Моделі і методи штучного інтелекту в процесі виконання будівельно-технічної експертизи

Автор(и)

  • Ігор Босенко Київський національний університет будівництва і архітектури, Київ, Україна https://orcid.org/0000-0002-9046-4380

DOI:

https://doi.org/10.32347/2412-9933.2025.61.180-186

Ключові слова:

будівельно-технічна експертиза, дерева рішень, градієнтне прискорення, ітеративне навчання, машинне навчання

Анотація

Об’єктом дослідження є процес формування висновку будівельно-технічної експертизи системою підтримки процесу відновлення об’єктів нерухомості. Предметом дослідження є моделі і методи штучного інтелекту, що здатні розв’язувати задачу формування експертного висновку щодо категорії технічного стану будівельних конструкцій і об’єктів в цілому. Метою роботи є обґрунтування вибору моделі для розв’язання задачі оцінювання технічного стану об’єктів будівельно-технічної експертизи на основі дослідження моделей і методів штучного інтелекту, що здатні розв’язувати задачу нечіткої класифікації. Для оцінки технічного стану будівельних конструкцій і об’єктів в цілому запропоновано застосовувати дерева рішень з градієнтним прискоренням. Цей метод виправляє помилки попередніх ітерацій і  враховує величину різних типів помилок. Показано, що механізм ітеративного навчання дає змогу експертам будівельно-технічної експертизи уточнювати чи доповнювати дані, на основі яких роблять висновки. Коригування висновків ансамблів дерева рішень з градієнтним прискоренням експерти можуть робити відповідно до нормативної бази. Формалізовано вхідні і вихідні дані моделі з урахуванням такого антропогенного фактора, як вплив зброї. Визначено п’ять основних конструктивних елементів, для кожного з яких доцільно навчати ансамблі дерев. Показано функцію втрат, що допомагає приділяти особливу увагу граничним станам будівель і споруд, коли ризик помилки може призвести до повної непридатності або порушення функціонування конструкцій або їхніх елементів. На основі аналізу низки досліджень як предмет подальших досліджень обґрунтовано вибір мультиагентної теорії для забезпечення масштабування і гнучкості системи підтримки процесу відновлення об’єктів нерухомості.

Біографія автора

Ігор Босенко , Київський національний університет будівництва і архітектури, Київ

Аспірант кафедри інформаційних технологій проєктування та прикладної математики

Посилання

Ukrinform. (2024). Almost 50,000 real estate and infrastructure facilities have been destroyed in Ukraine this year. Ukrinform – Current News of Ukraine and the World. URL: https://www.ukrinform.ua/rubric-vidbudova/3934324-v-ukraini-cogoric-zrujnovani-majze-50-tisac-obektiv-neruhomosti-ta-infrastrukturi-kuleba.html.

Pasko, R. M., & Terenchuk, S. A. (2019). Modeling of an intelligent support system for forensic building-technical expertise. Current Issues of Forensic Expertise, Criminalistics and Criminal Procedure: Proceedings of the International Scientific and Practical Conference (Kyiv, November 5, 2019). Kyiv : KNDISE of the Ministry of Justice of Ukraine, 429–432.

Pasko, R., & Terenchuk, S. (2020). The use of neuro-fuzzy models in expert support systems for forensic building-technical expertise. ScienceRise, 2, 10–18. URL: https://doi.org/10.21303/2313-8416.2020.001278.

Komandirov, O. V., Kulikov, P. M., Ploskyi, V. O., & Yeremenko, B. M. (2020). Application of the artificial Takagi-Sugeno-Kang neuro-fuzzy network for assessing the technical condition of construction objects. Management of Complex Systems Development, 42, 107–112. URL: https://doi.org/10.32347/2412-9933.2020.42.107-112.

National Standard of Ukraine. (2024). Guidelines for the inspection of buildings and structures for determining and assessing their technical condition (DSTU 9273:2024). Kyiv: DP "UkrNDNC".

Pankevych, O. D., & Shtovba, S. D. (2005). Diagnosis of cracks in building structures using fuzzy knowledge bases. Monograph. Universum-Vinnytsia.

Terenchuk, S., Pasko, R., Buhrov, A., Ploskyi, V., Panko, O., & Zapryvoda, V. (2022). Computerization of the process of reconstruction of damaged or destroyed real estate. Proceedings of the 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek), 1–6. 10.1109/KhPIWeek57572.2022.9916470

Volokh, B., Bosenko, I., Pasko, R., Molodid, O., Zapryvoda, V., & Terenchuk, S. (2023). Modeling the process of assessing the technical condition of damaged real estate objects. Proceedings of the 2023 IEEE International Conference on Smart Information Systems and Technologies (SIST), 4–6 May, Astana, Kazakhstan. URL: https://doi.org/10.1109/sist58284.2023.10223547.

Buhrov, A. A., Volokh, B. Y., Bosenko, I. V., & Terenchuk, S. A. (2024). The system for supporting the process of real estate restoration: Data processing and storage. Management of Complex Systems Development, 60, 136–145. URL: https://doi.org/10.32347/2412-9933.2024.60.136–145.

Hong, Z., et al. (2022). Classification of building damage using a novel convolutional neural network based on post-disaster aerial images. Sensors, 22 (15), 5920. URL: https://doi.org/10.3390/s22155920.

Mangalathu, S., et al. (2020). Classifying earthquake damage to buildings using machine learning. Earthquake Spectra, 36(1), 183–208. URL: https://doi.org/10.1177/8755293019878137.

Takhtkeshha, N., Mohammadzadeh, A., & Salehi, B. (2022). A rapid self-supervised deep-learning-based method for post-earthquake damage detection using UAV data (Case study: Sarpol-e Zahab, Iran). Remote Sensing, 15 (1), 123. URL: https://doi.org/10.3390/rs15010123.

Xiang, L., et al. (2021). Applications of multi-agent systems from the perspective of construction management:

A literature review. Engineering, Construction and Architectural Management, Ahead-of-print. URL: https://doi.org/10.1108/ecam-01-2021-0038.

Hu, Y., Wu, L., Li, N., & Zhao, T. (2024). Multi-agent decision-making in construction engineering and management:

A systematic review. Sustainability, 16 (16), 7132. URL: https://doi.org/10.3390/su16167132.

Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS'17), 3149–3157.

GeeksforGeeks (n.d.). Categorical cross-entropy in multi-class classification. URL: https://www.geeksforgeeks.org/categorical-cross-entropy-in-multi-class-classification/.

GeeksforGeeks. (n.d.). F1 Score in Machine Learning. URL: https://www.geeksforgeeks.org/f1-score-in-machine-learning/.

Komandirov, O. V. (2021). Intelligent Tools of Support the Process of Assessing Technical Condition of Buildings. Ph.D. thesis. Kyiv, 163 pages.

Volokh, B., et al. (2023). Modeling the process of assessing the technical condition of damaged real estate objects. Proceedings of the 2023 IEEE International Conference on Smart Information Systems and Technologies (SIST), Astana, Kazakhstan, 4–6 May 2023. https://doi.org/10.1109/sist58284.2023.10223547.

##submission.downloads##

Опубліковано

2025-03-28

Як цитувати

Босенко , І. . (2025). Моделі і методи штучного інтелекту в процесі виконання будівельно-технічної експертизи. Управління розвитком складних систем, (61), 180–186. https://doi.org/10.32347/2412-9933.2025.61.180-186

Номер

Розділ

ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ ПРОЄКТУВАННЯ