student
Russian Federation
student
Russian Federation
The purpose of this article is to analyze the theory and practice of applying machine learning methods in the construction industry. The research base was the national bibliographic database of scientific citation - RSCI. As a result of the analysis, it was revealed that the most common use of machine learning methods is in the oil and gas industry, and research in the construction industry is more of an overview.
industry 4.0, digital transformation, machine learning
Введение
Машинное обучение или Machine Learning представляет собой одно из направлений искусственного интеллекта, в рамках которого используются данные для имитации человеческого обучения. Таким образом, под искусственным интеллектом будем принимать область науки и инжиниринга, а машинное обучение рассматривать, как ее раздел.
Различают четыре основных типа методов машинного обучения (ММО). Их классификация представлена на рис.1.
Рис.1. Классификация методов машинного обучения
Контролируемый ММО предполагает наличие набора данных с желаемыми результатами, алгоритму же необходимо выяснить, как эти результаты достичь. Неконтролируемый ММО также ориентирован на изучение данных и выявление закономерностей, однако первоначально ожидаемые результаты не заданы. Полуконтролируемый ММО является квинтэссенцией первых двух, т.е. использует не только маркированные – четко описанные – данные, но и немаркерованные данные.
ММО с подкреплением предполагает, что машина может учиться на своем опыте и адаптировать полученный подход для достижения наилучших результатов. Так, например, наибольшее распространение получил метод «глубокого обучения», который используется при распознавании речи и при обработке естественного языка.
В целом методы машинного обучения используются во многих областях: для борьбы с мошенничеством в финансовых операциях, для обнаружения, например, пропавших домашних животных и пр.
Однако в строительной отрасли методы машинного обучения пока не столь популярны.
Вопросам цифровой трансформации строительной отрасли посвящено значительное количество публикаций [1-3 и др.], в тоже время в [4] авторами определены методы машинного обучения, как перспективные в условиях цифровой трансформации строительной отрасли. В настоящей публикации основной целью является анализ практики применения методов машинного обучения в строительной отрасли. Базой исследования стала национальная библиографическая база данных научного цитирования – РИНЦ.
Методология
В [4] определены перспективные в условиях цифровой трансформации строительной отрасли технологии Индустрии 4.0. В настоящей публикации будет проведен анализ опыта применения методов машинного обучения в строительной отрасли России.
Для проведения анализа применения методов машинного обучения в строительной отрасли сформирована выборка публикаций, представленных в РИНЦ, опубликованных в период с 2018 по 2022 гг.
Выборка сформирована по ключевым словам: «машинное обучение» и «строительство». Всего в выборке собрано 59 публикаций. Для дальнейшего анализа выбраны публикации с наибольшим количеством цитирования, как наиболее релевантные. Таким образом, схему проведения исследования можно представить в виде укрупненного алгоритма, представленного на рис. 2.
Рис.2. Обобщенная схема исследования
Результаты
В результате сформирована выборка из 59 публикаций, анализ наиболее цитируемых представлен ниже:
|
№ п/п |
Ссылка |
Краткое содержание |
Область применения |
|
|
[5] |
Статья посвящена разработке гибридного метода прогнозирования и предупреждения развития осложнений в процессе бурения скважин на базе методов машинного обучения и нейросетевых моделей. Показаны визуализированные примеры работы разработанных методов на симуляционных и реальных данных. Предложена нейросетевая модель для предотвращения осложнений и аварийных ситуаций в процессе строительства скважин. |
Нефтегазовая промышленность |
|
|
[6] |
Рассмотрено влияние искусственного интеллекта на развитие в строительной отрасли. Приведены примеры использования ИИ и машинного обучения в строительстве. |
Строительная отрасль/обзор |
|
|
[7] |
В статье представлен системный анализ буровых данных, получаемых со станций геолого-технологических измерений в режиме реального времени. Анализ выявил основные проблемы, в том числе, отсутствие базового ПО для распознавания и предупреждения осложнений и аварийных ситуаций на основе данных, отсутствие достоверной литолого-стратиграфической информации по описанию шламу при проведении геолого-технологического измерений. Определен перечень геолого-геофизических данных, необходимый для решения задачи предупреждения осложнений и аварийности при бурении и строительстве нефтяных и газовых скважин. Геолого-технологические параметры по глубине ствола скважины, получаемые в режиме реального времени, были классифицированы по степени их применимости в методах машинного обучения. |
Нефтегазовая промышленность |
|
|
[8] |
В работе описана технология выявления нештатных ситуаций с помощью обучающих алгоритмов, анализа распределения и сегментации процесса на базе действующей геолого-технологических модели месторождения в процессе строительства и эксплуатации скважин. |
Нефтегазовая промышленность |
|
|
[9] |
В статье представлен пример созданного коллективом разработчиков экспериментального образца автоматизированной системы предотвращения аварийных ситуаций на основе постоянно действующих геолого-технологических моделей месторождений с применением технологии искусственного интеллекта |
Нефтегазовая промышленность |
|
|
[10] |
В статье рассматривается интеграция предиктивной аналитики и опыта строительства скважин и эксплуатации месторождений для повышения эффективности мониторинга динамических процессов, а также организации безаварийного производства в отрасли. |
