МЕТОДОЛОГИЯ ИНТЕГРАЦИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА И ТЕХНОЛОГИЙ ИНФОРМАЦИОННОГО МОДЕЛИРОВАНИЯ В ПРОЕКТИРОВАНИИ ДЕРЕВЯННЫХ МЕМОРИАЛЬНЫХ КОМПЛЕКСОВ

Шарип Магомедович Исаев; Полина Дмитриевна Шиндина; Анна Дмитриевна Занина

doi:10.36773/1818-1112-2026-139-1-50-58

Авторы

Шарип Магомедович Исаев Санкт-Петербургский политехнический университет Петра Великого https://orcid.org/0009-0006-8141-5110
Полина Дмитриевна Шиндина Санкт-Петербургский политехнический университет Петра Великого
Анна Дмитриевна Занина Санкт-Петербургский политехнический университет Петра Великого https://orcid.org/0000-0003-3629-5376

DOI:

https://doi.org/10.36773/1818-1112-2026-139-1-50-58

Ключевые слова:

информационное моделирование зданий, генеративный дизайн, диффузионные модели, параметрическое проектирование, деревянные конструкции, цифровые технологии проектирования, ArchiCAD, Stable Diffusion, нейросетевая визуализация, малые архитектурные формы

Аннотация

Современный этап развития строительной отрасли характеризуется активным внедрением цифровых технологий, создающих предпосылки для трансформации традиционных проектных процессов. Настоящее исследование посвящено разработке интегрированной методологии проектирования малых архитектурных форм мемориального назначения из древесины, основанной на последовательном применении генеративных нейросетевых моделей, параметрического информационного моделирования и алгоритмов автоматизированной визуализации.

Экспериментальная апробация выполнена на проектировании мемориального комплекса, включающего арочно-каркасную беседку диаметром 9,5 м и пятилучевую ферменную конструкцию. Применение диффузионных моделей Stable Diffusion и Midjourney позволило генерировать 40 концептуальных вариантов за 3,5 часа, что в 17–23 раза быстрее традиционного эскизирования. Систематический анализ выявил оптимальный объем текстового промпта в диапазоне 150–200 слов, обеспечивающий соответствие замыслу на уровне 8,9 балла по десятибалльной шкале при приросте качества на 43,5 % относительно кратких описаний.

Параметрическое моделирование выполнено в среде Graphisoft ArchiCAD с разработкой специализированных GDL-объектов и интеграцией расчетных модулей через Python API. Информационная модель уровня детализации LOD 350 включает 247 элементов арочной системы и 184 элемента ферменной конструкции. Автоматизированная проверка несущей способности реализована за 38 секунд с определением коэффициентов использования прочности 0,33 для первой конструкции и 0,27 для второй при расчетной нагрузке 0,3 кН/м.

Нейросетевая визуализация с применением диффузионных моделей и модуля ControlNet сократила временные затраты в 3,6–4,6 раза при сохранении качества на уровне 8,4 балла против 8,7 балла для традиционного рендеринга. Установлены оптимальные параметры генерации: denoising strength в диапазоне 0,60–0,70 и guidance scale в диапазоне 9–11 единиц.

Разработанная методология обеспечивает сокращение общих трудозатрат на 80–85 % с экономическим эффектом 6,66–13,28 млн рублей годовых для организации с проектным портфелем 15–20 объектов. Срок окупаемости инвестиций составляет 0,8–1,6 месяца. Результаты подтверждают целесообразность интеграции технологий искусственного интеллекта и информационного моделирования для создания эффективного адаптивного проектного процесса.

Биографии авторов

Шарип Магомедович Исаев, Санкт-Петербургский политехнический университет Петра Великого

Магистрант, Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург, Россия.

Полина Дмитриевна Шиндина, Санкт-Петербургский политехнический университет Петра Великого

Бакалавр, Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург, Россия.

Анна Дмитриевна Занина, Санкт-Петербургский политехнический университет Петра Великого

Старший преподаватель, Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург, Россия.

Библиографические ссылки

Azhar, S. Building Information Modeling (BIM): Trends, Benefits, Risks, and Challenges for the AEC Industry / S. Azhar // Leadership and Management in Engineering. – 2011. – Vol. 11, № 3. – P. 241–252. – DOI: 10.1061/(ASCE)LM.1943-5630.0000127.

BIM Handbook: A Guide to Building Information Modeling for Owners, Managers, Designers, Engineers and Contractors / C. Eastman, P. Teicholz, R. Sacks, K. Liston. – 2nd ed. – Hoboken : John Wiley & Sons, 2011. – 648 p. – DOI: 10.1002/9780470261309.

Caetano, I. Computational design in architecture: Defining parametric, generative, and algorithmic design / I. Caetano, L. Santos, A. Leitão // Frontiers of Architectural Research. – 2020. – Vol. 9, № 2. – P. 287–300. – DOI: 10.1016/j.foar.2019.12.008.

The wood from the trees: The use of timber in construction / M. H. Ramage, H. Burridge, M. Busse-Wicher [et al.] // Renewable and Sustainable Energy Reviews. – 2017. – Vol. 68. – P. 333–359. – DOI: 10.1016/j.rser.2016.09.107.

Dallasega, P. Industry 4.0 as an Enabler of Proximity for Construction Supply Chains: A Systematic Literature Review / P. Dallasega, E. Rauch, C. Linder // Computers in Industry. – 2018. – Vol. 99. – P. 205–225. – DOI: 10.1016/j.compind.2018.03.039.

