🔍 Решаемая проблема
Одним из ключевых факторов, влияющих на успех строительных проектов, является координация между различными участниками: проектировщиками, инженерами, менеджерами, поставщиками и подрядчиками. В современном строительстве, особенно при возведении жилых домов, проектирование, закупки и производство конструктивных элементов (например, железобетонных колонн и балок) часто выполняются разрозненно. Задержки на каждом этапе — от утверждения технической документации до производства и доставки — приводят к потерям в сроках, бюджете и даже в безопасности. Традиционные методы управления проектами часто оказываются неэффективными в обеспечении слаженной работы этих команд, что приводит к задержкам, ошибкам и перерасходу бюджета.
🎯 Задача
Необходимо разработать и внедрить инновационные решения, которые обеспечат эффективную координацию и взаимодействие между всеми участниками строительного процесса, автоматизируют рутинные операции и оптимизируют принятие решений. То есть, создать такую цифровую систему, которая способна автоматизировать рутинные процессы (проверку документации, расчет нагрузок, производство), уменьшить ошибки и повысить скорость исполнения проектов. Ключевым элементом такой системы становится мультиагентная архитектура, объединенная Model Context Protocol (MCP) — коммуникационным протоколом для координации ИИ-агентов и людей.
📌 Обстоятельства
В последние годы мультиагентные системы (МАС) стали перспективным подходом к решению сложных, децентрализованных задач в различных отраслях. В строительстве МАС могут быть использованы для улучшения координации цепочек поставок, повышения производительности проектов и оптимизации процессов принятия решений. Однако, существующие МАС часто испытывают трудности с интеграцией в корпоративные системы управления ресурсами (ERP), что ограничивает их эффективность в автоматизации закупок, управления, проектирования, коммуникации и логистики. Для решения этой проблемы можно использовать различные связующие протоколы, такие как MCP и Agent2Agent (A2A).
Рынок жилья требует максимальной точности и скорости, особенно при работе с конструкциями из бетона высокой прочности. В условиях частых изменений проекта, нехватки квалифицированных кадров и ограниченного времени, интеграция ИИ становится не модной опцией, а необходимостью.
Проблемы, с которыми сталкиваются застройщики:
- Недостоверные спецификации материалов
- Ошибки в расчетах конструкций
- Несвоевременное производство и логистика
- Разрозненность данных между проектировщиками, инженерами и производителями
Физически информированные нейросети (PINN) в составе Агент структурного анализа (SAA)
Современные исследования в области физически информированных нейросетей (Physics-Informed Neural Networks, PINN) показывают их превосходство над классическим методом конечных элементов (МКЭ) при моделировании железобетонных балок и колонн, особенно при учёте нелинейных и временных эффектов. PINN способны напрямую решать интегро-дифференциальные уравнения, описывающие поведение преднапряжённого железобетона с учётом ползучести, усадки и релаксации арматуры — без необходимости пространственной дискретизации. При этом достигнута ошибка менее 0,2% по сравнению с методами конечных разностей. Благодаря адаптивным функциям активации и декомпозиции области (XPINN), скорость сходимости увеличилась в 40 раз.
Специально обученная модель PINN была обучено рассчитывать ЖБ балки-колонны (конструктив здания) при прогрессивном нагружении, при этом одна обученная модель предсказывала как прогибы, так и развитие трещин на диапазоне нагрузок от 5 до 40 кН/м с отклонением менее 3% от экспериментальных данных. PINN легла в основу архитектуры нашего агента структурного анализа (SAA), который применяет гибридную модель DeepONet–PINN для ускоренного стохастического МКЭ анализа (SFEA), совмещая вычислительную эффективность с эмпирической точностью, проверенной на лабораторных данных. Схема работы SAA показана на рисунке ниже.
Почему PINN превосходят традиционный МКЭ в анализе ЖБ-элементов?
- Экономия данных
В отличие от моделей машинного обучения, требующих больших объёмов обучающих выборок, PINN интегрируют физику (например, теорию балок Эйлера–Бернулли) непосредственно в функцию потерь. Это особенно важно в жилищном строительстве, где данные ограничены, а вариативность материалов высока. - Адаптивность в реальном времени
PINN позволяют гибко переключаться между детерминированными и вероятностными расчётами. Например, в нашем SAA используются решения на базе LLM для динамического подбора гиперпараметров модели под условия повышенного риска — например, сейсмические нагрузки. - Масштабируемость
Модель, обученная на одной балке, способна адаптироваться под различные типоразмеры сечений (прямоугольные, двутавровые) без необходимости пересчёта сетки.
По сравнению с классическим МКЭ, где сложная геометрия ЖБ-элементов требует затратного построения сетки и итеративных расчётов, PINN обеспечивают масштабируемость и скорость. Интеграция Subset Simulation в структуру PINN позволяет оценивать вероятности отказа (например, превышение прогиба более L/360) с 10–100× меньшими вычислительными затратами по сравнению с методом Монте-Карло. Роль MAS в решении задач устойчивости и цифровизации
Встроенная в MAS архитектура обеспечивает непрерывную и автономную верификацию инженерных расчётов в ERP-среде строительства:
- Автоматическая проверка
Агент SAA сверяет результаты расчётов с нормативными документами, снижая долю ручных проверок на 88,5%. - Циклическая координация
Агент координации WCA отображает выходные данные PINN в ERP-интерфейсах. Например, при задержке в производстве IoT-сенсоры инициируют пересчёт модели с новыми параметрами. - Учёт неопределённостей
Объединение Subset Simulation и PINN позволяет количественно оценивать риск отказа (например, вероятность прогиба выше L/360 в сейсмоопасной зоне).
