Введение
Машинное обучение или Machine Learning представляет собой одно из направлений искусственного интеллекта, в рамках которого используются данные для имитации человеческого обучения. Таким образом, под искусственным интеллектом будем принимать область науки и инжиниринга, а машинное обучение рассматривать, как ее раздел.
Различают четыре основных типа методов машинного обучения (ММО). Их классификация представлена на рис.1.
Рис.1. Классификация методов машинного обучения
Контролируемый ММО предполагает наличие набора данных с желаемыми результатами, алгоритму же необходимо выяснить, как эти результаты достичь. Неконтролируемый ММО также ориентирован на изучение данных и выявление закономерностей, однако первоначально ожидаемые результаты не заданы. Полуконтролируемый ММО является квинтэссенцией первых двух, т.е. использует не только маркированные – четко описанные – данные, но и немаркерованные данные.
ММО с подкреплением предполагает, что машина может учиться на своем опыте и адаптировать полученный подход для достижения наилучших результатов. Так, например, наибольшее распространение получил метод «глубокого обучения», который используется при распознавании речи и при обработке естественного языка.
В целом методы машинного обучения используются во многих областях: для борьбы с мошенничеством в финансовых операциях, для обнаружения, например, пропавших домашних животных и пр.
Однако в строительной отрасли методы машинного обучения пока не столь популярны.
Вопросам цифровой трансформации строительной отрасли посвящено значительное количество публикаций [1-3 и др.], в тоже время в [4] авторами определены методы машинного обучения, как перспективные в условиях цифровой трансформации строительной отрасли. В настоящей публикации основной целью является анализ практики применения методов машинного обучения в строительной отрасли. Базой исследования стала национальная библиографическая база данных научного цитирования – РИНЦ.
Методология
В [4] определены перспективные в условиях цифровой трансформации строительной отрасли технологии Индустрии 4.0. В настоящей публикации будет проведен анализ опыта применения методов машинного обучения в строительной отрасли России.
Для проведения анализа применения методов машинного обучения в строительной отрасли сформирована выборка публикаций, представленных в РИНЦ, опубликованных в период с 2018 по 2022 гг.
Выборка сформирована по ключевым словам: «машинное обучение» и «строительство». Всего в выборке собрано 59 публикаций. Для дальнейшего анализа выбраны публикации с наибольшим количеством цитирования, как наиболее релевантные. Таким образом, схему проведения исследования можно представить в виде укрупненного алгоритма, представленного на рис. 2.
Рис.2. Обобщенная схема исследования
Результаты
В результате сформирована выборка из 59 публикаций, анализ наиболее цитируемых представлен ниже:
|
№ п/п |
Ссылка |
Краткое содержание |
Область применения |
|
|
[5] |
Статья посвящена разработке гибридного метода прогнозирования и предупреждения развития осложнений в процессе бурения скважин на базе методов машинного обучения и нейросетевых моделей. Показаны визуализированные примеры работы разработанных методов на симуляционных и реальных данных. Предложена нейросетевая модель для предотвращения осложнений и аварийных ситуаций в процессе строительства скважин. |
Нефтегазовая промышленность |
|
|
[6] |
Рассмотрено влияние искусственного интеллекта на развитие в строительной отрасли. Приведены примеры использования ИИ и машинного обучения в строительстве. |
Строительная отрасль/обзор |
|
|
[7] |
В статье представлен системный анализ буровых данных, получаемых со станций геолого-технологических измерений в режиме реального времени. Анализ выявил основные проблемы, в том числе, отсутствие базового ПО для распознавания и предупреждения осложнений и аварийных ситуаций на основе данных, отсутствие достоверной литолого-стратиграфической информации по описанию шламу при проведении геолого-технологического измерений. Определен перечень геолого-геофизических данных, необходимый для решения задачи предупреждения осложнений и аварийности при бурении и строительстве нефтяных и газовых скважин. Геолого-технологические параметры по глубине ствола скважины, получаемые в режиме реального времени, были классифицированы по степени их применимости в методах машинного обучения. |
Нефтегазовая промышленность |
|
|
[8] |
В работе описана технология выявления нештатных ситуаций с помощью обучающих алгоритмов, анализа распределения и сегментации процесса на базе действующей геолого-технологических модели месторождения в процессе строительства и эксплуатации скважин. |
Нефтегазовая промышленность |
|
|
[9] |
