IEIE СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫSTROITEL'NYE I DOROZHNYE MASHINY 0039-2391 ООО «СДМ-Пресс» 170 DESIGN AND MODELINGПРОЕКТИРОВАНИЕ И МОДЕЛИРОВАНИЕ Методы оптимизации логистических цепочек в строительстве с применением алгоритмов искусственного интеллекта для минимизации простоев и повышения производительности труда на объектах гражданского назначенияMethods for optimizing logistics chains in construction using artificial intelligence algorithms to minimize downtime and increase labor productivity at civil facilities Вяткин Владимир Алексеевич vovochka_vyatkin04@mail.ru Сафин Данис Айратович cooldude159.safin@yandex.ru Сидоренко Олег Антонович Olegvip521@gmail.ru Серов Кирилл Сергеевич kirill.ski04@gmail.com Ничипуренко Андрей Андреевич nichipurenko2004@bk.ru Национальный исследовательский Московский государственный строительный университет, 129337, Москва, Ярославское шоссе, д. 26 202517122025 69918Строительные и дорожные машины Stroitel'nye i dorozhnye mashiny114 124 Copyright (c) 2025 СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ 2025 СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ Работа посвящена разработке и верификации комплексного метода оптимизации логистических цепочек в строительстве с использованием алгоритмов искусственного интеллекта для минимизации непроизводственных простоев и роста производительности труда; актуальность обусловлена высокой долей потерь времени из-за сбоев снабжения, ограниченной реактивными подходами управляемостью и низкой предсказуемостью поставок. Цель исследования – сформировать предиктивно-адаптивную систему управления потоками материалов, техники и бригад и количественно оценить её эффект в реальных условиях стройплощадки. Материалы и методы: эмпирическая база – 12 объектов гражданского назначения(жилищное и соцстроительство) в ЦФО(2020–2023), разделённых на контрольную и экспериментальную группы; источники данных – ERP(заявки/поставки), телематика GPS/ГЛОНАСС, журналы работы техники, видеонаблюдение, отчёты производственных служб; моделирование – AnyLogic(агентное и дискретно-событийное), статистическая верификация – ANOVA и t-критерий(SPSS). Алгоритмическое ядро: LSTM для прогноза потребности и сроков поставок, генетические алгоритмы для маршрутизации и распределения техники, обучение с подкреплением для динамического планирования ресурсов; интегральные метрики – доля «точно-в-срок» поставок, структура простоев, логистические издержки, производительность. Результаты: суммарные простои снижены с 28,65 до 12,83%(-15.82 п.п.), в том числе ожидание материалов – с 12,83 до 2,19%; среднее отклонение прибытия транспорта сокращено с 112,45 до 14,71 мин, доля поставок в интервале ±15 мин выросла с 18,36 до 89,52%; логистические издержки уменьшены на 36,50% за счёт снижения затрат на хранение(-70,96%) и штрафов за простой транспорта(-93,83%); интегральная производительность выросла на 24,88%(бетонные работы+28,11%, трудозатраты на кладку-22,34%, монтаж плит-24,35%). Обнаружена сильная связь между дисциплиной поставок и производительностью(R=0.91;+0.35% к производительности на каждый п.п. своевременности). Выводы: предложенная система переводит логистику в предиктивный, управляемый режим и обеспечивает устойчивый экономический эффект; перспективы – интеграция с BIM/цифровыми двойниками, расширение RL-политик и масштабирование на портфель объектов при учёте качества данных и регуляторных ограничений.The study develops and validates a comprehensive method for optimizing construction logistics chains using artificial intelligence algorithms to minimize non-productive downtime and raise labor productivity; its relevance is driven by the high share of time losses due to supply disruptions, limited controllability under reactive approaches, and low predictability of deliveries. The aim is to build a predictive-adaptive system for managing flows of materials, equipment, and crews and to quantify its impact under real site conditions. Materials and methods: the empirical base comprises 12 civil projects(residential and social infrastructure) in the Central Federal District(2020-2023), split into control and experimental groups; data sources include ERP (requests/deliveries), GPS/GLONASS telematics, equipment operation logs, video surveillance, and production department reports; modeling was performed in AnyLogic(agent-based and discrete-event), with statistical verification via ANOVA and Student’s t-test(SPSS). The algorithmic core employs LSTM for forecasting demand and delivery lead times, genetic algorithms for routing and equipment allocation, and reinforcement learning for dynamic