Управление строительной площадкой на основе большой языковой модели для подготовки к опасным погодным явлениям
Large Language Model–Based Construction Site Management for Severe Weather Preparedness
2025-10-27
SCID: 54.1/3ak8r7tt
Discuss with AI
BERTScoreуправление строительной площадкойдообучениебольшие языковые моделиподготовка к неблагоприятным погодным условиям
Figures from the paper
Abstract (AI)
Опасные погодные явления создают значительные риски для строительных площадок, воздействуя на материалы, оборудование и временные конструкции. Современные ресурсы федеральных органов и органов власти штатов по подготовке к таким явлениям в основном содержат общие рекомендации по действиям в чрезвычайных ситуациях, оставляя специалистов строительной отрасли с ограниченным набором инструментов для подготовки к опасным погодным явлениям с учетом специфики конкретной площадки. В настоящем исследовании этот пробел устраняется посредством разработки платформы на основе большой языковой модели (LLM), адаптированной для управления строительной площадкой и предназначенной для предоставления проактивных рекомендаций по защите строительных материалов, а также незавершенных и временных конструкций от воздействия опасных погодных явлений. Платформа включает три основных модуля: (1) комплексный поиск, (2) подготовку данных и (3) разработку LLM. На этапе комплексного поиска в рамках обширного анализа литературы были изучены передовые методы управления. Затем на этапе подготовки данных текстовые исходные данные были расширены с использованием ChatGPT для повышения разнообразия набора данных и улучшения способности модели предоставлять адаптированные проактивные рекомендации. Наконец, существующие LLM были дообучены на специально сформированном наборе данных для разработки адаптированных моделей. Практический пример демонстрирует эффективность дообученных моделей при формировании проактивных рекомендаций. Результаты оценки производительности показывают, что дообученные модели, особенно модель для строительных материалов и незавершенных и временных конструкций 3-30E (модель CMITS3-30E), достигли значения F1 метрики BERT (BERTScore), основанной на двунаправленных представлениях кодировщика из преобразователей (Bidirectional Encoder Representations from Transformers, BERT), равного 0,852, обеспечивая оптимизированные проактивные действия при сохранении вычислительной эффективности. Разработанная LLM будет помогать специалистам, предоставляя точные проактивные действия, что позволит снизить ущерб имуществу, финансовые потери и риски для безопасности. В целом предложенная платформа не только способствует повышению готовности к опасным погодным явлениям, но и совершенствует управление безопасностью строительства, предлагая адаптированные рекомендации по запросу для повышения устойчивости строительных площадок.
Key Findings
1
Тематическое исследование показало, что дообученные модели формируют проактивные рекомендации по защите строительных материалов, незавершенных и временных конструкций.
2
Модель CMITS3-30E достигла значения F1 метрики BERTScore 0,852, одновременно обеспечивая качество рекомендаций и вычислительную эффективность.
3
Система объединяет поиск передовых практик на основе анализа литературы, расширение данных с помощью ChatGPT и дообучение существующих LLM на специализированных наборах данных.
4
Система предоставляет адаптированные рекомендации по требованию, направленные на снижение ущерба имуществу, финансовых потерь и угроз безопасности на строительных площадках из-за опасной погоды.
5
В исследовании представлена LLM-система для подготовки строительных площадок к опасным погодным явлениям с учетом конкретных условий объекта, преодолевающая ограничения общих рекомендаций государственных органов.
Research Object
Управление строительными площадками для подготовки к опасным погодным явлениям, включая строительные материалы и незавершенные или временные конструкции
Research Subject
подготовка к экстремальным погодным явлениям с учётом особенностей площадки и проактивные рекомендации по защите материалов, незавершённых или временных конструкций
Publication Details
Publication Date
2025-10-27
Journal
Publisher
ISSN
Cited by
6
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest