Модель прогнозирования материальных ресурсов и сметной стоимости на ранних этапах жизненного цикла объектов строительства

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.

1. Секушин С.В., Курбацкая Е.П., Петровский А.И. Актуальные вопросы ценообразования и сметного нормирования в строительной отрасли Российской Федерации // Бюллетень ученого совета АО «ИЭРТ». 2022. № 7. С. 40–45. EDN CFMOZV.

2. Сорокин И.В., Настычук А.В. Анализ опыта применения методов машинного обучения в строительной отрасли России // Строительство и архитектура. 2023. Т. 11. № 1. С. 18. DOI: 10.29039/2308-0191-2022-11-1-18-18. EDN WEOBBP.

3. Петровский А.И., Капустина Н.В. Взаимосвязь точности оценки стоимости строительства и экономической эффективности инвестиционно-строительных проектов // Государственное и муниципальное управление. Ученые записки. 2021. № 1. С. 165–169. DOI: 10.22394/2079-1690-2021-1-1-165-169. EDN FVZTTT.

4. Петроченко М.В., Недвига П.Н., Кукина А.А., Шерстюк В.В. Классификация строительной информации в BIM с использованием алгоритмов искусственного интеллекта // Вестник МГСУ. 2022. Т. 17. № 11. С. 1537–1550. DOI: 10.22227/1997-0935.2022.11.1537-1550. EDN JFYSSO.

5. Кирьянова Л.В., Сулейманов Н.Ф. Сравнение регрессионных моделей стоимости жилищного строительства в Венгрии, полученных методами машинного обучения // Экономика и предпринимательство. 2023. № 5 (154). С. 636–641. DOI: 10.34925/EIP.2023.154.5.123. EDN HSQACR.

6. Михайлова Е.В., Савина В.В., Савин И.М. Искусственный интеллект как инструмент оптимизации ресурсных графиков // Строительное производство. 2022. № 2. С. 52–56. DOI: 10.54950/26585340_2022_2_52. EDN AODBGS.

7. Колчин В.Н. Специфика применения технологии «искусственного интеллекта» в строительстве // Инновации и инвестиции. 2022. № 3. С. 250–253. EDN JJLECU. EDN JJLECU.

8. Blanco J.L., Fuchs S., Parsons M., Ribeirin-ho M.J. Artificial intelligence: Construction technology’s next frontier // Capital projects & infrastructure. April 2018.

9. Макаров А.Н., Гуреев М.В. Определение параметров модели прогнозирования материальных ресурсов для строительства жилых зданий на этапе обоснования инвестиций // Строительное производство. 2023. № 4. С. 97–104. DOI: 10.54950/26585340_2023_4_97. EDN XELYIL.

10. Низамов И.В., Еловенко Д.А. Обзор технологии AutoML, имеющихся инструментов, пример применения и сравнительный анализ с классическим решением // Молодежный вестник ИрГТУ. 2022. Т. 12. № 3. С. 468–475. EDN TMBATS.

11. Добашин А.С., Степанов Г.С., Гоголин И.А., Гаджиев Д.М. Использование математической статистики и программирования для решения практических задач машинного обучения // Актуальные исследования высшей школы 2023 : сб. ст. Междунар. науч.-практ. конф. 2023. С. 229–242. DOI: 10.46916/03052023-2-978-5-00174-965-3. EDN NKBEGI.

12. Саранин З.А. Обзор практики применения методов машинного обучения в экономике энергетики // Молодежная неделя науки Института промышленного менеджмента, экономики и торговли : cб. тр. Всеросс. студ. науч.-учеб. конф. 2023. С. 256–258. EDN OHSVAR.

13. Entezari A., Aslani A., Zahedi R., Noorollahi Y. Artificial intelligence and machine learning in energy systems : а bibliographic perspective // Energy Strategy Reviews. 2023. Vol. 45. P. 101017. DOI: 10.1016/j.esr.022.101017

14. Ahmad T., Zhu H., Zhang D., Tariq R., Bassam A., Ullah F. et al. Energetics Systems and artificial intelligence: applications of industry 4.0 // Energy Reports. 2022. Vol. 8. Рр. 334–361. DOI: 10.1016/j.egyr.2021.11.256

15. Сухов А.А., Суханкин А.А. Сравнительный анализ лучших алгоритмов градиентного бустинга: CATBOOST, XGBOOST, LIGHT GBM. Рекомендации к их применению // Вызовы современности и стратегии развития общества в условиях новой реальности : сб. мат. XXIII Междунар. науч.-практ. конф. 2024. С. 287–293. EDN AKOAVR.

16. Machado M.R., Karray S., de Sousa I.T. LightGBM: an effective decision tree gradient boosting method to predict customer loyalty in the finance industry // 2019 14th International Conference on Computer Science & Education (ICCSE). 2019. Рр. 1111–1116. DOI: 10.1109/ICCSE.2019.8845529

17. Chen T., Guestrin C. XGBoost // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. Рр. 785–794. DOI: 10.1145/2939672.2939785

18. Liu X., Wang T. Application of XGBOOST model on potential 5G mobile users forecast // Lecture Notes in Electrical Engineering. 2023. Рр. 1492–1500. DOI: 10.1007/978-981-19-3387-5_177

19. Острикова А.Л., Селютин В.В. Инновационные технологии массовой оценки жилой недвижимости // Экология. Экономика. Информатика. Серия: Системный анализ и моделирование экономических и экологических систем. 2023. Т. 1. № 8. С. 147–154. DOI: 10.23885/2500-395X-2023-1-8-147-154. EDN PYQMGE.

20. Faisal A., Yigitcanlar T., Kamruzzaman M., Paz A. Mapping two decades of autonomous vehicle research : a systematic scientometric analysis // Journal of Urban Technology. 2020. Vol. 28. Issue 3–4. Рр. 45–74. DOI: 10.1080/10630732.2020.1780868

21. Sari R., Voyvoda E., Lacey-Barnacle M., Karababa E., Topal C., Islambay D. Energy justice: a social sciences and humanities cross-cutting theme report. Cambridge, 2017. DOI: 10.13140/RG.2.2.33861.35043