ГК "А101" выбрали два решения на базе ИИ для проектирования железобетонных конструкций в рамках проекта "Техлаб Москва". Системы Contextmachine и AI Diagnost автоматизируют расчет армирования плит перекрытия и сокращают расход металла на стройке.

При проектировании монолитного дома инженеры рассчитывают нагрузки на конструкции и получают цветные карты. На этих схемах видно, где плите перекрытия или фундаменту требуется дополнительное усиление арматурой.

Раньше проектировщикам приходилось вручную переносить эти расчеты в трехмерную цифровую модель здания. ГК "А101" поставила задачу автоматизировать этот этап. Разработка позволит ускорить выпуск рабочей документации и исключить лишний расход стали. Проекты Contextmachine и AI Diagnost были выбраны в программе "Техлаб Москва" Московского инновационного кластера. Победителей объявили на Московском стартап-саммите.

Заявки на участие подали более 1 200 специалистов из 53 регионов России. В основной этап прошли 50 команд. Три месяца они создавали ИИ-решения под запросы бизнеса вместе с ИТ-менторами и отраслевыми экспертами.

"Когда мы формулировали задачу, то рассчитывали закрыть ее силами одного подрядчика. В финале отбора мы увидели два сильных профильных решения, которые отлично дополняют друг друга в работе. Одно берет на себя оптическое распознавание карт нагрузок, а второе отвечает за оптимизацию расхода стали. В итоге мы поддержали сразу две команды. Для нас это сигнал, что в сфере искусственного интеллекта для строительства накоплен серьезный прикладной задел. Такие разработки уже готовы к внедрению в процессы крупного девелопера", — отметил Артем Чернов, директор по развитию информационных систем ГК "А101".

Разработка еще одной команды-победителя – сервис, который формирует эффективную схему участков дополнительного усиления перекрытий на основе результатов прочностного расчета. Алгоритм классифицирует требования, строит геометрическую модель допустимых зон и с помощью дискретной оптимизации определяет конфигурацию стержней с минимальным расходом стали при заданных конструктивных ограничениях.

"На поиск наилучшего варианта армирования конструктор тратит 4-7 рабочих дней. Наш сервис сокращает этот этап до автоматизированного расчета, а готовый результат передается непосредственно в BIM-модель для дальнейшего оформления и выпуска документации. В рамках пилотного тестирования с ГК "А101" мы адаптируем систему под стандарты компании. Это на 3-7 дней сократит обработку одного корпуса с типовыми плитами", — прокомментировал Андрей Астахов, CTO Contextmachine.

Программа команды AI Diagnost по тем же картам нагрузок подбирает арматуру под выделенные зоны. Система формирует готовую раскладку стержней с точным диаметром и длиной каждого элемента. Из всех вариантов алгоритм выбирает самый экономный по расходу металла и удобный для сборки на площадке.

"При ручном подборе арматуры инженеры часто округляют значения и закладывают стержни с избыточным запасом. Это делается для экономии времени на сложных расчетах. Наша программа перебирает варианты укладки и находит баланс между расходом металла и простотой монтажа. Алгоритм выдает готовую схему с оптимальным набором диаметров и длин. Такое решение снижает расход на 15–25% массы металла. Сейчас на архивных проектах девелопера мы сверяем раскладку алгоритма с расчетами проектировщиков, чтобы зафиксировать точную экономию на каждом типе плит", — пояснили в AI Diagnost.

Москва последовательно развивает условия для взаимодействия бизнеса и научного сообщества. "Крупные компании формулируют задачи, требующие новых технологических решений, а исследователи предлагают подходы к их реализации. Такие форматы сотрудничества помогают применять научные разработки на практике и создавать решения, отвечающие актуальным потребностям бизнеса", — отметил Максим Власов, заместитель генерального директора Московского инновационного кластера.