В статье представлен пример созданного коллективом разработчиков экспериментального образца автоматизированной системы предотвращения аварийных ситуаций на основе постоянно действующих геолого-технологических моделей месторождений с применением технологии искусственного интеллекта |
Нефтегазовая промышленность |
|
|
[10] |
В статье рассматривается интеграция предиктивной аналитики и опыта строительства скважин и эксплуатации месторождений для повышения эффективности мониторинга динамических процессов, а также организации безаварийного производства в отрасли. |
Нефтегазовая промышленность |
|
|
[11] |
В настоящее время в горнодобывающей промышленности, гражданском и дорожном строительстве широко применяются твердые сплавы, совершенствование которых требует разработки новых технологий, основанных на принципиально новых подходах. В статье представлен метод анализа микроструктуры с использованием компьютерной обработки с элементами машинного обучения и искусственного интеллекта |
Горнодобывающая промышленность, гражданское, дорожное строительство |
|
|
[12] |
В статье представлен обзор процесса развития генеративного дизайна и его возможностях применения в строительстве. |
Строительная отрасль |
|
|
[13] |
В представленной работе изучаются основные характеристики трекера с использованием данных по протон-протонным взаимодействиям, полученных с помощью моделирования методом Монте-Карло. |
Атомная отрасль |
|
|
[14] |
В статье сформулирована концепция в виде электронной автоматизированной модели с использованием беспилотных летательных аппаратов, приведен механизм мониторинга и контроля строительно-монтажных работ и материально-технического обеспечения. |
Строительная отрасль |
|
|
[15] |
В статье представлены наиболее распространенные в настоящее время методы и средства выявления оползневых участков с целью эффективного управления рисками. |
Строительная отрасль/обзор |
|
|
[16] |
В статье описаны преимущества искусственного интеллекта в строительной отрасли, представлен краткий анализ использования больших данных в строительной отрасли. Отдельное внимание уделено строительным роботам и BIM-технологиям, а также программному обеспечению, которое необходимо для их совместной работы. Показана целесообразность применения беспилотных летательных аппаратов (дронов) в строительной отрасли. |
Строительная отрасль/обзор |
|
|
[17] |
В статье описаны особенности цифровой модернизации на базе внедрения методов искусственного интеллекта, основанных на машинном обучении и искусственных нейронных сетях. |
Нефтегазовая промышленность / обзор |
|
|
[18] |
В работе представлен обзор современных методов анализа больших данных и обработки изображений, а также технологий искусственного интеллекта применительно к задаче обеспечения безопасности при строительстве нефтяных и газовых скважин. |
Нефтегазовая промышленность / обзор |
|
|
[19] |
В работе рассматривается в общем виде подход к управлению цифровой трансформацией проектных организаций отрасли строительства с применением инструментария сквозных цифровых технологий. |
Строительная отрасль/обзор |
|
|
[20] |
В статье представлены решения задач обеспечения безопасности строительства нефтяных и газовых скважин на суше и на море с использованием интеллектуальных систем раннего предупреждения осложнений в виде поглощений бурового раствора по результатам обработки больших объемов данных со станций геолого-технологических измерений. Преимущество применения методов машинного обучения для решения таких задач заключается в том, что в ходе их создания и обучения с заданной точностью выявляются явные и скрытые закономерности между геолого-геофизическими, техническими и технологическими параметрами. |
Нефтегазовая промышленность |
|
|
[21] |
Статья посвящена описанию математической модели на основе алгоритмов машинного обучения для автоматического подбора параметров режима бурения по различным критериям оптимизации. |
Нефтегазовая промышленность |
В таблице представлено краткое описание публикации и отрасль, к которой относится разработка.
В случае, если публикация носит обзорный характер в столбце «Область применения» добавляется отметка «обзор».
Выводы
Анализ публикаций показал, что в настоящее время в строительной отрасли методы машинного обучения используются преимущественно в нефтегазовой промышленности, при этом разработанные методы позволят минимизировать непроизводительное время бурения [5], выявлять нештатные ситуации с помощью обучающих алгоритмов [8] и пр.
Статьи, относящиеся непосредственно к строительной отрасли, как правило, носят обзорный характер и не содержат решений, внедренных в строительный процесс.
В тоже время в отдельных изданиях, опубликованных недавно (конец 2022г. – начало 2023 г.) представлены публикации, описывающие использование машинного обучения и искусственного интеллекта для решения строительных задач [22].
