения

Цель. Целью работы является разработка программы по определению категории технического состояния зданий с использованием машинного обучения. Задачи работы заключаются в анализе существующих методов машинного обучения, написании кода программы, сборе обучающего набора данных, определение оптимального соотношение параметров обучения, определение наиболее точного алгоритма машинного обучения при заданных параметрах и исходных данных.

Метод. Исследование основано на методах и алгоритмах диагностирования состояния технических систем с использованием технологии машинного обучения.

Результат. Результаты исследования показывают, что даже при ограниченном объеме данных программа способна корректно и с высокой точностью определять категории технического состояния, минимизируя риск пропуска аварийных ситуаций, а также подтверждает перспективность применения машинного обучения в строительной диагностике.

Вывод. Значимость полученных результатов для строительной отрасли состоит в том, что применение созданной программы позволит увеличить точность и скорость обследования зданий, что в свою очередь повысит их безопасность.

1. Кашеварова Г.Г., Тонков Ю.Л., Фурсов М.Н. Нечеткая экспертная система диагностики повреждений строительных конструкций // Вестник Волжского регионального отделения Российской академии архитектуры и строительных наук (ВРО РААСН). 2014. №17. С. 167-173.

2. Наумов А.Е., Юдин Д.А., Долженко А. В. Совершенствование технологии проведения строительно-технических экспертиз с использованием аппаратно-программного комплекса автоматизированной дефектоскопии // Вестник БГТУ им. В.Г. Шухова. 2019. № 4. С. 61–69. DOI:10.34031/article_5cb824d26344e7.45899508.

3. Кашеварова Г.Г. «Искусственный интеллект», или «логические рассуждения и разумные решения» в технической диагностике объектов строительства // Academia. Архитектура и строительство. 2023. № 4. С. 166–180. – DOI: 10.22337/2077-9038-2023-4-166-180.

4. Крылов, С.А. Автоматизация диагностирования причин возникновения дефектов на фасадах кирпичных зданий с применением технологий искусственного интеллекта / С.А. Крылов, Г.Г. Кашеварова // Вестник Пермского национального исследовательского политехнического университета. Прикладная экология. Урбанистика. – 2023. – № 4. – С. 51–62. DOI: 10.15593/2409-5125/2023.04.05

5. Gbadegeshin, S.A., Al Natsheh, A., Ghafel, K., Tikkanen, J., Gray, A., Rimpiläinen, A., Hirvonen, N. (2021). What is an Artificial intelligence (ai): a simple buzzword or a worthwhile inevitability? In ICERI 2021 Proceeding, 1, 468–479. https://doi.org/10.21125/iceri.2021.0171.

6. Соколов, В.А. Вероятностный анализ технического состояния кирпичных стен зданий старой городской застройки / Соколов В.А. // Безопасность зданий и сооружений. – 2015. № 1(57). -С. 65-73.

7. Sokolov V.A. (2013). Diagnostics of the technical condition of buildings and structures using methods of fuzzy set theory. Magazine of Civil Engineering, 5, 31-37. https://doi.org/10.18720/MCE.15.4.

8. Shtovba S.D., Pankevych O. D. Fuzzy technology-based cause detection of structural cracks of stone buildings. CEUR workshop proceedings, 2108, 209–218

9. Солдатенко, Т.Н. Модель идентификации и прогноза дефектов строительной конструкции на основе результатов ее обследования / Т. Н. Солдатенко // Инженерно-строительный журнал. – 2011. – № 7 (25). – С. 52–61.

10. Kashevarova G.G., Tonkov Y.L. (2018). Intelligent technologies in the examination of construction structures. Academia. Architecture and Construction, 1, 92-99. https://doi.org/10.22337/2077-9038-2018-1-92-99.

11. Кашеварова Г.Г., Тонков Ю.Л. Экспертная система для практической диагностики строительных конструкций // Academia. Архитектура и строительство. – 2022. – № 2. – С. 85-91. https://doi.org/10.22337/2077-9038-2022-1-85-91.

12. Тарарушкин Е.В.. Применение нечеткой логики для оценки физического износа несущих конструкций зданий // Вестник БГТУ им. В.Г. Шухова. – 2016. – № 10. – С. 77-82. doi.org/10.12737/22032.

13. Кашеварова Г.Г., Платунов В.Ю., Крылов С.А. Определение категории технического состояния строительных конструкций зданий перегрузочных узлов калийных солей на основе многолетнего мониторинга с использованием нейронных сетей. В сборнике. Вестник Приволжского территориального отделения Российской академии архитектуры и строительных наук. Сборник научных трудов. Нижний Новгород, 2024. С. 212-218. eLIBRARY ID: 75131299

14. Hosseini, M.A., M. Ravanshadnia, M. Rahimzadegan, and S. Ramezani (2024). Next-generation building condition assessment: BIM and neuralnetwork integration. Journal of Performance of Constructed Facilities, 38 (6). https://doi.org/10.1061/JPCFEV.CFENG-4828.

