Применение Агентного ИИ для автоматизации мониторинга пучинистости грунтов

Введение

Строительство в регионах с климатическими условиями, где грунты подвержены сезонному пучению, представляет собой сложную задачу. Пучение грунтов — это процесс, при котором замерзающая вода в грунте расширяется, вызывая деформации, которые могут повредить фундамент и создать трещины в здании. Традиционные методы анализа грунтов, такие как бурение и лабораторные испытания, требуют много времени и ресурсов. Однако современные технологии, такие как Агентный Искусственный Интеллект (АгенИИ) и спектральный анализ, предлагают новые, более экономичные и эффективные решения.

Расширение инфраструктуры железнодорожного транспорта требует точных и эффективных методов инженерно-геологических изысканий, особенно в районах, подверженных морозному пучению грунтов. В данном блоге изложены результаты разработки в внедрения автономного ИИ-агента. Конкретно, результаты направлены на демонстрацию возможностей неразрушающего спектрального анализа в сочетании с АгенИИ для автоматизации мониторинга пучинистости грунтов — как инновационного подхода к геотехнической диагностике в железнодорожном строительстве.

Разработан интеллектуальный агент, способный прогнозировать потенциал пучения грунта в температурных диапазонах от 0°C до –5°C и обратно, определяя относительный коэффициент акустической сжимаемости (β) на основе физических и механических свойств грунта. Необходимо сформировать интеграционную модель, которая сочетает данные спектральной отражательной способности с алгоритмами машинного обучения для предсказания деформаций, позволяющей существенно сократить зависимость от традиционных инвазивных методов.

Используемая установка осуществляет цифровую регистрацию и обработку продольных и поперечных акустических импульсов, отражённых от пьезодатчиков, закреплённых на образцах грунта. Обработанные сигналы автоматически передаются на ПК через USB-адаптер для дальнейшего анализа экспериментальных данных ИИ-агентом. Акустическая диагностика выполняется на основе спектрального анализа с использованием Быстрого преобразования Фурье (FFT), при этом полученные спектры соотносятся с величиной деформации от пучения.

ИИ-агент использует гибридную архитектуру CNN–SVM–RF (CNN-Convolutional Neural Network; SVM — Support Vector Machine; RF — Random Forest), позволяющую эффективно обрабатывать гетерогенные геотехнические данные и решать комплексные задачи классификации и регрессии, минимизируя переобучение.

Постановка задачи

Цель — разработать автоматизированную систему на основе Агентного ИИ для быстрого и точного прогнозирования потенциала пучинистости грунтов. Это позволит снизить риски повреждения инженерного сооружения и сократить затраты на геотехнический мониторинг, строительство и обслуживание его инфраструктуры. Мы интегрировали неразрушающую методику спектрального анализа (Non-Destructive Spectral Analysis, NDSA) грунтов с алгоритмами машинного обучения (CNN–SVM–RF), чтобы предсказать поведение грунтов при изменении температуры от 0°C до -5°C и обратно, отобранных на опытных площадках.

Исследование проводилось на образцах грунта, отобранных из двух различных геоклиматических зон, расположенных вдоль перспективного железнодорожного коридора Москва–Казань. Участки подбирались с учётом различий в режимах сезонного промерзания, гидрологических условиях и геоморфологических характеристиках, значимых для процессов морозного пучения в условиях умеренно-континентального климата. Регион отличается влажным умеренно-континентальным климатом с сезонной цикличностью температур.

Участок 1, расположенный в юго-восточной части Московской области (55°49′12.53″N, 38°23′53.59″E), характеризуется выровненным микрорельефом и отложениями голоценового аллювия. Подповерхностная стратиграфия на глубину до 5.0 м представлена слоистыми песками, перемежающимися с супесью, суглинками и глинами. В зимний период уровень грунтовых вод варьировал в пределах от 1.7 до 2.96 м. Сезонное промерзание (СП) начинается в середине ноября и достигает максимальной глубины 0.17–0.19 м к началу марта при наличии снежного покрова до 0.25 м. Растительность представлена разреженным травянистым покровом и корневищами до 0.05 м глубиной.

