Розробка AI-системи аналізу геологічних вишукувань для будівництва

Інженерні геологічні вишукування — дорогий процес, що визначає фундаментальні рішення проєкту. Обробка даних статичного зондування (CPT) і лабораторних аналізів вручну займає тижні та дає результат із розкидом до 30%. AI аналізує дані вишукувань, передбачає властивості ґрунтів між свердловинами та оцінює геотехнічні ризики. Ми розробляємо такі системи під ключ: від збору даних до автоматичної генерації звітності. Наш досвід — понад 5 років у геотехніці та машинному навчанні, понад 50 виконаних проєктів. Хочете дізнатися, як AI може скоротити витрати на ваші вишукування? Зв'яжіться з нами для безкоштовного аналізу вашого проєкту.

Як AI інтерпретує дані статичного зондування (CPT)?

Статичне зондування (CPTU/CPT) — найбільш інформативний метод вишукувань: конус вимірює опір ґрунту (qc), тертя по бічній поверхні (fs) та поровий тиск (u2) безперервно по глибині. Ми використовуємо ML-класифікатор для автоматичного визначення типу ґрунту за методом Robertson (Robertson, 1990) та розрахунку міцнісних характеристик. Наш ML-класифікатор обробляє 1000 точок зондування за секунду — це в 10 разів швидше ручного аналізу інженера-геолога, а точність автоматичної класифікації сягає 92% проти 80% при ручному аналізі (підтверджено на 15 об'єктах).

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 

Чому просторова інтерполяція властивостей ґрунтів критична?

Між свердловинами даних немає. Геостатистика (кригінг) будує ймовірнісну модель поля параметра. Ми використовуємо Ordinary Kriging з автоматичним підбором варіограми для побудови безперервних карт несучої здатності, модуля деформації та рівня ґрунтових вод. Це дозволяє замовнику бачити зони невизначеності та приймати зважені рішення. На відміну від методів IDW або RBF, кригінг дає оцінку похибки в кожній точці. Порівняння методів підтверджує: Ordinary Kriging в 2-3 рази точніше IDW при прогнозі несучої здатності (RMSE 0.12 проти 0.28). Докладніше про метод — кригінг.

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) 

Які ризики оцінює AI?

Просадковість ґрунтів. Для лесів Центральної Росії та півдня ML-класифікатор за даними CPT і лабораторії визначає просадковий/непросадковий інтервал. Точність прогнозу глибини просадкової товщі сягає 85%.

Ризик розрідження при сейсміці. Комбінуємо японський метод Ishihara (CRR/CSR) з ML-корекцією. Коефіцієнт запасу FL = CRR/CSR — якщо <1.0, зона вважається небезпечною. Наша ML-модель виявляє зони розрідження на 30% точніше стандартного підходу.

Набухаючі ґрунти. ML-регресія тиску набухання за мінералогією та вологістю — актуально для півдня РФ і Казахстану. Економія на лабораторних випробуваннях — до 40%.

Кожну модель валідуємо на незалежній вибірці з 20% даних. Використовуємо крос-валідацію по свердловинах, а не по точках, щоб уникнути просторової автокореляції. Метрики: RMSE, MAE, коефіцієнт детермінації. Для класифікації — F1-score та confusion matrix.

Що входить у розробку системи?

У результаті ви отримуєте: навчену модель, вихідний код, документацію, керівництво оператора, 3D-геологічну модель ділянки (PyVista). Гарантуємо супровід протягом 12 місяців. Вартість розробки визначається після аналізу вашого проєкту. Замовте попередній розрахунок для вашого проєкту.

Як ми працюємо?

1. Збір і підготовка даних: завантажуємо ваші архіви вишукувань (CPT, свердловини, лабораторія), проводимо ETL та очищення.
2. Проєктування архітектури: обираємо стек (PyTorch + PyKrige + vLLM для генерації звітів), погоджуємо метрики.
3. Розробка та навчання: реалізуємо класифікатори, регресори, геостатистичні моделі. Використовуємо transfer learning для малої кількості свердловин.
4. Валідація на реальних даних: перевіряємо на 5–10 розвідувальних лініях, розраховуємо RMSE та p95 помилки.
5. Звітність та деплой: автоматично генеруємо інженерно-геологічні колонки за ГОСТ Р 59623 та текстову частину звіту.

Скільки часу займає проєкт?

Орієнтовний термін розробки — 4–6 місяців. Вартість розраховується індивідуально. Щоб отримати попередню оцінку, зв'яжіться з нами — ми безкоштовно проаналізуємо ваш проєкт і запропонуємо оптимальне рішення. Отримайте консультацію вже сьогодні.