Цифровая трансформация процессов управления жизненным циклом объектов жилой и инженерной инфраструктуры в проектах комплексного развития территорий
Боковая панель статьи
Основное содержимое статьи
Аннотация
Современные проекты комплексного развития территорий характеризуются технологической, организационной и ин- формационной сложностью. Технологические вызовы включают интеграцию разнородных систем и обеспечение устойчивости объектов, организационных — полную координацию участников проекта иинформационных — обработку значительных объемов данных в условиях необходимости оперативного принятия решений. В этойсвязи особую актуальность имеет вопрособеспечения сквозного управления жизненным циклом объектов и согласованности решений для эффективного использования ресурсов.
Целью исследования является анализ цифровых технологий для оптимизации управления жизненным циклом жилых зданий и объектов инфраструктуры в проектах комплексного развития территорий.
В рамках представленного исследования проведен анализ публикаций по ключевым словам, определенным авторами в контексте рассматриваемой темы. Базой формирования выборок по ключевым словам стала международная база Scopus.
Проведенный анализ демонстрирует, что внедрение цифровых двойников, IoT, BigData, BIM и машинного обучения позволяет достичь значительной оптимизации при управлении жизненным циклом объектов жилой и инженерной инфраструктуры в проектах комплексного развития территорий.
Цифровая трансформация принципиально меняет подход к управлению жизненным циклом, переводя его от реактивного к прогнозному и адаптивному, что обеспечивает устойчивость, надежность и безопасность объектов, экономию ресурсов и повышение качества городской среды.
Информация о статье
Библиографические ссылки
Röck M., Hollberg A., Habert G., Passer A. LCA and BIM: Visualization of environmental potentials in building construction at early design stages // Building and Environment. 2018. No. 140. Рр. 153–161. DOI: 10.1016/j.buildenv.2018.05.006 DOI: https://doi.org/10.1016/j.buildenv.2018.05.006
Hollberg A., Genova G., Habert G. Evaluation of BIM-based LCA results for building design // Automation in Construction. 2019. Nо. 109. DOI: 10.1016/j.autcon.2019.102972 DOI: https://doi.org/10.1016/j.autcon.2019.102972
Najjar M., Figueiredo K., Palumbo M., Haddad A. Integration of BIM and LCA: Evaluating the environmental impacts of building materials at an early stage of designing a typical office building // Journal of Building Engineering. 2017. No. 14. Рр. 115–126. DOI: 10.1016/j.jobe.2017.10.005 DOI: https://doi.org/10.1016/j.jobe.2017.10.005
Zhuang D., Zhang X., Lu Y., Wang C., Jin X., Zhou X. et al. A performance data integrated BIM framework for building life-cycle energy efficiency and environmental optimization design // Automation in Construction. 2021. No. 127. DOI: 10.1016/j.autcon.2021.103712 DOI: https://doi.org/10.1016/j.autcon.2021.103712
Bovteev S.V., Petrochenko M.V., Zavodnova E.B. Applying of 4D modeling at preparation and construction stages // BIO Web of Conferences. 2024. No. 107. DOI: 10.1051/bioconf/202410706013 DOI: https://doi.org/10.1051/bioconf/202410706013
Bayat H., Ramezanianpour A.M. Utilizing building information modeling (BIM) in the operation phase of civil infrastructure to analyze reinforcement corrosion induced by carbonation // Innovative Infrastructure Solutions. 2024. No. 9. DOI: 10.1007/s41062-024-01707-y DOI: https://doi.org/10.1007/s41062-024-01707-y
Gao X., Pishdad-Bozorgi P. BIM-enabled facilities operation and maintenance:а review // Advanced Engineering Informatics. 2019. No. 39. Рр. 227–247. DOI: 10.1016/j.aei.2019.01.005 DOI: https://doi.org/10.1016/j.aei.2019.01.005
Moradabadi B., Noorzai E., Abbasi S. BIM-based optimization approach to reduce life cycle costs by focusing on the integration of construction and operation phases in office-commercial buildings // Journal of Building Engineering. 2024. No. 98. DOI: 10.1016/j.jobe. 2024.111126 DOI: https://doi.org/10.1016/j.jobe.2024.111126
Akbarieh A., Teferle F.N., O’donnell J. Semantic Material Bank: A web-based linked data approach for building decommissioning and material reuse, eWork and eBusiness in Architecture, Engineering and Construction — Proceedings of the 14th European Conference on Product and Process Modelling, ECPPM-2022. 2023. Рр. 69–76. DOI: 10.1201/9781003354222-9 DOI: https://doi.org/10.1201/9781003354222-9
Daniska D., Vrban B. Decommissioning planning: Empowering efficiency through BIM modelling and a single-source-of-truth framework // Nuclear Engineering and Design. 2023. No. 414. DOI: 10.1016/j.nucengdes.2023.112617 DOI: https://doi.org/10.1016/j.nucengdes.2023.112617
