CC BY
21
ТЕХНОЛОГИЯ И ОРГАНИЗАЦИЯ СТРОИТЕЛЬСТВА. ЭКОНОМИКА И УПРАВЛЕНИЕ В СТРОИТЕЛЬСТВЕ
УДК 69:658 DOI: 10.22227/1997-0935.2021.7.876-884
Планирование капитального ремонта и реконструкции общественных зданий на основе нечеткого вывода
Е.В. Ганзен
Национальный исследовательский Московский государственный строительный университет
(НИУ МГСУ); г. Москва, Россия
АННОТАЦИЯ
Введение. Проведен анализ основных факторов, оказывающих влияние на включение общественных зданий в план капитального ремонта и реконструкции (КРиР). К ним относятся техническое состояние объекта, определяемое на основании экспертного заключения, составленного по результатам обследования, продолжительность эффективной эксплуатации, выявляемая в соответствии с нормативными значениями, сроки выполнения работ, наличие инженерной и транспортной инфраструктур и др.
Материалы и методы. Сформулированы правила нечеткого вывода и приведена таблица экспертных заключений, полученных на основании данных правил. Для реализации процедуры нечеткого вывода использован алгоритм Мамдани с применением min-конъюнкции для агрегирования показателей, max-дизъюнкции для аккумуляции заключений и метода центра тяжести для дефаззификации. С целью реализации предложенной системы нечеткого вывода применяется приложение «Редактор систем нечеткого вывода» пакета MatLab. Для построения функций принадлежности (ФП) использован метод иерархий Саати. Проведенный анализ литературных источников не выявил работ, в которых для оценки
N N планирования КРиР общественных зданий использовались методы нечеткой логики и правила нечеткого вывода.
о о
РЧ N Результаты. Построены функции принадлежности для всех факторов и итогового показателя в выбранной шкале,
соответствующей функции желательности Харрингтона в интервале значений [0; 100]. Приведены результаты реализации предложенной системы нечеткого вывода в среде MatLab, представленные в виде графиков и числовых > 3 значений всех входных лингвистических переменных.
с in
Выводы. Нечеткий вывод позволяет получить числовое значение интегрального потенциала ремонта, на основании которого можно принять обоснованное решение о включении объекта в план КРиР Достоинством подхода следует считать возможность модификации и расширения базы правил в ходе практического использования. Предложенный инструмент планирования предоставляет возможность учитывать совокупность главных факторов и обеспечивает экономию средств, сокращение сроков и повышение качества работ по КРиР общественных зданий.
Д . КЛЮЧЕВЫЕ СЛОВА: капитальный ремонт, реконструкция, общественные здания, интегральный потенциал,
^ <и планирование работ, нечеткая логика, функции принадлежности, правила нечеткого вывода
с "S
О ф ДЛЯ ЦИТИРОВАНИЯ: Ганзен Е.В. Планирование капитального ремонта и реконструкции общественных зданий
о ^ на основе нечеткого вывода // Вестник МГСУ. 2021. Т. 16. Вып. 7. С. 876-884. DOI: 10.22227/1997-0935.2021.7.876-884
о ££
о с
8 § Using fuzzy inference to plan capital repairs and reconstruction
11 of public buildings
—
c -
£ о Evgeny V. Ganzen
о Moscow State University of Civil Engineering (National Research University)
cd g (MGSU); Moscow, Russian Federation
cd ^ ABSTRACT
v- ^
^ ~ Introduction. The article analyzes the determinants that condition the incorporation of public buildings into capital repair
ОТ and reconstruction plans (CRR plan). These include the technical condition of a facility, specified in an expert opinion and
• . identified on the basis of the survey results, the duration of effective operation, determined in accordance with guideline
^ Э values, the work performance time, the availability of the engineering and transport infrastructure, and other factors. W
g (9 Materials and methods. The co-authors formulated fuzzy inference rules and compiled a table of expert opinions issued on their basis. To implement the fuzzy inference procedure, the co-authors applied the Mamdani algorithm, the min-conjunction
S for aggregating indicators, the max-disjunction for accumulating conclusions, and the centre of gravity method to ensure
¡E £ defuzzification. The Editor of Fuzzy Output Systems of the MatLab package is used to implement the proposed fuzzy
jj jj inference pattern. The Saati hierarchy method is used to design membership functions (FP). The analysis of literature
U > sources did not identify any works in which fuzzy logic methods or fuzzy inference rules were used to plan the CRR of public buildings.
a
© Е.В. Ганзен, 2021
Распространяется на основании Creative Commons Attribution Non-Commercial (CC BY-NC)
С.876-884
на основе нечеткого вывода »»..».»»