Участок 2, расположенный в Республике Татарстан вблизи Казани (56°02′07.86″N, 47°57′49.62″E), находится в пределах возвышенной эрозионно-денудационной равнины неоген-четвертичного возраста. Поверхность умеренно волнистая, с локальными микровозвышениями. Гляциальные и флювиогляциальные отложения неоплейстоцена представлены супесью, суглинками, глинами и залегающими ниже мелкими песками. Участок хорошо дренирован, покрыт смешанным лиственным и еловым подлеском. Сезонное промерзание начинается в середине ноября и достигает глубины до 0.90 м в марте при снежном покрове толщиной до 0.57 м. В течение периода наблюдений уровень грунтовых вод был глубже 5 м. Морозное пучение на этом участке проявлялось интенсивнее и зависело от текстуры грунта, содержания влаги и органических включений.

Участок	Глубина (м)	Тип грунта	ρ_b [г/см³]	ρ_tr [г/см³]	Влажность (%)	Песок (%)	Ил (%)	Глина (%)	LL (%)	PL (%)	PI (%)	Классификация (USCS)
1	0.0–0.4	Супесь	1.67	1.85	12	65	25	10	24	16	8	SM
	0.4–1.2	Песок (мелкий)	1.71	1.75	14	88	8	4	NP	NP	NP	SP
	1.2–1.4	Суглинок	1.70	1.86	19	45	35	20	29	17	12	ML
	1.4–1.6	Глина	1.69	1.80	26	28	32	40	49	21	28	CL
	1.6–5.0	Песок (среднекрупный)	1.72	1.77	16	85	10	5	NP	NP	NP	SP
2	0.0–0.2	Супесь	1.68	1.88	22	64	26	10	26	16	10	SM
	0.2–0.6	Супесь (пластичная)	1.70	1.89	24	60	30	10	27	18	9	SM
	0.6–1.0	Песок (пылеватый, однородный)	1.74	1.78	15	89	6	5	NP	NP	NP	SP
	1.0–1.2	Глина	1.69	1.80	26	30	32	38	48	20	28	CL
	1.2–2.0	Суглинок	1.70	1.85	18	46	34	20	30	19	11	ML
	2.0–5.0	Песок (мелкий)	1.73	1.76	14	90	6	4	NP	NP	NP	SP

Полевой мониторинг морозного пучения

Организация системы наблюдения за сезонным пучением грунта включала несколько этапов: описание геоморфологических условий, характеристика мезо- и микро-рельефа, оценка дренированности, описание растительного покрова, документация почвенного профиля и выявление признаков экзогенных геологических процессов. Минимальные температуры грунта составили –1.3°C на участке 1 и –0.8°C на участке 2. Для повышения надёжности проектных решений, температурный диапазон в экспериментальном моделировании был расширен до –5°C, что соответствует более суровым зимним условиям.

На каждом участке были пробурены пять скважин диаметром 108 мм на глубины 0.20 м, 0.40 м, 0.60 м, 0.80 м и 1.00 м для установки деформационных индикаторов (пучиномеров). Глубины выбраны на основе многолетних наблюдений за глубиной промерзания: не более 0.5 м для глинистых и до 0.75 м для песчаных грунтов при минимальном снежном покрове. Отдельная скважина для термометра бурилась на глубину 5.00 м и обсаживалась ПВХ трубой диаметром 50 мм с герметичным дном. При встрече с грунтовыми водами бурилась пьезометрическая скважина, также обсаженная трубой с фильтром. Дополнительно были установлены два репера на глубине 3.00 м для отслеживания изменений пучения с помощью наземных маркеров. Схема размещения оборудования для мониторинга сезонного промерзания представлена на Схеме (a — в профиль; b — в плане) ниже.

Наблюдения за пучением и сбор данных проводились в течение одного года. С каждого участка было отобрано по 150 образцов, которые использовались как для неразрушающего спектрального анализа (NDSA), так и для лабораторных испытаний на морозное пучение. Полученные данные сопоставлялись между собой для оценки точности и воспроизводимости результатов.

Лабораторное определение деформации от морозного пучения

В соответствии с ГОСТ 28622-2012, лабораторные испытания были направлены на количественную оценку вертикальных деформаций грунта, возникающих в результате морозного пучения (ε_th) на выбранных участках. Данный лабораторный метод предусматривает поэтапное замораживание насыщенного грунта в контролируемых условиях с непрерывной регистрацией вертикальных деформаций. Методика включает установку датчиков, поддержание заданного температурного режима и контроль глубины промерзания. Полученные данные о криогенной текстуре и деформациях позволяют достоверно оценить пучинистые свойства грунтов в лабораторных условиях.

