Регулярный мониторинг состояния зданий в России затруднен из-за высокой стоимости и трудоемкости экспертиз, а также субъективности традиционных визуальных методов. Это ведет к накоплению скрытых дефектов. В Пермском Политехе разработали программу с искусственным интеллектом для автоматической оценки технического состояния наружных стен кирпичных зданий. Она с высокой точностью (84%) классифицирует степень износа, минимизируя риск пропуска аварийных ситуаций.

Для создания системы использовалась библиотека AutoGluon, показавшая наилучшие результаты среди пяти протестированных алгоритмов. Обучение проводилось на оцифрованных данных, собранных из архивов экспертных организаций, технических отчетов и полевых исследований. Фасады разбивались на ключевые элементы: цоколь, основное поле стены, перемычки.

«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.

Точность модели на тренировочных данных достигла 92,3%, на финальной проверочной выборке – 84,62%. В случаях ошибки программа склонна занижать категорию, что позволяет не пропустить аварийное состояние.

"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.

Разработка позволит проводить быструю предварительную оценку тысяч зданий, что критически важно для планирования ремонтов и оперативного реагирования после чрезвычайных ситуаций (землетрясений, ураганов).

По материалам статьи журнала «Вестник Дагестанского государственного технического университета».