Методы машинного обучения для организационно-технологического проектирования капитального ремонта жилищного фонда

Исследование направлено на разработку методологии формирования индивидуальных организационно-технологических решений при выполнении капитального ремонта конструктивных элементов объектов жилищного фонда в рамках реализации массовых региональных программ. Актуальность работы обусловлена необходимостью перехода от стандартизированных подходов к персонализированным решениям, учитывающим фактическое техническое состояние каждого ремонтируемого элемента. Основное отличие предлагаемой методологии от традиционных подходов заключается в том, что в качестве исходных данных для проектирования используются не типовые технические характеристики, а реальное состояние конструкций с учетом всех имеющихся дефектов. Такой подход требует разработки принципиально новых методов анализа и принятия решений, поскольку одинаковые строительные элементы могут иметь различные дефекты и соответственно нуждаться в разных технологических решениях. В ходе исследования проведен сравнительный анализ существующих методов машинного обучения, наиболее подходящих для решения поставленной задачи. В результате выбран комбинированный метод SOM-Random Forest, сочетающий преимущества самоорганизующихся карт Кохонена и алгоритмов случайного леса. Разработанный алгоритм позволяет автоматизировать процесс кластеризации объектов по сходным признакам и подбирать оптимальные ремонтные решения. Практическая апробация метода выполнена на синтетическом массиве данных, включающем 61 объект с плоскими крышами. В результате кластерного анализа выделено пять типовых групп решений. Дополнительное тестирование проведено на примере объекта с рулонной кровлей, что подтвердило эффективность предложенного подхода и точность прогнозирования необходимых ремонтных мероприятий.

О.Н. ПОПОВА, канд. техн. наук (Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.)

Северный (Арктический) федеральный университет им. М.В. Ломоносова (163002, г. Архангельск, наб. Северной Двины, 17)

