КОМП’ЮТЕРНІ ТЕХНОЛОГІЇ ЧИСЛОВОГО МОДЕЛЮВАННЯ БУДІВЕЛЬНИХ КОНСТРУКЦІЙ З ВИКОРИСТАННЯМ ШТУЧНОГО ІНТЕЛЕКТУ
DOI:
https://doi.org/10.32782/apcmj.2024.3.10Ключові слова:
комп’ютерні технології, штучний інтелект, будівельні конструкції, метод скінченних елементів, квазілінійна регресія, метод найменших квадратів, жорстке аеродромне покриттяАнотація
Стаття присвячена питанню використання штучного інтелекту у комп’ютерних технологіях числового моделювання будівельних конструкцій. Штучний інтелект (ШІ) – це технологія, яка дозволяє машинам думати, навчатися та діяти незалежно. Його можна використовувати для автоматизації завдань і надання інформації для оптимізації будівельних процесів і проєктів. Проаналізовано роль штучного інтелекту в будівельній галузі, перераховані переваги його використання. Розглянуто спосіб використання ШІ ChatGPT для регресійного аналізу при проєктуванні жорстких аеродромних покриттів. Комп'ютерні технології числового моделювання будівельних конструкцій та штучний інтелект мають великий потенціал для вдосконалення будівництва та цивільної інженерії. За допомогою цих технологій можна досягти покращення у якості будівельних проєктів та забезпечити сталість і стійкість споруд у майбутньому. Але варто пам'ятати, що комп'ютерні технології та ШІ мають бути використані як допоміжний інструмент, а не як заміна для людської експертизи і професійної кваліфікації.
Посилання
Abambres, M., & Ferreira, A. (2017). Application of ANN in Pavement Engineering: State-of-Art. Mechanical Engineering eJournal. https://doi.org/10.2139/ssrn.3351973
Abed, A., Thom, N.H., Campos-Guereta, I., & Airey, G. (2022). Improved Multi-layer Analysis of Pavement Response Using Neural Networks to Optimize Numerical Integration. International Journal of Pavement Research and Technology. https://doi.org/10.1007/s42947-022-00255-x
Ali Z. Ashtiani, Thomas Paniagua, Timothy Parsons, and Greg Foderaro (2022). Machine Learning Solutions for Top-Down Cracking Design of Airport Rigid Pavement [online]. Final Report DOT/FAA/TC-22/44, Federal Aviation Administration William J. Hughes Technical Center, Aviation Research Division, Atlantic City, International Airport, New Jersey. Available from Internet: https://www.airporttech.tc.faa.gov/Products/Airport-Pavement-Papers-Publications/Airport-Pavement-Detail/machine-learning-solutions-fortop-down-cracking-design-of-airport-rigid-pavement
Hadi Salehi, Rigoberto Burgueño. (2018). Emerging artificial intelligence methods in structural engineering,Engineering Structures, Volume 171, 2018, 170–189. https://doi.org/10.1016/j.engstruct.2018.05.084
Hooda, Y., Kuhar, P., Sharma, K., & Verma, N.K. (2021). Emerging Applications of Artificial Intelligence in Structural Engineering and Construction Industry. J Phys Conf Ser 2021. 1950. https://doi.org/10.1088/1742-6596/1950/1/012062
John Wolberg (2006). Data Analysis Using the Method of Least Squares. Springer, Berlin, Heidelberg. 250 p. https://doi.org/10.1007/3-540-31720-1_2
Karpov, V., Stepanchuk, O., Dubyk, O., Rodchenko, O., & Prentkovskis, O. (2023). Improvement of Methodology of Calculation and Assessment of Transport and Operational Condition of Airfield Pavement (on the Example of Airport Pavements of Kyiv and Mykolaiv International Airports). In: Prentkovskis, O., Yatskiv (Jackiva), I., Skačkauskas, P., Maruschak, P., Karpenko, M. (eds) TRANSBALTICA XIII: Transportation Science and Technology. TRANSBALTICA 2022. Lecture Notes in Intelligent Transportation and Infrastructure. Springer, Cham. https://doi.org/10.1007/978-3-031-25863-3_79
