Михаил Владимирович Гуреев — аспирант кафедры технологий и организации строительного производства
129337, г. Москва, Ярославское шоссе, д. 26
Mikhail V. Gureev — postgraduate student of the Department of Technologies and Organization of Construction Production
26 Yaroslavskoe shosse, Moscow, 129337
Александр Николаевич Макаров — кандидат технических наук, доцент кафедры технологий и организации строительного производства
129337, г. Москва, Ярославское шоссе, д. 26
Aleksandr N. Makarov — Candidate of Technical Sciences, Associate Professor of the Department of Technologies and Organization of Construction Production
26 Yaroslavskoe shosse, Moscow, 129337
Введение. Строительная цифровизация предполагает возможность прогнозирования материальных ресурсов (МР) с заданной степенью точности на ранних этапах жизненного цикла (ЖЦ) объекта строительства (ОС), что позволит формировать стоимостные показатели, а также объемы МР и оборудования — одних из ключевых элементов управления и планирования различных стадий ЖЦ объекта. Возможность создания на основе технологий искусственного интеллекта (ИИ) и машинного обучения (МО) инструмента прогнозирования указанных параметров представляется перспективным направлением развития, позволяющим достичь высокого уровня точности планирования бюджета и продолжительности проекта на предпроектной стадии инвестиционно-строительного проекта.
Материалы и методы. Рассмотрена проектная документация для 37 многоквартирных жилых домов с выделенными и нормализованными параметрами: технико-экономические показатели, материально-технические ресурсы, стоимость и др. Для подготовки и обучения моделей ИИ на базе Python выбраны методы библиотеки scikit-learn для сравнения следующих математических моделей: деревья решений, регрессии и алгоритмы, основанные на бустинге.
Результаты. Обучение и исследование проводилось с применением способа автоматизированного машинного обучения (AutoML). На основе сравнения коэффициента детерминации R² и среднеквадратичного отклонения (RMSE) выбраны ансамбли моделей, формирующие прогноз для объемов МР и оборудования, а также для сметной стоимости с диапазоном погрешности ±8 %. Входными значениями моделей являлись 11 количественно-качественных параметров, описывающих характеристики планируемого объекта, формирование которых возможно на ранних этапах ЖЦ объекта без разработки проектной документации.
Выводы. Результаты исследования демонстрируют возможность получения на предпроектной стадии фактически проектных данных с точностью, соответствующей этапу разработки рабочей документации для объекта строительства. Значительно повышается точность прогнозов общей сметной стоимости, а также появляется возможность прогнозирования с заданной точностью объемов материалов и оборудования на ранних этапах ЖЦ ОС для оптимизации всего процесса строительства.
Introduction. Digitalization of construction involves the possibility of forecasting material resources with a given degree of accuracy at the early stages of the life cycle of the construction object, which will make it possible to form cost indicators, as well as the volume of material resources and equipment — one of the key elements of management and planning of various stages of the life cycle of the object. The possibility of creating a forecasting tool based on artificial intelligence (AI) and machine learning (ML) technologies for these parameters seems to be a promising development direction, allowing to achieve a high level of accuracy in budget planning and project duration at the pre-project stage of an investment and construction project.
Materials and methods. Design documentation for 37 multi-apartment residential buildings with allocated and normalized parameters: technical and economic indicators, material and technical resources, cost and others. To prepare and train AI models based on Python, the methods of the scikit-learn library were selected to compare the following mathematical models: decision trees, regressions and algorithms based on boosting.
Results. The training and research were conducted using the automated machine learning (AutoML) method. Based on a comparison of the coefficient of determination R2 and the standard deviation (RMSE), ensembles of models were selected that form a forecast for the volume of material resources and equipment, as well as for the estimated cost with an error range of ±8 %. The input values of the models were 11 quantitative and qualitative parameters describing the characteristics of the planned object, the formation of which is possible at the early stages of the life cycle of the object without the development of design documentation.
Conclusions. The results of the study demonstrate the possibility of obtaining actual design data already at the pre-design stage with accuracy corresponding to the stage of development of working documentation for the construction object. Thus, the accuracy of forecasts of the total estimated cost is significantly increased, and it also becomes possible to predict with a given accuracy the volumes of materials and equipment at the early stages of the life cycle of the construction object in order to optimize the entire construction process.
The authors declare that there are no conflicts of interest present.