Results. Membership functions for all factors and the final indicator on the selected scale, corresponding to the Harrington desirability function in the range of values [0; 100], are designed. The results of the implementation of the proposed fuzzy inference system in the MatLab environment are presented in the form of graphs and numerical values of all input linguistic variables. Conclusions. Fuzzy inference allows to obtain the numerical value of the integral repair potential that underlies an informed decision about the incorporation of a facility into the CRR plan. The strength of the approach is the modifiability and expandability of the rule base in practical work. The proposed planning tool allows to consider a combination of principal factors, cut costs, reduce the time frame and improve the public building repair quality.
KEYWORDS: capital repair, reconstruction, public buildings, integral potential, work planning, fuzzy logic, membership functions, fuzzy inference rules
FOR CITATION: Ganzen E.V. Using fuzzy inference to plan capital repairs and reconstruction of public buildings. Vestnik MGSU [Monthly Journal on Construction and Architecture]. 2021; 16(7):876-884. DOI: 10.22227/1997-0935.2021.7.876-884 (rus.).
ВВЕДЕНИЕ
Общественные здания, как и другие сооружения, подвержены физическому износу, который приводит к необходимости проведения капитального ремонта и реконструкции (КРиР) [1]. Выполнение ремонтных работ начинается с визуального и инструментального комиссионного обследования объекта, оценивающего степень физического износа. В случае неизбежности доведения объекта до действующих строительных норм и правил осуществляют реконструкцию, в результате которой могут быть изменены основные технико-экономические параметры объекта. При обнаружении неустранимого физического износа здания, когда его дальнейшая эксплуатация становится невозможной по соображениям безопасности, проводится капитальный ремонт, а в случае устранимого износа — текущий ремонт [2-4]. Вопросы обязательности проведения текущего ремонта в статье не рассматриваются. По результатам обследования составляется проектно-сметная документация, в состав которой включаются разделы, согласованные с заказчиком. Затем разрабатываются проект организации строительства (ПОС), определяющий стратегию производства работ, и проект производства работ (ППР), определяющий их тактику, т.е. рациональное использование ресурсов на конкретном объекте [5]. При этом при принятии организационно-технологических решений следует учитывать специфику работ в условиях плотной городской застройки, что приводит к увеличению сроков и затрат [6].
В рамках существующей практики для включения объекта в план КРиР в первую очередь рассчитывается сметная стоимость. Если выделенного объема финансирования недостаточно, то под выделенный объем финансирования выбирают объекты с наихудшим техническим состоянием. В титульном списке остаются здания, состояние которых оценивается как аварийное. Однако степень износа основных конструктивных элементов (фундамент, стены) не должна превышать 40 %, а затраты на капитальный ремонт не должны превышать стоимость строительства нового здания [7].
Многокритериальность и многовариантность организационно-технологических решений обусловливают потребность использования современных аппаратно-программных платформ, информационных технологий, математических методов
системного подхода и процессного описания [8-11]. Слабый уровень организационно-технологических решений приводит к увеличению сроков, снижению качества работ, к перерасходу всех видов ресурсов (трудовых, материальных, финансовых).
МАТЕРИАЛЫ И МЕТОДЫ
Проведенный автором анализ показал, что основными факторами при планировании работ по КРиР общественных знаний являются:
Техническое состояние объекта («Состояние») — TC (со значениями термов: среднее — TCA, плохое — TCP, аварийное — TCE).
Продолжительность эффективной эксплуатации («Продолжительность») — DE (со значениями факторов: меньше — DEI, точно — DED, больше — DEC).
Сроки выполнения работ («Сроки») — TW (со значениями термов: больше —TWM, точно — TWA, меньше — TWS).
Инженерная и транспортная инфраструктура («Инфраструктура») — AI (со значениями термов: отсутствует — AIA, есть частично — AIP, присутствует — AIE).
Качество работ («Качество») — QW (со значениями термов: плохое — QWP, хорошее — QWG, очень хорошее — QWV).
Указанные факторы — нечеткие и для проведения нечеткого вывода сформулированы правила вывода [12]:
1. Если техническое состояние объекта «аварийное», продолжительность эффективной эксплуатации «больше», инженерная и транспортная инфраструктура «присутствует», плотность застройки «обычная», сроки выполнения работ «меньше» и качество выполнения работ «очень хорошее», то необходимость включения в план «очень высокая».
3. Если техническое состояние объекта «аварийное», продолжительность эффективной эксплуатации «больше», инженерная и транспортная инфраструктура «присутствует», плотность застройки «средняя», сроки выполнения работ «меньше» и качество выполнения работ «очень хорошее», то необходимость включения в план «очень высокая».
