Experimental assessment of artificial intelligence performance when choosing the type of repair work on bridges

Full Text

Введение

Инструменты искусственного интеллекта (ИИ) активно входят в повседневную практику инженеров: поиск нормативных ссылок, черновики пояснительных записок, структурирование данных обследования. Краткий обзор применения подобных инструментов в области транспортного и промышленно-гражданского строительства может быть получен из анализа работ [1–9].

Одновременно с развитием инструментов ИИ в мостостроении активно развиваются системы управления мостами (Bridge Management Systems, BMS), в которых решения по ремонту и реконструкции принимаются на основе модулей управления данными, диагностики, прогноза и технико-экономического сравнения вариантов по стоимости жизненного цикла и риску [10–13]. В международных обзорах подчеркивается, что по мере старения мостового фонда удельная доля затрат смещается от нового строительства к эксплуатации, ремонту и реконструкции, а прогноз изменения состояний конструкций часто выполняется на основе марковских моделей деградации и риск-ориентированных моделей жизненного цикла [10–12]. Для обоснования актуальности настоящего исследования на рис. 1 представлена авторская схема прогнозного перераспределения затрат между новым строительством, содержанием, ремонтом и решениями с применением цифровых технологий и ИИ на протяжении жизненного цикла мостов [14–16].

 

Рис. 1. Долгосрочный мировой тренд в области мостостроения, 1960–2060 гг.

Fig. 1. Long-term global trend in bridge construction, 1960–2060

 

Представленный график отражает обобщенный мировой тренд, который отражает инерционный сценарий развития мостового хозяйства при умеренном росте цифровизации и ИИ без радикальных скачков инвестиций, согласующийся с результатами исследований по управлению жизненным циклом и затратами на мостовые сооружения по США, ЕС, Японии и России. Ряд процентных значений являются авторской оценочной агрегацией мирового тренда. Допущение состоит в том, что в 1960–1980-х годах глобально преобладал инвестиционный цикл нового строительства, затем по мере старения крупных послевоенных и индустриальных программ приоритет сместился к содержанию, ремонту и продлению срока службы. Наиболее ранний и резкий переход от доминирования нового строительства к преобладанию затрат на эксплуатацию и ремонт отмечается в Китае, где пик массового ввода мостов и транспортных магистралей пришелся на 2000-е годы, а значимое старение мостового фонда ожидается уже в ближайшие десятилетия [16].

Вместе с тем остается открытым вопрос, способны ли современные нейросетевые модели формировать методически корректный ответ на центральный инженерный вопрос — «какой вид работ необходим?». В настоящей статье представлен эксперимент с шестью ведущими ИИ-моделями по выбору вида ремонтных работ на мостах, при этом качество их ответов оценивается как совокупность полноты (учет исходных данных), актуальности (соответствие нормам и контексту управления мостами) и инженерной достоверности (корректность рекомендаций с позиции риск-ориентированного подхода), что позволило сформулировать практические рекомендации и примеры промптов для инженеров.

Нормативная основа и авторская методика

Ключевым инструментом методики служит Табл. 1, представляющая собой матрицу решений, связывающую категорию технического состояния по ГОСТ Р 596182021, ориентировочный физический износ, расчетный резерв несущей способности и рекомендуемый вид работ. Матрица основных решений, совместно с тремя инженерными маркерами, обеспечивает структурированную проверку качества ответов ИИ. Предложенная методика развивает подходы, изложенные в пособии по оценке технического состояния и выбору видов работ для искусственных сооружений, и реализует рискориентированный подход, близкий к матричным методам оценки рисков и интеграции данных мониторинга с использованием нейросетевых моделей [17–23].

