Aim: To assess the quality of answers generated by modern neural network models when determining the type of repair work on bridges and to verify their applicability for engineering decision support.
Methods: Based on the Russian regulatory framework, an original decision matrix was developed linking categories of technical condition, results of load-carrying capacity verification, and recommended types of work (routine repair, major repair, reconstruction). A unified engineering query on the criteria for choosing the type of work was posed to six popular AI models; their answers were qualitatively analyzed using three engineering markers: the role of load-carrying capacity verification, consideration of foundations and substructures, and the application of a risk-based approach. The quality of AI-generated answers is treated as a combination of three components: completeness (coverage of all necessary input data), relevance (compliance with current standards and the bridge management context), and engineering reliability (correctness of the recommended type of work from a risk perspective). Additionally, a cost–quality aspect was examined, taking into account the approximate cost of generating detailed answers.
Results: Neural network models are effective in structuring input data, selecting appropriate terminology, and retrieving regulatory references; however, they do not provide a reliable independent choice of the type of work in cases of incomplete data on foundations and the absence of verification calculations.
Conclusion: The results indicate that neural networks should be used as an auxiliary tool in engineering practice, with mandatory expert involvement and with comprehensive calculation data available; the comparison by the criteria "load-carrying capacity – foundations – risk – cost/quality" shows that low-cost models are suitable for quick text drafts, whereas tasks with strict regulatory requirements justify the use of more expensive models despite the increase in the approximate cost of a single detailed answer. The conclusions are compared with current approaches to digital twins and AI-supported management and decision-making.
Цель. Оценка качества ответов современных нейросетевых моделей при определении вида ремонтных работ на мостах и проверка их применимости для инженерной поддержки принятия решений.
Материалы и методы. На основе российской нормативной базы сформирована авторская матрица решений, связывающая категории технического состояния, результаты поверочного расчета грузоподъемности и рекомендуемые виды работ (текущий ремонт, капитальный ремонт, реконструкция). Шести популярным ИИмоделям задан единый инженерный вопрос о критериях выбора вида работ; выполнен качественный анализ ответов по трем инженерным маркерам: роль расчета несущей способности и грузоподъемности, учет фундаментов и опор, применение рискориентированного подхода. Качество ответов искусственного интеллекта рассматривается как совокупность трех компонентов: полноты (учет всех необходимых исходных данных), актуальности (соответствие действующим нормативным документам и контексту управления мостами) и инженерной достоверности (корректность рекомендуемого вида работ с учетом риска). Дополнительно рассмотрен аспект «цена–качество» с учетом ориентировочной стоимости генерации развернутых ответов.
Результаты. Показано, что нейросети эффективны для структурирования исходных данных, подбора корректной терминологии и поиска нормативных ссылок, однако не обеспечивают надежного самостоятельного выбора вида работ при неполных данных по фундаментам и отсутствии расчетной проверки.
Заключение. Полученные результаты указывают на целесообразность использования нейросетей как вспомогательного инструмента в инженерной практике при обязательном участии специалиста и наличии полноценных расчетных данных; сопоставление по критериям «грузоподъемность – фундаменты – риск – цена/качество» показывает, что недорогие модели подходят для быстрых текстовых набросков, тогда как для задач с жесткими нормативными требованиями оправдано применение более дорогих моделей, несмотря на рост ориентировочной стоимости одного развернутого ответа. Выводы сопоставлены с современными подходами к цифровым двойникам и ИИподдержке управления и принятия решений.