Исследование посвящено комплексному анализу потенциала технологий больших данных в оптимизации энергопотребления и экологических показателей строительной техники. В работе представлена интегративная модель управления энергоэффективностью строительных машин на основе многопараметрического анализа эксплуатационных характеристик. Методология исследования базируется на применении алгоритмов машинного обучения к массивам телеметрических данных, собранных с 128 единиц строительной техники в реальных условиях эксплуатации на протяжении 24 месяцев. Эмпирически установлено, что внедрение предложенной модели позволяет достичь снижения энергопотребления на 17,8% при одновременном сокращении выбросов CO₂ на 22,3% без потери производительности. Выявлены корреляционные зависимости между режимами эксплуатации техники и ключевыми экологическими индикаторами с коэффициентом детерминации R²=0,83. Разработан алгоритм прогнозирования ресурсного состояния оборудования с точностью до 91,7%, что обеспечивает превентивное техническое обслуживание и минимизацию экологических рисков. Результаты исследования имеют значительную практическую ценность для строительной отрасли и демонстрируют перспективы интеграции технологий больших данных в систему управления энергоэффективностью и экологической безопасностью строительных процессов.
The study is devoted to a comprehensive analysis of the potential of big data technologies in optimizing energy consumption and environmental performance of construction machinery. The paper presents an integrative model for managing the energy efficiency of construction machinery based on a multiparametric analysis of operational characteristics. The research methodology is based on the application of machine learning algorithms to arrays of telemetry data collected from 128 units of construction equipment in real-world operating conditions for 24 months. It has been empirically established that the implementation of the proposed model makes it possible to achieve a 17.8% reduction in energy consumption while reducing CO₂ emissions by 22.3% without loss of productivity. Correlations between the modes of operation of equipment and key environmental indicators with a coefficient of determination R2=0.83 have been identified. An algorithm has been developed for predicting the resource status of equipment with an accuracy of 91.7%, which ensures preventive maintenance and minimization of environmental risks. The research results have significant practical value for the construction industry and demonstrate the prospects for integrating big data technologies into the energy efficiency and environmental safety management system of construction processes.