< П
iH
kK
G Г
S 2
0 со § СО
1 S
y 1
J со
u-
^ I
n °
S 3 o
=s (
oi
о §
E w § 2
n 0
S 6
Г œ t ( an
S )
Î!
. В
■ г
s □
s У
с о !!
M 2 О О 10 10
6. Если техническое состояние объекта «плохое», продолжительность эффективной эксплуатации «больше», инженерная и транспортная инфраструктура «присутствует», плотность застройки «обычная», сроки выполнения работ «меньше» и качество выполнения «очень хорошее», то необходимость включения в план «высокая».
9. Если техническое состояние объекта «среднее», продолжительность эффективной эксплуатации «больше», инженерная и транспортная инфраструктура «присутствует», плотность застройки «обычная», сроки выполнения работ «меньше» и качество выполнения «очень хорошее», то необходимость включения в план «средняя».
12. Если техническое состояние объекта «среднее», продолжительность эффективной эксплуатации «больше», инженерная и транспортная инфраструктура «частично», плотность застройки «средняя», сроки выполнения работ «больше»
и качество выполнения работ «хорошее», то необходимость включения в план низкая.
20. Если техническое состояние объекта «среднее», продолжительность эффективной эксплуатации «меньше», инженерная и транспортная инфраструктура «есть частично», плотность застройки «средняя», сроки выполнения работ «больше» и качество выполнения работ «хорошее», то необходимость включения в план «очень низкая».
Результаты экспертных заключений по всем сформированным нечетким правилам представлены в табл. 1.
Выходная переменная N — «План» определяет необходимость включения в план и служит основанием для принятия решения о КРиР. В качестве ее значений выступают термы: УН — «очень высокая», Н1 — «высокая», АУ — «средняя», LO — «низкая», УЬ — «очень низкая», которым соответствуют числовые значения по шкале желательности
Табл. 1. Экспертные заключения по нечетким правилам Table 1. Expert opinions on fuzzy rules
N N
о о
N N
К ш U 3
> (Л
с и
to «в <0 ф
¡1
ф Ф
о ё
---' "t^
о
о У CD <f СО ^
8 «
Z ■ i ОТ *
от Е —
с
Е о
CL ° ^ с
ю о
S «
о Е
СП ^ т- ^
£
ОТ О
О (О
Номер правила Rule number TC DE AI TW QW NI
1. TCE DEC AIE TWS QWV VH
2. TCE DED AIE TWS QWV VH
3. TCE DEI AIE TWS QWV VH
4. TCE DED AIP TWA QWG VH
5. TCE DEI AIA TWM QWP HI
6. TCP DEC AIE TWS QWV HI
7. TCP DED AIP TWA QWG HI
8. TCP DEI AIA TWM QWP AV
9. TCA DEC AIE TWS QWV AV
10. TCA DED AIP TWA QWG AV
11. TCA DEI AIA TWM QWP LO
12. TCE DEC AIE TWS QWV VH
13. TCE DED AIP TWS QWV VH
14. TCE DEI AIA TWS QWV HI
15. TCE DEC AIA TWS QWV VH
16. TCE DED AIA TWM QWV VH
17. TCE DEI AIE TWS QWV VH
18. TCA DEC AIP TWM QWG LO
19. TCA DED AIA TWM QWP VL
20. TCA DEI AIP TWM QWG VL
Харрингтона: УН = 80-100; Н1 = 63-80; AV = 37-63; LO = 20-37; УЬ = 0-20. В работе полагается, что значения переменной N1 «очень высокая» и «высокая» предполагают планирование реконструкции здания, значение «средняя» предусматривает планирование капитального ремонта, а значения «низкая» и «очень низкая» не предполагают включение данного объекта в план КРиР. Чем больше значение выходной переменной, тем меньше значение интегрального потенциала, т.е. Рск = 1 - N. С целью реализации схемы вывода применен метод Мамдани [13]. Для полученных экспертных правил (всего 20) базовой логической связкой подусловий будет нечеткая операция «И», а для агрегирования показателей применяются тш-конъюнкции. Аккумуляция заключений предполагает применение тах-дизъюнкции (причем она же используется для схемы вывода Мамдани). Дефаззификация предусматривает применение метода центра тяжести. Для реализации предложенной системы нечеткого вывода в Ма1ЬаЬ используется приложение «Редактор систем нечеткого вывода», которое позволяет определить необходимое количество входных и выходных лингвистических переменных (ЛП), определить тип нечеткого вывода, используемые методы фаззификации, агрегирования, аккумулирования и т.д. [14, 15].