 

Таблица 1. Матрица решений по выбору вида работ для мостов и путепроводов

Table 1. Decision matrix for selecting the type of works for bridges and overpasses

Категория технического состояния	Физич. износ, %	Типичные дефекты (краткое описание)	Рекомендуемый вид работ
Отличное / хорошее (исправное)	до 20	Поверхностные трещины в покрытии, волосяные трещины в защитном слое, незначительный износ деформационных швов	Текущий ремонт: профилактика, устранение поверхностных дефектов, очистка водоотвода
Удовлетворительное (неисправное, работоспособное)	20–40	Трещины раскрытием 0,2–0,3 мм; начальная карбонизация; поверхностная коррозия; повреждения защитного слоя до 10–15%	Текущий ремонт / ранний капитальный ремонт: заделка трещин, восстановление защитного слоя, ремонт опорных частей
Неудовлетворительное (ограниченно-работоспособное)	40–60	Трещины >0,3 мм; активная коррозия арматуры; значительный износ опорных частей; деформации опор; дефицит несущей способности до 20%	Капитальный ремонт: ремонт опор, восстановление/замена несущих конструкций, устройство сопряжений
Предаварийное (неработоспособное)	60–75	Сквозные трещины; значительные прогибы; потеря сечения арматуры; разрушение опор и устоев; повреждения фундаментов	Реконструкция: замена пролетных строений, изменение расчетной схемы, усиление/замена опор и фундаментов; обязательные ограничения
Аварийное (предельное)	>75	Одна или несколько несущих конструкций в предельном состоянии первой группы; угроза обрушения	Реконструкция или строительство нового сооружения; немедленное закрытие движения

 

Центральный элемент принятия решения о виде работ – поверочный расчет несущей способности и грузоподъемности пролетных строений и опор с учетом фактических характеристик материалов и выявленных повреждений (СП 79.13330.2012, п. 7.3; СП 274.1325800.2016, Приложение Б). Расчет выполняется в программных комплексах (например, Midas с применением метода конечных элементов) и определяет наличие или отсутствие расчетного резерва несущей способности, а также необходимость введения ограничений по нагрузке, скорости или габариту.

Ключевым требованием методики является наличие данных по фундаментам: при отсутствии результатов их обследования и поверочного геотехнического расчета несущей способности опор выбор стратегии реконструкции считается методически недостоверным, а техническое состояние следует оценивать более консервативно. Методика опирается на риск-ориентированный подход с трехцветными индикаторными зонами (зеленая – допустимые напряжения, желтая – приближение или кратковременное превышение, красная – недопустимое состояние), что позволяет напрямую увязать данные мониторинга, цифровых информационных моделей (ЦИМ) и систем непрерывного мониторинга мостов (СНММ) с решениями по вмешательству. В качестве временного горизонта используются нормативные сроки из СП 35.13330.2011: расчетный срок службы основных несущих конструкций, интервалы до первого ремонта и минимум 25 лет после реконструкции, которые закладываются в ТЭО. При этом ст. 34 Бюджетного кодекса РФ в связке с п. 5.1 СП 35.13330.2011 требует обосновывать выбор между капитальным ремонтом и реконструкцией через технико-экономическое сравнение конкурентных вариантов по стоимости жизненного цикла и уровню риска.

Описание эксперимента с нейросетями

В рамках настоящего исследования 08 апреля 2026 года шести ИИ-моделям через мобильные приложения был задан идентичный вопрос: «Как определить, когда мосту нужен текущий ремонт, капитальный ремонт или реконструкция?»

Дополнительный вопрос касался уточнения модели, примерного числа токенов и стоимости генерации ответа. Оценка ответов по трем основным маркерам (Табл. 2): расчет грузоподъемности, учет фундаментов и риск-ориентированный подход – носит качественный характер: «полностью» – маркер раскрыт методически корректно; «частично» – упомянут, но без конкретики или с неточностями; «нет» – маркер отсутствует, в итоговой диаграмме оценку выносим по 5-баллой системе.

Протестированные модели: Perplexity (GPT-5.1), Grok-2, Mistral Large, Qwen3.6, DeepSeek-V3, YandexGPT / Alice AI.

Примеры избраных скриншотов ответов даны на примере моделей: YandexGPT и Qwen3.6 (Рис. 2), где зафиксирован маркер 1 – Расчет грузоподъемности.

