Аннотації
08.04.2025
Об’єктом дослідження є процес формування висновку будівельно-технічної експертизи системою підтримки процесу відновлення об’єктів нерухомості. Предметом дослідження є моделі і методи штучного інтелекту, що здатні розв’язувати задачу формування експертного висновку щодо категорії технічного стану будівельних конструкцій і об’єктів в цілому. Метою роботи є обґрунтування вибору моделі для розв’язання задачі оцінювання технічного стану об’єктів будівельно-технічної експертизи на основі дослідження моделей і методів штучного інтелекту, що здатні розв’язувати задачу нечіткої класифікації. Для оцінки технічного стану будівельних конструкцій і об’єктів в цілому запропоновано застосовувати дерева рішень з градієнтним прискоренням. Цей метод виправляє помилки попередніх ітерацій і враховує величину різних типів помилок. Показано, що механізм ітеративного навчання дає змогу експертам будівельно-технічної експертизи уточнювати чи доповнювати дані, на основі яких роблять висновки. Коригування висновків ансамблів дерева рішень з градієнтним прискоренням експерти можуть робити відповідно до нормативної бази. Формалізовано вхідні і вихідні дані моделі з урахуванням такого антропогенного фактора, як вплив зброї. Визначено п’ять основних конструктивних елементів, для кожного з яких доцільно навчати ансамблі дерев. Показано функцію втрат, що допомагає приділяти особливу увагу граничним станам будівель і споруд, коли ризик помилки може призвести до повної непридатності або порушення функціонування конструкцій або їхніх елементів. На основі аналізу низки досліджень як предмет подальших досліджень обґрунтовано вибір мультиагентної теорії для забезпечення масштабування і гнучкості системи підтримки процесу відновлення об’єктів нерухомості.
The object of this research is the process of forming a conclusion building-technical expertise by a support system for the restoration of real estate objects. The subject of the study includes artificial intelligence models and methods capable of solving the task of forming an expert conclusion regarding the technical condition category of building structures and objects as a whole. The aim of this work is to justify the choice of a model for assessing the technical condition of real estate objects in building-technical expertise based on an analysis of artificial intelligence models and methods that can handle fuzzy classification tasks. To evaluate the technical condition of building structures and objects, the use of gradient-boosted decision trees is proposed. This method corrects errors from previous iterations and considers the magnitude of different types of errors. It has been demonstrated that the iterative learning mechanism allows experts in building-technical expertise to refine or supplement the data on which conclusions are based. Adjustments to the conclusions of gradient-boosted decision tree ensembles can be made by experts in accordance with the regulatory framework. The input and output data of the model have been formalized, taking into account such an anthropogenic factor as the impact of weaponry. Five main structural elements have been identified, for each of which it is advisable to train decision tree ensembles. A loss function has been introduced that allows special attention to be given to the critical states of buildings and structures, where the risk of error may lead to total unsuitability or functional failure of structures or their elements. Based on the analysis of a series of studies, the choice of multi-agent theory has been justified as a subject for further research to ensure the scalability and flexibility of the support system for the restoration of real estate objects.
1. Ukrinform. В Україні цьогоріч зруйновані майже 50 тисяч об’єктів нерухомості та інфраструктури. Укрінформ – актуальні новини України та світу. URL: https://www.ukrinform.ua/rubric-vidbudova/3934324-v-ukraini-cogoric-zrujnovani-majze-50-tisac-obektiv-neruhomosti-ta-infrastrukturi-kuleba.html
2. Пасько, Р. М., Теренчук, С. А. Моделювання інтелектуальної системи підтримки судових будівельно-технічних експертиз. Актуальні питання судової експертизи криміналістики та кримінального процесу: мат. міжн. наук.-практ. конф. (м. Київ, 05.11. 2019). Київ : КНДІСЕ Мінюста України, 2019, С. 429–432.
3. Pasko R., Terenchuk S. The use of neuro-fuzzy models in expert support systems for forensic building-technical expertise. ScienceRise. 2020. Vol. 2. P. 10–18. DOI: https://doi.org/10.21303/2313-8416.2020.001278
4. Командиров О. В., Куліков П. М., Плоский В. О., Єременко Б. М. Застосування штучної нейро-нечіткої мережі Такаги – Сугено – Канга до оцінки технічного стану об’єктів будівництва. Управління розвитком складних систем. 2020. № 42. С. 107 – 112, dx.doi.org\10.32347/2412-9933.2020.42.107-112.
