Определение технического состояния конструкций зданий с использованием нейро‑нечёткой логики

Объектом исследования является техническое состояние наружных кирпичных стен зданий. Для решения задачи определения их общего технического состояния предложена модель, использующая гибридный подход, объединяющий интерпретируемость нечеткой логики и обучаемость нейронных сетей.Разработана нейро-нечеткая сеть с пятью слоями и шестью правилами нечеткого вывода. Определение технического состояния наружных стен выполняется на основании 12 диагностических признаков. Сформирована обучающая выборка из 100 фасадов на основе анализа данных 20 реальных объектов. Для устранения дисбаланса классов при обучении применялись весовые коэффициенты. Программная реализация выполнена в среде VS Code на языке Python с использованием библиотек TensorFlow и Keras.Точность модели на тестовой выборке достигла 80–88% (в зависимости от инициализации весов), уверенность прогноза составила 0.80–0.99. Точность на 4–8 процентных пункта выше, чем у моделей машинного обучения Random Forest и AutoGluon, обученных на тех же данных. При проверке на двух реальных зданиях, не входивших в обучающую выборку, предсказанные категории технического состояния полностью совпали с экспертными заключениями. В пограничных случаях уверенность прогноза снижалась до 0.65–0.72. Впервые нейро-нечеткая логика адаптирована для диагностики кирпичных стен, что обеспечивает сочетание интерпретируемости нечетких правил с обучаемостью нейронных сетей и позволяет минимизировать субъективность экспертных оценок.