Sun J., Yi Man Li R., Deeprasert J. The Impact of BIM Technology on the Lifecycle Cost Control of Prefabricated Buildings: Evidence from China // Buildings. 2024. No. 14. DOI: 10.3390/buildings14123709 DOI: https://doi.org/10.3390/buildings14123709
Rostamiasl V., Jrade A. Integrating Building Information Modeling (BIM) and Life Cycle Cost Analysis (LCCA) to Evaluate the Economic Benefits of Designing Aging-In-Place Homes at the Conceptual Stage // Sustainability (Switzerland). 2024. No. 16. DOI: 10.3390/su16135743 DOI: https://doi.org/10.20944/preprints202405.0681.v1
Pan Y., Zhang L. A BIM-data mining integrated digital twin framework for advanced project management // Automation in Construction. 2021. No. 124. Р. 103564. DOI: 10.1016/j.autcon. 2021.103564 DOI: https://doi.org/10.1016/j.autcon.2021.103564
Deng M., Menassa C.C., Kamat V.R. From BIM to digital twins:а systematic review of the evolution of intelligent building representations in the AEC-FM industry // Journal of Information Technology in Construction. 2021. No. 26. Рр. 58–83. DOI: 10.36680/J.ITCON.2021.005 DOI: https://doi.org/10.36680/j.itcon.2021.005
Pan Y., Zhang L. Integrating BIM and AI for Smart Construction Management: Current Status and Future Directions // Archives of Computational Methods in Engineering. 2023. No. 30 (2). Рр. 1081–1110. DOI: 10.1007/s11831-022-09830-8 DOI: https://doi.org/10.1007/s11831-022-09830-8
He R., Li M., Gan V.J.L., Ma J. BIM-enabled computerized design and digital fabrication of industrialized buildings:а case study // Journal of Cleaner Production. 2021. No. 278. Р. 123505. DOI: 10.1016/j.jclepro.2020.123505 DOI: https://doi.org/10.1016/j.jclepro.2020.123505
Xia H., Liu Z., Efremochkina M., Liu X., Lin C. Study on city digital twin technologies for sustainable smart city design : а review and bibliometric analysis of geographic information system and building information modeling integration // Sustainable Cities and Society. 2022. Vol. 84. No. 19. DOI: 10.1016/j.scs.2022.104009 DOI: https://doi.org/10.1016/j.scs.2022.104009
Boje C., Guerriero A., Kubicki S., Rezgui Y. Towards a semantic Construction Digital Twin: Directions for future research // Automation in Construction. 2020. No. 114. Р. 103179. DOI: 10.1016/j.autcon.2020.103179 DOI: https://doi.org/10.1016/j.autcon.2020.103179
He X., Ai Q., Wang J., Pan B., Qiu R. Situation Awareness of Energy Internet of Things in Smart City Based on Digital Twin: From Digitization to Informatization // IEEE Internet of Things Journal. 2023. No. 10 (9). Рр. 7439–7458. DOI: 10.1109/JIOT.2022.3203823 DOI: https://doi.org/10.1109/JIOT.2022.3203823
Arsiwala A., Elghaish F., Zoher M. Digital twin with Machine learning for predictive monitoring of CO2 equivalent from existing buildings // Energy and Buildings. 2023. No. 284. Р. 112851. DOI: 10.1016/j.enbuild.2023.112851 DOI: https://doi.org/10.1016/j.enbuild.2023.112851
Wang W., Li X., Tang S., Guo H., Lv Z. Deep learning for assessment of environmental satisfaction using BIM big data in energy efficient building digital twins // Sustainable Energy Technologies and Assessments. 2022. No. 50. Р. 101897. DOI: 10.1016/j.seta.2021.101897 DOI: https://doi.org/10.1016/j.seta.2021.101897
Li C., Lu P., Zhu H., Zhang X., Zhu W. Intelligent Monitoring Platform and Application for Building Energy Using Information Based on Digital Twin // Energies. 2023. No. 16 (19). Р. 6839. DOI: 10.3390/en16196839 DOI: https://doi.org/10.3390/en16196839
Zhang X., Hua S., Qi J., Ruan Y. Progress and Prospects of New Smart City Construction: AI-based Big Data, Big Models and Big Computing Power // Journal of Geo Information Science. 2024.No. 26 (4). Рр. 779–789. DOI: 10.12082/dqxxkx.2024.240065
Liu P., Wang J., Sangaiah A.K., Xie Y., Yin X. Analysis and prediction of water quality using LSTM deep neural networks in IoT environment // Sustainability (Switzerland). 2019. No. 11 (7). Р. 2058. DOI: 10.3390/su1102058 DOI: https://doi.org/10.3390/su11072058
Zhdaneev O.V., Frolov K.N., Petrakov Y.A. Predictive Systems for the Well Drilling Operations, Studies in Systems // Decision and Control. 2021. No. 342. Рр. 347–368. DOI: 10.1007/978-3-030-66081-9_28 DOI: https://doi.org/10.1007/978-3-030-66081-9_28
Lige X., Hua S.Z., Feng S.Z. Road Machinery Fault Prediction Based on Big Data and Machine Learning : 2019 5th International Conference on Control // Automation and Robotics, ICCAR 2019. 2019. Рр. 536–540. DOI: 10.1109/ICCAR.2019.8813333 DOI: https://doi.org/10.1109/ICCAR.2019.8813333
Park J.-S., Ham H.-M., Ahn Y.-H. Expansion Joints Risk Prediction System Based on IoT Displacement Device // Electronics (Switzerland). 2023. No. 12 (12). Р. 2713. DOI: 10.3390/electronics12122713 DOI: https://doi.org/10.3390/electronics12122713