Пороговые значения морозного пучения были приняты на основе обширных лабораторных и полевых наблюдений, а также анализа архивных данных о поведении грунтов в условиях сезонного промерзания в Московско-Казанском регионе. Классификационные критерии, соответствующие ГОСТ 28622-2012, были верифицированы путём сопоставления результатов лабораторных испытаний и натурных измерений, что обеспечило надёжность и воспроизводимость полученных данных (таблица ниже, ГОСТ 28622-2012).

Степень пучинистости грунта	Относительная деформация морозного пучения образца грунта
Непучинистый	ε_th< 0.01
Слабопучинистый	0.01 ≤  ε_th< 0.035
Среднепучинистый	0.035 ≤  ε_th< 0.07
Сильнопучинистый	0.07 ≤  ε_th< 0.10
Чрезмернопучинистый	0.10 ≤ ε_th

Подготовка к NDSA

Монолиты грунта (песок, супесь, суглинок и глина), отобранные на испытательных площадках, были подготовлены для акустического анализа и NDSA. Перед началом акустических испытаний образцы в исходном (оттаявшем) состоянии аккуратно размещались в цилиндрические пластиковые колбы (Рис. ниже), снабжённые тремя овальными отверстиями для крепления пьезо-датчиков: для регистрации продольных волн (сверху) и поперечных волн (сбоку).

Спектральный анализ проводился при различных температурных режимах в лабораторных условиях, охватывающих как начальное (оттаявшее) состояние, так и замороженное состояние, достигаемое в холодильной камере. Температурные интервалы составляли [-5, -2, -1, -0.5, -0.1, 0, -0.1, -0.5, -1, -2, -5 °C], имитируя естественные условия замерзания и оттаивания. Изначально NDSA-испытания проводились на образцах при температуре 0 °C. Всего было выполнено 300 экспериментов для определения акустических свойств грунтов на разных уровнях температуры. Для расширения обучающей выборки ИИ-агента был применён метод машинного обучения Random Forest, позволивший сгенерировать дополнительно 700 синтетических образцов. Таким образом, итоговая совокупность данных составила 1000 записей, использованных для анализа и обучения модели. Установка для акустических исследований грунтов отображена на рисунке ниже (а — схема для акустических испытаний; b — пример крепления датчиков на реальный образец).

Получение акустических данных включает: a) определение задержки между ультразвуковыми импульсами на первом и втором каналах осциллографа, b) определение временной задержки между первыми пришедшими волнами на первом и втором каналах осциллографа.

Обоснование генерации синтетических данных с использованием метода случайных лесов (Random Forest)

Алгоритм Random Forest был обучен на исходном наборе данных для выявления закономерностей между входными признаками (гранулометрический состав, температура, влажность) и целевой переменной (показатель морозного пучения грунта). Генерация новых данных осуществлялась таким образом, чтобы сохранялись статистические взаимосвязи, наблюдаемые в экспериментальных данных, обеспечивая при этом физическую достоверность синтезированных образцов в соответствии с моделью грунта и интегрированной моделью ИИ-агента. Диапазоны значений по составу, температуре и влажности ограничивались в рамках классификационных критериев, основанных на доле глинистых частиц в образцах.

Для повышения обобщающей способности модели и устранения дисбаланса классов по степени морозного пучения было сгенерировано дополнительно 700 синтетических образцов методом бутстрэппинга на основе RF. Данный подход не является генеративной моделью в классическом понимании (например, GAN или VAE), но представляет собой контролируемую экстраполяцию, при которой деревья решений создают правдоподобные новые образцы путём повторного взвешивания закономерностей обучающей выборки. Особенно ценной такая генерация стала в условиях ограниченного количества реально наблюдаемых образцов с высокой деформацией — например, при температуре ниже –3 °C, влажности выше 20 % и содержании глины более 35 %. В таких случаях RF-расширение позволило достоверно пополнить датасет новыми, ранее не встречавшимися, но физически правдоподобными комбинациями параметров, отражающими реальные взаимодействия между признаками.