5. ДСТУ 9273:2024. Настанова щодо обстеження будівель і споруд для визначення та оцінювання їхнього технічного стану: [Чинний від 2024-09-01]. Національний стандарт України, Київ, ДП «УкрНДНЦ», 2024, 78 с.
6. Панкевич О. Д., Штовба С. Д. Діагностування тріщин будівельних конструкцій за допомогою нечітких баз знань: монографія. Вінниця: УНІВЕРСУМ-Вінниця, 2005. 108с.
7. Terenchuk S., Pasko R., Buhrov A., Ploskyi V., Panko O., Zapryvoda V. Computerization of the process of reconstruction of damaged or destroyed real estate. 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine, 2022. P. 1–6. DOI: 10.1109/KhPIWeek57572.2022.9916470.
8. Volokh B., Bosenko I., Pasko R., Molodid O., Zapryvoda V., Terenchuk S. Modeling the Process of Assessing the Technical Condition of Damaged Real Estate Objects. 2023 IEEE International Conference on Smart Information Systems and Technologies (SIST), Astana, Kazakhstan, 4–6 May 2023. DOI: https://doi.org/10.1109/sist58284.2023.10223547
9. Бугров А. А., Волох Б. Ю., Босенко І. В., Теренчук С. А. Система підтримки процесу відновлення об’єктів нерухомості: обробка і збереження даних. Управління розвитком складних систем. Київ, 2024. № 60. С. 136 – 145, dx.doi.org\10.32347/2412-9933.2024.60.136-145.
10. Hong Z., et al. Classification of Building Damage Using a Novel Convolutional Neural Network Based on Post-Disaster Aerial Images. Sensors. 2022. Vol. 22, no. 15. P. 5920. DOI: https://doi.org/10.3390/s22155920.
11. Mangalathu S., et al. Classifying earthquake damage to buildings using machine learning. Earthquake Spectra. 2020. Vol. 36, no. 1. P. 183–208. DOI: https://doi.org/10.1177/8755293019878137.
12. Takhtkeshha N., Mohammadzadeh A., Salehi B. A Rapid Self-Supervised Deep-Learning-Based Method for Post-Earthquake Damage Detection Using UAV Data (Case Study: Sarpol-e Zahab, Iran). Remote Sensing. 2022. Vol. 15, № 1. P. 123. DOI: https://doi.org/10.3390/rs15010123.
13. Xiang L., et al. Applications of multi-agent systems from the perspective of construction management: A literature review. Engineering, Construction and Architectural Management. 2021. Ahead-of-print. DOI: https://doi.org/10.1108/ecam-01-2021-0038.
14. Hu, Y., Wu, L., Li, N., & Zhao, T. Multi-Agent Decision-Making in Construction Engineering and Management: A Systematic Review. Sustainability, Vol. 16. №16, P. 7132. DOI: https://doi.org/10.3390/su16167132.
15. Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q., Liu T.-Y. LightGBM: a highly efficient gradient boosting decision tree // Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS'17). Curran Associates Inc., Red Hook, NY, USA, 2017. P. 3149–3157.
16. Categorical Cross-Entropy in Multi-Class Classification – GeeksforGeeks. GeeksforGeeks. URL: https://www.geeksforgeeks.org/categorical-cross-entropy-in-multi-class-classification/.
17. GeeksforGeeks. F1 Score in Machine Learning – GeeksforGeeks. GeeksforGeeks. URL: https://www.geeksforgeeks.org/f1-score-in-machine-learning/.
18. Командиров О. В. Інтелектуальні засоби підтримки процесу оцінки технічного стану об'єктів будівництва.: дис. … канд. тех. наук: 30.04.2021. Київ, 2021, 163 с.
19. Modeling the Process of Assessing the Technical Condition of Damaged Real Estate Objects / B. Volokh et al. 2023 IEEE International Conference on Smart Information Systems and Technologies (SIST), Astana, Kazakhstan, 4–6 May 2023. 2023. URL: https://doi.org/10.1109/sist58284.2023.10223547.
1. Ukrinform. (2024). Almost 50,000 real estate and infrastructure facilities have been destroyed in Ukraine this year. Ukrinform – Current News of Ukraine and the World. URL: https://www.ukrinform.ua/rubric-vidbudova/3934324-v-ukraini-cogoric-zrujnovani-majze-50-tisac-obektiv-neruhomosti-ta-infrastrukturi-kuleba.html.
