Искусственный интеллект от пермских ученых автоматизирует диагностику кирпичных зданий

Вчера в 19:00

© freepik.com

Исследователи Пермского национального исследовательского политехнического университета (ПНИПУ) создали программу на основе искусственного интеллекта для автоматической оценки технического состояния наружных стен кирпичных зданий. Система классифицирует степень износа с точностью 84%, минимизируя риск пропуска аварийных ситуаций. Об этом сообщили в пресс-службе университета.

В России на начало 2024 года было официально признано аварийным около 70 тысяч домов, где проживает более миллиона человек. Регулярный мониторинг — ключ к предотвращению катастроф, но ему мешает высокая стоимость экспертиз, трудоемкость процессов и влияние человеческого фактора.

Традиционный метод, основанный на визуальном осмотре экспертом, считается медленным и субъективным. Существующие экспертные системы требуют сложной ручной настройки правил, что предполагает участие как опытных инженеров-строителей, так и программистов. Это делает процесс обследования длительным и дорогостоящим.

От данных к интеллектуальной системе

Ученые Пермского Политеха автоматизировали процесс, создав программное решение на базе искусственного интеллекта. На первом этапе они оцифровали опыт, накопленный при натурных обследованиях. Данные собирали из архивов экспертных организаций, технических отчетов и собственных полевых исследований.

Фасады в обучающей выборке были разбиты на ключевые элементы — цоколь, основное поле стены и перемычки. Для анализа использовали 18 критических признаков, включая ширину трещин, величину отклонения стены от вертикали и фактическую прочность кладки. Итогом анализа стало присвоение одной из четырех категорий состояния по ГОСТ: «нормативное», «работоспособное», «ограниченно работоспособное» или «аварийное».

Обучение нейросети и архитектура программы

Для создания системы ученые протестировали пять алгоритмов машинного обучения. Наилучшие результаты показала библиотека AutoGluon, которая самостоятельно подбирала и комбинировала подходы, адаптируясь к данным. Это позволило достичь высокой точности без длительной ручной настройки.

Как пояснила доктор технических наук, профессор кафедры «Строительные конструкции и вычислительная механика» ПНИПУ Галина Кашеварова, программа анализирует информацию на трех уровнях. Первый обрабатывает исходные данные о состоянии здания. Второй вычисляет сложные взаимосвязи между параметрами, выявляя комбинированные эффекты. Третий формирует итоговую оценку по четырем категориям.

Обучение проходило поэтапно. На основном учебном наборе данных (65% информации) система выявляла закономерности. Промежуточные проверки проводились на 20% данных для контроля переобучения. Финальное тестирование — на оставшихся 15%, которые программа видела впервые. Для повышения надежности при работе с новыми объектами использовали метод исключения нейронов, отметил аспирант той же кафедры Сергей Крылов.

Результаты тестирования и практическая значимость

Точность системы на тренировочных данных достигла 92,3%. На финальной, ранее незнакомой выборке результат составил 84,62%. Анализ ошибок выявил важную особенность: в случаях неточного определения программа обычно присваивает смежную, но более строгую категорию. Например, «работоспособное» состояние может быть определено как «ограниченно работоспособное». Такое консервативное «занижение» категории считается приемлемым, так как главная задача — не пропустить аварийное состояние.

Практическое применение разработки позволит в кратчайшие сроки проводить предварительную оценку тысяч зданий. Это особенно важно для планирования ремонтов и оперативного реагирования после чрезвычайных ситуаций, таких как землетрясения или ураганы.

Ранее «RUБЕЖ» сообщал, что российская компания «Дроноко» представила технологию распознавания людей для беспилотников.