Внедрение синтетических данных в ML-модели требует критической оценки на предмет переобучения, смещения распределений и инфляции отдельных классов. Для минимизации таких рисков были реализованы следующие меры:

1. Гибридная модель CNN–SVM–RF обучалась на смешанных данных (реальных и синтетических), а валидация проводилась на отложенной части реальных данных (15 %), что позволило исключить переоценку за счёт синтетических артефактов.
2. Были введены диагностические метрики смещения: расстояние Вассерштейна (Wasserstein distance) и максимальное среднее расхождение (MMD) между распределениями признаков в реальных и синтетических выборках, а также оценка стабильности значимости признаков между фолдами.
3. Дополнительно было проведено тестирование обобщающей способности: при обучении модели только на синтетических данных достигалось значение R² < 0.65, что подтвердило вспомогательный характер таких данных и невозможность их использования в отрыве от оригинальных наблюдений.

Таким образом, статистическая согласованность синтетических и экспериментальных данных была подтверждена через анализ распределений ключевых параметров грунта (см. Таблицу ниже), что позволяет эффективно использовать их в рамках архитектуры ИИ-агента без потери достоверности.

Параметр	Единицы	Реальный набор данных (n = 300)	Синтетический набор данных (n = 700)	Δ%(Относительное отклонение)	Коэфф. Пирсона (r)	Асимметрия (γ₁) (Реал / Синт)	К–С тест (D, p-значение)	MSE	R²	MAE	CV-оценка (5-кратная)
Влажность (M)	%	μ = 18.2, σ² = 6.4	μ = 18.0, σ² = 6.2	1.10%	0.97	0.14 / 0.12	D = 0.031, p = 0.96	0.35	0.91	0.47	0.89
Содержание глины (C)	%	μ = 27.3, σ² = 25.1	μ = 27.1, σ² = 24.4	0.73%	0.92	0.34 / 0.32	D =0.045, p = 0.91	0.58	0.88	0.61	0.87
Плотность (ρ)	г/см³	μ = 1.78, σ² = 0.0032	μ = 1.77, σ² = 0.0030	0.56%	0.95	–0.10 / –0.08	D = 0.027, p = 0.99	0.001	0.93	0.024	0.91
Модуль Юнга (E)	МПа	μ = 16.5, σ² = 21.2	μ = 16.2, σ² = 20.6	1.82%	0.89	0.66 / 0.63	D = 0.041, p = 0.94	1.21	0.86	0.91	0.84
Модуль сдвига (G)	МПа	μ = 5.70, σ² = 6.4	μ = 5.64, σ² = 6.1	1.05%	0.91	0.44 / 0.41	D =0.038, p = 0.95	0.36	0.90	0.52	0.88
Акустическая сжимаемость (β)	Н/м³ ×10⁹	μ = 6.80, σ² = 0.09	μ = 6.74, σ² = 0.10	0.88%	0.93	0.22 / 0.25	D =0.034, p = 0.97	0.11	0.89	0.31	0.90

Структура Агентной Модели

1. Свёрточная нейронная сеть (CNN)— отвечает за извлечение признаков из спектральных данных, температур и влажности, кодируя скрытые закономерности физико-акустической природы грунтов. CNN обрабатывает спектральные данные грунта S_spec(λ), поступающие с осциллографа на ПК через USB-адаптер, а также температурный режим (T) и влажность (M), для извлечения высокоуровневых признаков, отражающих физические изменения в структуре грунта.
2. SVM — классифицирует степень пучения и прогнозирует деформации на основе признаков, полученных от CNN, и физических параметров грунтов. Вектор признаков Z_CNN​ подаётся в метод опорных векторов (SVM) и объединяется с ключевыми параметрами грунта — плотностью (ρ), содержанием глинистых частиц (C), модулем упругости (E), модулем сдвига (G) и коэффициентом акустической сжимаемости (β) — для классификации степени пучения и предсказания величины деформации.
3. Random Forest (RF) — служит для дополнительной классификации и регрессии, обеспечивая устойчивость модели к переобучению и улучшая обобщающую способность.
4. Итоговое предсказание — вычисляется как взвешенная сумма выходов от SVM и RF, что обеспечивает точные и надёжные оценки степени и величины морозного пучения.

Модель предназначена для автономной работы в реальном времени в составе агентной системы и отражает физическую связанность параметров грунтов с их морозостойкостью, что делает её частью концепции физического искусственного интеллекта (PhysAI).