 

Рис. 2. Фрагменты ответов YandexGPT и Qwen3.6 по маркеру расчета грузоподъемности и стоимости

Fig. 2. Fragments of YandexGPT and Qwen3.6 answers according to the load-carrying capacity and cost marker

 

Описание эксперимента с нейросетями

Описание ключевых маркеров для тестирования

По первому маркеру – расчету грузоподъемности – методика требует ставить поверочный расчет несущей способности в центр решения, как это принято в современных системах управления состоянием мостов и автоматизированных системах эксплуатации искусственных сооружений, описанных, в частности, в работах А.В. Сыркова [24, 25]; в полной мере эту логику воспроизвели только YandexGPT и Qwen3.6 (Табл. 2), тогда как остальные модели ограничились общими упоминаниями или некорректными порогами. По второму маркеру (фундаментам и опорам) ни одна из моделей не выделила обследование фундаментов как отдельный критический этап с последствиями для выбора между капитальным ремонтом и реконструкцией, что идет вразрез с методикой и с подходами, заложенными в современных отраслевых документах по мониторингу искусственных сооружений. По третьему маркеру (риск-ориентированному подходу) максимальный уровень показали YandexGPT и Qwen3.6, тогда как другие модели дают лишь частичный анализ рисков, не используют индикаторные зоны и не опираются на формализованные пороговые сценарии, как это требует современный риск-ориентированный подход к мониторингу и эксплуатации; в результате применимость их ответов для систем мониторинга мостовых сооружений ограничена с точки зрения требований, консолидируемых в реестре нормативных требований в области инженерных изысканий, проектирования, строительства и эксплуатации, размещенном в ЕИС «Стройкомплекс.РФ» [26].

 

Таблица 2. Сравнительный анализ ответов ИИ-моделей по основным инженерным маркерам

Table 2. Comparative analysis of AI models’ responses based on the main engineering markers

Модель ИИ	Маркер 1: Расчет грузо-подъемности	Маркер 2: Фундаменты и опоры	Маркер 3: Риск-ориентированный подход	Соответствие нормам РФ
Perplexity / GPT-5.1 (OpenAI)	Частично. Упомянута оценка несущей способности и остаточного ресурса в 3-шаговом алгоритме. Числовые пороги не приведены. Расчет не выделен как центральный элемент.	Нет. Отдельного раздела по фундаментам нет. Опоры упомянуты в общем перечне конструктивных элементов.	Частично. Логика «цель работ → вид вмешательства» присутствует. Конкурентное сравнение вариантов упомянуто. Зоны риска (зеленый/желтый/красный) не использованы.	Умеренное. Нормы РФ не цитированы явно.
Grok-2 (xAI)	Частично. Приведены числовые пороги несущей способности: >80% - текущий ремонт; 50–80% – капитальный ремонт; <  50% – реконструкция. Но они не привязаны к российской нормативной базе и не связаны с категориями по ГОСТ Р 59618-2021.	Нет. Фундаменты не выделены как отдельная зона риска. Упомянуты в таблице типов инспекций, но без специального акцента.	Частично. Таблица с факторами риска (перегрузки, климат, возраст). ПО для расчетов (LIRA, ANSYS, MIDAS). Балльная система оценки. Нет цветовых зон риска.	Смешанное. Смесь международных (AASHTO, Eurocode) и российских норм. СП 78.13330.2012 – неверная ссылка.
Le Chat / Mistral Large (Mistral AI)	Частично. Оценка несущей способности указана как шаг инструментальной диагностики. Порог износа 50–60% для капитального ремонта приведен без связи с расчетным резервом.	Нет. Фундаменты не упомянуты ни в критериях, ни в примерах. Пробел методически критичен.	Нет. Риск-ориентированный подход и зоны состояния отсутствуют. Простая таблица «тип работ → срок службы после» без анализа рисков бездействия.	Слабое. Ссылка на СП 35.13330.2018 – версия не существует
Qwen3.6 (Tongyi Lab, Alibaba)	Полностью. Упоминает грузоподъемность в критериях оценки, привязывает к СП 35.13330.2011, указывает снижение коэффициента запаса ниже 1,0 как критерий срочного вмешательства. Наиболее развернутое описание из всех моделей.	Частично. Шаг 1 алгоритма включает осмотр «пролетных строений, опор, фундаментов». Однако отдельного акцента на неполноте обследования фундаментов и ее последствиях нет.	Полностью. ТЭО, мониторинг, система постоянного наблюдения, оценка рисков аварий, признаки срочного вмешательства – все присутствует. Упоминается ОДМ 218.3.014-2011.	Высокое. ГОСТ Р 59618-2021, СП 35.13330.2011, ОДМ 218.3.014-2011 – все актуальны.
DeepSeek-V3	Частично. В блок-схеме категории технического состояния привязаны к баллам (1–3), что косвенно отражает несущую способность. Числовых порогов нет, расчет явно не требуется.	Нет. Фундаменты не упомянуты. Алгоритм из 4 шагов ограничивается визуальным осмотром и балльной оценкой.	Частично. Ключевое отличие видов работ (восстановление /. изменение параметров) раскрыто корректно. Риски бездействия не анализируются. Цветовые зоны отсутствуют.	Умеренное. Нормы РФ не приведены явно, ссылка на балльную систему без указания ГОСТ.
YandexGPT / Alice AI LLM (Яндекс)	Полностью. Наиболее подробный ответ: фактическая грузоподъемность, коэффициент запаса, снижение до 70–80% → капитальный ремонт; ниже 70% → реконструкция. Привязан к ОДМ 218.3.014-2011.	Частично. Упоминается в этапах обследования (визуальный осмотр фундаментов). Нет акцента на критичности неполных данных по фундаментам.	Полностью. ТЭО с 6 критериями сравнения, категории 1–6 по ОДМ 218.3.014-2011, срочность при предельном и аварийном состоянии. Наиболее структурированный риск-анализ.	Высокое. ГрК РФ, ГОСТ Р 59200-2021, СП 35.13330.2011, Приказ Минтранса № 402, ОДМ 218.3.014-2011 – все актуальны.

