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

Обложка

Цитировать

Полный текст

Аннотация

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.

Об авторах

Н. В. Князева

Национальный исследовательский Московский государственный строительный университет (НИУ МГСУ)

Email: nknyazeva@mgsu.ru

Е. А. Назойкин

Российский биотехнологический университет (РОСБИОТЕХ)

Email: NazojjkinEA@mgupp.ru

А. А. Орехов

Российский биотехнологический университет (РОСБИОТЕХ)

Email: aleksejjok@gmail.com

Список литературы

  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

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

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».