После формирования списка переменных следует этап построения функций принадлежности (ФП) для всех факторов и показателя в выбранной шкале. Будем считать, что универсальное множество находится в интервале [0; 100]. Для реализации этого этапа используется приложение «Редактор функций принадлежности», которое дает возможность для каждой лингвистической переменой определить количество его значений из сформированного терм-множества, выбрать для каждого значения тип ФП (далее в работе будем использовать треугольный) и задать его
параметры. Редактирование выполняется в интерактивном режиме, поэтому сразу формируются графические образы построенных функций принадлежности.
Для построения ФП предлагается использовать метод иерархий Саати [14], в котором предполагается, что универсальное множество X состоит из п элементов. Суждение эксперта относительно принимаемых явлением А значений х. может оказаться не-
1
транзитивным. В этом случае можно использовать метод попарного сравнения степеней принадлежности ф( = цА(х1) элемента х. нечеткому множеству X. Эксперт оценивает отношения ф/фт, используя шкалу, приведенную в табл. 2.
В результате эксперт составляет матрицу
B =
bi bn:
О
b
Далее ищется ее максимальное собственное значение X , которое является решением характе-
тах ххх
ристического уравнения
det
b22 — X
b„1
= 0.
После этого из условий
■■■ bu
Ь21 b22
bn
=x
f \
Ф1
Ф1
/max
< n
?H kK
О S С
o n
l s
y 1
J CD
u-I
n
S 3 o
=! (
oi n
Табл. 2. Сравнительная оценка условий предпочтения Table 2. Comparative assessment of preference conditions
1 Значение ф. равно значению ф. The value of ф. is equal to the value of ф.
3 Значение ф. чуть больше значения ф. The value of ф. exceeds the value of ф. a little
5 Значение ф. больше значения ф. The value of ф. exceeds the value of ф.
7 Значение ф. гораздо больше значения ф. The value of ф. exceeds the value of ф. by far
9 Значение ф. безусловно больше значения ф. The value of ф. unconditionally exceeds the value of ф.
2, 4, 6, 8 Когда возникает сомнение при выборе между двумя соседними числами In case of doubt concerning the choice between the two adjacent numbers
Числа, обратные к данным Reciprocal figures При сравнении ф. с ф. In case of comparison between ф. and ф.
со со
i\j
CO
о
s œ r œ a я
h о
a §
ss )
il
! О
О В ■
s □
s у с о
<D Ж „„
M M О О 10 10
0)
b
2 n
b
2 n
b
nn
b
2 n
b
nn
2> =1.
Ы1
вычисляется собственный вектор. В результате полагается, что функция принадлежности ^ ф.. Далее подбирается наиболее близкая ФП выбранного класса из функций принадлежности, имеющихся в МаЛаЬ [15].
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ
В рамках исследования определено 5 входных ЛП с именами «Состояние» — Р1, «Продолжительность» — Р2, «Инфраструктура» — Р3, «Сроки» — Р4, «Качество» — Р5 и одна выходная переменная с именем «План» — Р6.
Далее построим ФП (принимающие значения от 0 до 1 в интервале [0; 100]) термов для всех входных и выходной переменных рассматриваемой системы нечеткого вывода (рис. 1).
Для формирования правил используется приложение «Редактор правил вывода». Правила также формируются в интерактивном режиме, и редактор предполагает применение служебных слов
«not», «or» и «and» для их формирования [16, 17]. Если некоторый терм не присутствует в задании некоторых правил, то в соответствующей позиции необходимо выставить значение «none». С помощью данного редактора были введены сформированные правила для разрабатываемой системы нечеткого вывода.
Этап фаззификации в методе Мамдани представляет собой процедуру введения нечеткости [18-21], т.е. числовому значению входной переменной ставится в соответствие терм. Для каждого терма по количественному значению входной переменной на основании его ФП определяется степень принадлежности этого значения переменной к каждому терму.
С целью оценки степени истинности условий T на этапе агрегирования используются парные нечеткие логические операции [22-24]. Активными считаются правила, степень истинности которых превышает нулевую, и именно они используются для дальнейших расчетов с помощью формулы average-активизации: х ) = 0,5 (T + х)).
