ИИ вместо визуального осмотра: как Пермский Политех меняет диагностику зданий

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».

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.

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.

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:

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.

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:

Обучение модели проходило поэтапно:

Для повышения устойчивости применялся метод исключения нейронов, что снизило риск переобучения.

Точность модели составила:

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.

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.