  

# AI Form Builder-ը հնարավորություն է տալիս իրական-ժամանակի ադապտիվ շինության ծածկույթի կատարողականության մոնիտորինգին  

## Ներածություն  

Շինության ծածկույթը՝ պատերը, տանիքները, պատուհանները և դռները՝ գործում է ջերմային և խոնավության արգելք որպես ներքին տարածքների և արտաքին միջավայրի միջև։ Նույնիսկ փոքր թերությունները, ինչպիսիք են օդի ցողունները, ջերմական կապողները կամ խոնավության պոկերը, կարող են հանգեցնել զգալի էներգիայի կորուստի, ներքին օդի որակի խնդիրների և նյութերի արագացած աղտոտման։ Ավանդական ծածկույթի գնահատումները հիմնված են պարբերական հետազոտությունների, ինֆրակարմիր թերմոգրաֆիայի և ձեռքով տվյալների մուտքի վրա, որոնք ժամանակատար, ծախսային և հաճախ բաց թողնում են անցանկալի իրադարձությունները։  

**AI Form Builder**‑ը առաջարկում է նոր պարադիգմա՝ ամպային‑բնության հարթակ, որը միացնում է **իրական‑ժամանակի սենսորների հոսքերը** **ադապտիվ AI‑ի վարած ձևերի** հետ։ Սա հնարավորություն է տալիս շարունակական կատարողականի մոնիտորինգ, անմիջական անսովորությունների հայտնաբերում և ավտոմատացված ուղղական աշխատանքային հոսքեր՝ առանց հատուկ կոդի անհրաժեշտության։ Այս հոդվածում մենք մանրամասնորեն ներկայացնում ենք **իրական‑ժամանակի ադապտիվ շինության ծածկույթի մոնիտորինգի համակարգի (RABEMS)** ճարտարապետությունը, տվյալների հոսքը, AI մոդելները և գործնական տեղադրման քայլերը։  

> *Բանալի բառեր: շինության ծածկույթ, իրական‑ժամանակի մոնիտորինգ, AI Form Builder, ադապտիվ օպտիմիզացիա, էներգիայի արդյունավետություն, IoT սենսորներ, համապատասխանության հաշվետվություն.*  

---  

## Ինչու է կարևոր իրական‑ժամանակի մոնիտորինգը  

| Խնդիր | Ավանդական մոտեցում | Իրական‑ժամանակի ադապտիվ մոտեցում |
|-------|-------------------|-----------------------------------|
| **Էներգիայի թափանցիկություն** | Տարեկան էներգիայի աուդիտներ, ստատիկ U‑արժեքի հաշվարկներ | Շարունակական ջերմային հոսքի չափում, դինամիկ U‑արժեքի թարմացումներ |
| **Խոնավության վնաս** | Տեղի վրա կատարված հետազոտություններ տեսանելի նշանների հետո | Կոնդենսացիայի իրադարձությունների վաղ հայտնաբերում խոնավության սենսորների միջոցով |
| **Օդի ցողուն** | Blower‑door թեստը կատարվում է մեկ անգամ տարի | Շարունակական ճնշման տարբերության մոնիտորինգ |
| **Համապատասխանություն** | Ձեռքով փաստաթղթեր շինարարական կոդերի համար | Ավտոմատ գեներացված համապատասխանության հաշվետվություններ հետագծերով |
| **Բնակչության հարմարավետություն** | Ռեակտիվ HVAC կարգավորումներ | Պրակտիվ ծածկույթի կարգավորում՝ սահմանված արժեքների պահպանման համար |

Անվճարումը **պարբերականից** **շարունակական** տեղեկությունների վրա տեղափոխելը նվազեցնում է թերության հայտնաբերման և ուղղական գործողության միջև ուշացումը շաբաթներից կամ ամիսներից րոպեների չափի:  

---  

## Համակարգի ճարտարապետության ակնարկ  

Ստորև ներկայացված է բարձր‑մակարդակի Mermaid գրաֆիկ, որը պատկերացնում է տվյալների հոսքը եզրային սենսորներից AI Form Builder-ի և հետ facility managers-ի:  

```mermaid
flowchart TD
    subgraph Edge Layer
        S1["Temperature Sensors"] -->|data| GW[Gateway]
        S2["Relative Humidity Sensors"] -->|data| GW
        S3["Pressure Differential Sensors"] -->|data| GW
        S4["Infrared Thermography Cameras"] -->|image stream| GW
    end

    GW -->|encrypted MQTT| Cloud[AI Form Builder Cloud]

    subgraph Cloud Layer
        Cloud -->|store| DB[(Time‑Series DB)]
        Cloud -->|trigger| AI[AI Analytics Engine]
        AI -->|generate| Form[Adaptive Form Template]
        Form -->|push| UI[Web / Mobile UI]
        UI -->|user action| Action[Remediation Workflow]
        Action -->|feedback| DB
    end

    DB -->|historical data| Reporting[Automated Compliance Report]
```  