На этапе аккумуляции для объединения нечетких множеств А., соответствующих одной
«в Е
П
<u <u
о Si
йЗ ïs
и (Л ® ф
со >
Аварийное Плохое ' Среднее Emergency p00r , Fair
10
20 30 40 50 60 70 80 Входная переменная «Состояние» Input variable "Condition"
0.5
Меньше Точно Больше
Less Exactly More
90 100
10 20 30 40 50 60 70 80 90 100 Входная переменная «Продолжительность» Input variable "Duration"
0.5
Отсутствует Присутствует
'"^Unavailable Available *
'Частично1"1"--^
Partly '
available
0.5
10 20 30 40 50 60 70 80 90 100 Входная переменная «Инфраструктура» Input variable "Infrastructure"
Очень хорошее Very' good
0.5
Меньше Less Exactly Больше More'"""
0 10 20 30 40 50 60 70 80 90 100
Входная переменная «Сроки»
Input variable "Dates"
Очень \^низкая /\ Very low Среднее Fair ч Высокая /Hi'gh^ Очень высокая'' Very, high
10
20 30 40 50 60 70 80 Входная переменная «План» Input variable "Plan"
90 100
10 20 30 40 50 60 70 80 90 100 Входная переменная «Качество» Input variable "Quality"
Рис. 1. Функции принадлежности входных и выходных термов: a — ФП термов «Состояние» и «Продолжительность»; b — ФП термов «Инфраструктура» и «Срок»; с — ФП термов «Качество» и «План»
Fig. 1. Membership functions of input and output terms: a — term membership function "Condition" and "Duration"; b — term membership function "Infrastructure" and "Date"; с — term membership function "Quality" and "Plan"
и
0
0
a
1
0
0
0
c
той же ФП, применяется соотношение ,uА(х )= где г — результат дефаззификации; |i(.r) — ФП
соответствующей ЛП х. Метод центра площади
=тах(цЛ1(х), |дД(х)).
На этапе дефаззификации используются ме- сводится к вычислению медианы распределения тоды центра тяжести или метод центра площади по формуле [25-28]. Метод центра тяжести предполагает расчет числового значения по соотношению
J(x(x)= jnU).
Этап просмотра результатов реализуется с помощью приложения «Просмотра правил нечеткого вывода» (рис. 2). Просмотр и анализ результатов предусматривают формирование числовых значе-
Состояние = 50 Продолжительность = 50 Инфраструктура = 50
Состояние = 82.8 Продолжительность = 16.1 Инфраструктура = 89.8
Рис. 2. Просмотр результатов вывода Fig. 2. Viewing Output Results
< П
IS
о % W 2
о W =! со
О CD
° ¡3
I
з ° sl8
о CJl
о? о =;
СЛ
E CO
Ig
§ ы
Ш g
cd > cd
iQ
CD ^
[I
® a>
a> oo ■ т
ЗГ Э «I vs с о <D X
10 10 о о 10 10
ний всех входных ЛП в интерактивном режиме, перемещая шкалу в соответствующее положение.
ЗАКЛЮЧЕНИЕ И ОБСУЖДЕНИЕ
Анализируя результаты вывода, можно сделать заключение, которое соответствует интуитивному прогнозу. Однако формальный нечеткий вывод дает конкретный числовой результат. Так, для всех средних значений факторов (рис. 2, а) результат также оказался N1 = 50, PCR = 100 - 50 = 50 баллов, что соответствует необходимости проведения капитального ремонта. При смещении значений ЛП «Состояние» в худшую сторону (т.е. техническое состояние объекта является «аварийным»), а «Продолжительность» в «большую» (т.е. продолжительность эффективной эксплуатации превышает нормативные значения) получили результат необходимости реконструкции: при N1 = 87, Р = 100 - 87 = 13 баллов (рис. 2, Ь). Наоборот, при смещении значения пере-
менной «Состояние» в лучшую сторону (т.е. техническое состояние объекта является «средним»), а «Продолжительность» в меньшую (продолжительность эффективной эксплуатации меньше нормативных значений) сделан вывод об отсутствии необходимости включения объекта в план КРиР: при NI = 10, Рск = 100 - 10 = 90 баллов (рис. 2, с). В итоге нечеткий вывод позволяет получить числовое значение интегрального потенциала КРиР, на основании которого можно принять обоснованное решение о включении объекта в план КРиР.
Достоинством подхода следует считать возможность наращивания количества факторов, модификации методов и расширения базы правил нечеткого вывода в ходе его практического применения. При планировании работ по КРиР это дает возможность учесть специфику каждого объекта, что обеспечивает экономию средств, сокращение сроков и повышение качества работ по КРиР общественных зданий.
ЛИТЕРАТУРА
N N О О N N
¡É Ш U 3
> (Л
с и
U «в <0 ф
¡I
ф Ф
о ё
о
о о со < со
8 « ™ §
ОТ "
от Е
Е о
CL ° ^ с
ю о
S «
о Е
СП ^ т- ^
от от
£ w
í!
О (0
1. Зозуля В.А. Словарь-справочник строительного эксперта. СПб. : Зодчий, 2016. 568 с.
2. Олейник П.П. Организация, планирование, управление и экономика строительства : терминологический словарь. М. : Изд-во АСВ, 2016. 320 с.
