От проекта до объекта: применение ML в строительстве

Знаете ли вы, что более 90% строительных проектов выходят за рамки бюджета, а 89% подрядчиков регулярно сдают проекты с задержкой? При этом каждая стройка генерирует терабайты данных, которые чаще всего остаются необработанными, хотя имеют большой потенциал для оптимизации. Неудивительно, что индустрия активно ищет способы повышения эффективности процессов, и машинное обучение становится одним из ключевых инструментов.

От автоматической генерации строительных графиков до роботов-каменщиков с миллиметровой точностью укладки — ML-технологии уже трансформируют отрасль. Системы компьютерного зрения отслеживают безопасность на площадках, алгоритмы предсказывают задержки проектов, а генеративный дизайн оптимизирует архитектурные решения.

В статье покажем на реальных примерах, как работают современные решения ML в строительстве и какие результаты они дают.

Машинное обучение в строительстве: основы и ключевые направления

Прежде чем погружаться в конкретные кейсы, давайте немного поговорим о том, как машинное обучение вписывается в контекст строительной сферы.

По сути, ML — это класс методов искусственного интеллекта, которые позволяют компьютерам обучаться на данных и опыте, не будучи явно запрограммированными.

Если вы следите за развитием технологий в строительстве, то наверняка заметили, как за последние годы изменился привычный ландшафт отрасли. Ведущие застройщики по всему миру уже превратили свои площадки в настоящие цифровые производства, где наряду с традиционными бетоном и арматурой работают огромные объемы данных. BIM-модели хранят данные о каждом элементе конструкции, датчики непрерывно отслеживают состояние техники, а камеры фиксируют все процессы на площадке. Именно этот взрывной рост доступных данных сделал возможным реальное применение машинного обучения в строительстве.

Технологический стек ML-решений в отрасли сформировался вокруг нескольких ключевых направлений. К примеру, компьютерное зрение анализирует визуальные данные со строительных площадок, предиктивная аналитика прогнозирует риски и задержки, а генеративные модели оптимизируют проектные решения. При этом все ML-системы тесно интегрируются с традиционным строительным софтом: от BIM-платформ до мобильных приложений для прорабов.

Впрочем, внедрение ML в строительстве — это не просто установка нового ПО. Каждый строительный проект уникален, данные поступают из разных источников в разных форматах, а их обработка требует серьезных вычислительных мощностей. 

И таких проектов уже действительно много. Давайте перейдем к конкретике посмотрим, как ML уже применяется на стройках по всему миру.

Оптимизация планирования и проектирования

Одна из самых трудоемких и ответственных задач в строительстве — это планирование и проектирование будущего объекта. От того, насколько качественно будут проведены изыскания, расчеты и моделирование, зависят сроки, стоимость и безопасность всего проекта. На этом этапе ML-модели могут помочь анализировать гигантские массивы проектных данных, находить оптимальные решения и автоматизировать рутинные задачи, экономя время и ресурсы проектировщиков. 

Автоматизация планирования строительных проектов с BIM и ML

Традиционное планирование строительных работ — процесс не только трудоемкий, но и подверженный человеческим ошибкам. Даже специализированное ПО вроде MSP2019 и Primavera P6 требует значительного ручного ввода данных. Исследователи из Саудовской Аравии предложили принципиально новый подход: автоматическую генерацию графиков работ с помощью машинного обучения и BIM-моделирования.

Техническое ядро системы построено на анализе IFC-файлов (Industry Foundation Classes) — стандартного формата BIM-моделей, содержащего всю информацию о геометрии, материалах и взаимосвязях элементов здания. Для извлечения данных о структурных элементах используется IfcOpenShell с Python-привязками, что позволяет получать детальную информацию о стенах, колоннах, балках и перекрытиях. Согласно концепции, система анализирует геометрию объектов, их размеры, материалы и взаимосвязи, а затем применяет глубокое обучение для классификации компонентов BIM-модели.

