Развитие строительной отрасли с помощью искусственного интеллекта

Искусственный интеллект будет ответственен за следующую промышленную революцию и изменит мир так, как мы не можем предсказать сейчас. Возможно, вы читали наши предыдущие статьи о влиянии ИИ на сельское хозяйство и сельское хозяйство. Строительство является прекрасным примером отрасли, которая больше всего пострадает от замены на автоматизацию. ИИ может сэкономить деньги строительным предприятиям, если он станет достаточно умным, чтобы определять варианты цен в компаниях, которые тратят на строительные материалы или нанимают инженерные компании. Мы создали список реальных вариантов использования, которые будут определять строительную отрасль в ближайшем будущем.

Автономный грузовик TMA

Автономный грузовик TMA (ATMA) — это транспортное средство, для которого не требуется водитель. Это означает, что водитель может быть удален из транспортного средства в различных опасных ситуациях. Он оснащен электромеханической системой и полностью интегрированным набором датчиков, которые обеспечивают возможность ведущего / ведомого грузовика, что позволяет ATMA полностью следовать за ведущим транспортным средством. Модуль NAV передает данные о местоположении GPS, называемые «eCrumbs», обратно на ведомый автомобиль, который затем использует данные для отслеживания точного пути и скорости ведущего автомобиля в каждой точке маршрута. Эта технология адаптируется к индустрии дорожного строительства.

Грузовик ATMA оснащен электромеханической системой и полностью интегрированным комплектом датчиков, обеспечивающим возможность работы в режиме лидера/ведомого. ATMA может полностью беспилотно следовать за ведущим транспортным средством, а модуль NAV можно легко отстегнуть и снять с одного транспортного средства и установить на другое, если требуется другое ведущее транспортное средство.

LENS: система прогнозного моделирования для строительной отрасли

Lens — это инструмент оценки на основе моделей, который связывает информационную модель здания Autodesk Revit (BIM) с оценкой искусства и науки (ASE) на самых ранних этапах проекта. Эта платформа позволяет пользователям работать с любой моделью, независимо от стандартов моделирования, на самых ранних этапах, повышать скорость выполнения взлета и сокращать время, необходимое для обновления оценок в течение всего процесса подготовки к строительству. Это также помогает определить элементы, которые обычно могут быть упущены из-за возможности увидеть замысел дизайнера еще на этапе разработки дизайна.

Эффективные системы кондиционирования воздуха в коммерческих зданиях

Методы машинного обучения можно использовать для прогнозирования энергопотребления кондиционеров здания, чтобы повысить эффективность автоматизации систем кондиционирования воздуха. Влияние использования можно измерить с помощью датчиков на энергопотребление системы кондиционирования. С помощью модели полиномиальной регрессии опорных векторов (SVR) третьего порядка вы можете прогнозировать построение системы кондиционирования. Также можно использовать алгоритмы контролируемого обучения для прогнозирования количества энергии, потребляемой для поддержания температуры на желаемом уровне, в то время как искусственные нейронные сети могут достигать хороших результатов в прогнозировании потребляемой энергии в коммерческих зданиях и офисах.

Обнаружение возможного обрушения здания в условиях после землетрясения

Большинство землетрясений связаны с обширными разрушениями, продолжающимися афтершоками и потерями в миллиарды долларов. С помощью искусственного интеллекта и недорогих данных дистанционного зондирования вы можете обнаружить обрушение здания в условиях после землетрясения. Возможность быстро и достоверно составить карту распределения ущерба может помочь найти необходимую помощь наиболее пострадавшим регионам. Точное картирование также может помочь определить, могут ли граждане безопасно вернуться домой. Кроме того, это может предотвратить несчастные случаи в результате отсроченного обрушения здания. Используя разработанные методы машинного обучения, будущие специалисты по оказанию помощи при стихийных бедствиях смогут использовать более ограниченную оценку ущерба в полевых условиях в сочетании с данными дистанционного зондирования, чтобы быстрее и с меньшими затратами выявлять сильно поврежденные области.

Классификатор структурных повреждений, вызванных землетрясением

Разработка классификатора структурных повреждений с помощью машин опорных векторов может помочь в прогнозировании состояния повреждений после землетрясения с учетом особенностей здания и входного движения грунта. Классификатор также можно использовать для ускорения оценки повреждений критически важных зданий после землетрясения. Это ускорит время восстановления и снизит финансовые потери, ожидаемые от простоя и ремонта. При кластеризации k-средних каждое движение грунта классифицируется на основе частотного содержания, но наиболее важной характеристикой является корреляция между фундаментальным периодом и типом землетрясения.

