Оценивать безопасность зданий в России будет искусственный интеллект

Для автоматической оценки технического состояния наружных стен кирпичных зданий учёные Пермского Политеха разработали программу, которая классифицирует степень износа с точностью до 84%. Подробностями разработки поделились в вузе.

В России регулярно признают аварийными некоторые жилые дома и здания. Традиционные методы оценки износа на 100 процентов не справляются со своей задачей, поэтому в конструкциях накапливаются скрытые дефекты, которые остаются незамеченными до тех пор, пока не достигают ветхого состояния.

Алгоритмы машинного обучения и структура программы

Учёные Пермского Политеха создали программу на основе искусственного интеллекта. Для этого они проанализировали и оцифровали архивные данные обследования домов. Затем собрали обучающую выборку с описанием фасадов по 18 параметрам. Результатом анализа стало присвоение одной из четырёх категорий состояния по ГОСТ: нормативное, работоспособное, ограниченно работоспособное или аварийное.

Для создания интеллектуальной системы учёные протестировали пять алгоритмов машинного обучения для нейросетей. Как рассказала доктор технических наук, профессор кафедры «Строительные конструкции и вычислительная механика» Галина Кашеварова, структура программы предполагает, что она будет последовательно обрабатывать информацию в несколько этапов.

«Сначала интеллектуальная система принимает и обрабатывает исходные данные о состоянии здания. Второй уровень получает результаты анализа и вычисляет сложные взаимосвязи между различными параметрами состояний стен. На этом этапе выявляются комбинированные эффекты от множества факторов. Третий формирует итоговую оценку: соответствие четырём возможным категориям технического состояния», – пояснила она.

Обучение программы и результаты

Аспирант кафедры «Строительные конструкции и вычислительная механика» ПНИПУ Сергей Крылов добавил, что обучение программы тоже проходило в несколько этапов.

«Сначала она изучала 65% от загруженных нами данных – это была основная учебная выборка. Затем на 20% проводились промежуточные проверки, чтобы убедиться, что программа не подстраивается под конкретные примеры, а сама выявляет закономерности. Финальный этап проходил на оставшихся 15% данных, которые программа видела впервые. Для борьбы с переобучением (когда модель «запоминает» примеры, но не может выявить общие закономерности) был использован метод исключения нейронов. Такой подход значительно повысил надёжность программы при работе с новыми, ранее не встречавшимися зданиями», – рассказал Сергей Крылов.

На тренировочных данных точность модели достигла 92,3%. На проверочной выборке, которая не использовалась при обучении, точность составила 84,62%.