аспирант
Россия
Россия
ВАК 2.1.1 Строительные конструкции, здания и сооружения (Технические науки)
ВАК 2.1.2 Основания и фундаменты, подземные сооружения (Технические науки)
ВАК 2.1.3 Теплоснабжение, вентиляция, кондиционирование воздуха, газоснабжение и освещение (Технические науки)
ВАК 2.1.5 Строительные материалы и изделия (Технические науки)
ВАК 2.1.6 Гидротехническое строительство, гидравлика и инженерная гидрология (Технические науки)
ВАК 2.1.7 Технология и организация строительства (Технические науки)
ВАК 2.1.8 Проектирование и строительство дорог, метрополитенов, аэродромов, мостов и транспортных тоннелей (Технические науки)
ВАК 2.1.9 Строительная механика (Технические науки)
ВАК 2.1.10 Экологическая безопасность строительства и городского хозяйства (Технические науки)
ВАК 2.1.11 Теория и история архитектуры, реставрация и реконструкция историко-архитектурного наследия (Технические науки)
ВАК 2.1.12 Архитектура зданий и сооружений. Творческие концепции архитектурной деятельности (Технические науки)
ВАК 2.1.13 Градостроительство, планировка сельских населенных пунктов (Технические науки)
ВАК 2.1.15 Безопасность объектов строительства (Технические науки)
УДК 69 Строительство. Строительные материалы. Строительно-монтажные работы
УДК 004.94 Компьютерное моделирование
УДК 004 Информационные технологии. Компьютерные технологии. Теория вычислительных машин и систем
УДК 004.89 Прикладные системы искусственного интеллекта. Интеллектуальные системы, обладающие знаниями
ГРНТИ 67.01 Общие вопросы строительства
ББК 308 Монтаж, эксплуатация, ремонт машин и промышленного оборудования
В статье авторами рассмотрены перспективы цифровой трансформации процесса эксплуатации зданий и сооружений, основанной на изменении подхода к эксплуатации с реактивного на превентивный, что позволит уменьшить затраты и повысить эффективность от мероприятий, проводимых в течение срока эксплуатации. Для реализации такого подхода необходимо использование современных информационных технологий для обнаружения дефектов и контроля за их распространением. Сбор консолидированной информации о здании в реальном времени из информационных моделей и датчиков на объекте основан на использовании цифровых двойников зданий. Для получения информации о появившихся дефектах отдельных элементов здания, вместо плановых обследований здания предлагается использовать системы фото и видео фиксации и искусственный интеллект. Также, искусственный интеллект можно использовать для анализа всей перечисленной выше информации о здании и составления прогнозов состояния здания. Анализ данных, поступающих с датчиков, и поиск дефектов по материалам съемок это две принципиально разные задачи, и для них нужны разные типы нейросетей, обучение которых предлагается строить, подбирая свой метод. На основании этих материалов авторами была предложена единая система управления эксплуатацией здания, основанная на использовании цифровых двойников и применении искусственного интеллекта для различных задач. Ключевой составляющей этой системы является непрерывный мониторинг состояния здания и составление прогнозов на будущее. В выводах авторы проводят оценку влияния предложенной системы на процесс эксплуатации зданий и сооружений.
цифровая трансформация, искусственный интеллект, цифровой двойник, эксплуатация зданий и сооружений, технологии информационного моделирования, машинное обучение, обследование зданий и сооружений
1. Sun L. et al. Review of Bridge Structural Health Monitoring Aided by Big Data and Artificial Intelligence / Sun L., Shang Z., Xia Y., Bhowmick S., Nagarajaiah S. // Journal of Structural EngineeringArchive. 2020. Vol. 146. No 5. https://doi.org/10.1061/(ASCE)ST.1943-541X.0002535
2. Thiele C.-D. et al. A Digital Twin as a framework for a machine learning based predictive maintenance system / C.-D. Thiele, J. Brötzmann, T.-J. Huyeng, U. Rüppel, S. R. Lorenzen, H. Berthold, J. Schneider // ECPPM 2021 – eWork and eBusiness in Architecture, Engineering and Construction. 2021. https://doi.org/10.1201/9781003191476
3. Jones D. et al. Characterising the Digital Twin: A systematic literature review / Jones D., Snider C., Nassehi A., Yon J., Hicks B. // CIRP Journal of Manufacturing Science and Technology. 2020. Vol. 29. Part A. Pp. 36-52. https://doi.org/10.1016/j.cirpj.2020.02.002
4. Qiuchen Lu V. et al. Developing a Dynamic Digital Twin at a Building Level: using Cambridge Campus as Case Study / Qiuchen Lu V., Parlikad A.K., Woodall P., Ranasinghe G.D., Heaton J. // Journal of Management in Engineering. 2020. Vol. 36. No 3. https://doi.org/10.1061/(ASCE)ME.1943-5479.0000763
5. Musella C. et al. BIM & AI: advanced technologies for the digitalisation of seismic damages in masonry buildings / C. Musella, M. Serra, C. Menna, D. Asprone // Conference: International fib Symposium on Conceptual Design Of Structures. Madrid. 2019.
6. Rafiu S. et al. Innovative changes in quantity surveying practice through BIM, big data, artificial intelligence and machine learning / Rafiu S., Young B.E., Clack Jamie, Adamu Z., Robinson. H. // Applied Science University Journal of Natural Science. 2020. Vol 4. Pp. 37–47.