Датчик усталостной трещины

Датчик усталостной трещины использует различные комбинации входных признаков на основе данных датчика, которые определены и протестированы, а также различные методы классификации для определения целостности или повреждения образца. Данные датчика получают от стального образца с помощью высокочастотного датчика усталостной трещины. Необработанные данные датчиков предварительно обрабатываются, чтобы можно было извлечь несколько функций, представляющих значимую информацию о данных датчиков.

Mapillary: городское планирование и инвентаризация дорог

Mapillary использует машинное обучение для объединения 3D-визуализаций фотографий, предоставленных более чем 12 000 пользователей. Изображения доступны через API. С помощью Mapillary city сотрудники всех департаментов муниципалитета смогут увидеть на карте области будущих инвестиций в сочетании с актуальными фотографиями. Мобильное приложение Mapillary можно использовать вдоль выбранной железнодорожной линии для выполнения полевых наблюдений и контроля качества. С помощью mapillary каждый пользователь может за считанные минуты превращать фотографии улиц в 3D-карты, просматривать, редактировать и извлекать геопространственные данные и автоматизировать многочасовую ручную работу одним щелчком мыши.

Машинное обучение на основе данных в умных зданиях

Машинное обучение на основе данных создает интеллектуальное здание, определяющей особенностью которого является способность активно вносить соответствующие изменения в услуги от имени своих пользователей. Технологии умного строительства изучают и предвосхищают предпочтения пользователя и изменяющиеся условия, чтобы удовлетворить его потребности точнее и точнее, чем это можем сделать мы сами. Огромный объем данных может помочь умным зданиям вносить реагирующие и персонализированные изменения в реальном времени в окружающую среду здания в соответствии с его обитателями. Та же технология может продлить время, в течение которого пожилые люди могут оставаться в своих домах, позволяя удаленно контролировать здоровье с помощью мониторов артериального давления и кардиомониторов, которые фиксируют модели поведения и выделяют любые изменения, которые могут указывать на проблему. Умные здания задуманы как модернизируемые из-за того, что технологии меняются, а элементы добавляются таким образом, что их можно легко изменить по мере развития технологий и использования здания.

Оценка энергоэффективности жилых зданий

Искусственный интеллект можно использовать для разработки статистической основы машинного обучения для изучения влияния восьми входных переменных (относительная компактность, площадь поверхности, площадь стены, площадь крыши, общая высота, ориентация, площадь остекления, распределение площади остекления) на две выходные переменные: тепловая нагрузка и холодопроизводительность жилых зданий. Обширное моделирование 768 различных жилых зданий показывает, что мы можем прогнозировать HL и CL с низким средним отклонением абсолютной ошибки от истинного значения, установленного с помощью Ecotect (0,51 и 1,42 соответственно). Результаты подтверждают возможность использования инструментов машинного обучения для оценки параметров здания как удобного и точного подхода, если запрос имеет сходство с данными, фактически используемыми для обучения математической модели.

Улучшение управления энергопотреблением здания

Эффективное и разумное управление энергией и другими потребностями в зданиях может иметь значительные преимущества. Система управления энергопотреблением здания (BEMS) — это сложный метод контроля и управления потребностями здания в энергии. Помимо управления энергопотреблением, система может контролировать и контролировать множество других аспектов здания, независимо от того, жилое оно или коммерческое.

Система объединяет энергетическую модель здания с внешними данными, такими как прогнозы погоды и сигналы ценообразования на энергию, чтобы автоматически записывать заданные значения для BEMS и выполнять события Demand Response. Программное обеспечение SaaS работает с существующими в зданиях BEMS и системами реагирования на спрос на коммунальные услуги, включая прогнозы погоды, комфорт жильцов, цены на коммунальные услуги и сигналы реагирования на спрос в свои алгоритмы оптимизации.

Искусственный интеллект действительно начинает проникать в строительную отрасль. Ожидается, что процесс строительства изменится из-за достижений в индустрии искусственного интеллекта. Умное городское планирование, системы прогнозного моделирования и автономные строительные грузовики — это ближайшее будущее промышленности. Более того, японская строительная компания Komatsu разрабатывает технологию умного строительства, которая включает в себя аэрофотосъемку объекта с помощью дронов, а затем преобразование этих изображений в трехмерные данные для объекта и отправку их в режиме реального времени. Все эти технологии помогут значительно упростить процесс строительства, а также обслуживание коммерческих зданий после завершения строительства.

Автор: AI.Business Team

Первоначально опубликовано на сайте ai.business 13 мая 2016 г.