1. Paolanti M., Romeo L., Felicetti A., Mancini A., Frontoni E., Loncarski J. Machine Learning approach for predictive maintenance in Industry 4.0. Proceedings of the 2018 14th IEEE/ASME International Conference on Mechatronic and Embedded Systems and Applications (MESA). 2018. http://dx.doi.org/10.1109/MESA.2018.8449150
2. Салихов М.Р., Юрьева Р.А. Алгоритм прогнозирования состояния оборудования на основе машинного обучения // Известия высших учебных заведений. Приборостроение. 2022. Т. 65. № 9. С. 648–655. EDN: ­FBHJVU.
https://doi.org/10.17586/0021-3454-2022-65-9-648-655
2. Salikhov M.R., Yurieva R.A. Algorithm for predicting the state of equipment based on machine learning. Izvestiya of Higher Educational Institutions. Instrument Engineering. 2022. Vol. 65. No. 9, pp. 648–655. (In Russian). EDN: ­FBHJVU. https://doi.org/10.17586/0021-3454-2022-65-9-648-655
3. Agostinelli S., Cumo F. Machine learning approach for predictive maintenance in an advanced building management system. WIT Transactions on Ecology and the Environment. 2022. Vol. 255. http://dx.doi.org/10.2495/EPM220111
4. Zhang L., Chen Z., Zhang X. Pertzborn A., Jin X. Challenges and opportunities of machine learning control in building operations. Building Simulation. 2023. Vol. 16, pp. 831–852. http://dx.doi.org/10.1007/s12273-023-0984-6
5. Ikeda S., Nagai T.A novel optimization method combining metaheuristics and machine learning for daily optimal operations in building energy and storage systems. Applied Energy. 2021. Vol. 289. Article number 116716. https://doi.org/10.1016/j.apenergy.2021.116716
6. Mathumitha R., Rathika P., Manimala K. Intelligent deep learning techniques for energy consumption forecasting in smart buildings: a review. Artificial Intelligence Review. 2024. Vol. 57. Article number 35. http://dx.doi.org/10.1007/s10462-023-10660-8
7. Papadopoulos S., Kontokosta C. Grading buildings on energy performance using city benchmarking data. Applied Energy. 2019. Vol. 233–234, pp. 244–253. https://doi.org/10.1016/j.apenergy.2018.10.053
8. Балыков А.С., Каледина Е.А., Володин С.В. Прогнозирование прочности при сжатии и проектирование составов конструкционных легких бетонов с применением методов машинного обучения // Нанотехнологии в строительстве: научный интернет-журнал. 2023. Т. 15. № 2. С. 171–186. EDN: ­FBFPZX.
https://doi.org/10.15828/2075-8545-2023-15-2-171-186
8. Balykov A.S., Kaledina E.A., Volodin S.V. Compressive strength prediction and composition design of structural lightweight concretes using machine learning methods. Nanotechnologies in Construction. 2023. Vol. 15. No. 9, pp. 171–186. (In Russian). EDN: ­FBFPZX. https://doi.org/10.15828/2075-8545-2023-15-2-171-186
9. Низин Д.Р., Низина Т.А., Селяев В.П., Спирин И.П. Учет влажностного состояния полимерных материалов при разработке моделей машинного обучения // Строительные материалы. 2024. № 12. С. 57–67. EDN: ­ZEZZNU.
https://doi.org/10.31659/0585-430X-2024-831-12-57-67
9. Nizin D.R., Nizina T.A., Selyaev V.P., Spirin I.P. Accounting for the Moisture State of Polymeric Materials when Developing Machine Learning Models. Stroitel’nye Materialy [Construction Masterials]. 2024. No. 12, pp. 57–67 (In Russian). EDN: ­ZEZZNU. https://doi.org/10.31659/0585-430X-2024-831-12-57-67
10. Перспективы использования искусственного интеллекта для решения проблем строительной физики // Жилищное строительство. 2024. № 7. С. 15. EDN: ­KQAXDB
10. Prospects of using artificiallntelligence to solve problems of construction physics. Zhilishhnoe Stroitel’stvo [Housing Construction]. 2024. No. 7, pp. 15. (In Russian). EDN: ­KQAXDB
11. Usharani S., Gayathri R., Kovvuri U.S.D.R., Nivas M., Md A.Q., Tee K.F., Sivaraman A.K. An efficient approach for automatic crack detection using deep learning. International Journal of Structural Integrity. 2024. Vol. 15. No. 3, pp. 434–460. https://doi.org/10.1108/IJS–I-10-2023-0102
12. Yuanyuan Li, Meng Yu, Decheng Wu, Rui Li, Kefei Xu, Longqi Cheng. Automatic pixel-level detection method for concrete crack with channel-spatial attention convolution neural network Structural Health Monitoring: An International Journal. 2023. Vol. 22. Iss.  2, pp. 1460–1477. https://doi.org/10.1177/14759217221109496
13. Крылов С.А., Кашеварова Г.Г. Автоматизация диагностирования причин возникновения дефектов на фасадах кирпичных зданий с применением технологий искусственного интеллекта // Вестник Пермского национального исследовательского политехнического университета. Прикладная экология. Урбанистика. 2023. № 4 (52). С. 51–62. EDN: ­NAICKA. https://doi.org/10.15593/2409-5125/2023.04.05
13. Krylov S.A., Kashevarova G.G. Automation of diagnosing the causes of defects on the facades of brick buildings using artificial intelligence technologies. Vestnik of the Perm National Research Polytechnic university. Applied Ecology. Urbanism. 2023. No. 4 (52), pp. 51–62. (In Russian). EDN: ­NAICKA. https://doi.org/10.15593/2409-5125/2023.04.05
14. Gao Y., Mosalam K.M. Deep transfer learning for image-based structural damage recognition. Computer-Aided Civil and Infrastructure Engineering. 2018. Vol. 33. Iss.  9, pp. 748–768. http://dx.doi.org/10.1111/mice.12363
15. Gao X., Pishdad-Bozorgi P. BIM-enabled facilities operation and maintenance. Advanced Engineering Informatics. 2019. Vol. 39, pp. 227–247. https://doi.org/10.1016/j.aei.2019.01.005
16. Chen J., Lu W., Liu D. Built environment defect mapping, modeling, and management (D3M): A BIM-based integrated framework. Journal of Intelligent Construction. 2024. Vol. 2 Iss.  1, pp. 1–15. 9180008.
http://dx.doi.org/10.26599/JIC.2024.9180008
17. Yin M., Tang L., Webster C., Yi X., Ying H., Wen Y. A deep natural language processing-based method for ontology learning of project-specific properties from building information models. Computer-Aided Civil and Infrastructure Engineering. 2023. Vol. 39. Iss. 1, pp. 20–45. https://doi.org/10.1111/mice.13013
18. Hashim B., Sallehudin H., Safie H., Hussain A.H., Bakar N.A.A., Yahya F., Ihsan A., Abdelghany S. Building information modeling and internet of things integration in the construction industry: a scoping study. Advances in Civil Engineering. Special Issue: Modern Solutions to Civil Engineering Problems Based on Soft Computing Techniques. 2022, pp. 1–20. http://dx.doi.org/10.1155/2022/7886497
19. Pan Y., Zhang L. Integrating BIM and ai for smart construction management: current status and future directions. Archives of Computational Methodsin Engineering. 2023. Vol. 30, pp. 1081–1110. http://dx.doi.org/10.1007/s11831-022-09830-8
20. Ribeiro M.T., Singh S., Guestrin C. «Why should I trust you?» Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDDInternational Conference on Knowledge Disco-very and Data Mining. 2016, pp. 1135–1144. https://doi.org/10.1145/2939672.2939778
21. Jiang P., Neri F., Xue Y., Maulik U. A Generalized attention mechanism to enhance the accuracy performance of neural networks. International Journal of Neural Systems. 2024. Vol. 34. No. 12. 2450063.
https://doi.org/10.1142/S0129065724500631
22. Alzubaidi L., Zhang J., Humaidi A.J. [at al.] Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data. 2021. Vol. 8 (1). Article number 53. https://doi.org/10.1186/s40537-021-00444-8