Ключевая особенность решения — использование ансамблевого метода Dagging для повышения точности предсказаний. Датасет разбивается на непересекающиеся подмножества, на каждом из которых тренируется отдельная модель. Их предсказания агрегируются мета-моделью, что позволяет получить более надежные результаты по сравнению с единичным классификатором.

Практическая ценность решения в том, что оно не требует ручного создания матриц ограничений — система сама выявляет зависимости между работами в процессе обучения. Для каждого типа проекта (многоэтажные здания, мосты и т. д.) создается отдельная модель. После обучения система сможет автоматически генерировать ресурсно-календарные графики для новых проектов, определяя последовательность работ, их продолжительность, стоимость и необходимые ресурсы.

Оптимизация проектирования мостов с помощью нейросетей

Интересный подход к оптимизации мостовых конструкций предложили исследователи из Политехнического университета Валенсии. Они разработали систему, которая одновременно оптимизирует три критически важных параметра: стоимость строительства, общий коэффициент безопасности и время до начала коррозии.

Система использует комбинацию многоцелевого алгоритма поиска гармонии (HS) и искусственных нейронных сетей (ANN) для оптимизации 34 параметров конструкции железобетонного моста с предварительно напряженной арматурой. В их число входят геометрия поперечного сечения, класс бетона, схема армирования и параметры предварительного напряжения.

Технически решение работает следующим образом:

1. Нейросеть обучается на данных о предельных состояниях конструкции из предыдущих расчетов (R² от 0,912 до 0,999).

2. Алгоритм HS в сочетании с ANN генерирует приближенный фронт Парето-оптимальных решений.

3. Полученные решения уточняются через точный анализ методом конечных элементов.

4. Финальная оптимизация выполняется уже с использованием точных расчетов.

Такой подход позволил сократить количество полных расчетов конструкции на 63–73% при сохранении точности результатов. Время анализа одного варианта сократилось с 1500 до 4 секунд.

Практические результаты показали, что:

• Увеличение прочности бетона более эффективно для повышения долговечности, чем увеличение защитного слоя.

• При низких классах бетона увеличение защитного слоя дает меньший эффект.

• Оптимальное сочетание класса бетона и толщины защитного слоя позволяет достичь требуемых показателей долговечности при минимальных затратах.

И хотя в данном случае речь идет о мостовых конструкциях, сам подход к многопараметрической оптимизации с помощью нейросетей можно применять практически к любым строительным задачам, где требуется найти баланс между стоимостью, безопасностью и долговечностью конструкций.

Оценка стоимости тоннелей с помощью нейросетей

А вы знали, что точность оценки стоимости строительства тоннелей на ранних этапах редко превышает 60%? Группа греческих исследователей решила исправить эту ситуацию с помощью машинного обучения.

Они разработали многослойный перцептрон, способный прогнозировать стоимость строительства на основе ключевых параметров проекта. Модель анализирует 12 основных характеристик: геологические условия (по установленной шкале), длину тоннеля, площадь сечения, высоту свода, тип крепления, толщину обделки и другие технические параметры.

Для обучения нейросети использовались данные о реализованных тоннельных проектах. Исследователи тщательно подошли к формированию выборки, разделив данные на два набора: тестовый и обучающий. Для валидации модели применялся метод перекрестной проверки с исключением по одному проекту, что позволило объективно оценить способность системы к обобщению.

Результаты оказались многообещающими: разработанная нейросеть продемонстрировала существенно более высокую точность по сравнению с традиционными методами оценки. Коэффициент детерминации R² достиг 0,88, что говорит о хорошей предсказательной способности модели.

NER для анализа строительных спецификаций

Разбираться в строительных спецификациях — та еще головная боль. Попробуйте вручную проанализировать десятки спецификаций, где каждое предложение длиной в пять строк. Группа исследователей из сеульского университета решила автоматизировать этот процесс с помощью Named Entity Recognition (NER).

Они разработали модель на основе двунаправленной LSTM-сети, которая автоматически извлекает из текста спецификаций пять ключевых типов информации: ответственные лица и организации, требуемые действия, элементы конструкций, стандарты качества и ссылки на нормативы.

