ВведениеМашинное обучение или Machine Learning представляет собой одно из направлений искусственного интеллекта, в рамках которого используются данные для имитации человеческого обучения. Таким образом, под искусственным интеллектом будем принимать область науки и инжиниринга, а машинное обучение рассматривать, как ее раздел.Различают четыре основных типа методов машинного обучения (ММО). Их классификация представлена на рис.1.  Рис.1. Классификация методов машинного обученияКонтролируемый ММО предполагает наличие набора данных с желаемыми результатами, алгоритму же необходимо выяснить, как эти результаты достичь. Неконтролируемый ММО также ориентирован на изучение данных и выявление закономерностей, однако первоначально ожидаемые результаты не заданы. Полуконтролируемый ММО является квинтэссенцией первых двух, т.е. использует не только маркированные – четко описанные – данные, но и немаркерованные данные. ММО с подкреплением предполагает, что машина может   учиться на своем опыте и адаптировать полученный подход для достижения наилучших результатов. Так, например, наибольшее распространение получил метод «глубокого обучения», который используется при распознавании речи и при обработке естественного языка.  В целом методы машинного обучения используются во многих областях: для борьбы с мошенничеством в финансовых операциях, для обнаружения, например, пропавших домашних животных и пр. Однако в строительной отрасли методы машинного обучения пока не столь популярны. Вопросам цифровой трансформации строительной отрасли посвящено значительное количество публикаций [1-3 и др.], в тоже время в [4] авторами определены методы машинного обучения, как перспективные в условиях цифровой трансформации строительной отрасли.  В настоящей публикации основной целью является анализ практики применения методов машинного обучения в строительной отрасли. Базой исследования стала национальная библиографическая база данных научного цитирования – РИНЦ.МетодологияВ [4] определены перспективные в условиях цифровой трансформации строительной отрасли технологии Индустрии 4.0.  В настоящей публикации будет проведен анализ опыта применения методов машинного обучения в строительной отрасли России. Для проведения анализа применения методов машинного обучения в строительной отрасли сформирована выборка публикаций, представленных в РИНЦ, опубликованных в период с 2018 по 2022 гг. Выборка сформирована по ключевым словам: «машинное обучение» и «строительство». Всего в выборке собрано 59 публикаций. Для дальнейшего анализа выбраны публикации с наибольшим количеством цитирования, как наиболее релевантные.  Таким образом, схему проведения исследования можно представить в виде укрупненного алгоритма, представленного на рис. 2.Рис.2. Обобщенная схема исследованияРезультатыВ результате сформирована выборка из 59 публикаций, анализ наиболее цитируемых представлен ниже:№ п/пСсылкаКраткое содержание Область применения  [5]Статья посвящена разработке гибридного метода прогнозирования и предупреждения развития осложнений в процессе бурения скважин на базе методов машинного обучения и нейросетевых моделей. Показаны визуализированные примеры работы разработанных методов на симуляционных и реальных данных. Предложена нейросетевая модель для предотвращения осложнений и аварийных ситуаций в процессе строительства скважин. Нефтегазовая промышленность [6]Рассмотрено влияние искусственного интеллекта на развитие в строительной отрасли. Приведены примеры использования ИИ и машинного обучения в строительстве.Строительная отрасль/обзор  [7]В статье представлен системный анализ буровых данных, получаемых со станций геолого-технологических измерений в режиме реального времени. Анализ выявил основные проблемы, в том числе, отсутствие базового ПО для распознавания и предупреждения осложнений и аварийных ситуаций на основе данных, отсутствие достоверной литолого-стратиграфической информации по описанию шламу при проведении геолого-технологического измерений. Определен перечень геолого-геофизических данных, необходимый для решения задачи предупреждения осложнений и аварийности при бурении и строительстве нефтяных и газовых скважин. Геолого-технологические параметры по глубине ствола скважины, получаемые в режиме реального времени, были классифицированы по степени их применимости в методах машинного обучения.