На фоне старения жилого фонда и нехватки инженерных кадров вопрос безопасности зданий становится всё более острым. Сооружения, построенные десятилетия назад, постепенно теряют несущую способность, а скрытые дефекты накапливаются, повышая риск аварий. При этом традиционные методы обследования, основанные на визуальной оценке, требуют значительных затрат времени и средств, что делает масштабный мониторинг затруднительным.
Учёные 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 работы опубликованы в журнале «Вестник Дагестанского государственного технического университета».
Стареющая инфраструктура как системный вызов
Проблема изношенного жилого фонда характерна для большинства развитых стран. Под воздействием времени, климата и эксплуатационных нагрузок здания постепенно утрачивают прочностные характеристики.
По состоянию на начало 2024 года в России официально признаны аварийными около 70 тысяч домов, в которых проживает более 1 млн человек.
Регулярный мониторинг конструкций остаётся ключевым инструментом предотвращения ЧС, однако на практике его ограничивают высокая стоимость экспертиз, трудоёмкость обследований и влияние человеческого фактора. В результате дефекты часто выявляются уже на поздних стадиях, когда требуется не плановый ремонт, а экстренные восстановительные работы.
Почему классическая диагностика не масштабируется
Традиционный подход предполагает визуальный осмотр инженером и формирование заключения на основе опыта специалиста. Такой метод остаётся медленным и субъективным.
Существующие экспертные системы и вероятностные модели требуют сложной ручной настройки и участия специалистов сразу двух профилей — инженеров-строителей и программистов. В совокупности это делает массовую диагностику зданий длительным и дорогостоящим процессом.
Автоматизированная оценка с помощью ИИ
Команда Пермского Политеха предложила решение, автоматизирующее рутинную часть оценки технического состояния наружных стен кирпичных зданий.
На первом этапе был оцифрован и проанализирован массив данных, накопленный в ходе натурных обследований. В выборку вошли архивы экспертных организаций, технические отчёты и результаты собственных полевых исследований. Фасады зданий структурировали 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 характеристики. На выходе система присваивает зданию 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. Наиболее стабильные и точные результаты показала библиотека AutoGluon, которая автоматически подбирает и комбинирует модели под конкретные данные. Это позволило добиться высокой точности без длительной ручной настройки нейросетей.
Архитектура системы построена по многоуровневому принципу:
- приём и первичная обработка данных;
- анализ взаимосвязей между параметрами;
- формирование итоговой классификации технического состояния.
Обучение и проверка надёжности
Обучение модели проходило поэтапно:
- 65% данных использовались для обучения,
- 20% — для промежуточной проверки,
- 35% — для финального тестирования на ранее неиспользованных данных.
Для повышения устойчивости применялся метод исключения нейронов, что снизило риск переобучения.
Точность модели составила:
- 92,3% на обучающей выборке,
- 84,6% на проверочной,
- 62,8% при тестировании на новых объектах.
Анализ ошибок показал, что в случае неточной классификации система чаще выбирает более строгую, смежную категорию. Такой подход считается оправданным, поскольку приоритет — не допустить пропуск аварийного состояния.
Практический потенциал разработки
Решение позволяет в сжатые сроки проводить предварительную оценку тысяч зданий, что особенно важно при формировании программ капитального ремонта, планировании обследований и оперативном реагировании после ЧС — землетрясений, ураганов и других воздействий.
Использование ИИ в строительной диагностике снижает нагрузку на экспертов и создаёт основу для масштабируемых систем мониторинга городской инфраструктуры.
