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.