resource scheduling; integrated metrics include on-time delivery share, downtime structure, logistics costs, and productivity. Results: total downtime fell from 28,65 to 12,83%(-15.82 percentage points), including waiting for materials from 12,83 to 2,19%; the mean transport arrival deviation decreased from 112,45 to 14,71 minutes, and the share of deliveries within a ±15-minute window rose from 18,36 to 89,52; logistics costs declined by 36,50% owing to reductions in storage costs(-70.96%) and penalties for transport idle time(-93,83%); aggregate productivity increased by 24,88%(concrete works+28,11%, labor input for masonry-22,34%, slab installation-24,35%). A strong association was found between delivery discipline and productivity (R=0.91;+0,35% productivity for each percentage point of on-time delivery). Conclusions: the proposed system shifts logistics into a predictive, controllable mode and delivers a robust economic effect; future work includes integration with BIM/digital twins, expansion of RL policies, and scaling across a portfolio of projects subject to data quality and regulatory constraints.construction logisticsartificial intelligencedowntime minimizationpredictive managementlabor productivityстроительная логистикаискусственный интеллектминимизация простоевпредиктивное управлениепроизводительность труда issue-cover Агеева Е.С. Вильгута О.Ф. Оптимизация логистики строительных предприятий// Актуальные проблемы и тенденции развития современной экономики: мат. Межд. науч.-прак. конф. Самара, 2024. С. 676-681. Асаул В.В. Искусственный интеллект в строительстве: потенциал и ограничения// Вестник гражданских инженеров. 2024. № 3(104). С. 111-120. Бушлякова Е.С. Кокурин Д.И. Оптимизация логистической деятельности на объектах строительства// Современные проблемы управления конкурентоспособностью и инновационным развитием России памяти заслуженного деятеля науки Российской Федерации В.И. Кравцовой 12/2017: мат. VI Межд. науч.-прак. конф. кафедры «Менеджмент». 2018. С. 51-55. Волкова А.В. Петроченко М.В. Анализ применения технологии искусственного интеллекта в оперативном управлении строительством// В сборнике: Неделя науки ИСИ: мат. Всерос. конф. Санкт-Петербург, 2024. С. 148-150. Горбунова М.О. Лисицина Е.А. Оптимизация логистических систем на предприятиях высокотехнологичного строительства// Мат. XVIII Межд. телеком. конф. мол. уч. и студ. «Молодежь и наука». Под ред. О.Н. Голотюк. 2015. С. 115-116. Гурьев С.В. Гарина С.В. Компьютерные технологии решения задач оптимизации в строительстве// Мат. XVI науч.-прак. конф. мол. уч., асп. и студ. Национального исследовательского Мордовского государственного университета им. Н.П. Огарева. Сер. «Математические науки». 2013. С. 219-221. Ермолов С. Процедуры логистической оптимизации строительства путем совмещения этапов работ// Логистика. 2014. № 7(92). С. 42-49. Ермолов С. Адамов Н. Повышение эффективности логистических процессов в строительстве на примере модели «Заказчик-генподрядчик»// РИСК: Ресурсы, Информация, Снабжение, Конкуренция. 2012. № 4. С. 41-46. Каган П. Куценко М. Решение задач цифровизации строительной отрасли на основе методов ИИ// Информационные ресурсы России. 2024. № 6(201). С. 60-67. Каган П.Б. Поляков Р.Г. Применение генетических алгоритмов для решения задач технологической комплектации в строительстве// Научное обозрение. 2017. № 10. С. 15-19. Курченко Н.С. Возможности метаэвристических алгоритмов в задачах организации строительства// Проектирование и строительство: мат. IV мат. Межд. науч.-прак. конф. мол. уч., асп., магист. и бакал. Курск: Юго-Западный государственный университет. 2020. С. 199-201. Лим В.Г. Нещадимов В.И. Климов Ю.Н. Применение искусственного интеллекта в системах автоматизированного проектирования и управления строительным производством// Межотраслевая информационная служба. 2005. № 4. С. 31-36. Панферов Ф.М. Разработка компьютерных моделей оптимизации работы строительной компании// Инновации и инвестиции. 2024. № 5. С. 515-517. Пахомова А.Р. Возможности использования искусственного интеллекта в строительной отрасли// Экосистема предпринимательского университета: стратегические реакции в эпоху изменений: мат. Межд. науч.-прак. конф. Краснодар: Кубанский государственный университет. 2023. С. 235-240. Петрий А.А. Курзина О.О. Разработка систем управления с применением нейросетевых технологий в строительстве// Дни студенческой науки: мат. науч.-техн. конф. по итогам науч.-исслед. работ студ. Института инженерно-экологического строительства и механизации НИУ МГСУ. М.: Национальный исследовательский Московский государственный строительный университет, 2023. С. 322-328.