Modern approaches to assessing the technical condition of building structures at the operational stage

Cover Page

Cite item

Full Text

Abstract

Introduction. The paper is devoted to the development of approaches to the construction of an automated assessment system for the technical condition of building structures using defect detection mechanisms and preliminary assessment of the physical deterioration of buildings based on artificial intelligence methods. Modern construction objects are characterized by high complexity and scale, which requires special attention to the quality and reliability of structures. Traditional methods of technical maintenance do not always show their effectiveness due to the influence of human factors. Currently, the primary method of defects detention remains visual inspection, which, although it allows to assess the condition of objects, depends on the level of qualification and attentiveness of the evaluator. This creates risks of error, which can threaten the safety of buildings and lead to incorrect decisions regarding repairs and maintenance. The aim of the research is to analyze the required functionality and modelling of an automated system capable of quickly and accurately identifying potential defects in building structures and assessing likely physical deterioration.Materials and methods. The comprehensive approach includes two main components: a system for analyzing accumulated data on the physical deterioration of residential properties and a defect detection mechanism based on image analysis using artificial intelligence. The main input data for analysis are the results of photographic documentation of the building condition, as well as the volume of accumulated observations and data on the physical deterioration of the housing stock over a long period of observation.Results. The libraries and tools necessary for the implementation of this system are described in detail, including popular frameworks for machine learning and image processing.Conclusions. Modern approaches based on the application of artificial intelligence and machine learning methods open new horizons in the detection of defects and forecasting the technical condition of buildings. They significantly increase the speed and accuracy of analysis.

About the authors

N. V. Knyazeva

Moscow State University of Civil Engineering (National ResearchUniversity) (MGSU)

Email: nknyazeva@mgsu.ru

E. A. Nazojkin

Russian Biotechnological University (BIOTECH University)

Email: NazojjkinEA@mgupp.ru

A. A. Orekhov

Russian Biotechnological University (BIOTECH University)

Email: aleksejjok@gmail.com

References

  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

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».