15. Hosseini, M.A., M. Ravanshadnia, M. Rahimzadegan, and S. Ramezani (2024). A robustf model for evaluating defects in building elements. Numerical Methods in Civil Engineering, 9(1). https://doi.org/10.61186/NMCE.2406.1064.

16. Mangalathu, S., Sun, H., Nweke, C.C., Yi, Z., & Burton, H.V. Classifying earthquake damage to buildings using machine learning. Earthquake Spectra, 2020;. 36(1), 183–208. doi.org/10.1177/8755293019878137.

17. Amiri Shahmirani, M.R., Nikghalb Rashti, A.A., Adib Ramezani, M.R., & Golafshani, E.M. (2022). Buildings, Causalities, and Injuries Innovative Fuzzy Damage Model during Earthquakes. Shock and Vibration. https://doi.org/10.1155/2022/4746587.

18. ГОСТ 31937-2024 (2024). Здания и сооружения. Правила обследования и мониторинга технического состояния [Текст]. – Введ. 2024-05-01. – М. Институт стандартизации, 2024. – 69 с.

19. Бурков А. Машинное обучение без лишних слов / А. Бурков. СПб.: Питер, 2020. — 192 с.

20. Romeiko, X.X., Zhang, X., Pang, Y., Gao, F., Xu, M., Lin, S., & Babbitt, C. (2024). A review of machine learning applications in life cycle assessment studies. Science of the Total Environment. https://doi.org/10.1016/j.scitotenv.2023.168969.

21. S. Hu, T. Guo., M.S. Alam., Y. Koetaka, E. Ghafoori., Th. L. Karavasilis (2025). Machine learning in earthquake engineering: A review on recent progress and future trends in seismic performance evaluation and design. Engineering Structures. https://doi.org/10.1016/j.engstruct.2025.120721.

22. Málaga-Chuquitaype, C. (2022). Machine Learning in Structural Design: An Opinionated Review. Frontiers in Built Environment, 8. https://doi.org/10.3389/fbuil.2022.815717.

23. Kurian, B., & Liyanapathirana, R. (2020). Machine Learning Techniques for Structural Health Monitoring. Proceedings of the 13th International Conference on Damage Assessment of Structures. Lecture Notes in Mechanical Engineering, 3–24. https://doi.org/10.1007/978-981-13-8331-1_1.

24. Soydaner, D. (2020). A Comparison of Optimization Algorithms for Deep Learning. International Journal of Pattern Recognition and Artificial Intelligence, 34 (13). https://doi.org/10.1142/S0218001420520138.

25. Kuzyakin A.P. (2023) Comparative analysis of modern AutoML solutions. Collection of scientific papers of the 26th Russian Scientific Conference, 1. 183-195.

26. Ferreira, L., Pilastri, A., Martins, C.M., Pires, P.M., & Cortez, P. (2021). A Comparison of AutoML Tools for Machine Learning, Deep Learning and XGBoost. International Joint Conference on Neural Networks (IJCNN). https://doi.org/10.1109/IJCNN52387.2021.9534091.

27. Akinosho, T.D., Oyedele, L.O., Bilal, M., Ajayi, A.O., Delgado, M.D., Akinade, O.O.; Ahmed, A.A. (2020). Deep learning in the construction industry: A review of present status and future innovations. Journal of Building Engineering, 32. https://doi.org/10.1016/j.jobe.2020.101827.

28. Yang, C., Gunay, B., Shi, Z., & Shen, W. (2021). Machine Learning-Based Prognostics for Central Heating and Cooling Plant Equipment Health Monitoring. IEEE Transactions on Automation Science and Engineering, 18 (1), 346–355. https://doi.org/10.1109/TASE.2020.2998586.

29. Sun, H., Burton, H.V., & Huang, H. (2021). Machine learning applications for building structural design and performance assessment: State-of-the-art review. Journal of Building Engineering. https://doi.org/10.1016/j.jobe.2020.101816.

30. Amiri Shahmirani, M.R.; Nikghalb Rashti, A.A.; Adib Ramezani, M.R.; Golafshani, E.M. (2021). Application of fuzzy modelling to predict the earthquake damage degree of buildings based on field data. Journal of Intelligent and Fuzzy Systems, 41 (2), 2717–2730. https://doi.org/10.3233/JIFS-202424