Гибридная архитектура ИИ-агента и стратегия обучения

Для решения сложной задачи прогнозирования потенциала морозного пучения грунтов в переменных температурных условиях была разработана гибридная архитектура ИИ-агента, интегрирующая вышеописанные ML методы CNN, SVM и RF. Основной мотивацией к созданию подобного ансамбля послужили разнородность входных данных и необходимость выполнения нескольких типов прогностических задач — классификация степени пучения и регрессия непрерывных значений деформации.

CNN обеспечивает эффективное извлечение спектральных и пространственных признаков из спектральных изображений грунта, выявляя нелинейные зависимости в многомерных данных. Однако при работе с относительно небольшими выборками, характерными для геотехнического мониторинга, CNN подвержена переобучению. Для повышения обобщающей способности был добавлен SVM-модуль, оперативно работающий с высокоразмерными задачами классификации. Модель RF дополняет архитектуру за счёт устойчивости к шумам, способности обрабатывать гетерогенные параметры грунта и обеспечивать устойчивые ансамблевые прогнозы на базе деревьев решений.

Гибридная модель CNN–SVM–RF была специально разработана с учётом следующих требований:

• Минимизация вычислительной сложности (упрощённая CNN, неглубокие деревья RF, стандартный ядровой SVM).
• Возможность работы с компактными спектрально-табличными наборами данных из лабораторных и полевых испытаний, а не с массивами изображений или текстов.
• Модульная организация обучения: CNN обучается отдельно, а SVM и RF используют заранее извлечённые признаки.

CNN реализована в виде лёгкой трёхмерной сети с двумя блоками свёртки (Conv3D) по 16 и 32 фильтра с ядрами 3×3×3 и функцией активации ReLU, за которыми следуют слои подвыборки (MaxPool3D) размером 2×2×2. На вход CNN подаётся тензор формы (S×T×M),

где S — число спектральных каналов (256–512), T — температурные состояния, M — уровни влажности. На выходе получается вектор H_CNN, который объединяется со скалярными параметрами грунта: ρ,C,E,G,β, обеспечивая гармонизированную признаковую структуру для последующего анализа SVM и RF.

Модуль SVM использует радиально-базисную функцию (RBF) с параметрами регуляризации C=1.0 и γ=scale, оптимизируется методом пятикратной кросс-валидации, и формирует два выхода: категориальную классификацию степени пучения (YclassSVM∈{0,1,2,3,4}) и непрерывную оценку величины деформации.

Модуль RF содержит 100 деревьев решений с максимальной глубиной 10, использует бутстрэп-агрегацию и стратегию случайного отбора признаков. Он генерирует классификационные прогнозы, устойчивые к переобучению.

Финальные предсказания формируются через взвешенное объединение выходов моделей:

Значения α и γ были выбраны эмпирически для баланса между классификационной точностью SVM и регрессионной стабильностью RF.

Обучение CNN проводилось с ранней остановкой (patience = 5 эпох), а данные были разбиты на 70% обучающей, 15% валидационной и 15% тестовой выборки. Архитектура ИИ-агента представлена на рисунке ниже.

Для обеспечения модульной масштабируемости архитектура ИИ-агента интегрирует протокол Agent2Agent (A2A) — легковесную коммуникационную структуру для обмена параметрами между агентами через локальные сокеты или интерфейс передачи сообщений (MPI). Это обеспечивает синхронный, асинхронный или событийно-ориентированный обмен между AI-агентами без необходимости ручной перенастройки, позволяя основному агенту взаимодействовать с дополнительными (гидрологическое моделирование, расчёт напряжений, прогноз осадок при оттаивании и др.).

Результаты работы ИИ-агента

При более высоких частотах песчаные образцы демонстрируют повышенную акустическую сжимаемость (β), что указывает на их чувствительность к колебаниям упругих волн. Супесь также проявляет рост сжимаемости с увеличением частоты, но с меньшим градиентом, что обусловлено наличием более мелких частиц и повышенным затуханием волн. Это снижает эффективность передачи звука по сравнению с чистым песком.

Суглинок демонстрирует более сложную и плавную зависимость β от частоты, что объясняется его смешанным составом (песок, ил, глина). Высокая способность глинистых частиц к поглощению энергии приводит к более медленному росту сжимаемости. Глина показывает наименьшие значения β в исследуемом частотном диапазоне, что связано с ее плотной структурой, сильной связностью и способностью удерживать влагу.