**Հիմնական բաղադրիչներ:**  

1. **Էզրային շերտ** – Ցածր-սարք IoT սարքեր (օրինակ՝ ESP‑32, LoRaWAN հանգույցներ) հավաքում են ջերմաստիճան, խոնավություն, ճնշում և ինֆրակարմիր պատկերներ։ Տեղական gateway-ը հավաքում և կոդավորում է տվյալները, ապա փոխանցում է MQTT‑ով TLS‑ով։  
2. **Ամպային շերտ** – AI Form Builder-ը հյուրընկալում է **ժամանակական-սերիա տվյալների բազա** (InfluxDB կամ TimescaleDB) և **AI վերլուծական շարժիչ** (TensorFlow, PyTorch)։ Շարժիչը շարունակաբար գնահատում է ծածկույթի կատարողականի չափանիշները։  
3. **Ադապտիվ ձևի ձևանմուշ** – Երբ AI-ն հայտնաբերում է անսովորություն (օրինակ՝ պատի հատվածի ջերմային հոսքի հանկարծակի աճ), այն ավտոմատ կերպով ստեղծում է ձև, որը ներառում է՝  
   - Վիզուալ ապացույց (թերմալ պատկեր)  
   - Առաջարկված ուղղական գործողություններ (սելակ, ինսուլյացիայի բարելավում)  
   - Պահանջվող համապատասխանության դաշտեր (կոդի հղում, գործակալի տվյալներ)  
4. **Ուղղական աշխատանքային հոսք** – Սպասարկման կառավարիչները ստանում են ձևը UI‑ի միջոցով, հաստատում են գործողությունները և ակտիվացնում են աշխատանքային պատվերները գոյություն ունեցող CMMS (Computerized Maintenance Management System) համակարգում՝ օգտագործելով webhooks։  
5. **Ավտոմատ հաշվետվություն** – Յուրաքանչյուր հաշվետվության պարբերության վերջում համակարգը կազմում է համապատասխանության հաշվետվություն՝ ներառելով ժամանականշանները, սենսորների լոգերը և ուղղական արդյունքները, պատրաստված ներկայացնելու համար տեղական շինարարական մարմիններին։  

---  

## AI‑ով վարված վերլուծություն ծածկույթի կատարողականի համար  

### 1. Դինամիկ U‑արժեքի գնահատում  

Ավանդական U‑արժեքի հաշվարկները ենթադրում են ստատիկ նյութերի հատկություններ։ RABEMS-ը օգտագործում է **ֆիզիկայով տեղեկացված նյուրանալ ցանց (PINN)**, որը ընդունում է ջերմաստիճանների gradient‑ները, մակերեսի ջերմային հոսքը և եղանակի տվյալները՝ արտածելով **իրական‑ժամանակի արդյունավետ U‑արժեք** յուրաքանչյուր ծածկույթի հատվածի համար։  

```python
# Pseudo‑code for PINN model
import torch

class EnvelopePINN(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.fc = torch.nn.Sequential(
            torch.nn.Linear(5, 64),
            torch.nn.ReLU(),
            torch.nn.Linear(64, 1)
        )
    def forward(self, temp_inside, temp_outside, heat_flux, humidity, wind_speed):
        x = torch.stack([temp_inside, temp_outside, heat_flux, humidity, wind_speed], dim=1)
        return self.fc(x)  # returns effective U‑value
```  

Մոդելը ամեն շաբաթ վերապատրաստվում է վերջին սենսորների տվյալներով, ապահովելով, որ այն ադապտվի սեզոնային փոփոխություններին և շինության օգտագործման ձևաչափերին։  

### 2. Խոնավության ներխուժման կանխատեսում  

**Long Short‑Term Memory (LSTM)** ցանցը կանխատեսում է կոնդենսացիայի ռիսկը՝ հիմնված է ջերմաստիճանների dew point հաշվարկների, մակերեսի ջերմաստիճանի և ներսի խոնավության թրենդների վրա։ Երբ կանխատեսված ռիսկը գերազանցում է սահմանաչափը, համակարգը նշում է այդ գոտին և ստեղծում **Խոնավության նվազեցման ձև**։  