Bryde, D. The project benefits of Building Information Modelling (BIM) / D. Bryde, M. Broquetas, J. M. Volm // International Journal of Project Management. – 2013. – Vol. 31, № 7. – P. 971–980. – DOI: 10.1016/j.ijproman.2012.12.001.

Artificial Intelligence and Architectural Design: An Introduction / J. Muntañola, M. Saura, A. Cocho-Bermejo, J. Beltran Borràs. – Barcelona : Polytechnic University of Catalonia, 2022. – DOI: 10.5821/ebook-9788419184498.

High-Resolution Image Synthesis with Latent Diffusion Models / R. Rombach, A. Blattmann, D. Lorenz [et al.] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – New Orleans, 2022. – P. 10684–10695. – DOI: 10.1109/CVPR52688.2022.01042.

Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding / C. Saharia, W. Chan, S. Saxena [et al.] // Advances in Neural Information Processing Systems (NeurIPS). – 2022. – Vol. 35. – P. 36479–36494. – DOI: 10.48550/arXiv.2205.11487.

Amanzadegan, M. A Systematic Review of the BIM in Construction: From Smart Building Management to Interoperability of BIM & AI / M. Amanzadegan, A. Heidari, Y. Peyvastehgar // Architectural Science Review. – 2023. – Vol. 66, № 5. – P. 1–20. – DOI: 10.1080/00038628.2023.2263721.

Integrating Building Information Modelling and Artificial Intelligence in Construction Projects: A Review of Challenges and Mitigation Strategies / A. A. Khan, A. O. Bello, M. Arqam [et al.] // Technologies. – 2024. – Vol. 12, № 10. – Art. 185. – DOI: 10.3390/technologies12100185.

Integrated applications of building information modeling and artificial intelligence techniques in the AEC/FM industry / F. Zhang, A. P. C. Chan, A. Darko [et al.] // Automation in Construction. – 2022. – Vol. 139. – Art. 104289. – DOI: 10.1016/j.autcon.2022.104289.

Nguyen Van, T. Research Trends on Machine Learning in Construction Management: A Scientometric Analysis / T. Nguyen Van, T. Nguyen Quoc // Journal of Applied Science and Technology Trends. – 2021. – Vol. 2, № 2. – P. 124–132. – DOI: 10.38094/jastt203105.

Alnajjar, O. A Systematic Review of Lean Construction, BIM and Emerging Technologies Integration: Identifying Key Tools / O. Alnajjar, E. Atencio, J. Turmo // Buildings. – 2025. – Vol. 15, № 16. – Art. 2884. – DOI: 10.3390/buildings15162884.

Towards 4D BIM: A Systematic Literature Review on Challenges, Strategies and Tools in Leveraging AI with BIM / M. Awe, A. Malhi, M. Budka [et al.] // Buildings. – 2025. – Vol. 15, № 7. – Art. 1072. – DOI: 10.3390/buildings15071072.

Generative AI for Architectural Design: A Literature Review / C. Li, T. Zhang, X. Du [et al.] // arXiv. – 2024. – arXiv:2404.01335. – URL: https://arxiv.org/abs/2404.01335 (date of access: 24.10.2025).

Lobos-Calquin, D. Implementation of BIM Technologies in Wood Construction: Multidisciplinary Review / D. Lobos-Calquin, R. Mata, C. Correa [et al.] // Buildings. – 2024. – Vol. 14, № 3. – P. 677. – DOI: 10.3390/buildings14030677.

BIMForum. Level of Development (LOD) Specification, Part I & Commentary. – Washington D.C. : BIMForum, 2023. – 238 p. – URL: https://bimforum.org/lod (дата обращения: 24.10.2025).

Zhang, L. Adding Conditional Control to Text-to-Image Diffusion Models / L. Zhang, A. Rao, M. Agrawala // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). – Paris, 2023. – P. 3836–3847. – DOI: 10.1109/ICCV51070.2023.00355.

As, I. Artificial Intelligence in Architecture: Generating Conceptual Design via Deep Learning / I. As, P. Basu // International Journal of Architectural Computing. – 2018. – Vol. 16, № 4. – P. 306–327. – DOI: 10.1177/1478077118800982.

Artificial Intelligence in the Construction Industry: A Review of Present Status, Opportunities and Future Challenges / S. O. Abioye, L. O. Oyedele, L. Akanbi [et al.] // Journal of Building Engineering. – 2021. – Vol. 44. – P. 103299. – DOI: 10.1016/j.jobe.2021.103299.

Ho, J. Denoising Diffusion Probabilistic Models / J. Ho, A. Jain, P. Abbeel // Advances in Neural Information Processing Systems (NeurIPS). – 2020. – Vol. 33. – P. 6840–6851. – DOI: 10.48550/arXiv.2006.11239.

Regenwetter, L. Deep Generative Models in Engineering Design: A Review / L. Regenwetter, A. H. Nobari, F. Ahmed // Journal of Mechanical Design. – 2022. – Vol. 144, № 7. – P. 071703. – DOI: 10.1115/1.4053859.

Исаев, Ш. М. Современные подходы к проектированию архитектурного освещения с помощью искусственного интеллекта / Ш. М. Исаев, А. И. Зацепина // Неделя науки Инженерно-строительного института – 2025: материалы секции «Цифровое строительство зданий и сооружений». – СПб. : Изд-во СПбПУ, 2025. – С. 263–265.