 

Сводные выводы по качеству ответов ИИ

По совокупности трех инженерных маркеров ближе всего к авторской методике и российской нормативной базе подошли YandexGPT / Alice AI LLM и Qwen3.6: они корректно работают с понятием грузоподъемности, дают числовые пороги, опираются на ГОСТ Р 59618-2021, СП 35.13330.2011 и вводят ТЭО как обязательный элемент обоснования, тогда как у всех моделей сохраняются системные пробелы: отсутствует правило консервативной оценки при нехватке данных по фундаментам, не воспроизводится трехцветная система индикаторных зон, игнорируется принцип ст. 34 БК РФ о сравнении конкурентных вариантов и наблюдаются расхождения по порогам износа и отдельные ошибки в ссылках на нормы, требующие ручной проверки инженером.

На диаграмме (Рис. 3) сопоставлены четыре параметра: расчет грузоподъемности, учет фундаментов, риск-ориентированный подход и интегральный показатель «цена/качество» по шести моделям. YandexGPT и Qwen3.6 формируют наиболее «заполненный контур»: при более высокой стоимости (особенно у YandexGPT) они дают максимальную нормативную проработку и развитый риск-анализ. DeepSeek-V3 и Perplexity / GPT-5.1 обеспечивают приемлемую инженерную структуру при минимальной цене ответа и подходят для быстрых черновиков, но слабее по фундаментам и ссылкам на нормы РФ. Таким образом, выбор модели зависит от задачи: для черновой структуры выгоднее экономичные модели, для обоснования решений с опорой на СП и ГОСТ – более дорогие, но методически полные YandexGPT и Qwen3.6.

 

Рис. 3 Диаграмма по качеству ответов ИИ-моделей (5-балльная шкала)

Fig. 3. Quality diagram of AI-model answers (5-point scale)

 

Практические рекомендации инженерам

Для получения ответа, наиболее близкого к методическим требованиям, рекомендуется использовать следующий расширенный промпт:

«По результатам обследования моста установлено: физический износ пролетных строений – [X]%, обнаружены трещины раскрытием [Y] мм, коррозия арматуры на площади [Z]%. Поверочный расчет грузоподъемности показал дефицит несущей способности [N]%. Данные по фундаментам: [есть/отсутствуют]. Используя нормы СП 35.13330.2011, СП 79.13330.2012 и ГОСТ Р 59618-2021, определите категорию технического состояния и рекомендуемый вид работ: текущий ремонт, капитальный ремонт или реконструкцию. Приведите ссылки на конкретные пункты нормативных документов и укажите, требуется ли ТЭО с конкурентными вариантами согласно ст. 34 Бюджетного кодекса РФ».

