Авторы статьи, являясь представителями независимой экспертизы, летом 2025 года проводили обследование состояния ряда автомобильных дорог Брянской области. При контроле качества построенных дорог использовали традиционные методы контроля. Основной задачей являлась проверка качества оснований из грунтов, укрепленных цементом, построенных около 15–20 лет назад. В основном автомобильные дороги имели сборное железобетонное покрытие. При использовании традиционных методов были применены разрушающий и неразрушающий методы контроля. При разрушающем методе толщину плит определяли путем выпиливания кернов. Одновременно выпиливали керны из слоев выравнивающего песко-цементного слоя и слоя из цементо-грунтового основания. Полученные образцы испытывали в лабораторных условиях кафедры «Автомобильные дороги» под гидравлическим прессом. Определяли предел прочности при сжатии высверленных кернов. Авторы статьи, руководствуясь актуальностью научных исследований, в данном исследовании ориентировались двумя ключевыми факторами: использование традиционных методов контроля и сравнение их с методами проактивной диагностики с использованием нейронных сетей. Традиционные методы, основанные на дискретных полевых измерениях (отбор кернов или вырубок, дальнейшие лабораторные испытания), являются трудоемкими, дорогостоящими и, самое главное, запаздывающими. Они фиксируют дефект на стадии его проявления, а не на стадии зарождения, что не позволяет своевременно принять корректирующие меры. Своевременная диагностика эффективности оснований из укрепленных грунтов является важным элементом геотехнического мониторинга. Применение нейронных сетей и методов искусственного интеллекта (ИИ) позволяет перейти от реактивного к проактивному управлению рисками даже при обследовании состояния оснований автомобильных дорог из укрепленных грунтов. Основной задачей исследований явилась проверка достоверности решаемых задач при применении нейронных сетей и методов искусственного интеллекта. Хотя к любому использованию искусственного интеллекта в строительстве, а также и в дорожном строительстве человеку — инженеру надо относиться критически. Необходимо проверять и перепроверять алгоритм действия ИИ, чтобы получить правдивую картину всего технологического процесса строительства автомобильной дороги, в том числе и контроля качества за ее строительством и за поведением уже построенной дорожной одежды при ее эксплуатации. Результаты моделирования убедительно демонстрируют следственную связь между аномальными сочетаниями технологических параметров и прогнозируемой деградацией дорожного основания. Проведенное исследование успешно продемонстрировало методологию интеграции результатов традиционных полевых обследований с возможностями интеллектуальной системы ранней диагностики, основанной на нейронных сетях (ИС РД).
In the summer of 2025, the authors of this article, who are representatives of an independent expert review, conducted an inspection of a number of roads in the Bryansk region. Traditional methods of quality control were used during the inspection. The main objective was to verify the quality of the cement-reinforced soil foundations that were built approximately 15 to 20 years ago. These roads primarily had a precast concrete pavement. When using traditional methods, destructive and non-destructive control methods were used. In the destructive method, the thickness of the slabs was determined by cutting out cores. At the same time, cores were cut out from the layers of the leveling sand-cement layer and the layer of the cement-soil base. The obtained samples were tested in the laboratory conditions of the Department of Roads under a hydraulic press. The compressive strength of the drilled cores was determined. In this study, the authors focused on two key factors: the use of traditional control methods and their comparison with proactive diagnostic methods using neural networks. Traditional methods based on discrete field measurements (sampling of cores or cuttings, further laboratory tests) are time-consuming, expensive, and most importantly, delayed. They detect defects at the stage of their manifestation, rather than at the stage of their origin, which prevents timely corrective measures. Timely diagnostics of the effectiveness of reinforced soil bases is an important element of geotechnical monitoring. The use of neural networks and artificial intelligence (AI) methods allows for a shift from reactive to proactive risk management, even when inspecting the condition of reinforced soil road bases. The main objective of the research was to verify the accuracy of the tasks that can be solved using neural networks and artificial intelligence methods. However, it is important for engineers to approach the use of artificial intelligence in construction and road engineering with a critical mindset. It is necessary to verify and reverify the AI algorithm to obtain a true picture of the entire process of road construction, including quality control and the behavior of the road surface during its operation. The simulation results convincingly demonstrate the causal relationship between abnormal combinations of technological parameters and the predicted degradation of the road base. The study successfully demonstrated the methodology for integrating the results of traditional field surveys with the capabilities of an intelligent early diagnosis system based on neural networks (IS ED).