2. Pasko, R. M., & Terenchuk, S. A. (2019). Modeling of an intelligent support system for forensic building-technical expertise. Current Issues of Forensic Expertise, Criminalistics and Criminal Procedure: Proceedings of the International Scientific and Practical Conference (Kyiv, November 5, 2019). Kyiv : KNDISE of the Ministry of Justice of Ukraine, 429–432.
3. Pasko, R., & Terenchuk, S. (2020). The use of neuro-fuzzy models in expert support systems for forensic building-technical expertise. ScienceRise, 2, 10–18. URL: https://doi.org/10.21303/2313-8416.2020.001278.
4. Komandirov, O. V., Kulikov, P. M., Ploskyi, V. O., & Yeremenko, B. M. (2020). Application of the artificial Takagi-Sugeno-Kang neuro-fuzzy network for assessing the technical condition of construction objects. Management of Complex Systems Development, 42, 107–112. URL: https://doi.org/10.32347/2412-9933.2020.42.107-112.
5. National Standard of Ukraine. (2024). Guidelines for the inspection of buildings and structures for determining and assessing their technical condition (DSTU 9273:2024). Kyiv: DP "UkrNDNC".
6. Pankevych, O. D., & Shtovba, S. D. (2005). Diagnosis of cracks in building structures using fuzzy knowledge bases. Monograph. Universum-Vinnytsia.
7. Terenchuk, S., Pasko, R., Buhrov, A., Ploskyi, V., Panko, O., & Zapryvoda, V. (2022). Computerization of the process of reconstruction of damaged or destroyed real estate. Proceedings of the 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek), 1–6. 10.1109/KhPIWeek57572.2022.9916470
8. Volokh, B., Bosenko, I., Pasko, R., Molodid, O., Zapryvoda, V., & Terenchuk, S. (2023). Modeling the process of assessing the technical condition of damaged real estate objects. Proceedings of the 2023 IEEE International Conference on Smart Information Systems and Technologies (SIST), 4–6 May, Astana, Kazakhstan. URL: https://doi.org/10.1109/sist58284.2023.10223547.
9. Buhrov, A. A., Volokh, B. Y., Bosenko, I. V., & Terenchuk, S. A. (2024). The system for supporting the process of real estate restoration: Data processing and storage. Management of Complex Systems Development, 60, 136–145. URL: https://doi.org/10.32347/2412-9933.2024.60.136–145.
10. Hong, Z., et al. (2022). Classification of building damage using a novel convolutional neural network based on post-disaster aerial images. Sensors, 22 (15), 5920. URL: https://doi.org/10.3390/s22155920.
11. Mangalathu, S., et al. (2020). Classifying earthquake damage to buildings using machine learning. Earthquake Spectra, 36(1), 183–208. URL: https://doi.org/10.1177/8755293019878137.
12. Takhtkeshha, N., Mohammadzadeh, A., & Salehi, B. (2022). A rapid self-supervised deep-learning-based method for post-earthquake damage detection using UAV data (Case study: Sarpol-e Zahab, Iran). Remote Sensing, 15 (1), 123. URL: https://doi.org/10.3390/rs15010123.
13. Xiang, L., et al. (2021). Applications of multi-agent systems from the perspective of construction management:
A literature review. Engineering, Construction and Architectural Management, Ahead-of-print. URL: https://doi.org/10.1108/ecam-01-2021-0038.
14. Hu, Y., Wu, L., Li, N., & Zhao, T. (2024). Multi-agent decision-making in construction engineering and management:
A systematic review. Sustainability, 16 (16), 7132. URL: https://doi.org/10.3390/su16167132.
15. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A highly efficient gradient boosting decision tree. Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS'17), 3149–3157.
16. GeeksforGeeks (n.d.). Categorical cross-entropy in multi-class classification. URL: https://www.geeksforgeeks.org/categorical-cross-entropy-in-multi-class-classification/.
17. GeeksforGeeks. (n.d.). F1 Score in Machine Learning. URL: https://www.geeksforgeeks.org/f1-score-in-machine-learning/.
18. Komandirov, O. V. (2021). Intelligent Tools of Support the Process of Assessing Technical Condition of Buildings. Ph.D. thesis. Kyiv, 163 pages.
19. Volokh, B., et al. (2023). Modeling the process of assessing the technical condition of damaged real estate objects. Proceedings of the 2023 IEEE International Conference on Smart Information Systems and Technologies (SIST), Astana, Kazakhstan, 4–6 May 2023. https://doi.org/10.1109/sist58284.2023.10223547.