ПНИПУ: создана нейросеть, предсказывающая надежность лесных дорог

Главная проблема освоения богатейших российских лесов — не нехватка древесины, а отсутствие дорог. На заболоченных грунтах и вечной мерзлоте традиционные лесовозные трассы быстро уходят в колею, а современные методы расчета не позволяют точно оценить поведение дорожных конструкций. Ученые ПНИПУ обучили нейросеть, способную моделировать работу дорог, усиленных геосинтетикой, на слабых грунтах.

Точность ее прогнозов достигает 92%. Об этом "Газете.Ru" сообщили в пресс-службе образовательного учреждения.

Россия владеет пятой частью мировых запасов древесины, но доступ к самым ценным массивам осложнен. По данным отрасли, несмотря на рост выручки (54,2 млрд рублей в 2024 году), объемы лесозаготовки за первые десять месяцев 2025 года упали на 9%. Причина — логистический тупик. В удаленных регионах дороги либо отсутствуют, либо оказываются непригодными для тяжелой техники.

Ставка на "зимники" уже не работает: климатические изменения сократили период устойчивых морозов на 15–20% по сравнению с прошлым поколением наблюдений. Подтаивающая мерзлота и частые оттепели делают зимние трассы непредсказуемыми и опасными. Переход на всесезонные дороги неизбежен, но слабые грунты требуют дорогих и сложных инженерных решений.

Сегодня для усиления дорожного полотна используют геосинтетику — прочные полимерные сетки и полотна, которые распределяют нагрузку и предотвращают просадку щебня. Однако традиционные методы расчёта недостаточно точны. Инженеру приходится либо "перестраховываться" и удорожать проект, либо рисковать долговечностью дороги.

Специалисты ПНИПУ впервые создали цифровую модель, которая снимает эти неопределенности.

Сначала они провели сотни виртуальных экспериментов, моделируя работу различных дорожных конструкций под нагрузкой лесовозов. В расчеты вошли свойства грунта, толщина дорожных слоев, параметры геосетки и эксплуатационные нагрузки. После каждого эксперимента фиксировались ключевые показатели: просадка полотна и уровень напряжений в синтетическом материале.

На основе этой базы данных была обучена нейросеть, принимающая 13 входных параметров и выдающая прогноз по двум критически важным характеристикам.

"Модель показала точность 90,76% при погрешности менее 10%. В независимых тестах точность варьировалась от 88,27% до 92,06%, что полностью соответствует требованиям практического дорожного строительства", — отметил доцент кафедры автомобильных дорог и мостов ПНИПУ Владимир Клевеко.

Для лесопромышленных компаний это означает возможность быстрее и дешевле строить всесезонные дороги в труднодоступных регионах. А значит, снизятся транспортные расходы и повысится рентабельность освоения лесных ресурсов — от строительной древесины до бумажной продукции.