Для создания модели исследователи проанализировали 56 различных строительных спецификаций, из которых было извлечено 4,659 предложений для обучения системы. Параметры модели подбирались методом grid search для достижения оптимальной производительности.

В итоге модель достигла средней точности 0,919 и полноты 0,914. Особенно хорошо система справляется с определением организаций (F1-score 0,945) и нормативных ссылок (0.946), хотя немного хуже работает со стандартами качества (0,887). Надежность результатов подтверждена тестированием на 30 различных наборах данных.

Использование GPT в строительстве: умный подбор материалов

Если вы когда-нибудь участвовали в выборе материалов для строительного проекта, то понимаете, насколько это комплексная задача. Нужно учесть десятки факторов: от технических характеристик и стоимости до экологичности и местных строительных норм. Исследователи из Leeds Beckett University предложили решение этой проблемы, объединив возможности BIM и GPT.

Разработанный ими прототип интегрирует BIM-модель с ChatGPT через специальный программный интерфейс. Технически это работает так: BIM-файл загружается в облако через Forge Model Derivative API, где конвертируется в формат SVF2. Система извлекает метаданные о каждом элементе здания — геометрию, расположение, свойства — и передает их в модуль обработки естественного языка на базе GPT-модели со сниженным параметром случайности.

Например, когда инженер спрашивает «Какой материал лучше использовать для двери в санузел?», система анализирует расположение двери, условия эксплуатации и выдает рекомендации с учетом влажности, интенсивности использования и других факторов.

Тестирование показало, что эффективность системы сильно зависит от качества промптов. При «zero-shot» подходе (без контекстных подсказок) ответы получались общими и неконкретными. Но при добавлении системного промпта с данными из BIM точность рекомендаций значительно возрастала. Более того, система научилась отсекать нерелевантные запросы, фокусируясь только на вопросах подбора материалов.

Управление строительством

Знаете, что общего между вашим навигатором и современной стройкой? Оба полагаются на предиктивную аналитику. Только если навигатор предсказывает пробки, то ML-системы в строительстве прогнозируют задержки проектов, контролируют технику и даже следят за чистотой на площадке. Давайте посмотрим, как это работает на практике.

Предсказание задержек проектов: как ML помогает сдавать объекты вовремя

Кто из вас встречал в природе такого редкого зверя, как стройка, законченная в срок? Таких наверняка немного. Задержки в строительстве происходят так часто, что уже практически стали нормой для индустрии.

Три независимые исследовательские группы подошли к решению этой проблемы с разных сторон. Команда Гондии проанализировала данные 51 проекта из практики 28 компаний, создав инструмент для выявления причин задержек на основе протоколов совещаний. Используя различные алгоритмы классификации, включая Naive Bayes (точность 51,2%) и деревья решений (47,2%), они наглядно показали всю сложность проблемы: количество факторов, вызывающих задержки, оказалось огромным.

Ван Ю и Чан пошли другим путем. Они обучили адаптивную нейросеть на данных ранней фазы планирования 92 строительных проектов. Их алгоритм научился предсказывать конечные даты проектов с точностью 80% — впечатляющий результат для столь сложной задачи. И это было еще 2012 году.

Команда Ясина же, в свою очередь, для решения этой проблемы применила метод случайного леса (random forest, RF). На данных 40 проектов их модель достигла точности 91,76% в предсказании задержек. Секрет успеха — в комбинации классического RF с генетическими алгоритмами, что позволило точнее учитывать сложные взаимосвязи между факторами риска.

Мониторинг стройки с дронами

Еще недавно прорабы с рулетками бегали по стройплощадке, пытаясь оценить объем выполненных работ. Сегодня эту работу делают дроны и ML-системы.

Компания Pix4D разработала систему, которая превращает фотографии с дронов в детальные 3D-модели строительных площадок. Процесс работает так: дроны выполняют аэрофотосъемку по заранее спланированным маршрутам, а наземные данные собираются с помощью мобильных устройств с RTK-позиционированием для сантиметровой точности. Собранные фотографии обрабатываются специальным ПО, которое создает детальные 3D-модели объекта.