Ключевые элементы промпта: конкретные числовые данные обследования; явное указание на наличие/отсутствие данных по фундаментам; перечень нормативных документов; вопрос о ТЭО. При такой постановке даже модели со средним уровнем (GPT-5.1, DeepSeek) дают значительно более точные ответы.

Следующие действия требуют профессионального суждения аттестованного инженера и не могут быть переданы ИИ:

1. Окончательный выбор вида работ – решение подписывается инженером с несением ответственности за безопасность сооружения.
2. Подписание акта и отчета по обследованию – по п. 6.6 СП 79.13330.2012 может требоваться участие представителей заказчика, проектной организации и организации, проводящей испытания.
3. Поверочный расчет несущей способности – требует сертифицированного программного обеспечения, актуальных исходных данных и специализированной квалификации, включая учет геотехнических факторов.
4. Ответственность за безопасность – ИИ не несет юридической или профессиональной ответственности; она полностью остается за инженером, чья подпись стоит под технической документацией.

Заключение и выводы

Выполнена экспериментальная оценка работы современных нейросетевых моделей при выборе вида ремонтных работ на мостах на основе российской нормативной базы и разработанной матрицы решений. Качество ответов рассматривалось как совокупность полноты, актуальности и инженерной достоверности с позиций рискориентированного подхода. Цель работы – оценка пригодности искусственного интеллекта для поддержки выбора вида ремонта мостовых сооружений – достигнута. Выводы могут быть сведены к следующим положениям.

1. Решения о текущем ремонте, капитальном ремонте и реконструкции мостов должны опираться на поверочный расчет несущей способности системы «пролетное строение – опора – фундамент – основание» и данные обследования фундаментов; при отсутствии этих данных выбор между капитальным ремонтом и реконструкцией методически ненадежен и должен приниматься по более консервативному варианту.
2. Около 80 % ответов нейросетевых моделей оказались полезны как черновой материал (структура, терминология, ссылки), но лишь порядка 20 % формулировок, по существу, соответствовали авторской методике; наилучшие результаты показали YandexGPT / Alice AI LLM и Qwen3.6.
3. Ни одна из моделей не воспроизвела ключевое правило: при отсутствии данных по фундаментам и их расчетной проверке вид работ выбирается по принципу «безопасность важнее экономии» с приоритетом более жесткого варианта и обязательного дополнительного обследования, поэтому ответы ИИ не могут служить достаточным основанием для ответственного инженерного решения без экспертной верификации.
4. Сопоставление по критериям «грузоподъемность – фундаменты – риск – цена/качество» показало, что недорогие модели целесообразны для быстрых текстовых набросков и структурирования обоснований, тогда как для задач с жесткими нормативными требованиями оправдано применение более дорогих моделей, несмотря на рост ориентировочной стоимости одного развернутого ответа примерно с 1–2 до 3–6 руб.
5. С учетом мирового тренда, когда до 60–70 % совокупных затрат на мостовое хозяйство приходится на содержание и ремонт, нейросетевые модели рационально рассматривать как цифрового помощника в модулях диагностики, прогноза и подготовки вариантов решений, но не в модуле окончательного выбора вида работ; дальнейшие исследования должны быть ориентированы на формализацию метрик качества ответов ИИ (по полноте, актуальности и достоверности) и процедур их верификации на типовых мостовых кейсах.

Авторы заявляют что:

1. У них нет конфликта интересов;
2. Настоящая статья не содержит каких-либо исследований с участием людей в качестве объектов исследований.

The authors state that:

1. They have no conflict of interest;
2. This article does not contain any studies involving human subjects.

About the authors

Ekaterina B. Shestakova

Petersburg State Transport University

Email: ekaterinamost6@gmail.com
ORCID iD: 0000-0002-2593-1800
SPIN-code: 3091-0062

Cand. Sci. (Engineering), Associate Professor

Russian Federation, St. Petersburg

Andrei A. Belyi

Petersburg State Transport University; Tashkent State Transport University; K2 Engineering, LLC

Author for correspondence.
Email: andbeliy@mail.ru
ORCID iD: 0000-0002-2825-1368
SPIN-code: 1729-5977

Dr. Sci. (Engineering), Associate Professor, Academic of Russian Transport Academy, Academic of International Transport Academy

Russian Federation, St. Petersburg; Tashkent, Uzbekistan; Moscow

References

Supplementary files