Данное исследование посвящено изучению инновационных подходов применения нейросетевых технологий для оптимизации маршрутизации и логистики строительной техники на крупномасштабных строительных объектах. Актуальность темы обусловлена растущим дефицитом квалифицированных кадров в строительной отрасли, увеличением сложности инфраструктурных проектов и необходимостью повышения эффективности использования строительных ресурсов. В работе представлен комплексный анализ существующих нейросетевых архитектур для задач оптимизации маршрутов, включая сверточные нейронные сети (CNN), графовые нейронные сети (GNN) и системы с подкреплением. Методология основана на сравнительном анализе применения различных алгоритмов машинного обучения на выборке из 15 крупных строительных объектов с общим количеством 347 единиц строительной техники. Эмпирическая база включает данные телеметрии, GPS-треков и производственных показателей, собранные в период с января по октябрь 2024 года. Результаты демонстрируют, что интеграция нейросетевой оптимизации позволяет сократить время простоя техники на 28,3%, уменьшить расход топлива на 17,6% и повысить общую эффективность логистических операций на 22,5%. Предложенная мультимодальная система оптимизации, совмещающая предиктивную аналитику и автономное управление, показала превосходство над традиционными методами при различных сценариях строительных работ. Исследование вносит значительный вклад в развитие теории и практики применения искусственного интеллекта в управлении строительными процессами и формирует основу для дальнейшего совершенствования автономных систем управления строительной техникой.
This study is devoted to the study of innovative approaches to the use of neural network technologies to optimize the routing and logistics of construction equipment at large-scale construction sites. The relevance of the topic is due to the growing shortage of qualified personnel in the construction industry, the increasing complexity of infrastructure projects and the need to improve the efficiency of using construction resources. The paper presents a comprehensive analysis of existing neural network architectures for route optimization tasks, including convolutional neural networks (CNNs), graph neural networks (GNNs), and reinforcement learning systems. The methodology is based on a comparative analysis of the application of various machine learning algorithms on a sample of 15 large construction sites with a total of 347 units of construction equipment. The empirical database includes telemetry, GPS tracking, and production data collected between January and October 2024. The results demonstrate that the integration of neural network optimization reduces equipment downtime by 28.3%, reduces fuel consumption by 17.6%, and increases the overall efficiency of logistics operations by 22.5%. The proposed multimodal optimization system, combining predictive analytics and autonomous management, has shown superiority over traditional methods in various scenarios of construction work. The research makes a significant contribution to the development of the theory and practice of the use of artificial intelligence in the management of construction processes and forms the basis for further improvement of autonomous control systems for construction machinery.