Такой подход позволяет автоматизировать множество рутинных задач:

• Выполнять топографическую съемку;

• Точно рассчитывать объемы земляных работ;

• Создавать исполнительную документацию в 2D и 3D;

• Сравнивать построенное с проектом;

• Экспортировать результаты в CAD, GIS и BIM-системы.

По итогу можно не только измерить объемы земляных работ или проверить геометрию конструкций, но и автоматически отследить отклонения от проекта.

Умное управление техникой

Представьте парк техники, где каждая машина работает с максимальной эффективностью, а риски поломок и простоев сведены к минимуму. Именно такой подход к управлению транспортом и спецтехникой реализован в платформе Crystal, разработанной компанией Ctrack.

Технически система работает на трех уровнях:

• Сбор данных о местоположении техники, состоянии двигателей и действиях операторов в реальном времени;

• Предиктивная аналитика для раннего выявления потенциальных проблем;

• Автоматическая оптимизация маршрутов и графиков обслуживания.

Используя такой метод управления транспортом, компании получают не только контроль над расходом топлива и состоянием техники, но и возможность предотвращать поломки до их возникновения. А главное — все данные доступны в реальном времени, что позволяет оперативно принимать решения.

Управление отходами и уборкой

По данным Международной организации труда, ежегодно около 2,3 миллиона работников погибают из-за несчастных случаев и травм, полученных на работе. Исследователи из Национального университета Сингапура решили исправить эту ситуацию с помощью компьютерного зрения.

Они разработали систему HCDN (Housekeeping Change Detection Network), которая автоматически выявляет проблемные зоны на стройплощадке, сравнивая фотографии «до» и «после». Система различает пять основных типов нарушений: строительный мусор, разбросанную арматуру, стальные трубы, лужи и прочие проблемы.

HCDN использует комбинацию модели CLIP для извлечения визуальных признаков и специального модуля слияния признаков. Система обучалась на датасете, созданном из более чем 1800 пар фотографий с 40 строительных площадок Сингапура, который после фильтрации составил 700 качественных пар изображений.

Результаты тестирования показывают высокую эффективность: система достигает средней точности 89,32% (aACC), при этом F1-score составляет 86,67%, а показатель IoU —76,97%. Особенно хорошо HCDN справляется с обнаружением строительного мусора и разбросанных материалов, хотя иногда допускает ошибки при определении застоев воды.

Безопасность и контроль качества

Каждый, кто работал на стройке, знает: уследить за соблюдением техники безопасности на большой площадке практически невозможно. Человек физически не может одновременно контролировать использование защитного оборудования, следить за опасными зонами и предупреждать рискованное поведение рабочих. Но что, если доверить эту работу кому-то более внимательному? 

Анализ рисков в строительстве

У мегастроек и лотерей есть одна общая черта: в обоих случаях приходится иметь дело с риском. Однако в строительстве риски можно предсказать. Исследователи из Технологического института Веллора как раз разработали такую систему для выявления потенциальных проблем еще до их возникновения.

Система анализирует 63 различных фактора риска, от задержек с разрешениями до проблем с оборудованием, и оценивает их влияние на четыре ключевых параметра: стоимость, сроки, качество и масштаб проекта. Для создания модели исследователи провели опрос среди 70 специалистов строительной отрасли, включая инженеров (57,14%), проектных менеджеров (5,71%), консультантов (7,14%), подрядчиков (7,14%) и членов проектных команд (22,86%).

Решение основано на комбинации K-means кластеризации и генетического алгоритма (GA-K-means). Генетический алгоритм не только оптимизирует центроиды кластеров, но и использует силуэтный коэффициент для проверки качества группировки рисков. При использовании евклидова расстояния система достигает наилучших показателей кластеризации с силуэтным коэффициентом 0,693 для пяти кластеров.

Что особенно интересно, модель учится находить неочевидные связи между рисками. Например, когда приоритетом является соблюдение сроков строительства, система идентифицирует ключевые риски, включая задержки с получением разрешений, ошибки в проектировании и проблемы с оборудованием.