Kaya, O., Rezaei-Tarahomi, A., Ceylan, H.İ., Gopalakrishnan, K., Kim, S., & Brill, D.R. (2018). Neural Network–Based Multiple-Slab Response Models for Top-Down Cracking Mode in Airfield Pavement Design. Journal of Transportation Engineering, Part B: Pavements. https://doi.org/10.1061/JPEODX.0000035
Kaya, O. (2022). Development of Neural Network-Based Asphalt Mix Design Parameters Prediction Tool. Arabian Journal for Science and Engineering, 48, 12793 – 12804. https://doi.org/10.1007/s13369-022-07579-7
Jing, C., Zhang, J., & Song, B. (2020). An innovative evaluation method for performance of in-service asphalt pavement with semi-rigid base. Construction and Building Materials, 235, 117376. https://doi.org/10.1016/j.conbuildmat.2019.117376
Lapenko, O.I., Shevchenko, O.V., & Masud, N.N. (2018). Compression work of steel reinforced concrete columns. International Journal of Engineering and Technology (UAE), 2018, 7(3), pp. 229–331. https://doi.org/10.14419/ijet.v7i3.2.14408
Makhinko A., & Makhinko N. (2020). To the Calculation of the Optimal Level of Reliability by Using Economic Indicators / Lecture Notes in Civil Engineering, Vol. 47, Р. 251-259.https://doi.org/10.1007/978-3-030-27011-7_32
Phark, C., Kim, W., Yoon, Y., Shin, G.A., & Jung, S. (2018). Prediction of issuance of emergency evacuation orders for chemical accidents using machine learning algorithm. Journal of Loss Prevention in the Process Industries. https://doi.org/10.1016/j.jlp.2018.08.021
Phark, C., Kim, S., & Jung, S. (2022). Development to Emergency Evacuation Decision Making in Hazardous Materials Incidents Using Machine Learning. Processes. https://doi.org/10.3390/pr10061046
Rezaei-Tarahomi, A., Kaya, O., Ceylan, H., Gopalakrishnan, K., Kim, S., & Brill, D.R. (2017). Sensitivity quantification of airport concrete pavement stress responses associated with top-down and bottom-up cracking. International Journal of Pavement Research and Technology, 10, 410–420. http://dx.doi.org/10.1016/j.ijprt.2017.07.001
Rezaei-Tarahomi, A., Kaya, O., Ceylan, H.İ., Kim, S., Gopalakrishnan, K., & Brill, D.R. (2017). Development of rapid three-dimensional finite-element based rigid airfield pavement foundation response and moduli prediction models. Transportation geotechnics, 13, 81-91. https://doi.org/10.1016/j.trgeo.2017.08.011
Rezaei Tarahomi, A., Kaya, O., Ceylan, H.İ., Gopalakrishnan, K., Kim, S., & Brill, D.R. (2020). ANNFAA: artificial neural network-based tool for the analysis of Federal Aviation Administration’s rigid pavement systems. International Journal of Pavement Engineering, 23, 400–413. https://doi.org/10.1080/10298436.2020.1748627
Rodchenko, O. (2017). Computer technologies for concrete airfield pavement design. Aviation, 21(3), 111–117. https://doi.org/10.3846/ 16487788.2017.1379439
Salsilli, R., Wahr, C., Delgadillo, R., Huerta, J., & Sepúlveda, P. (2015). Field performance of concrete pavements with short slabs and design procedure calibrated for Chilean conditions. International Journal of Pavement Engineering, 16, 363–379. https://doi.org/10.1080/10298436.2014.943129
Tarahomi, A.R., Kaya, O., Ceylan, H., Gopalakrishnan, K., Sunghwan Kim, S., & Brill, D.R. (2022). ANNFAA: artificial neural network-based tool for the analysis of Federal Aviation Administration’s rigid pavement systems. International Journal of Pavement Engineering, 23. 2, 400–413. https://doi.org/10.1080/10298436.2020.1748627
Yang, X., Jinchao, G., Ling, D., You, Z., Lee, V.C., Hasan, M.R., & Cheng, X. (2021). Research and applications of artificial neural network in pavement engineering: a state-of-the-art review. Journal of Traffic and Transportation Engineering. https://doi.org/10.1016/j.jtte.2021.03.005