🧠 Архитектура мультиагентной системы (MAS)
Разработанная архитектура MAS представляет собой гибридную и иерархически организованную систему, в которой сочетаются делиберативные (основанные на знаниях и правилах) и реактивные (адаптирующиеся в реальном времени) агенты. MAS функционирует в рамках протокола Model Context Protocol (MCP), обеспечивающего контекстно-зависимую координацию между ИИ-агентами и корпоративными ERP-системами.
🔑 Ключевые особенности MAS:
- Иерархическое управление: выполнение задач подчиняется логике сверху вниз при децентрализованном принятии решений.
- Гибридная логика: агенты сочетают правилоориентированную логику, обработку естественного языка (NLP) на базе Phi4-14B и оптимизацию решений с применением машинного обучения.
- Замкнутый контур автоматизации: MCP обеспечивает бесшовный обмен данными между агентами, ERP и IoT-системами через API.
👁🗨 Пример работы агентов:
- Агент анализа данных (Data Parser Agent) – «входная точка» системы. Он использует Phi4 для перевода технических описаний (например, «высокопрочный бетон») в стандартизированные инженерные параметры («C50/60, fck = 60 МПа»). Он распознаёт документы в PDF, CAD-формате и CSV, устраняет неоднозначности, проверяет соответствие нормативам и создаёт цифровой след.
- Агент структурного анализа (Structural Analyst Agent) – выполняет численное моделирование с применением PINN и Subset Simulation. В отличие от классических FEM-моделей, он учитывает вероятностные сценарии, дефекты и нестандартные ситуации. Результаты обрабатываются Phi4 в виде рекомендаций: например, «Вероятность превышения прогиба δ > L/360: 0.1%».
- Агент координации рабочих процессов (Workflow Communicator Agent) – отслеживает производственные графики, реагирует на задержки, и отображает ERP-события в виде понятных уведомлений для инженеров и менеджеров. Все коммуникации проходят через MCP, обеспечивая связность и своевременность между подразделениями.
Архитектура реализует трёхуровневую модель:
PINN-уточнение
Модель уточняет результат DeepONet, добавляя физические ограничения:
Обучение операторов DeepONet
Вход: физико-механические свойства бетона, армирование, геометрия, схемы нагрузки.
Выход: поля напряжений и прогибов — как оперативная альтернатива МКЭ.
📊 Валидация стохастического метода конечных элементов (SFEA) с PINN
Для проверки точности встроенного в MAS стохастического конечного анализа конструкций (SFEA), реализованного в Агенте структурного анализа, были проведены сравнительные расчёты при разных нагрузках, геометриях и марках бетона, характерных для железобетонных элементов жилых зданий.
📈 На рисунке ниже представлены следующие профили прогиба:
- DeepONet: начальная модель, обученная на 1,2 млн пар «параметр–прогиб», демонстрирует общее поведение конструкции.
- PINN-уточнение: добавляет физические ограничения, исправляя погрешности в зонах с высоким напряжением, особенно у опор.
- FEM (референс): результат численного моделирования в ANSYS, с учётом вероятностных воздействий.
📉 Subset Simulation применялась для оценки вероятности выхода конструкции за пределы прогиба δ > L/360. Сочетание DeepONet + PINN дало точные предварительные оценки, позволяя сократить число расчётных сценариев до 100× по сравнению с методом Монте-Карло (10³ вместо 10⁵). Это существенно снижает вычислительную нагрузку при сохранении точности.
🧪 Модель была протестирована на 250 случайных сценариях (различные марки бетона, длины пролетов, типы нагрузок). Прогноз «проходит/не проходит» определялся бинарным классификатором. Высокие значения precision и recall (см. рисунки ниже) показывают способность MAS надёжно предсказывать опасные состояния, особенно благодаря уточнению через PINN вблизи критических границ.
Таблица ниже представляет метрики по снижению ошибок координации в пилотных кейсах
| Метрика | DeepONet | DeepONet + PINN | Предлагаемый фреймворк (с Subset Sim.) |
|---|---|---|---|
| MAE (мм) | 2.84 | 1.19 | 1.05 |
| RMSE (мм) | 3.62 | 1.73 | 1.49 |
| R² (достоверность модели) | 0.874 | 0.941 | 0.954 |
| F1-score (проходит/не проходит) | 0.813 | 0.912 | 0.946 |
📌 Итог: интегрированная архитектура DeepONet–PINN с Subset Simulation демонстрирует высокую точность, быструю адаптацию и количественно обоснованные метрики надёжности – всё это делает её мощным инструментом для принятия решений в строительстве.
Эти результаты подчеркивают необходимость поэтапной стратегии интеграции, сочетающей технические инновации со структурированным управлением изменениями. Рекомендуется трехкомпонентная стратегия:
Готовность адаптивной инфраструктуры: Содействие гибридному развертыванию облачных/дистиллированных LLM с возможностями облегченного вывода (через Ollama или контейнерные агенты) для поддержки фирм с ограниченными вычислительными ресурсами.
Унифицированные рамки обучения: Стандартизация программ адаптации для интерфейсов, расширенных LLM, систем контекстных запросов и рабочих процессов на основе MCP для снижения порога входа для инженерных и административных команд.
Расширенные модули агентов: Расширение МАС новыми агентами, предназначенными для рабочих процессов с разрешениями, разбора нормативных документов и посредничества устаревших ERP-систем через промежуточное ПО или мосты API.
