Совместное применение пакетно-узлового метода и технологий искусственного интеллекта в календарно-сетевом планировании строительных проектов

Введение. При проведении ряда экспериментов по сжатию расписания календарно-сетевого графика проекта строительства выдвинута и подтверждена гипотеза о том, что использование методологии пакетно-узлового метода (ПУМ) позволяет сокращать плановые сроки строительства на 25 % без изменения длительности выполняемых операций и назначения дополнительных ресурсов. Данный подход, с одной стороны, решает задачу сжатия расписания, с другой — создает дополнительные проблемы или задачи, связанные с увеличением информационных потоков и объемов планирования. Цель исследования — сокращение сроков выполнения строительно-монтажных работ через детализированное планирование и качественную реализацию проекта по сценарию, обозначенному как сценарий ИИ.

Материалы и методы. В качестве исходной методологии календарно-сетевого планирования принята процессная модель Planning & Scheduling. Рассматриваются разные сценарии планирования и реализации строительного проекта: в одном данные со степенью детализации, возрастающей по мере поступления, в другом используется ПУМ строительства.

Результаты. Подтверждена актуальность интеграции машинного обучения (ML) и искусственного интеллекта (AI) в строительную индустрию. Это направление представляет значительный научный и практический интерес, открывая новые горизонты для повышения производительности, безопасности и качества строительных проектов. Проведен анализ технологий нейросетей для решения задач управления сроками и других задач календарно-сетевого планирования. Итоговым решением исследовательской задачи стала инициация проекта «Разработка и внедрение системы ИИ-планировщик и ИИ-помощник руководителя проекта».

Выводы. Интеграция ML и AI в строительную индустрию является важным шагом к устойчивому развитию отрасли, что подтверждается результатами проведенного исследования и требует дальнейшего изучения и развития гипотез.

1. Слепушкин Д.В., Бурлов Д.Ю. Возможности искусственного интеллекта и автоматизации процессов проектирования в строительстве: библиометрический анализ // Вестник МГСУ. 2025. Т. 20. № 3. С. 440–455. DOI: 10.22227/1997-0935.2025.3.440-455. EDN MYHCAL.

2. Сулейманова Л.А., Обайди А.А.Х., Рябчевский И.С. Управление жизненным циклом объектов капитального строительства нейросетевым прогнозированием теплопотерь здания. Белгород : Белгородский государственный технологический университет им. В.Г. Шухова, 2024. 164 с. EDN UYZPHS.

3. Петрухин А.Б., Щербакова Н.А. Развитие технологий искусственного интеллекта в строительстве // Вестник Поволжского государственного технологического университета. Серия: Материалы. Конструкции. Технологии. 2024. № 2. С. 67–77. DOI: 10.25686/2542-114X.2024.2.67. EDN VJPORE.

4. Газаров А.Р. Преимущества использования искусственного интеллекта в сфере строительства // Известия Тульского государственного университета. Технические науки. 2020. № 4. С. 136–139. EDN DZQOPN.

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

6. Baduge S.K., Thilakarathna S., Perera J.S., Arashpour M., Sharafi P., Teodosio B. et al. Artificial intelligence and smart vision for building and construction 4.0: Machine and deep learning methods and applications // Automation in Construction. 2022. Vol. 141. P. 104440. DOI: 10.1016/j.autcon.2022.104440

7. Караманянц М.Б. Изменения строительной отрасли при активном внедрении технологии с применением искусственного интеллекта (ИИ) // Экономика строительства. 2023. № 9. С. 141–145. EDN SBRLCQ.

8. Городнова Н.В. Применение искусственного интеллекта и нанотехнологий в инвестиционно-строительной сфере России // Вестник НГУЭУ. 2021. № 3. С. 81–95. DOI: 10.34020/2073-6495-2021-3-081-095. EDN KWCGFR

9. Король С.П., Король Р.А. Алгоритмический подход в сетевом моделировании в строительстве: графические решения и оптимизационные задачи // Жилищные стратегии. 2023. Т. 10. № 3. С. 317–332. DOI: 10.18334/zhs.10.3.118842. EDN CTTTEW.

10. Баркалов С.А., Моисеев С.И., Серебрякова Е.А. Применение Марковских случайных процессов для оценки рисков при реализации строительных проектов // Современные проблемы управления проектами в инвестиционно-строительной сфере и природопользовании : мат. ХV Междунар. науч.-практ. конф. 2025. С. 99–104. EDN IZUOGT.

11. Яркова О.Н., Сидоренко Н.А. Моделирование сроков строительства дискретными цепями Маркова // Инженерный вестник Дона. 2024. № 2 (110). С. 506–519. EDN QUFHYZ.