3. Rezvani A., Khosravi P. Identification of failure factors in large scale complex projects: an integrative framework and review of emerging themes // International Journal of Project Organization and Management. 2019. Vol. 11. Issue 1. Pp. 1-21. DOI: 10.1504/ijpom.2019.10019953
4. Ершов М.Н., Баженов И.А., Еремин Д.В., Топчий В.Д. Организационно-технологические решения при реконструкции общественных зданий, находящихся в режиме эксплуатации. М. : Изд-во АСВ, 2013. 172 с.
5. Алексанин А.В. Перспективные направления развития организации строительства // Научное обозрение. 2015. № 10-1. С. 378-381.
6. Лапидус А.А. Потенциал эффективности организационно-технологических решений строительного объекта // Вестник МГСУ. 2014. № 1. С. 175-180. DOI: 10.22227/1997-0935.2014.1.175-180
7. Ершов М.Н., Лапидус А.А. Современные технологии реконструкции гражданских зданий. М. : Изд-во АСВ, 2014. 496 с.
8. Лапидус А.А. Формирование интегрального потенциала организационно-технологических решений посредством декомпозиции основных элементов строительного проекта // Вестник МГСУ. 2016. № 12. С. 114-123. DOI: 10.22227/1997-0935.2016.12.114-123
9. Волков А.А., Пихтерев Д.В. К вопросу об организации информационного обеспечения строительного объекта // Вестник МГСУ. 2011. № 6. С. 460-462.
10. АнуфриевД.П., Жолобов А.Л., Боронина Л.В., Купчикова Н.В., Золина Т.В. Новые конструкции и технологии при реконструкции и строительстве зданий и сооружений. М. : Изд-во АСВ, 2013. 208 с.
11. Юдина А.Ф., Розанцева Н.В. Реконструкция скатных кровель гражданских зданий // Вестник гражданских инженеров. 2012. № 6 (35). С. 92-95.
12. ГвоздикМ.И., Лабинский А.Ю. К вопросу использования нечеткого моделирования и управления // Природные и техногенные риски (физико-математические и прикладные аспекты). 2015. № 3 (15). С. 5-10.
13. Eshkabilov S. Beginning MATLAB and Sim-ulink: From Novice to Professional. Apress, 2019. 524 p. DOI: 10.1007/978-1-4842-5061-7
14. Дьяконов В.П. MATLAB. Полный самоучитель. М. : ДМК пресс. 2012. 768 с.
15. Lindfield G., Penny J. Numerical methods using MATLAB. 4-th ed. Academic Press, 2019. 608 p.
16. Deng Y, Ren Z., Kong Y, Bao F, Dai Q. A hierarchical fused fuzzy deep neural network for data classification // IEEE Transactions on Fuzzy Systems. 2017. Vol. 25 (4). Pp.1006-1012. DOI: 10.1109/ TFUZZ.2016.2574915
17. Karaboga D., Kaya E. Adaptive network based fuzzy inference system (ANFIS) training approaches: a comprehensive survey // Artificial Intelligence Review. 2019. Vol. 52. Issue 4. Pp. 2263-2293. DOI: 10.007/ S10462-017-9610-2
18. Magdalena L. Do hierarchical fuzzy systems really improve interpretability? Communications in Computer and Information Science. 2018. Pp. 16-26. DOI: 10.1007/978-3-319-91473-2_2
19. Hongyun Yu., Junmin Li, Jiarong S., Yang W. Adaptive fuzzy tracking control for stochastic non-
linear systems with time-varying input delays using the quadratic functions // International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems. 2018. Vol. 26. Issue 01. Pp. 109-142. DOI: 10.1142/ s0218488518500071
20. Alcalá R., Nojima Yu., Ishibuchi H., Herrera F. Special issue on evolutionary fuzzy systems // Journal of Computational Intelligence Systems. 2012. Vol. 5 (2). Pp. 209-211. DOI: 10.1080/18756891.2012.685261
21. CintraM.E., Camargo H.A., MonardM.C. Genetic generation of fuzzy systems with rule extraction using formal concept analysis // Information Sciences. 2016. Vol. 349-350. Pp. 199-215. DOI: 10.1016/j. ins.2016.02.026
22. Fazzolari M., Alcala R., Nojima Yu., Ishibuchi H., Herrera F. A review of the application of mul-tiobjective evolutionary fuzzy systems: current status and further directions // IEEE Transactions on Fuzzy systems. 2013. Vol. 21 (1). Pp. 45-65. DOI: 10.1109 / TFUZZ.2012.2201338
23. Fernandez A., Lopez V., María José del Jesus, Francisco Herrera. Revisiting evolutionary fuzzy systems: Taxonomy, applications, new trends and challenges // Knowledge-Based Systems. 2015. Vol. 80. Pp. 109-121. DOI: 10.1016 /j.knosys.2015.01.013
Поступила в редакцию 6 апреля 2021 г. Принята в доработанном виде 20 июля 2021 г. Одобрена для публикации 20 июля 2021 г.
