Возможности искусственного интеллекта при совершенствовании строительных материалов
Ключевые слова:
строительные материалы, технологии информационного моделирования, машинное обучение, искусственный интеллектАннотация
Искусственный интеллект (ИИ) оказывает значительное влияние на многие отрасли, включая архитектуру и строительство. Одной из ключевых областей применения ИИ является подбор составов строительных материалов и предсказание их физико-механических и эксплуатационных характеристик. Современные алгоритмы машинного обучения и обработки данных позволяют изменить подходы в сторону улучшения качества готовой продукции. В статье рассматриваются основные способы, которыми ИИ может трансформировать процесс выбора строительных материалов, а также способы создания и обучения ИИ. Статья может представлять интерес для научных работников и студентов, изучающих возможности применения искусственного интеллекта в строительных материалах.
Библиографические ссылки
Асаул В.В. Искусственный интеллект в строительстве: потенциал и ограничения // Вестник гражданских инженеров. 2024. № 3(104). С. 111-120.
Бескопыльный А.Н., Маилян Л.Р., Стельмах С.А. Свидетельство о государственной регистрации программы для ЭВМ № 2022668999 Российская Федерация. Программа определения механических свойств высокофункциональных облегченных фибробетонов на основе методов искусственного интеллекта: № 2022668222: заявл. 07.10.2022: опубл. 14.10.2022; заявитель федеральное государственное бюджетное образовательное учреждение высшего образования «Донской государственный технический университет». 2022.
Газаров А.Р. Преимущества использования искусственного интеллекта в сфере строительства // Известия Тульского государственного университета. Технические науки. 2020. № 4. С. 136-139.
Гинзбург А.В., Рыжкова А.И. Возможности искусственного интеллекта по повышению организационно-технологической надежности строительного производства // Вестник МГСУ. 2018. Т. 13. № 1(112). С. 7-13.
Гуреев М.В., Макаров А.Н. Модель прогнозирования материальных ресурсов и сметной стоимости на ранних этапах жизненного цикла объектов строительства // Вестник МГСУ. 2024. Т. 19. № 11. С. 1835-1849.
Дженчако П.Д., Добшиц Л.М., Николаева А.А. Обзор влияния органоминеральных добавок с использованием техногенных активных минеральных добавок на физико-механические свойства бетонов // Транспорт. Транспортные сооружения. Экология. 2024. № 4. С. 29-39.
Добщиц Л.М., Николаева А.А. Повышение стойкости бетонов к действию окружающей среды // Вестник Поволжского государственного технологического университета. Сер.: Материалы. Конструкции. Технологии. 2019. № 3(11). С. 18-27.
Колчин В.Н., Специфика применения технологии «искусственного интеллекта» в строительстве // Инновации и инвестиции. 2022. № 3. С. 250-253.
Новосад Т.Н., Сташева М.А., Гойс Т.О. Анализ и перспективы развития цифровых методов измерения показателей свойств текстильных материалов и изделий // Известия высших учебных заведений. Технология текстильной промышленности. 2023. № 3(405). С. 15-33.
Плескачев Ю.А., Радченко Д.М., Евдокимов Д.Ю., Юлусов М.В. Применение методов машинного обучения в агентном моделировании // Новое в экономической кибернетике. 2024. № 2. С. 11-27.
Римшин В.И., Кузина И.С., Никитин А.А., Молчанова А.Е. Научные основы искусственного интеллекта в строительстве // Русский инженер. 2023. № 4(81). С. 41-45.
Смирнова В.С., Шаламов В.В., Ефимова В.А., Фильченков А.А. Оптимизация гиперпараметров на основе объединения априорных и апостериорных знаний о задаче классификации // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. № 6. С. 828834.
Федорова Д.В. Использование технологий искусственного интеллекта в строительстве: современные тенденции и перспективы развития // Вестник евразийской науки. 2024. Т. 16. № 3. С. 79.
Щербань Е.М., Развеева И.Ф., Стельмах С.А., Ельшаева Д.М., Доценко Н.А. Повышение качества бетонов и железобетонных изделий за счет использования в строительной индустрии методов искусственного интеллекта // Строительство и архитектура – 2022: материалы международной научнопрактической конференции факультета промышленного и гражданского строительства, (19-21 апреля 2022 г., Ростов-на Дону). Ростов н/Дону: Донской государственный технический университет, 2022. С. 192-194.
Luengo J., Moreno R., Sevillano I., Charte D., Peláez-Vegas A., Fernández-Moreno M., Mesejo P., Herrera F. A tutorial on the segmentation of metallographic images: taxonomy, new MetalDAM dataset, deep learning-based ensemble model, experimental analysis and challenges // Inf. Fusion. 2022. № 78.
Snoek J., Larochelle H., Adams R.P.Practical Bayesian Optimization of Machine Learning Algorithms // Neural information processing systems. 2012.
Wilson J.T., Hutter F., Deisenroth M.P. Maximizing acquisition functions for Bayesian optimization // Proceedings of the XXXII conf. on Neural Information Processing Systems, 2018.
Beskopylny A.N., Shcherban E.M., Stel'makh S.A. Method for Concrete Structure Analysis by Microscopy of Hardened Cement Paste and Crack Segmentation Using a Convolutional Neural Network // Journal of composites science. 2023. Vol. 7. № 8. P. 327.
Jha D., Paul А., Liao W.K. ElemNet: Deep learning the chemistry of materials from only elemental composition // Scientific reports. 2018. Vol. 8. № 1. рр. 93-175.
