Для создания системы использовалась библиотека AutoGluon, показавшая наилучшие результаты среди пяти протестированных алгоритмов. Обучение проводилось на оцифрованных данных, собранных из архивов экспертных организаций, технических отчетов и полевых исследований. Фасады разбивались на ключевые элементы: цоколь, основное поле стены, перемычки.
«Следующим этапом стало создание структуры программы, которая будет анализировать информацию на нескольких уровнях. Сначала интеллектуальная система принимает и обрабатывает исходные данные о состоянии здания. Второй уровень программы получает результаты анализа и вычисляет сложные взаимосвязи между различными параметрами состояний стен. На этом этапе выявляются комбинированные эффекты от множества факторов. Третий формирует итоговую оценку: соответствие четырем возможным категориям технического состояния», – рассказала Галина Кашеварова, доктор технических наук, профессор кафедры «Строительные конструкции и вычислительная механика» ПНИПУ.
График точности программы: синяя линия – доля правильных
ответов на обучающих данных, оранжевая линия – точность на
валидационной выборке
Источник: Пресс-служба ПНИПУ
Точность модели на тренировочных данных достигла 92,3%, на финальной проверочной выборке – 84,62%. В случаях ошибки программа склонна занижать категорию, что позволяет не пропустить аварийное состояние.
"Обучение программы проходило в несколько этапов. Сначала она изучала 65% от загруженных нами данных – это была основная учебная выборка. Затем на 20% проводились промежуточные проверки, чтобы убедиться, что программа не подстраивается под конкретные примеры, а сама выявляет закономерности. Финальный этап проходил на оставшихся 35% данных, которые программа видела впервые. Для борьбы с переобучением (когда модель «запоминает» примеры, но не может выявить общие закономерности) был использован метод исключения нейронов. Такой подход значительно повысил надежность программы при работе с новыми, ранее не встречавшимися зданиями", – отметил Сергей Крылов, аспирант кафедры «Строительные конструкции и вычислительная механика» ПНИПУ.
Константин Лосевский, CC BY-SA 4.0 , via Wikimedia Commons
Разработка позволит проводить быструю предварительную оценку тысяч зданий, что критически важно для планирования ремонтов и оперативного реагирования после чрезвычайных ситуаций (землетрясений, ураганов).
По материалам статьи журнала «Вестник Дагестанского государственного технического университета».
