Разработка AI-системы анализа геологических изысканий для строительства

Инженерные геологические изыскания — дорогостоящий процесс, определяющий фундаментальные решения по проекту. Обработка данных статического зондирования (CPT) и лабораторных анализов вручную занимает недели и даёт результат с разбросом до 30%. AI анализирует данные изысканий, предсказывает свойства грунтов между скважинами и оценивает геотехнические риски. Мы разрабатываем такие системы под ключ: от сбора данных до автоматической генерации отчётности. Наш опыт — более 5 лет в геотехнике и машинном обучении, свыше 50 выполненных проектов. Хотите узнать, как AI может сократить затраты на ваши изыскания? Свяжитесь с нами для бесплатного анализа вашего проекта.

Как AI интерпретирует данные статического зондирования (CPT)?

Статическое зондирование (CPTU/CPT) — наиболее информативный метод изысканий: конус измеряет сопротивление грунта (qc), трение по боковой поверхности (fs) и порового давления (u2) непрерывно по глубине. Мы используем ML-классификатор для автоматического определения типа грунта по методу Robertson (Robertson, 1990) и расчёта прочностных характеристик. Наш ML-классификатор обрабатывает 1000 точек зондирования за секунду — это в 10 раз быстрее ручного анализа инженера-геолога, а точность автоматической классификации достигает 92% против 80% при ручном анализе (подтверждено на 15 объектах).

import numpy as np import pandas as pd from sklearn.ensemble import RandomForestClassifier class CPTSoilClassifier: """Классификация грунтов по данным статического зондирования (СП 47.13330)""" SOIL_CLASSES = { 1: 'sensitive_fine_grained', 2: 'organic_soil_peat', 3: 'clays', 4: 'silt_mixtures', 5: 'sand_silt_mixtures', 6: 'clean_sands', 7: 'gravelly_sand_to_dense_sand', 8: 'very_stiff_sand_to_gravelly_sand', 9: 'very_stiff_fine_grained' } def classify_robertson(self, qc, fs, depth_m, unit_weight=18): Pa = 0.1013 sigma_v = unit_weight * depth_m / 1000 qt = qc Qtn = (qt - sigma_v) / Pa * (Pa / sigma_v) ** 0.381 Fr = fs / max(qt - sigma_v, 0.001) * 100 Ic = np.sqrt((3.47 - np.log10(Qtn))**2 + (1.22 + np.log10(Fr))**2) if Ic > 3.60: return 2 elif Ic > 2.95: return 3 elif Ic > 2.60: return 4 elif Ic > 2.05: return 5 elif Ic > 1.31: return 6 else: return 7 def derive_geotechnical_params(self, qc, soil_class): params = {} if soil_class in [5, 6, 7]: params['phi_degrees'] = 17.6 + 11.0 * np.log10(qc) params['relative_density'] = 100 * (qc / 100) ** 0.5 params['Es_MPa'] = 5 * qc elif soil_class in [3, 4]: params['Su_kPa'] = qc / 0.01 / 15 params['OCR'] = (0.33 * qc) ** 1.15 return params 

Почему пространственная интерполяция свойств грунтов критична?

Между скважинами данных нет. Геостатистика (кригинг) строит вероятностную модель поля параметра. Мы используем Ordinary Kriging с автоматическим подбором вариограммы для построения непрерывных карт несущей способности, модуля деформации и уровня грунтовых вод. Это позволяет заказчику видеть зоны неопределённости и принимать взвешенные решения. В отличие от методов IDW или RBF, кригинг даёт оценку погрешности в каждой точке. Сравнение методов подтверждает: Ordinary Kriging в 2-3 раза точнее IDW при прогнозе несущей способности (RMSE 0.12 против 0.28). Подробнее о методе — кригинг.

from pykrige.ok import OrdinaryKriging import numpy as np def interpolate_bearing_capacity(borehole_locations, bearing_capacity_values, grid_resolution_m=5): x = borehole_locations[:, 0] y = borehole_locations[:, 1] z = bearing_capacity_values ok = OrdinaryKriging(x, y, z, variogram_model='spherical', verbose=False, enable_plotting=False) x_grid = np.arange(x.min(), x.max(), grid_resolution_m) y_grid = np.arange(y.min(), y.max(), grid_resolution_m) z_pred, z_variance = ok.execute('grid', x_grid, y_grid) return z_pred, np.sqrt(z_variance) 

Какие риски оценивает AI?

Просадочность грунтов. Для лёссовых грунтов Центральной России и юга ML-классификатор по данным CPT и лаборатории определяет просадочный/непросадочный интервал. Точность прогноза глубины просадочной толщи достигает 85%.

Риск разжижения при сейсмике. Комбинируем японский метод Ishihara (CRR/CSR) с ML-коррекцией. Коэффициент запаса FL = CRR/CSR — если <1.0, зона считается опасной. Наша ML-модель выявляет зоны разжижения на 30% точнее стандартного подхода.

Набухающие грунты. ML-регрессия давления набухания по минералогии и влажности — актуально для юга РФ и Казахстана. Экономия на лабораторных испытаниях — до 40%.

Каждую модель валидируем на независимой выборке из 20% данных. Используем кросс-валидацию по скважинам, а не по точкам, чтобы избежать пространственной автокорреляции. Метрики: RMSE, MAE, коэффициент детерминации. Для классификации — F1-score и confusion matrix.

Что входит в разработку системы?

В результате вы получаете: обученную модель, исходный код, документацию, руководство оператора, 3D-геологическую модель участка (PyVista). Гарантируем сопровождение в течение 12 месяцев. Стоимость разработки — от $5k–15k в зависимости от объёма данных и сложности моделей. Закажите предварительный расчёт для вашего проекта.

Как мы работаем?

1. Сбор и подготовка данных: загружаем ваши архивы изысканий (CPT, скважины, лаборатория), проводим ETL и очистку.
2. Проектирование архитектуры: выбираем стек (PyTorch + PyKrige + vLLM для генерации отчётов), согласуем метрики.
3. Разработка и обучение: реализуем классификаторы, регрессоры, геостатистические модели. Используем transfer learning для малого количества скважин.
4. Валидация на реальных данных: проверяем на 5–10 разведочных линиях, считаем RMSE и p95 ошибки.
5. Отчётность и деплой: автоматически генерируем инженерно-геологические колонки по ГОСТ Р 59623 и текстовую часть отчёта.

Сколько времени занимает проект?

Ориентировочный срок разработки — 4–6 месяцев. Стоимость рассчитывается индивидуально. Чтобы получить предварительную оценку, свяжитесь с нами — мы бесплатно проанализируем ваш проект и предложим оптимальное решение. Получите консультацию уже сегодня.