Модели предсказания травм и инцидентов

Строительство неспроста считают одной из самых опасных отраслей: в той же Турции по данным за 2023 год на стройки пришлось 24% всех смертельных случаев на производстве. Однако теперь благодаря ИИ несчастные случаи можно прогнозировать еще до их возникновения.

Турецкие ученые разработали модель предсказания инцидентов на стройплощадках, использующую как традиционные методы, так и искусственный интеллект. Система анализирует данные об инцидентах, собранные и категоризированные с помощью экспертов по методу Дельфи. В тестах модель показала точность предсказания исхода инцидентов около 84%.

Еще более масштабное исследование провели Бейкер, Хэллоуэлл и Тиксье. Их алгоритмы, обученные на 91,638 отчетах о безопасности, показали следующие результаты:

• при предсказании тяжести травмы — точность до 85%;

• типа травмы — до 84%;

• типа инцидента — до 43%.

Лучше всего модели справлялись с предсказанием травм глаз (точность до 83%), хотя результаты по травмам рук и головы были значительно ниже (20–27%). Но главное — теперь у строителей появился инструмент, позволяющий предотвращать несчастные случаи, а не просто реагировать на них.

Системы детекции средств защиты 

«Надень каску!» — пожалуй, самая частая фраза на любой стройплощадке. Но даже самый внимательный прораб не может уследить за всеми рабочими одновременно. Современные системы компьютерного зрения успешно решают эту проблему: например, Magnus Tech разработала комплексное решение для мониторинга СИЗ с функциями распознавания касок и жилетов и отслеживания их использования в реальном времени. А команда исследователей из Университета штата Аризона пошла по другому пути, усовершенствовав саму архитектуру распознавания.

Они модифицировали популярную архитектуру YOLOv8n, добавив механизм пространственного внимания SE и специальные блоки C2fCIB. На датасете SHEL5K, содержащем 5000 фотографий с более чем 20 000 примеров использования касок, улучшенная модель CIB-SE-YOLOv8 показала впечатляющие результаты: значение метрики mAP50 достигло 88,4%, что на 3,2% выше базовой модели. При этом точность определения (precision) составила 89,4%, а полнота (recall) — 81,3%.

Новая архитектура еще и оказалась более эффективной: 2,68 миллиона параметров против 3 миллионов у оригинальной модели, и 7,6 GFLOPs против 8,1 GFLOPs. При этом система сохраняет способность работать в режиме реального времени, обрабатывая минимум 30 кадров в секунду даже на обычных графических процессорах. А значит, её можно использовать для круглосуточного мониторинга строительных площадок.

«Умные» камеры не устают, не отвлекаются и мгновенно реагируют на любое нарушение правил безопасности. Когда рабочий снимает каску, система тут же отправляет предупреждение ему и уведомление руководству. 

В заключение

Сам факт внедрения ML не делает проект успешным. Но он может стать успешнее, если ML внедрили для решения конкретной проблемы, а не просто из желания приобщиться к модной технологии. Рассмотренные в статье кейсы показывают: машинное обучение действительно работает, когда решает реальные задачи. Нейросети точнее людей выявляют нарушения техники безопасности, алгоритмы оптимизации находят более эффективные проектные решения, а предиктивные модели помогают избежать срыва сроков.

Внедрить ML — это не просто купить софт или оборудование и обучить сотрудников. Нужен системный подход. Saudi Aramco, например, начали с простой автоматизации планирования на основе BIM. Сначала научились собирать качественные данные, подготовили команду, и только потом перешли к сложным ML-моделям. Такой поэтапный подход позволил им избежать типичных ошибок и получить реальную отдачу от технологии.

Главный вывод из всех проанализированных проектов прост: ML в строительстве работает там, где есть три ключевых элемента: конкретная проблема, качественные данные и готовность команды к изменениям. При соблюдении этих условий технологии машинного обучения не просто окупаются, а дают тот самый рывок в эффективности, которого так не хватает современным стройкам.