АНАЛИЗ ОПЫТА ПРИМЕНЕНИЯ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В СТРОИТЕЛЬНОЙ ОТРАСЛИ РОССИИ
Аннотация и ключевые слова
Аннотация (русский):
Целью представленной публикации является анализ теории и практики применения методов машинного обучения в строительной отрасли. Базой исследования стала национальная библиографическая база данных научного цитирования – РИНЦ. В результате анализа выявлено, что наиболее распространено применение методов машинного обучения в нефтегазовой промышленности, а исследований в строительной отрасли носят скорее обзорный характер.

Ключевые слова:
индустрия 4.0, цифровая трансформация, машинное обучение
Текст

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

  1.  

[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

  1.  

[6]

Рассмотрено влияние искусственного интеллекта на развитие в строительной отрасли. Приведены примеры использования ИИ и машинного обучения в строительстве.

Строительная отрасль/обзор

  1.  

[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

  1.  

[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

  1.  

[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

  1.  

[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

  1.  

[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 

  1.  

[12]

В статье представлен обзор процесса развития генеративного дизайна и его возможностях применения в строительстве.

Строительная отрасль

  1.  

[13]

В представленной работе изучаются основные характеристики трекера с использованием данных по протон-протонным взаимодействиям, полученных с помощью моделирования методом Монте-Карло.

Атомная отрасль

  1.  

[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

  1.  

[15]

В статье представлены наиболее распространенные в настоящее время методы и средства выявления оползневых участков с целью эффективного управления рисками.

Строительная отрасль/обзор

  1.  

[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

  1.  

[17]

В статье описаны особенности цифровой модернизации на базе внедрения методов искусственного интеллекта, основанных на машинном обучении и искусственных нейронных сетях.

Нефтегазовая промышленность / обзор

  1.  

[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

  1.  

[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

  1.  

[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

  1.  

[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].

Список литературы

1. Гинзбург А.В., Адамцевич Л.А., Адамцевич А.О. Строительная отрасль и концепция "Индустрия 4.0": обзор // Вестник МГСУ. 2021. Т. 16. № 7. С. 885-911. doi:https://doi.org/10.22227/1997-0935.2021.7.885-911

2. Адамцевич Л.А., Харисов И.З., Камаева Ю.В. Международный опыт применения технологий Индустрии 4.0 для мониторинга актуального состояния строительного производства // Строительное производство. 2022. № 3. С. 58-66. doi:https://doi.org/10.54950/26585340_2022_3_58

3. Адамцевич Л.А., Харисов И.З. Обзор технологий Индустрии 4.0 для разработки системы дистанционного управления строительной площадкой // Строительство и архитектура. 2021. Т. 9. № 4. С. 91-95. doi:https://doi.org/10.29039/2308-0191-2021-9-4-91-95

4. Адамцевич Л.А., Сорокин И.В., Настычук А.В. Перспективные в условиях цифровой трансформации строительной отрасли технологии Индустрии 4.0 // Строительство и архитектура. 2022. Т. 10. № 4. С. 101-105. doi:https://doi.org/10.29039/2308-0191-2022-10-4-101-105

5. Дмитриевский А.Н., Сбоев А.Г., Еремин Н.А., Черников А.Д., Наумов А.В., Грязнов А.В., Молошников И.А., Бороздин С.О., Сафарова Е.А. Об увеличении продуктивного времени бурения нефтегазовых скважин с использованием методов машинного обучения // Георесурсы. 2020. Т. 22. № 4. С. 79-85.

6. Паниева С.Л., Ларкина С.В., Чепиков В.В. Искусственный интеллект в строительстве // В сборнике: Обследование зданий и сооружений: проблемы и пути их решения. Сборник статей по материалам конференции архитектурно-строительного факультета. Краснодар, 2022. С. 65-69.

7. Дмитриевский А.Н., Еремин Н.А., Сафарова Е.А., Филиппова Д.С., Бороздин С.О. Качественный анализ геоданных временного ряда для предупреждения осложнений и аварийных ситуаций при бурении нефтяных и газовых скважин // Научные труды НИПИ Нефтегаз ГНКАР. 2020. № 3. С. 31-37.