Для анализа этих эффектов AI-агент формирует регрессионные поверхности, отражающие взаимосвязь между показателем сжимаемости β и факторами ρ, R (размер частиц) и f₀ (характеристическая частота) для каждого типа грунта (Рисунок ниже).

• Песок: плоская поверхность → низкая чувствительность β к изменениям ρ и R.
• Супесь: умеренный наклон → β умеренно зависит от плотности и частоты.
• Суглинок: изогнутая поверхность → существенное влияние ρ и f₀ на β.
• Глина: самая выраженная кривизна → сильная зависимость β от всех параметров.

Для суглинков и глин были определены пороговые значения, например:

Глина: β = 10.5×10⁹ Н/м³, f₀ = 52–80 кГц, ρ×R = 0.65 кг/м²

Суглинок: β = 11.6×10⁹ Н/м³, f₀ = 47–90 кГц, ρ×R = 0.15 кг/м²

ИИ-агент продемонстрировал высокую точность в сопоставлении с лабораторными испытаниями и полевыми наблюдениями (таблица ниже). Исключения составили:

• Суглинок: занижение прогноза (низкая пучинистость вместо умеренной) — вероятно, из-за переувлажнения в камере.
• Глина: завышение прогноза — возможно, вследствие переобучения на аналогичных образцах.

Тип грунта	Лабораторные испытания (ε_th)	Полевой мониторинг	Прогноз ИИ-агента
Супесь	Умеренно-пучинистый	Умеренно-пучинистый	Умеренно-пучинистый
Песок	Слабо-пучинистый	Слабо-пучинистый	Слабо-пучинистый
Глина	Сильно-пучинистый	Сильно-пучинистый	Чрезмерно пучинистый
Суглинок	Умеренно-пучинистый	Слабо-пучинистый	Слабо-пучинистый

Валидация работы ИИ-агента

Для валидации предсказаний были рассчитаны матрицы путаницы, а также использованы метрики точности (precision), полноты (recall) и F1-оценки. Агент показал:

• F1-score = 0.88 по всем классам.
• Особенно высокие показатели для «Умеренно» и «Сильно пучинистых» грунтов (F1 > 0.91).
• Для критических классов («Опасно» vs. «Безопасно») F1-score достиг 0.91, что особенно важно при интеграции в инфраструктуру в реальном времени (через Agent2Agent-протокол).

АгенИИ продемонстрировал успешное применение в контексте железнодорожной инфраструктуры, предсказывая пучинистость грунтов с высокой степенью достоверности. Он особенно эффективно выявляет опасные классы грунтов (суглинки, глины), отличающиеся повышенной влагосодержательностью и склонностью к деформациям при замерзании.

Модель может быть адаптирована для мониторинга других объектов — зданий, мостов и других инженерных сооружений, с учетом локальных геологических условий. В перспективе возможно расширение задач агента на диагностику эрозии, переуплотнения, загрязнения и других опасных процессов в грунтах.

Для дальнейшего повышения точности предлагается:

• Расширить обучающую выборку за счёт новых региональных данных.
• Ввести новые признаки: градиенты температуры, динамика влаги, микроструктура.
• Использовать передовые методы, включая transfer learning и ансамблирование.
• Интегрировать LLM (например, через Ollama) для локального выполнения задач коммуникации, отчётности и координации в реальном времени.

АгенИИ является важным шагом к автономной, недеструктивной и масштабируемой диагностике пучинистости грунтов.

Основные результаты:

1. Точность прогнозов: ИИ-агент успешно предсказал потенциал пучения для различных типов грунтов, что подтвердилось лабораторными испытаниями и полевыми наблюдениями.
2. Экономия времени: Автоматизация процесса анализа сократила время, необходимое для получения результатов, с нескольких дней до нескольких минут.
3. Универсальность: Метод может быть применен для анализа грунтов в различных климатических условиях, что делает его особенно полезным для строительства различных сооружений, в том числе и в регионах с суровым климатом.

Внедрение АгенИИ в процесс анализа грунтов открывает новые возможности для геотехнического строительства и инженерно-геологических изысканий при первом этапе строительства. Это не только повышает точность прогнозов, но и значительно снижает затраты изыскания, на строительство и обслуживание инфраструктуры.

Если вы хотите узнать больше о том, как ИИ может помочь в ваших проектах, свяжитесь с нами — мы поможем вам внедрить передовые технологии для достижения ваших целей.