На фоне массового старения жилого фонда и дефицита инженерных кадров вопрос безопасности зданий становится критическим. Конструкции, возведённые десятилетия назад, постепенно теряют несущую способность, а скрытые дефекты накапливаются, увеличивая риск аварий и внезапных обрушений. Традиционные методы обследования, основанные на визуальном осмотре, требуют значительных временных и финансовых ресурсов, что делает масштабный мониторинг зданий затруднительным.
Ученые Пермского Политеха разработали программное решение на базе искусственного интеллекта, которое автоматизирует оценку технического состояния наружных стен кирпичных зданий. Алгоритм классифицирует степень износа с точностью до 84%, снижая вероятность пропуска потенциально аварийных ситуаций. Результаты исследования опубликованы в журнале «Вестник Дагестанского государственного технического университета».
Стареющая инфраструктура как системный вызов
Проблема изношенного фонда характерна для большинства развитых стран. Под воздействием времени, климатических факторов и эксплуатационных нагрузок здания постепенно теряют прочностные характеристики. По состоянию на начало 2024 года в России официально признаны аварийными около 70 тысяч домов, в которых проживает более миллиона человек.
Ключевым фактором предотвращения чрезвычайных ситуаций остаётся регулярный мониторинг состояния конструкций. Однако на практике этому препятствуют высокая стоимость экспертиз, трудоёмкость обследований и влияние человеческого фактора. В результате дефекты часто выявляются уже на стадии, когда требуется не плановый ремонт, а аварийно-восстановительные работы.
Ограничения традиционных методов диагностики
Классическая схема обследования предполагает, что инженер оценивает состояние здания визуально и формирует заключение на основе личного опыта. Такой подход считается не только медленным, но и субъективным.
Существующие экспертные системы и вероятностные модели требуют сложной ручной настройки и формализации правил. Для этого необходимо участие специалистов сразу двух профилей — инженеров-строителей и программистов. В совокупности эти требования делают массовую диагностику зданий длительным и дорогостоящим процессом.
Автоматизированная оценка на базе искусственного интеллекта
Команда Пермского Политеха предложила программное решение, способное автоматизировать рутинную часть оценки технического состояния наружных стен кирпичных зданий.
На первом этапе исследователи проанализировали и оцифровали массив данных, накопленный в ходе натурных обследований. В выборку вошли материалы архивов экспертных организаций, технические отчёты и результаты собственных полевых исследований. Фасады зданий были структурированы по ключевым элементам: цоколь, основное поле стены, перемычки.
Для анализа использовались 18 критически значимых параметров, включая ширину трещин, отклонение стен от вертикали, фактическую прочность кладки и другие показатели. На выходе система присваивает объекту одну из четырёх категорий состояния по ГОСТ: нормативное, работоспособное, ограниченно работоспособное или аварийное.
Машинное обучение без ручной настройки
В рамках проекта были протестированы пять алгоритмов машинного обучения для нейронных сетей. Наиболее стабильные и точные результаты продемонстрировала библиотека AutoGluon. Она автоматически перебирала и комбинировала различные алгоритмы, адаптируясь под специфику данных, что позволило добиться высокой точности без длительной ручной настройки моделей.
Программная архитектура построена по многоуровневому принципу. На первом уровне система принимает и обрабатывает исходные данные о состоянии здания. Второй уровень анализирует взаимосвязи между параметрами и выявляет комбинированные эффекты. Третий уровень формирует итоговую классификацию по категориям технического состояния.
Обучение и проверка надежности модели
Обучение системы проходило в несколько этапов. Основная модель обучалась на 65% данных. Ещё 20% использовались для промежуточной проверки корректности выявляемых закономерностей. Финальный этап тестирования проводился на оставшихся 35% данных, ранее не использовавшихся в обучении.
Для снижения риска переобучения был применён метод исключения нейронов, что повысило устойчивость модели при работе с новыми объектами. По итогам обучения точность на тренировочной выборке составила 92,3%, на проверочной — 84,62%. Финальное тестирование на полностью новых данных подтвердило работоспособность алгоритма с точностью 62,8%.
Анализ ошибок показал, что в случае неточной классификации система, как правило, выбирает более строгую, смежную категорию. Такой подход считается допустимым, поскольку приоритетной задачей является недопущение пропуска аварийного состояния.
Потенциал практического применения
Разработка позволяет в сжатые сроки проводить предварительную оценку тысяч зданий. Это особенно важно при формировании программ капитального ремонта, планировании обследований и оперативном реагировании после чрезвычайных ситуаций — землетрясений, ураганов и других воздействий.
Использование ИИ в строительной диагностике снижает нагрузку на экспертов и формирует основу для масштабируемых систем мониторинга городской инфраструктуры.