Нефтегазовая промышленность |
|
|
[11] |
В настоящее время в горнодобывающей промышленности, гражданском и дорожном строительстве широко применяются твердые сплавы, совершенствование которых требует разработки новых технологий, основанных на принципиально новых подходах. В статье представлен метод анализа микроструктуры с использованием компьютерной обработки с элементами машинного обучения и искусственного интеллекта |
Горнодобывающая промышленность, гражданское, дорожное строительство |
|
|
[12] |
В статье представлен обзор процесса развития генеративного дизайна и его возможностях применения в строительстве. |
Строительная отрасль |
|
|
[13] |
В представленной работе изучаются основные характеристики трекера с использованием данных по протон-протонным взаимодействиям, полученных с помощью моделирования методом Монте-Карло. |
Атомная отрасль |
|
|
[14] |
В статье сформулирована концепция в виде электронной автоматизированной модели с использованием беспилотных летательных аппаратов, приведен механизм мониторинга и контроля строительно-монтажных работ и материально-технического обеспечения. |
Строительная отрасль |
|
|
[15] |
В статье представлены наиболее распространенные в настоящее время методы и средства выявления оползневых участков с целью эффективного управления рисками. |
Строительная отрасль/обзор |
|
|
[16] |
В статье описаны преимущества искусственного интеллекта в строительной отрасли, представлен краткий анализ использования больших данных в строительной отрасли. Отдельное внимание уделено строительным роботам и BIM-технологиям, а также программному обеспечению, которое необходимо для их совместной работы. Показана целесообразность применения беспилотных летательных аппаратов (дронов) в строительной отрасли. |
Строительная отрасль/обзор |
|
|
[17] |
В статье описаны особенности цифровой модернизации на базе внедрения методов искусственного интеллекта, основанных на машинном обучении и искусственных нейронных сетях. |
Нефтегазовая промышленность / обзор |
|
|
[18] |
В работе представлен обзор современных методов анализа больших данных и обработки изображений, а также технологий искусственного интеллекта применительно к задаче обеспечения безопасности при строительстве нефтяных и газовых скважин. |
Нефтегазовая промышленность / обзор |
|
|
[19] |
В работе рассматривается в общем виде подход к управлению цифровой трансформацией проектных организаций отрасли строительства с применением инструментария сквозных цифровых технологий. |
Строительная отрасль/обзор |
|
|
[20] |
В статье представлены решения задач обеспечения безопасности строительства нефтяных и газовых скважин на суше и на море с использованием интеллектуальных систем раннего предупреждения осложнений в виде поглощений бурового раствора по результатам обработки больших объемов данных со станций геолого-технологических измерений. Преимущество применения методов машинного обучения для решения таких задач заключается в том, что в ходе их создания и обучения с заданной точностью выявляются явные и скрытые закономерности между геолого-геофизическими, техническими и технологическими параметрами. |
Нефтегазовая промышленность |
|
|
[21] |
Статья посвящена описанию математической модели на основе алгоритмов машинного обучения для автоматического подбора параметров режима бурения по различным критериям оптимизации. |
Нефтегазовая промышленность |
В таблице представлено краткое описание публикации и отрасль, к которой относится разработка.
В случае, если публикация носит обзорный характер в столбце «Область применения» добавляется отметка «обзор».
Выводы
Анализ публикаций показал, что в настоящее время в строительной отрасли методы машинного обучения используются преимущественно в нефтегазовой промышленности, при этом разработанные методы позволят минимизировать непроизводительное время бурения [5], выявлять нештатные ситуации с помощью обучающих алгоритмов [8] и пр.
Статьи, относящиеся непосредственно к строительной отрасли, как правило, носят обзорный характер и не содержат решений, внедренных в строительный процесс.
В тоже время в отдельных изданиях, опубликованных недавно (конец 2022г. – начало 2023 г.) представлены публикации, описывающие использование машинного обучения и искусственного интеллекта для решения строительных задач [22].
1. Ginzburg A.V., Adamtsevich L.A., Adamtsevich A.O. Construction industry and the concept of "Industry 4.0": an overview // Vestnik MGSU. 2021. V. 16. No. 7. pp. 885-911. doi:https://doi.org/10.22227/1997-0935.2021.7.885-911
2. Adamtsevich L.A., Kharisov I.Z., Kamaeva Yu.V. International experience in the application of Industry 4.0 technologies for monitoring the current state of construction production // Construction production. 2022. No. 3. pp. 58-66. doi:https://doi.org/10.54950/26585340_2022_3_58
3. Adamtsevich L.A., Kharisov I.Z. Overview of Industry 4.0 technologies for the development of a remote control system for a construction site // Construction and architecture. 2021. V. 9. No. 4. pp. 91-95. doi:https://doi.org/10.29039/2308-0191-2021-9-4-91-95
4. Adamtsevich L.A., Sorokin I.V., Nastychuk A.V. Industry 4.0 technologies promising in the context of digital transformation of the construction industry // Construction and architecture. 2022. V. 10. No. 4. pp 101-105. doi:https://doi.org/10.29039/2308-0191-2022-10-4-101-105
5. A. N. Dmitrievskii, A. G. Sboev, N. A. Eremin, A. D. Chernikov, A. V. Naumov, A. V. Gryaznov, I. A. Moloshnikov, and S. O. Borozdin, Safarova E.A. On increasing the productive time of drilling oil and gas wells using machine learning methods // Georesursy. 2020. V. 22. No. 4. pp. 79-85.