8. Еремин Н.А., Черников А.Д., Сарданашвили О.Н., Столяров В.Е., Архипов А.И. Цифровые технологии строительства скважин. создание высокопроизводительной автоматизированной системы предотвращения осложнений и аварийных ситуаций в процессе строительства нефтяных и газовых скважин // Деловой журнал Neftegaz.RU. 2020. № 4 (100). С. 38-50

9. Дмитриевский А.Н., Еремин Н.А., Столяров В.Е. Роль информации в применении технологий искусственного интеллекта при строительстве скважин для нефтегазовых месторождений // Научный журнал Российского газового общества. 2020. № 3 (26). С. 6-21.

10. Дмитриевский А.Н., Еремин Н.А., Ложников П.С., Клиновенко С.А., Столяров В.Е., Сафарова Е.А Интеллектуальные инновационные технологии при строительстве скважин и эксплуатации нефтегазовых месторождений // Газовая промышленность. 2021. № 3 (813). С. 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 // Письма о материалах. 2021. Т. 11. № 4 (44). С. 447-451.

12. Слиж В.Д., Сальников В.Б., Ким В.В., Придвижкин С.В. Генеративный дизайн в современном подходе к проектированию в строительстве // В сборнике: BIM-моделирование в задачах строительства и архитектуры. Материалы III Международной научно-практической конференции. 2020. С. 161-165.

13. Зинченко Д.А., Никонов Э.Г., Зинченко А.И. Моделирование и анализ основных характеристик внутренней трековой системы многофункционального детектора частиц MPD методом Монте-Карло // Компьютерные исследования и моделирование. 2019. Т. 11. № 1. С. 87-94.

14. Тускаева З.Р., Албегов З.В. Новые технические средства в системе контроля и материально-технического обеспечения строительства // Промышленное и гражданское строительство. 2019. № 9. С. 39-44.

15. Карпик А.П., Хорошилов В.С., Комиссаров А.В. Анализ методов и средств изучения динамики перемещений оползневых склонов // Вестник СГУГиТ (Сибирского государственного университета геосистем и технологий). 2021. Т. 26. № 6. С. 17-32.

16. Лаборов В.А., Гамаюнова О.С. Робототехника и BIM-технологии в строительстве // Инженерные исследования. 2021. № 5 (5). С. 15-22.

17. Черников А.Д., Еремин Н.А., Сафарова Е.А., Горева А.В. Учет геолого-геофизических факторов при построении нейросетевых моделей выявления и прогнозирования осложнений при строительстве нефтяных и газовых скважин // Геология, геофизика и разработка нефтяных и газовых месторождений. 2021. № 2 (350). С. 20-24.

18. Усилин С.А., Арлазаров В.В., Путинцев Д.Н., Тарханов И.А. Методы распознавания и обработки изображений в процессе строительства нефтяных и газовых скважин // Информационные технологии и вычислительные системы. 2020. № 1. С. 12-24

19. Постнов К.В. Подход к внедрению цифровых технологий в практику работы проектных организаций // Строительство и архитектура. 2021. Т. 9. № 4. С. 61-65. doi:https://doi.org/10.29039/2308-0191-2021-9-4-61-65

20. Черников А.Д., Еремин Н.А., Замрий А.В., Черных С.П. Инновационные технологии предупреждения поглощения бурового раствора при строительстве скважин // Известия Тульского государственного университета. Науки о Земле. 2022. № 2. С. 399-414.

21. Джафаров Р.Ф., Дадашев М.Н Комбинирование алгоритмов машинного обучения и метода Монте-Карло при планировании сроков строительства скважин // Вестник Ассоциации буровых подрядчиков. 2021. № 4. С. 17-22.

22. Адамцевич Л.А., Пиляй А.И. Применение систем искусственного интеллекта при реставрации объектов культурного наследия // Строительное производство. 2022. № 3. С. 54-58. doi:https://doi.org/10.54950/26585340_2022_3_54


Войти или Создать
* Забыли пароль?