Сегодня в российском строительном секторе наблюдается нехватка кадров, достигающая 10-25%. Появляется все больше молодых специалистов, у которых недостаточно опыта для достоверного установления состояния сооружений. Статистика аварий строительных конструкций демонстрирует, что ошибочная оценка — одна из основных причин разрушения материалов помимо естественного износа. Ученые Пермского Политеха разработали программу, которая автоматически определяет техническое состояние сооружения с помощью искусственного интеллекта. Это позволит проводить своевременный ремонт и тем самым снизить риски аварий и катастроф.
Статья опубликована в журнале «Вестник ПТО РААСН» № 27 за 2024 год. Исследование проведено в рамках реализации программы стратегического академического лидерства «Приоритет-2030».
Важную роль в металлургической, химической, угольной, горнорудной, энергетической и других отраслях промышленности играют здания перегрузочных узлов сыпучих материалов (например, угля, шихты, руды) с одного конвейера на другой. Это один из наиболее распространенных видов транспортных коммуникаций на большинстве современных заводов. На территории одного производства их может быть от одного до 40 и более. Разрушение такой конструкции создает опасность и увеличивает риск несчастных случаев, остановки производства.
Обследование и мониторинг технического состояния и своевременный ремонт таких объектов позволяет избежать тяжелых последствий, но экспертная оценка субъективна. Человеку не всегда удается точно определить, к какой категории относится конструкция: в норме, требует замены элементов или нуждается в тотальном восстановлении. Для грамотного рассмотрения проблем специалист должен обладать многолетним опытом и знаниями, и чтобы стать экспертом, требуется не один год практической деятельности.
Ученые Пермского Политеха разработали программу для определения технического состояния и назначения ремонтных мероприятий для зданий перегрузочных узлов, используя технологию искусственного интеллекта — нейросетевую модель. Для ее обучения использовали материалы технических отчетов за 1997-2024 годы.
На данном этапе разработан алгоритм обучения полносвязной нейронной сети с двумя скрытыми слоями, но пока без пользовательского интерфейса.
— В выборку для обучения нейросети вошли колонны, вертикальные и горизонтальные связи, главные и второстепенные балки перекрытий и покрытия, данные о монолитных плитах и т.д. В качестве входных данных учитывались все параметры, встречающиеся при обследовании перегрузочных узлов: уровень коррозии материала, состояние защитного покрытия, узлов, данные расчетов, нарушения целостности. В зависимости от их сочетания друг с другом ИИ определяет, к какой категории следует отнести конструкцию и требуется ли ей ремонт, — рассказывает Виталий Платунов, аспирант кафедры «Строительные конструкции и вычислительная механика» ПНИПУ.
— В ходе экспериментов модель показала до 95% точности и уже может применяться в строительстве. В дальнейшем мы планируем проверить ее на большем количестве данных и доработать в полноценного бота в Телеграме. Там молодым специалистам будет гораздо удобнее и проще работать с программой, — комментирует Галина Кашеварова, профессор кафедры «Строительные конструкции и вычислительная механика» ПНИПУ, доктор технических наук.
Разработка ученых Пермского Политеха позволит применять автоматизированные решения в области экспертных оценок, повысить качество обследований и, как следствие, обеспечить надежную и безопасную эксплуатацию зданий перегрузочных узлов.