6. Panieva S.L., Larkina S.V., Chepikov V.V. Artificial intelligence in construction//In the collection: Inspection of buildings and structures: problems and ways to solve them. Collection of articles based on the materials of the conference of the Faculty of Architecture and Construction. Krasnodar, 2022, pp. 65-69.
7. Dmitrievskii A.N., Eremin N.A., Safarova E.A., Filippova D.S., Borozdin S.O. Qualitative analysis of time series geodata to prevent complications and emergencies when drilling oil and gas wells // Scientific works of NIPI Neftegaz SOCAR. 2020. No. 3. pp. 31-37.
8. Eremin N.A., Chernikov A.D., Sardanashvili O.N., Stolyarov V.E., Arkhipov A.I. Digital well construction technologies. creation of a high-performance automated system for preventing complications and emergencies during the construction of oil and gas wells//Business magazine Neftegaz.RU. 2020. No. 4 (100). pp. 38-50
9. Dmitrievskii A.N., Eremin N.A., Stolyarov V.E. The role of information in the application of artificial intelligence technologies in the construction of wells for oil and gas fields // Scientific Journal of the Russian Gas Society. 2020. No. 3 (26). pp. 6-21.
10. Dmitrievsky A.N., Eremin N.A., Lozhnikov P.S., Klinovenko S.A., Stolyarov V.E., Safarova E.A. Intelligent innovative technologies in the construction of wells and the operation of oil and gas fields // Gas industry . 2021. No. 3 (813). pp. 96-104.
11. Kagramanyan D.G., Konstantinova E.P., Nekrasov A.N., Straumal B.B., Konyashin I.Yu., Shchur L.N. Computer analysis of the cemented carbides’ microstructure // Letters on materials. 2021. Vol. 11. No. 4 (44). pp. 447-451.
12. Slizh V.D., Salnikov V.B., Kim V.V., Pridvizhkin S.V. Generative design in a modern approach to design in construction // In the collection: BIM-modeling in the problems of construction and architecture. Materials of the III International Scientific and Practical Conference. 2020, pp. 161-165.
13. Zinchenko D.A., Nikonov E.G., Zinchenko A.I. Modeling and analysis of the main characteristics of the internal tracking system of the MPD multifunctional particle detector by the Monte Carlo method // Computer Research and Modeling. 2019. V. 11. No. 1. pp. 87-94.
14. Tuskaeva Z.R., Albegov Z.V. New technical means in the system of control and logistics of construction // Industrial and civil construction. 2019. No. 9. pp. 39-44.
15. Karpik A.P., Khoroshilov V.S., Komissarov A.V. Analysis of methods and means of studying the dynamics of displacements of landslide slopes // Vestnik SGUGiT (Siberian State University of Geosystems and Technologies). 2021. V. 26. No. 6. pp. 17-32.
16. Laborov V.A., Gamayunova O.S. Robotics and BIM-technologies in construction // Engineering research. 2021. No. 5 (5). pp. 15-22.
17. Chernikov A.D., Eremin N.A., Safarova E.A., Goreva A.V. Accounting for geological and geophysical factors in the construction of neural network models for identifying and predicting complications in the construction of oil and gas wells // Geology, geophysics and development of oil and gas fields. 2021. No. 2 (350). pp. 20-24.
18. Usilin S.A., Arlazarov V.V., Putintsev D.N., Tarkhanov I.A. Methods of recognition and image processing during the construction of oil and gas wells // Information technologies and computer systems. 2020. No. 1. pp. 12-24
19. Postnov K.V. Approach to the introduction of digital technologies in the practice of design organizations // Construction and architecture. 2021. V. 9. No. 4. pp. 61-65. doi:https://doi.org/10.29039/2308-0191-2021-9-4-61-65
20. Chernikov A.D., Eremin N.A., Zamriy A.V., Chernykh S.P. Innovative technologies for preventing loss of drilling fluid during well construction//News of the Tula State University. Earth Sciences. 2022. No. 2. pp. 399-414.
21. Dzhafarov R.F., Dadashev M.N. Combining machine learning algorithms and the Monte Carlo method in well construction scheduling // Bulletin of the Association of Drilling Contractors. 2021. No. 4. pp. 17-22.
22. Adamtsevich L.A., Pilyai A.I. The use of artificial intelligence systems in the restoration of cultural heritage// Building production. 2022. No. 3. pp. 54-58. doi:https://doi.org/10.54950/26585340_2022_3_54