7. Krausková V., Pifko H., Use of artificial intelligence in the field of sustainable architecture: current knowledge // Architecture Papers of the Faculty of Architecture and Design STU. 2021. Vol. 26. Pp 20–29. DOI:https://doi.org/10.2478/alfa-2021-0004
8. Petrova E. et al. In Search of Sustainable Design Patterns: Combining Data Mining and Semantic Data Modelling on Disparate Building Data / Petrova E., Pauwels P., Svidt K., Jensen R. L. // Advances in Informatics and Computing in Civil and Construction Engineering. 2018. Chapter 3. Pp. 19-26. DOI:https://doi.org/10.1007/978-3-030-00220-6_3
9. Adio-Moses D., Asaolu O.S., Artificial intelligence for sustainable development of intelligent buildings // Proceedings of the 9th CIDB Postgraduate Conference. University of Cape Town, South Africa. 2016.
10. Malekloo A. et al. Machine learning and structural health monitoring overview with emerging technology and high-dimensional data source highlights / Malekloo A., Ozer E., AlHamaydeh M., Girolami M. // Structural Health Monitoring. 2022. Vol 21. Pp. 1906–1955. https://doi.org/10.1177/14759217211036880
11. Renjiang Wu. Application of AI in construction // Proceedings of the 2023 International Conference on Software Engineering and Machine Learning. 2023. Vol. 8. Pp. 98-102. DOI:https://doi.org/10.54254/2755-2721/8/20230090
12. David Bassir et al. Application of artificial intelligence and machine learning for BIM:review / David Bassir, Hugo Lodge, Haochen Chang, Jüri Majak, Gongfa Chen. // Int. J. Simul. Multidisci. Des. Optim. 2023. Vol. 14: 5. https://doi.org/10.1051/smdo/2023005
13. Jiqiao Zhang et al. Sensitivity analyses of structural damage indicators and experimental validations / Jiqiao Zhang, Zhiqiang Teng, Xiaojian Xu, Gongfa Chen, David Bassir // Journal of Applied and Computational Mechanics. — 2020 — pp 798–810. DOI:https://doi.org/10.22055/JACM.2020.35529.2676
14. Zulkifley Hamid et al. Optimization assisted load tracing via hybrid ant colony algorithm for deregulated power system / Zulkifley Hamid, Professor Dr. Ismail Musirin, M.N.A. Rahim, Nor Azwan Mohamed Kamari // WSEAS Transactions Power Systems. — 2012 — vol 7 — pp 145–158. E-ISSN: 2224-350X
15. Mina Sadat Orooje, Mohammad Mehdi Latifi. A review of embedding artificial intelligence in internet of things and building information modelling for healthcare facility maintenance management // Energy and Environment Research. — 2021 — vol 11 — No 2. DOI:https://doi.org/10.5539/eer.v11n2p31
16. Fiorucci M. et al. Machine Learning for Cultural Heritage: A Survey / Fiorucci M., Khoroshiltseva M., Pontil M., Traviglia A., Del Bue A., James S. // Pattern Recognition Letters. — 2020 — vol 133 — pp 102–108. DOI:https://doi.org/10.1016/j.patrec.2020.02.017
17. Pierdicca, R. et al. Point Cloud Semantic Segmentation Using a Deep Learning Framework for Cultural Heritage / Pierdicca R., Paolanti M., Matrone F., Martini M., Morbidoni C., Malinverni E.S., Frontoni E., Lingua A.M. // Remote Sensing. — 2020 — vol 12 — No 6, 1005. DOI:https://doi.org/10.3390/rs12061005
18. Paumard M.-M., Picard D., Tabia H. Deepzzle: Solving Visual Jigsaw Puzzles with Deep Learning and Shortest Path Optimization // IEEE Transactions on Image Processing. — 2020 — vol 29 — pp 3569-3581. doi:https://doi.org/10.1109/TIP.2019.2963378
19. Ibrahim Y., Nagy B., Benedek C. Deep Learning-Based Masonry Wall Image Analysis // Remote Sensing. — 2020 — vol 12 — No 23. DOI:https://doi.org/10.3390/rs12233918
20. Li Jianchun et al. Damage identification in civil engineering structures utilising PCA-compressed residual frequency response functions and neural network ensembles / Li Jianchun, Dackermann Ulrike, Xu You-Lin, Samali Bijan // Structural Control and Health Monitoring. — 2011 — vol 18 —No 2 — pp 207–226. DOI:https://doi.org/10.1002/stc.369
21. Lin M. et al.Transfer learning with attributes for improving the landslide spatial prediction performance in sample-scarce area based on variational autoencoder generative adversarial network / Lin M., Teng S., Chen G., Bassir D. // Land. — 2023 — vol 12 — No 3:525. DOI:https://doi.org/10.3390/land12030525
22. Chen G. et al. A bridge vibration measurement method by UAVs based on CNNs and Bayesian optimization / Chen G., Yan Z., Teng S., Cui F., Bassir D. // Journal of Applied and Computational Mechanics. — 2023 — vol 9 — No 3 — pp 1–14. DOI:https://doi.org/10.22055/jacm.2022.41858.3823
23. Chen G. et al. An inversion algorithm for the dynamic modulus of concrete pavement structures based on a convolutional neural network / Chen G., Chen X., Yang L., Han Z., Bassir D. // Applied Sciences. — 2023 — vol 13 — No 2:1192. DOI:https://doi.org/10.3390/app13021192
24. Teng S. et al. Structural damage detection based on convolutional neural networks and population of bridges / Teng S., Chen X., Chen G., Cheng L., Bassir D. // Measurement. — 2022 — vol 202: 111747 — ISSN 0263-2241. DOI:https://doi.org/10.1016/j.measurement.2022.111747
