Лесная отрасль России владеет огромной долей мировых запасов древесины, но физически не может до них добраться. Самые богатые массивы находятся там, куда не ведут дороги — в заболоченных низинах и зонах вечной мерзлоты. Строительство классической инфраструктуры в таких условиях превращается в рулетку: инженеры либо закладывают избыточный запас прочности, делая проект экономически нецелесообразным, либо рискуют получить дорогу, которая разрушится за пару сезонов. Ученые из Перми предложили выход — обучили искусственный интеллект предсказывать поведение дорожного полотна на проблемных грунтах с точностью до 92%.
Десятилетиями лесозаготовители полагались на временные дороги по промерзшей земле и льду. Эти «зимники» позволяли в морозный сезон добираться до самых удаленных участков, вывозить древесину, завозить технику. Но климат изменился быстрее, чем успела перестроиться индустрия. Зима сократилась на 15-20%, участились оттепели, в северных широтах тает вечная мерзлота. То, что еще вчера было надежным ледовым маршрутом, сегодня превращается в непредсказуемую ловушку.
Переход на круглогодичные дороги стал неизбежностью, но здесь отрасль столкнулась с новой проблемой. Заболоченные грунты не выдерживают тяжелую технику — образуются глубокие колеи, покрытие проседает, транспортные затраты растут. За десять месяцев текущего года объем лесозаготовок упал на 9% именно из-за логистических сложностей, несмотря на рост доходов отрасли. Парадокс: ресурс есть, спрос есть, а вывезти его невозможно.
Для укрепления дорог на проблемных основаниях инженеры используют геосинтетические материалы — прочные синтетические сетки, которые укладываются между слоями конструкции. Они распределяют нагрузку от проходящей техники, не дают щебню проваливаться в мягкий грунт, удерживают форму дорожного полотна. Технология работает, но точно рассчитать ее эффективность в конкретных условиях — отдельная задача.
Существующие методы расчета создавались для традиционных материалов и не учитывают всю сложность взаимодействия современной геосинтетики со слабыми грунтами. Проектировщик вынужден либо перестраховываться, закладывая избыточную толщину слоев и дорогие материалы, либо действовать на ощупь, рискуя получить дорогу, которая быстро придет в негодность. Обе стратегии ведут к убыткам — прямым или отложенным.
Сотрудники Пермского национального исследовательского политехнического университета разработали систему, которая решает эту дилемму через машинное обучение. Сначала они провели сотни компьютерных экспериментов, моделируя различные комбинации дорожных конструкций, типов грунтов, нагрузок и климатических условий. Для каждого варианта фиксировались два критических параметра: величина просадки покрытия и уровень напряжения в геосинтетической сетке.
На основе этого массива данных обучили нейросеть, которая анализирует 13 входных параметров конструкции и выдает прогноз. Точность модели в ходе испытаний составила 90,76% при погрешности менее 10%, а в серии независимых запусков система стабильно показывала результат в диапазоне от 88,27% до 92,06%. Это соответствует требованиям для практического применения в дорожном строительстве.
Важно, что система не просто выдает цифры — она показывает, какие именно параметры критичны для прочности дороги в конкретных условиях. Оказалось, что ключевым фактором остается прочность грунта, от которой зависит скорость образования колеи и нагрузка на укрепляющую сетку. Для предотвращения деформации наиболее важна толщина асфальтового покрытия, а долговечность самой геосинтетики определяется ее жесткостью.
Особенность подхода пермских ученых — способность анализировать многолетние массивы данных и учитывать климатические тренды. Нейросеть может моделировать состояние дороги на горизонте от 5 до 20 лет, включая в расчет температурные колебания, глубину промерзания, динамику теплопереноса. Это критично для регионов с вечной мерзлотой, где условия меняются год от года непредсказуемо.
Такой цифровой подход позволяет сократить объем дорогостоящих полевых изысканий. Вместо того чтобы месяцами проводить геологические исследования на каждом участке, проектировщик получает инструмент для быстрой оценки вариантов. Снижение затрат на предпроектную стадию делает экономически оправданным строительство дорог туда, где раньше это считалось нерентабельным.
Ученые планируют запатентовать программное обеспечение на основе разработанной методики, чтобы сделать его доступным для проектных организаций и лесопромышленных компаний. Система не требует дорогостоящих специализированных программ, работает быстро и может использоваться инженерами без глубокой подготовки в области машинного обучения.
Потенциальный эффект выходит за рамки дорожной отрасли. Строительство надежных всесезонных путей открывает доступ к ресурсам, которые сейчас экономически недостижимы. Для лесозаготовителей это означает возможность работать круглый год вместо нескольких зимних месяцев. Снижение логистических расходов скажется на себестоимости всей цепочки лесной продукции — от пиломатериалов до бумаги и мебели.
Руслан Долгополов, руководитель группы продуктов «Оператор Газпром ИД», отмечает, что успех технологии будет зависеть от соотношения затрат на внедрение и экономии на материалах. Если стоимость сопровождения системы превысит выгоду от оптимизации конструкций, экономический эффект окажется отрицательным. Однако эксперты сходятся во мнении, что потенциал есть — особенно с учетом масштабов строительства в удаленных регионах.
Сергей Голицын, руководитель направления Т1 ИИ, подчеркивает инновационность подхода. Раньше использование синтетических компонентов в дорожных конструкциях основывалось на традиционном математическом моделировании, которое ограничено в количестве учитываемых параметров и требует значительного времени на расчеты. Многослойные нейронные сети позволяют обрабатывать огромные объемы данных, учитывать десятки переменных одновременно и моделировать поведение сложных материалов на порядок быстрее.
Илья Ревин, старший научный сотрудник Института искусственного интеллекта ИТМО, считает, что метод уже доказал практическую применимость и может стать фундаментом для устойчивого развития не только лесной, но и добывающей отрасли в сложных климатических условиях. После завершения обучения на архивных данных планируется переход к испытаниям на реальных объектах, что станет окончательной проверкой системы перед массовым внедрением.
Для транспортных компаний, работающих в северных и отдаленных регионах, появление надежной инфраструктуры вместо сезонных «зимников» — это не просто удобство, а возможность планировать логистику круглый год, снижать простои техники, стабилизировать затраты. Для экспедиторов и грузоотправителей — предсказуемость маршрутов и сроков доставки. В конечном счете, технология решает одну из ключевых проблем российской экономики — транспортную доступность территорий, богатых ресурсами, но изолированных от основных магистралей.