### 3. Օդի ցողունի հայտնաբերում  

Շարունակաբար մոնիտորինգով ներսի‑արտաքին ճնշման տարբերությունները, **փոփոխության կետի հայտնաբերման ալգորիթմ** (օրինակ՝ Bayesian Online Change Point Detection) հայտնաբերում է հանկարծակի պիկսելներ, որոնք ցույց են տալիս դուռի/պատուհանի ցողուն։ Արդյունքում ստացված ձևը ներառում է **blow‑door թեստի ստուգման ցուցակ** և **սելակի առաջարկ**։  

---  

## Ադապտիվ Form Builder-ի աշխատանքային հոսք  

1. **Իրադարձության գործարկում** – AI մոդելը նշում է անսովորություն։  
2. **Ձևի ստեղծում** – AI Form Builder-ը ստեղծում է դինամիկ ձև, որը լրացված է սենսորների տվյալներով, պատկերներով և առաջարկված գործողություններով։  
3. **Օգտագործողի վերանայում** – Սպասարկման կառավարիչը վերանայում է, ավելացնում մեկնաբանություններ և նշանակում գործակալին։  
4. **Աշխատանքային պատվերի ուղարկում** – CMMS-ի հետ ինտեգրացիան webhooks-ի միջոցով ավտոմատ կերպով ստեղծում է աշխատանքային պատվեր։  
5. **Ուղղականից հետո վավերացում** – Սենսորները նորից չափում են գոտին; եթե կատարողականը բարելավվում է, ձևը փակվում է և **ուղղական հաջողության գնահատում** գրանցվում է։  
6. **Սովորելու ցիկլ** – Հաջողության/չհաջողության տվյալները հետադարձում են AI մոդելների, բարելավելով ապագա կանխատեսումները։  

Քանի որ ձևերը **AI‑գեներացված** են, դրանք ադապտվում են յուրաքանչյուր հատուկ թերության համար, հեռացնելով անհրաժեշտությունը ստատիկ ստուգման ցուցակների, որոնք արագ հնացել են։  

---  

## Կիրառման ճանապարհ քարտեզ  

| Փակտ | Գործողություններ | Արդյունքներ |
|------|------------------|------------|
| **1. Փիլիտների պլանավորում** | Նշել փորձնական շինություն, քարտեզավորել ծածկույթի գոտիները, ընտրել սենսորների սարքավորումները | Նախագծի կանոնագիր, սենսորների դասավորության գրաֆիկ |
| **2. Եզրային տեղադրման** | Տեղադրել ջերմաստիճան, խոնավություն, ճնշում և IR (ինֆրակարմիր) კამերաները; կարգավորել gateway-ները | Եզրային ցանցի գրաֆիկ, MQTT broker-ի տվյալներ |
| **3. Ամպային կարգավորում** | Պատրաստել AI Form Builder-ի վարձակալություն, ստեղծել ժամանակական‑սերիա տվյալների բազա, կարգավորել AI պայպլայններ | Terraform սցենարներ, CI/CD պայպլայն մոդելների ուսուցման համար |
| **4. Մոդելի զարգացում** | Ուսուցնել PINN, LSTM և փոփոխության կետի մոդելները պատմական տվյալների վրա | Մոդելի արտապատկերներ, վավերացման չափանիշներ |
| **5. Ձևի ձևանմուշի դիզայն** | Սահմանել JSON սխեմա ծածկույթի անսովորությունների ձևերի համար, քարտեզավորել դաշտերը CMMS-ի հետ | Ձևի սխեմա, webhook քարտեզավորում |
| **6. Ինտեգրացիա և թեստավորում** | Ավարտական թեստավորում: սենսոր → AI → ձև → CMMS → ուղղություն → վավերացում | Թեստի հաշվետվություն, կատարողականի վահանակ |
| **7. Մասշտաբավորում** | Կրկնել այլ շինություններում, ավելացնել բազմա‑վարձակալության աջակցություն | Բազմա‑վարձակալության ճարտարապետություն, SLA փաստաթղթեր |
| **8. Շարունակական բարելավում** | Նկատել մոդելի շեղում, թարմացնել ձևերը, ճշգրիտեցնել սահմանաչափերը | Երեքամսյա մոդելի վերապատրաստման պլան, հետադարձ կապի ցիկլի փաստաթղթեր |  