Об авторе: Евгений Валерьевич Ганзен — соискатель ученой степени кафедры технологии и организации строительного производства; Национальный исследовательский Московский государственный строительный университет (НИУ МГСУ); 129337, г. Москва, Ярославское шоссе, д. 26; ORCID: 0000-0002-9298-0151; Ganzen_EV@mail.ru.
REFERENCES
24. Márquez A.A., Márquez F.A., Peregrín A. A scalable evolutionary linguistic fuzzy system with adaptive defuzzification in big data // In Fuzzy Systems (FUZZ-IEEE). IEEE International Conference. 2017. Pp. 1-6. DOI: 10.1007/s12559-019-09632-4
25. Palacios A.M., Palacios J.L., Sánchez L., Alcalá-Fdez J. Genetic learning of the membership functions for mining fuzzy association rules from low quality data // Information Sciences. 2015. Vol. 295. Pp. 358-378. DOI: 10.1016/j.ins.2014.10.027
26. Rey M.I., Galende M., Fuente M.J., Sainz-Palmero G.I. Multi-objective based Fuzzy Rule Based Systems (FRBSs) for trade-off improvement in accuracy and interpretability: A rule relevance point of view // Knowledge-Based Systems. 2017. Vol. 127. Pp. 67-84. DOI: 10.1016/j.knosys.2016.12.028
27. Зыкова Г.В., Пергунов В.В. Теория вероятностей и математическая статистика. М. : ФЛИНТА, 2017. 194 с.
28. Harish G.A. A linear programming method based on an improved score function for interval-valued pythagorean fuzzy numbers and its application to decision-making // International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems. 2018. Vol. 26 (01). Pp. 67-80. DOI: 10.1142/ S0218488518500046
1. Zozulya V.A. Construction expert reference dictionary. Saint-Petersburg, Zodchiy Publ., 2016; 568. (rus.).
2. Oleinik P.P. Organization, planning, management and construction economics: a terminological dictionary. Moscow, ASV Publ., 2016; 320. (rus.).
3. Rezvani A., Khosravi P. Identification of failure factors in large scale complex projects: an integrative framework and review of emerging themes. International Journal of Project Organization and Management. 2019; 11(1):1-21. DOI: 10.1504/ijpom.2019.10019953
4. Ershov M.N., Bazhenov I.A., Eremin D.V., Topchiy V.D. Organizational and technological solutions for the reconstruction of public buildings that are in operation. Moscow, ASV Publ., 2013; 172. (rus.).
5. Alexanin A.V. Prospective directions of development of construction organization. Scientific review. 2015; 10-1:378-381. (rus.).
6. Lapidus A.A. Efficiency potential of management and technical solutions for a construction ob-
ject. Vestnik MGSU [Proceedings of Moscow State University of Civil Engineering]. 2014; 1:175-180. DOI: 10.22227/1997-0935.2014.1.175-180 (rus.).
7. Ershov M.N., Lapidus A.A. Modern technologies for the reconstruction of civil buildings. Moscow, ASV Publ., 2014; 496. (rus.).
8. Lapidus A.A. Formation of an integral potential of organizational and technological solutions through the decomposition of the main elements of a construction project. Vestnik MGSU [Proceedings of Moscow State University of Civil Engineering]. 2016; 12:114123. DOI: 10.22227/1997-0935.2016.12.114-123 (rus.).
9. Volkov A.A., Pikhterev D.V. Some aspects of information support organization for construction objectsk. Vestnik MGSU [Proceedings of Moscow State University of Civil Engineering]. 2011; 6:460-462. (rus.).
10. Anufriev D.P., Zholobov A.L., Boronina L.V., Kupchikova N.L., Zolina T.V. New designs and tech-
< П
8 8 i H
kK
G Г
S 2
0 С/з § С/3
1 Ü y 1 J со
u-
^ I
n °
Ü 3 o
=¡ ( oi
o §
§ 2 n g
A CD
Г 6 t (
ÜÜ )
Í!
! о
о» в ■ £
s у
с о !!
M 2 О О 10 10
tv N o o
N N
¡É 0
U 3 > in
E M
to <o
<0 ^
i!
<D <u
O ë
o
o o co < CD
8 « §
CO "
co iE
E O
CL ° c
LT) O
s H
o E
CD ^
T- ^
CO CO
£3
iE 3s
ü (ñ
nologies for renovation and construction of buildings and structures. Moscow, ASV Publ., 2016; 210. (rus.).