Нефтегазовая промышленность [8]В работе описана технология выявления нештатных ситуаций с помощью обучающих алгоритмов, анализа распределения и сегментации процесса на базе действующей геолого-технологических модели месторождения в процессе строительства и эксплуатации скважин. Нефтегазовая промышленность [9]В статье представлен пример созданного коллективом разработчиков экспериментального образца автоматизированной системы предотвращения аварийных ситуаций на основе постоянно действующих геолого-технологических моделей месторождений с применением технологии искусственного интеллектаНефтегазовая промышленность [10]В статье рассматривается интеграция предиктивной аналитики и опыта строительства скважин и эксплуатации месторождений для повышения эффективности мониторинга динамических процессов, а также организации безаварийного производства в отрасли.Нефтегазовая промышленность [11]В настоящее время в горнодобывающей промышленности, гражданском и дорожном строительстве широко применяются твердые сплавы, совершенствование которых требует разработки новых технологий, основанных на принципиально новых подходах. В статье представлен метод анализа микроструктуры с использованием компьютерной обработки с элементами машинного обучения и искусственного интеллектаГорнодобывающая промышленность, гражданское, дорожное строительство   [12]В статье представлен обзор процесса развития генеративного дизайна и его возможностях применения в строительстве. Строительная отрасль  [13]В представленной работе изучаются основные характеристики трекера с использованием данных по протон-протонным взаимодействиям, полученных с помощью моделирования методом Монте-Карло.Атомная отрасль [14]В статье сформулирована концепция в виде электронной автоматизированной модели с использованием беспилотных летательных аппаратов, приведен механизм мониторинга и контроля строительно-монтажных работ и материально-технического обеспечения. Строительная отрасль  [15]В статье представлены наиболее распространенные в настоящее время методы и средства выявления оползневых участков с целью эффективного управления рисками. Строительная отрасль/обзор  [16]В статье описаны преимущества искусственного интеллекта в строительной отрасли, представлен краткий анализ использования больших данных в строительной отрасли. Отдельное внимание уделено строительным роботам и BIM-технологиям, а также программному обеспечению, которое необходимо для их совместной работы. Показана целесообразность применения беспилотных летательных аппаратов (дронов) в строительной отрасли. Строительная отрасль/обзор [17]В статье описаны особенности цифровой модернизации на базе внедрения методов искусственного интеллекта, основанных на машинном обучении и искусственных нейронных сетях. Нефтегазовая промышленность / обзор [18]В работе представлен обзор современных методов анализа больших данных и обработки изображений, а также технологий искусственного интеллекта применительно к задаче обеспечения безопасности при строительстве нефтяных и газовых скважин. Нефтегазовая промышленность / обзор [19] В работе рассматривается в общем виде подход к управлению цифровой трансформацией проектных организаций отрасли строительства с применением инструментария сквозных цифровых технологий. Строительная отрасль/обзор  [20]В статье представлены решения задач обеспечения безопасности строительства нефтяных и газовых скважин на суше и на море с использованием интеллектуальных систем раннего предупреждения осложнений в виде поглощений бурового раствора по результатам обработки больших объемов данных со станций геолого-технологических измерений. Преимущество применения методов машинного обучения для решения таких задач заключается в том, что в ходе их создания и обучения с заданной точностью выявляются явные и скрытые закономерности между геолого-геофизическими, техническими и технологическими параметрами.Нефтегазовая промышленность [21]Статья посвящена описанию математической модели на основе алгоритмов машинного обучения для автоматического подбора параметров режима бурения по различным критериям оптимизации.Нефтегазовая промышленность   В таблице представлено краткое описание публикации и отрасль, к которой относится разработка. В случае, если публикация носит обзорный характер в столбце «Область применения» добавляется отметка «обзор».Выводы Анализ публикаций показал, что в настоящее время в строительной отрасли методы машинного обучения используются преимущественно в нефтегазовой промышленности, при этом разработанные методы позволят минимизировать непроизводительное время бурения [5], выявлять нештатные ситуации с помощью обучающих алгоритмов [8] и пр. Статьи, относящиеся непосредственно к строительной отрасли, как правило, носят обзорный характер и не содержат решений, внедренных в строительный процесс. В тоже время в отдельных изданиях, опубликованных недавно (конец 2022г. – начало 2023 г.) представлены публикации, описывающие использование машинного обучения и искусственного интеллекта для решения строительных задач [22].