---  

## Օգտագործման քանակական արդյունքներ  

10-հատուկ գրասենյակային շենքի վրա իրականացված դեպքի ուսումնասիրությունը ցույց տվեց հետևյալ արդյունքները՝ RABEMS-ի վեց ամսվա աշխատանքից հետո՝  

| Չափանիշ | Բազային (տարեկան) | RABEMS-ի հետո | % Բարելավում |
|----------|-------------------|----------------|--------------|
| **Ջերմային էներգիայի օգտագործում** | 1,200 MWh | 1,020 MWh | 15% |
| **Սառեցման էներգիայի օգտագործում** | 800 MWh | 680 MWh | 15% |
| **Խոնավության հետ կապված վերանորոգումներ** | 12 դեպք | 3 դեպք | 75% |
| **Միջին բնակչության հարմարավետության գնահատում (1‑10)** | 7.2 | 8.5 | 18% |
| **Համապատասխանության հաշվետվության պատրաստման ժամանակ** | 40 ժամ | 6 ժամ | 85% |

Այս արդյունքները ցույց են տալիս, թե ինչպես **իրական‑ժամանակի ադապտիվ մոնիտորինգը** թարգմանվում է մատչելի ծախսերի խնայողություն, նվազեցված սպասարկման աշխատանքների բեռ և բարձրացած բնակչության գոհունակություն։  

---  

## Անվտանգության և գաղտնիության նկատառումներ  

- **Տվյալների կոդավորում** – Բոլոր MQTT տրանսպորտները օգտագործում են TLS 1.3; պահված տվյալները կոդավորված են AES‑256‑ով։  
- **Դեր‑հիմնված մուտքի կառավարում (RBAC)** – Սպասարկման կառավարիչները, գործակալները և աուդիտորները ստանում են սահմանված թույլտվություններ AI Form Builder-ում։  
- **Աուդիտ‑հետքեր** – Յուրաքանչյուր ձևի ներկայացում, խմբագրում և փակելը գրանցվում են անփոփոխ ժամանականշաններով, բավարարելով ISO 45001 և տեղական շինարարական կոդերի աուդիտի պահանջներին։  
- **Եզրային սարքերի ամրացում** – Ֆերմուարն ապահով բուտով ստորագրված է; OTA թարմացումները ստորագրված և ստուգված են։  

---  

## Ապագա ընդլայնումներ  

1. **Կառուցվածքի վերանորոգման կանխատեսող պլանավորում** – Միացնել ծածկույթի կատարողականի տվյալները ֆինանսական մոդելների հետ՝ առաջնահերթություն տալու համար կապիտալային բարելավումների համար։  
2. **Թվային երկույգի ինտեգրացիա** – Փոխանցել իրական‑ժամանակի ծածկույթի չափանիշները 3‑չափանի BIM մոդելում՝ վիզուալ վերլուծության համար։  
3. **Շինությունների միջև հավաքում** – Օգտագործել ֆեդերացված ուսուցում՝ բարելավելու AI մոդելները պորտֆոլիոների միջև, միաժամանակ պահելով կոշտ սենսորների տվյալները տեղում։  
4. **Բնակչի հետադարձ կապի ցիկլ** – Ներդնել կարճ գոհունակության հարցումներ ադապտիվ ձևերում՝ կապակցելու ծածկույթի կատարողականը զգացված հարմարավետության հետ։  

---  

## Եզրակացություն  

AI Form Builder-ը փոխում է ավանդական, ռեակտիվ շինության ծածկույթի գնահատումը **պրակտիվ, տվյալներով վարված disipline**‑ի։ Շարունակական IoT զգայունության, AI‑բարձրացված վերլուծությունների և ավտոմատ գեներացված ադապտիվ ձևերի օգտագործմամբ, շինության սեփականատերերը կարող են՝  

- Ակնհայտացնել և ուղղել ծածկույթի թերությունները րոպեների ընթացքում։  
- Նվազեցնել էներգիայի օգտագործումը և գործառնական ծախսերը։  
- Պահպանել շարունակական համապատասխանություն շինարարական կոդերին։  
- Բարձրացնել բնակչի առողջությունը և հարմարավետությունը։  

**Իրական‑ժամանակի ադապտիվ շինության ծածկույթի կատարողականի մոնիտորինգի** շրջանակը չափավոր, անվտանգ և պատրաստ է ինտեգրացիա գոյություն ունեցող սպասարկման կառավարման էկոհամակարգերի հետ, դարձնելով այն հուզիչ հավելում ցանկացած խելացի շինության ռազմավարության համար։