Разработка AI-системы для строительства и архитектуры

Разработка AI-системы для строительства и архитектуры

Строительная отрасль — одна из наименее цифровизированных: большинство данных существуют только на бумаге, сроки срываются в среднем на 20%, стоимость превышает смету в 80% проектов. AI атакует эти проблемы с нескольких сторон.

BIM + AI: умная информационная модель

Clash Detection и AI-рекомендации:

BIM (Building Information Modeling) позволяет обнаружить конфликты между конструкциями, трубопроводами и электрикой до начала строительства. AI-слой:

• Автоматическая детекция коллизий (Autodesk Navisworks, Solibri)
• NLP-классификатор причины: «Труба ВК Ø200 пересекает балку ригеля на отметке +7.200»
• Предложение решения: сместить трубу, изменить маршрут

Generative Design:

AI генерирует варианты планировочных решений по заданным критериям:

• Ограничения: площадь участка, этажность, нормы инсоляции, парковочные места
• Оптимизационные критерии: максимальная площадь продажи, минимальная стоимость фасада, энергоэффективность
• Результат: 10–50 вариантов планировки → выбор архитектором

# Пример: topological optimization для несущей конструкции
import numpy as np
from scipy.sparse import lil_matrix
from scipy.sparse.linalg import spsolve

def topological_optimization(
    domain_size, load_points, support_points,
    volume_fraction=0.4, penalty=3.0, filter_radius=2.0
):
    """
    SIMP (Solid Isotropic Material with Penalization) метод.
    Находит оптимальную топологию несущей конструкции.
    domain_size: (nx, ny) сетка элементов
    volume_fraction: доля материала (0.4 = 40% заполнения)
    """
    nx, ny = domain_size
    n_elements = nx * ny

    # Плотности элементов (0 = пустота, 1 = материал)
    rho = np.full(n_elements, volume_fraction)

    for iteration in range(200):
        # FEM: Kx = f с жёсткостью, зависящей от плотности
        K = assemble_stiffness(rho, penalty, nx, ny)
        u = spsolve(K, load_vector)

        # Sensitivity analysis
        sensitivity = compute_sensitivity(u, rho, penalty, nx, ny)

        # OC update (Optimality Criteria)
        rho = oc_update(rho, sensitivity, volume_fraction, filter_radius)

        compliance = float(load_vector @ u)
        if iteration % 10 == 0:
            print(f"Iter {iteration}: compliance={compliance:.2f}, vol={rho.mean():.3f}")

    return rho

Строительный прогресс и контроль качества

Computer Vision на стройплощадке:

Регулярные фотографии (дрон или стационарные камеры) + ML:

• Сравнение с BIM-моделью: где должны быть конструкции vs. фактическое состояние
• Процент выполнения работ: YOLO детекция монолитных конструкций, опалубки, арматуры
• Детекция нарушений ТБ: работа без каски, страховочного пояса на высоте

from ultralytics import YOLO
import cv2

class ConstructionProgressTracker:
    CLASSES = ['concrete_poured', 'rebar_installed', 'formwork', 'worker',
               'helmet_violation', 'safety_vest', 'crane', 'excavator']

    def __init__(self, model_path='construction_yolov8.pt'):
        self.model = YOLO(model_path)

    def analyze_site_photo(self, image_path):
        results = self.model(image_path, conf=0.4)
        detections = []
        for r in results:
            for box in r.boxes:
                detections.append({
                    'class': self.CLASSES[int(box.cls)],
                    'confidence': float(box.conf),
                    'bbox': box.xyxy[0].tolist()
                })

        violations = [d for d in detections if 'violation' in d['class']]
        progress = {cls: len([d for d in detections if d['class'] == cls])
                    for cls in ['concrete_poured', 'rebar_installed', 'formwork']}

        return {'violations': violations, 'progress_indicators': progress}

Прогнозирование сроков и бюджета

Schedule Risk Analysis:

Monte Carlo симуляция строительного графика:

• Каждая работа имеет 3 оценки: оптимистичная, вероятная, пессимистичная
• PERT distribution или треугольное распределение
• 10 000 симуляций → распределение возможных дат завершения
• P50 (медиана), P80 (консервативный) → выбор гарантийного срока

ML-прогноз превышения стоимости:

На основе исторических проектов:

• Признаки проекта: тип, объём, сложность, регион, подрядчик, начальная смета
• LightGBM предсказывает ожидаемое % превышения сметы
• Признаки раннего предупреждения: темп освоения в первые 20% проекта vs. план

Автоматизация документации

Генерация исполнительной документации:

Строительство требует тысяч документов: акты освидетельствования скрытых работ, КС-2, КС-3. ML автоматизирует:

• OCR: распознавание накладных и актов → данные в ИСУП
• NLP: проверка полноты заполнения актов по требованиям СНиП
• Шаблонная генерация: по данным BIM + производственного журнала → черновик акта

Срок разработки: 6–10 месяцев для комплексной строительной AI-платформы с BIM-интеграцией, CV-мониторингом прогресса и предсказанием рисков.