Розробка AI-системи для будівництва та архітектури

Розробка AI-системи для будівництва та архітектури

Будівельна галузь — одна з найменш цифровизованих: більшість даних існують лише на папері, терміни зриваються в середньому на 20%, вартість перевищує кошторис у 80% проектів. AI атакує ці проблеми з кількох сторін.

BIM+AI: розумна інформаційна модель

Clash Detection та AI-рекомендації:

BIM (Building Information Modeling) дозволяє виявити конфлікти між конструкціями, трубопроводами та електрикою до початку будівництва. AI-шар: - Автоматична детекція колізій (Autodesk Navisworks, Solibri) - NLP-класифікатор причини: «Труба ВК Ø200 перетинає балку ригеля на позначці +7.200» - Пропозиція рішення: змістити трубу, змінити маршрут

Generative Design:

AI генерує варіанти планувальних рішень за заданими критеріями: - Обмеження: площа ділянки, поверховість, норми інсоляції, місця для паркування - Оптимізаційні критерії: максимальна площа продажу, мінімальна вартість фасаду, енергоефективність - Результат: 10–50 варіантів планування → вибір архітектором

# 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

Будівельний прогрес та контроль якості

Computer Vision на будмайданчику:

Регулярні фотографії (дрону або стаціонарні камери) + ML: - Порівняння з BIM-моделлю: де мають бути конструкції vs. фактичний стан - Відсоток виконання робіт: YOLO детекція монолітних конструкцій, опалубки, арматури - Детекція порушень ТБ: робота без каски, страхового поясу на висоті

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}

Прогнозування термінів та бюджету

Schedule Risk Analysis:

Monte Carlo симуляція будівельного графіка: - Кожна робота має 3 оцінки: оптимістична, ймовірна, песимістична - PERT distribution або трикутний розподіл - 10 000 симуляцій → розподіл можливих дат завершення - P50 (медіана), P80 (консервативний) → вибір

ML-прогноз перевищення вартості:

На основі історичних проектів: - ознаки проекту: тип, обсяг, складність, регіон, підрядник, початковий кошторис - LightGBM передбачає очікуване % перевищення кошторису - ознаки раннього попередження: темп освоєння в перші 20% проекту vs. план

Автоматизація документації

Генерація виконавчої документації:

Будівництво потребує тисячі документів: акти огляду прихованих робіт, КС-2, КС-3. ML автоматизує: - OCR: розпізнавання накладних та актів → дані в ІСУП - NLP: перевірка повноти заповнення актів за вимогами СНіП - Шаблонна генерація: за даними BIM + виробничого журналу → чернетка акту

Термін розробки: 6-10 місяців для комплексної будівельної AI-платформи з BIM-інтеграцією, CV-моніторингом прогресу та передбаченням ризиків.