12. Христофорова К.А., Демидова В.С., Кривогина Д.Н. Управление календарно-сетевыми графиками строительства в условиях нестабильного мира // Инженерный вестник Дона. 2022. № 12 (96). С. 707–720. EDN ODYQZZ.

13. 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.

14. Гинзбург А.В., Рыжкова А.И. Возможности искусственного интеллекта по повышению организационно-технологической надежности строительного производства // Вестник МГСУ. 2018. Т. 13. № 1 (112). С. 7–13. DOI: 10.22227/1997-0935.2018.1.7-13. EDN XCIOMJ.

15. Теличенко В.И., Лапидус А.А., Слесарев М.Ю. Анализ и синтез образов экологически ориентированных инновационных технологий строительного производства // Вестник МГСУ. 2023. Т. 18. № 8. С. 1298–1305. DOI: 10.22227/1997-0935.2023.8.1298-1305. EDN RNDOCL.

16. Петрухин А.Б., Щербакова Н.А. Развитие технологий искусственного интеллекта в строительстве // Вестник Поволжского государственного технологического университета. Серия: Материалы. Конструкции. Технологии. 2024. № 2. С. 67–77. DOI: 10.25686/2542-114X.2024.2.67. EDN VJPORE.

17. Oluleye B.I., Chan D.W., Antwi-Afari P. Adopting Artificial Intelligence for enhancing the implementation of systemic circularity in the construction industry : a critical review // Sustainable Production and Consumption. 2023. Vol. 35. Pp. 509–524. DOI: 10.1016/j.spc.2022.12.002

18. Ghosh A., Sufian A., Sultana F., Chakrabarti A., De D. Fundamental Concepts of Convolutional Neural Network // Intelligent Systems Reference Library. 2019. Pp. 519–567. DOI: 10.1007/978-3-030-32644-9_36

19. Joshi K. Study of Tesseract OCR // GLS KALP: Journal of Multidisciplinary Studies. 2021. Vol. 1. Issue 2. Pp. 41–50. DOI: 10.69974/glskalp.01.02.54

20. Le C.C. BERT (Bidirectional Encoder Representations from Transformers) Architecture. 2025. DOI: 10.13140/RG.2.2.22192.67845

21. Ahmadi E., Muley S., Wang C. Automatic construction accident report analysis using large language models (LLMs) // Journal of Intelligent Construction. 2025. Vol. 3. Issue 1. Pp. 1–10. DOI: 10.26599/JIC.2024.9180039

22. Zhang C., Deng Y., Lin X., Wang B., Ng D., Ye H. et al. 100 Days After DeepSeek-R1: A Survey on Replication Studies and More Directions for Reasoning Language Models // ArXiv. 2025. Pp. 1–37. DOI: 10.48550/arXiv.2505.00551

23. Wang H., Zhang D., Li J., Feng Z., Zhang F. Entropy-Optimized Dynamic Text Segmentation and RAG-Enhanced LLMs for Construction Engineering Knowledge Base // Applied Sciences. 2025. Vol. 15. Issue 6. P. 3134. DOI: 10.3390/app15063134

24. Pan X., Yang T.T. Y., Liu R., Xiao Y., Xie F. A computer vision and point cloud-based monitoring approach for automated construction tasks using full-scale robotized mobile cranes // Journal of Intelligent Construction. 2025. Vol. 3. Issue 2. Pp. 1–11. DOI: 10.26599/jic.2025.9180086

25. Belaroussi R. Subjective Assessment of a Built Environment by ChatGPT, Gemini and Grok: Comparison with Architecture, Engineering and Construction Expert Perception // Big Data and Cognitive Computing. 2025. Vol. 9. Issue 4. P. 100. DOI: 10.3390/bdcc9040100

26. Langford A., Shah A., Gupta A., Bhatter A., Goyal A., Mathur A. et al. The Amazon Nova Family of Models: Technical Report and Model Card // ArXiv. 2025. DOI: 10.48550/arXiv.2506.12103

27. Pujari N.K., Miriyala S.S., Mitra K. Generative Adversarial Networks for Modelling Uncertainties in Wind Farm Design // Engineering Optimization: Methods and Applications. 2025. Pp. 173–192. DOI: 10.1007/978-981-97-7909-3_10

28. Williams A.S. EVM-based Risk Management in Construction Projects: A Case Study. 2025.

29. Garudasu S., Byri A., Nadukuru S., Goel O., Singh N. Building interactive dashboards for improved decision- making: a guide to power bi and dax // International Journal of Worldwide Engineering Research. 2025. Pp. 188–209.