11. Yudina A.F., Rozantseva N.V. Reconstruction of pitched roofs of civil buildings. Bulletin of Civil Engineers. 2012; 6(35):92-95. (rus.).
12. Gvozdik M.I., Labinskiy A.Yu. Problem of use the fuzzy modeling and control. Natural and technogenic risks (physical, mathematical and applied aspects). 2015; 3(15):5-10. (rus.).
13. Eshkabilov S. The beginning of MATLAB and Simulink: From beginner to professional. Apress, 2019; 524. DOI: 10.1007/978-1-4842-5061-7
14. Dyakonov V.P. MATLAB. Complete tutorial. Moscow, DMK Press, 2012; 768. (rus.).
15. Lindfield G., Penny J. Numerical methods using MATLAB. 4th ed. Academic Press, 2019; 608.
16. Deng Y., Ren Z., Kong Y., Bao F., Dai Q. A hierarchical fused fuzzy deep neural network for data classification. IEEE Transactions on Fuzzy Systems. 2017; 25(4):1006-1012. DOI: 10.1109/ TFUZZ.2016.2574915 (rus.).
17. Karaboga D., Kaya E. Adaptive network based fuzzy inference system (ANFIS) training approaches: a comprehensive survey. Artificial Intelligence Review. 2019; 52(4):2263-2293. DOI: 10.007/ S10462-017-9610-2
18. Magdalena L. Do hierarchical fuzzy systems really improve interpretability? Communications in Computer and Information Science. 2018; 16-26. DOI: 10.1007/978-3-319-91473-2_2
19. Hongyun Yu., Junmin Li, Jiarong S., Yang W. Adaptive fuzzy tracking control for stochastic nonlinear systems with time-varying input delays using the quadratic functions. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems. 2018; 26(01):109-142. DOI: 10.1142/s0218488518500071
20. Alcalá R., Nojima Yu., Ishibuchi H., Herrera F. Special issue on evolutionary fuzzy systems. Journal of Computational Intelligence Systems. 2012; 5(2):209-211. DOI: 10.1080/18756891.2012.685261
Received April 6, 2021.
Adopted in revised form on July 20, 2021.
Approved for publication on July 20, 2021.
BioNoiEs: Evgeny V. Ganzen — applicant for a scientific degree from the Department of Technology and Organization of Construction Production; Moscow State University of Civil Engineering (National Research University) (MGSU); 26 Yaroslavskoe shosse, Moscow, 129337, Russian Federation; ORCID: 0000-0002-92980151; Ganzen_EV@mail.ru.
21. Cintra M.E., Camargo H.A., Monard M.C. Genetic generation of fuzzy systems with rule extraction using formal concept analysis. Information Sciences. 2016; 349-350:199-215. DOI: 10.1016/j. ins.2016.02.026
22. Fazzolari M., Alcala R., Nojima Yu., Ishibuchi H., Herrera F. A review of the application of multiobjective evolutionary fuzzy systems: current status and further directions. IEEE Transactions on Fuzzy systems. 2013; 21(1):45-65. DOI: 10.1109/ TFUZZ.2012.2201338
23. Fernandez A., Lopez V., María José del Jesus, Francisco Herrera. Revisiting evolutionary fuzzy systems: Taxonomy, applications, new trends and challenges. Knowledge-Based Systems. 2015; 80:109-121. DOI: 10.1016 /j.knosys.2015.01.013
24. Márquez A.A., Márquez F.A., Peregrin A. A scalable evolutionary linguistic fuzzy system with adaptive defuzzification in big data. In Fuzzy Systems (FUZZ-IEEE). IEEE International Conference. 2017; 1-6. DOI: 10.1007/s12559-019-09632-4
25. Palacios A.M., Palacios J.L., Sánchez L., Alcalá-Fdez J. Genetic learning of the membership functions for mining fuzzy association rules from low quality data. Information Sciences. 2015; 295:358-378. DOI: 10.1016/j.ins.2014.10.027
26. Rey M.I., Galende M., Fuente M.J., Sainz-Palmero G.I. Multi-objective based Fuzzy Rule Based Systems (FRBSs) for trade-off improvement in accuracy and interpretability: A rule relevance point of view. Knowledge-Based Systems. 2017; 127:67-84. DOI: 10.1016/j.knosys.2016.12.028
27. Zykova G.V., Pergunov V.V. Theory of probability and mathematical statistics. Moscow, FLINTA, 2017; 194. (rus.).
28. Harish G.A. A linear programming method based on an improved score function for interval-valued pythagorean fuzzy numbers and its application to decision-making. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems. 2018; 26(01):67-80. DOI: 10.1142/S0218488518500046
