Խելացի շինարարություն. ինչպե՞ս կարող է արհեստական բանականությունը բարելավել անվտանգությունը շինհրապարակում

Արհեստական բանականությունն (ԱԲ) այսօր ակտիվորեն թափ է հավաքում՝ ներթափանցելով նորանոր ոլորտներ։ Շինարարությունը բացառություն չէ, թեև երկար ժամանակ ենթադրվում էր, թե այս ոլորտում գրեթե ամեն ինչ կախված է մարդկային գիտելիքներից և փորձից։

Արհեստական ​​բանականությունը, օրինակ, կարող է օգնել զգալիորեն բարելավելու անվտանգությունը շինհրապարակում: Եվ ահա թե ինչպես։

Աշխատավայրում վտանգի հայտնաբերում

Ըստ Միացյալ Թագավորության աշխատավայրում առողջության և անվտանգության պայմանների վերահսկողության վարչության տվյալների՝ 2019-2020 թվականներին երկրում աշխատավայրում ստացած վնասվածքների պատճառով մահացել է 142 մարդ, վնասվածքներ է ստացել ևս 693,000 մարդ, որոնց բուժման համար միլիարդավոր ֆունտ ստեռլինգ է ծախսվել։

Շինհրապարակում իսկապես շատ վտանգներ կան, և, հետևաբար, շինարարների անվտանգության ապահովումը շատ լուրջ խնդիր է։ Իսկ ԱԲ-ն կարող է մեծապես օգնել աշխատավայրում պատահարների հայտնաբերման, կանխատեսման և կանխարգելման գործում:

Օբյեկտների հետագծման տեխնոլոգիաները (object tracking) կարող են օգտագործվել աշխատավայրում դյուրավառ կամ այլ նյութեր հայտնաբերելու համար, որոնք պոտենցիալ վտանգ են ներկայացնում, կամ, օրինակ, սուր մակերեսները, որոնց դիպչելով մարդը կարող է վնասվածք ստանալ: ԱԲ-ի մոդելներն այնուհետև կարող են իրական ժամանակում մենեջերներին և աշխատողներին զգուշացնել վտանգի մասին, ինչը նրանց կխրախուսի ավելի զգույշ և զգոն լինել:

Այսպիսի տեխնոլոգիաներ, ներառյալ համակարգչային տեսողությունը և ԱԲ-ն, արդեն օգտագործվում են բազմաթիվ ընկերությունների կողմից, որոնց նպատակն է աշխատավայրում «դժբախտ պատահարները հասցնել զրոյի»: Նրանց թվում են IRIS-ը, Everguard-ը և շատ այլ ընկերություններ:

Անհատական ​​պաշտպանիչ միջոցների հայտնաբերում

Անհատական պաշտպանիչ միջոցները (ԱՊՄ) կարող են կյանքեր փրկել, բայց խնդիրն այն է, որ միշտ չէ, որ շինհրապարակում դրանք ճիշտ են օգտագործվում, եթե առհասարակ օգտագործվում են: NIOSH-ի տվյալների համաձայն՝ ԱՄՆ-ում ամեն օր աշխատավայրում վնասվածքներ է ստանում մոտ 2000 մարդ, ինչը կարող էր կանխվել ԱՊՄ-ների պատշաճ օգտագործման դեպքում:

Շինարարության ոլորտում պատասխանատուները սովորաբար չեն հասցնում հետևել ամեն ինչին, և նրանք կարող են պարզապես չնկատել, որ որոշ աշխատողներ տարածքում շրջում են առանց ԱՊՄ-ների: Այնուամենայնիվ, համակարգչային տեսողության տեխնոլոգիաները կարող են օգնել նրանց. օրինակ՝ շինհրապարակում տեղադրված տեսախցիկները կդառնան լրացուցիչ աչքեր, որոնք կարող են վերահսկել աշխատողներին, իսկ ԱԲ-ն կվերլուծի, թե արդյոք նրանք դրել են հատուկ ակնոցներ, սաղավարտներ, արդյոք հագել են ձեռնոցներ, լույսն անդրադարձնող բաճկոններ և այլ ԱՊՄ-ներ, որոնք անհրաժեշտ է կրել շինհրապարակում։

Նման տեխնոլոգիա այսօր արդեն կա. մասնագետները ստեղծել են համակարգչային տեսողության համակարգ, որը կարող է իրական ժամանակում որոշել շինարարների կեցվածքը և անհատական ​​պաշտպանության միջոցների առկայությունը: Համակարգը վերապատրաստվել է շինհրապարակներում տեղադրված 95 տեսախցիկների արած տեսանյութերի հիման վրա և ի վիճակի է հայտնաբերել ութ տեսակի ԱՊՄ և ինը տարբեր կեցվածք:

Նոր վիդեոտվյալների վրա փորձարկման ժամանակ համակարգն իսկապես խոստումնալից արդյունքներ է ցույց տվել, և մշակողները վստահ են, որ այն կարող է օգտագործվել իրական շինհրապարակում:

Կոռոզիայի հայտնաբերում

Արհեստական ​​բանականության մեթոդները, ինչպիսիք են պատկերների դասակարգումը և օբյեկտների հայտնաբերումը, կարող են օգտագործվել նաև շինհրապարակում կոռոզիայի հայտնաբերման համար, որը լուրջ վտանգ է ներկայացնում ինչպես մարդկանց, այնպես էլ շինարարական աշխատանքների համար։ Կոռոզիայի հետևանքով կարող են կոտրվել սարքավորումներն ու կոնստրուկցիաները, ինչն իր հերթին կարող է հանգեցնել վնասվածքների և մահվան, ինչպես նաև բարձրացնել տեխսպասարկման պահպանման ծախսերը, ինչը նույնպես ոչ պակաս կարևոր է:

Ըստ V7labs-ի՝ շատ երկրներում շինհրապարակներ են այցելում հավաստագրված տեսուչները, որոնք, փաստացի, կոռոզիայի հետքեր են փնտրում։ Բայց մարդկային աչքը կարող է և սխալվել, իսկ ԱԲ-ն դա կարող է շատ ավելի լավ անել:

Infosys-ի նման ընկերություններն արդեն մշակում են նեյրոնային ցանցերի վրա հիմնված արհեստական բանականության լուծումներ կոռոզիան հուսալի և հետևողականորեն կերպով հայտնաբերելու և դասակարգելու համար: Ներկայումս ընկերության ԱԲ-ն, թեև վերապատրաստվել է համեմատաբար փոքր տվյալների բազայի վրա, կարող է բացահայտել և դասակարգել խնդիրը 70% ճշգրտությամբ: Իսկ ավելի շատ տեսողական տվյալների վրա սովորելու դեպքում ալգորիթմի ճշգրտությունը միայն կավելանա։