英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
通过人工神经网络估算土方工程执行时间成本
摘要：
本文提供了一种理论方法来确定完成一项土木工程所需要的时间以及成本。在土木工程规划中，最主要的问题就在于精确地测量机械工作组的生产率。因为土木工程在随机的环境与条件下实施，所以预计得到的参数值在实现的时候具有随机性。通过使用在工地现场采集的数据，建成人工神经网络。后者用来预测选定机器的生差率以及计算任务的执行时间和成本。所得到的结果将显示在土方执行成本或时间上的最优的机械装置。
目录：
1. 简介........................................................................................................570
2. 文献综述................................................................................................571
3. 用ANNs确定机械生产率的方法论......................................................571
3.1. 土方工程数据库.................................................................................571
3.2. 人工神经网络的选择。.....................................................................571
3.3. 人工神经网络得到的结果.................................................................573
3.4. 生产率的神经识别方法.....................................................................574
3.5. 关于选择ANN的结论........................................................................576
4. 通过人工神经网络确定土方工程的执行时间和成本........................576
4.1. 问题的数学描述.................................................................................576
4.2. 计算实例.............................................................................................577
4.3. 土方工程的执行时间和成本估算方法.............................................577
4.3.1. 输入数据..........................................................................................577
4.3.2. 生产力的产生..................................................................................577
4.3.3. 土方工程的执行时间和成本计算..................................................577
4.3.4. 最优机组选择..................................................................................577
4.4. 关于拟议方法的结论.........................................................................577
5. 结论........................................................................................................577
引用.............................................................................................................579
1.引言
为了有效地使用建筑工程组织方法，人们需要知道执行复杂工序的各个组成部分所花费的实际时间。执行指定范围的工程所需的时间取决于工程的物理尺寸以及由工作人员或成套机器在特定条件下达到的生产率。当人们知道执行组件任务所需的实际时间时，人们就可以正确地规划复杂工序的方针，并确定执行工程的实际成本。
土木工程是高度机械化的。根据工程的种类和规模，可以选择由独立工作的单机完成或者由一组机器一起工作来完成。在相当大的程度上，工程包括在设置土木结构的地方疏松土壤，并将土运送到距离施工现场几十公里的卸货地点。
本文提出了一种用于选择最佳的土方机械组（挖掘机、运输车）的理论方法。选择的标准是完成土方工程所需的最短时间或最小的成本费用。与挖掘机和运输车完成工程所需的时间以及成本有关的主要参数是机组的生产率，以单位时间内松动和运输到卸货地点的立方米数量土壤来测量。这决定采用人工神经网络（ANN）来预测这类机器的生产率。实施土方工程所需的时间和成本是根据神经网络生成的生产力数值来计算的。
2.文献的调查
根据对施工现场的意见，许多研究人员发现，土方工程实际生产力与规划阶段假设的理论生产力值有很大不同。这个问题在Smith,Maritas [1,2]和Xirocostas [3]，Mrozowicz和Szczepaniak [4]等人的论文中讨论过。上述作者强调各种与土方工程完成条件相关的因素极大地影响了土方机械的生产率。在其他施工流程中也会出现一些工作扰乱因素。因此，寻求新的模式和解决方案来更好地展示实际的施工过程，并作为规划阶段的信息来源。协调规划的技术和方法的发展以及建设的决策是Kapliński[5,6]和Zavadskas等人的文章的主题[7,8]。
土方工程在随机条件下施行。因此，随机变量的适当分布可以用来描述土方工程过程中的特征参数。土木工程参数描述的数学分布选择由包括Mrozowicz 和 Szczepaniak [4], AbouRizk 等人 [9] 和 Smith等人[1,2]研究。从上述论文看，beta;分布，gamma;分布或经验分布最常用于描述与土方工程相关的现象。
土方机械的生产率可以使用排队系统模型进行评估。Maritas和Xirocostas [3]，Mrozowicz和Szczepaniak [4]以及Alkass等人[10]使用解析排队系统模型来分析和评估一套土方机械。在许多情况下，通过分析方法来获得的解决方案太过复杂，甚至是不可能的，然而对物理模型的直接实验又太费力或者昂贵。所以之后便采用模拟模型来解决问题。B.Hoła和Mrozowicz [11]和Smith等人基于离散事件模拟建立了土方机械的仿真模型。Zhang [12]建立了基于面向对象软件的仿真模型。
在分析模型和模拟模型的情况下，每次引入新的机器或不同（未测试的）环境条件都需要花费大量精力对拖拉机的装载和工作周期时间重新进行研究调查。这是一个严重的问题因为在很多情况下在工程执行规划阶段中是不可能在短时间内做太多的研究。那么人工智能方法是有帮助的。Shi [13]，B.Hoła和Schabowicz [14]，Schabowicz和B.Hoła[15,16]和Tam等其他人采用人工神经网络来预测土方工程的生产力。Yang[18]等人提出了一种基于模糊逻辑的智能计算模型。
选择一组土方机械的基本标准是土方工程的最低执行时间和成本。遗传算法有助于解决优化问题。这算法被Tam[17] ，Marzouk和Moselhi [19,20]，Jaskowski和Sobotka [21,22]等人使用。每个生产过程的必要元素是对实际工程执行过程与计划执行过程的一致性进行监控。Navon等人提出基于GPS的类似监测。
现场研究和理论分析表明，土方机械的选择对它们的运行时间和成本有重大影响。在这方面的决定性因素是生产率。目前已经发现土方机械的生产率不仅取决于其技术参数，还取决于土方工程的条件。在工程实践中，在指定工作条件下快速评估一组机器生产力的能力有助于解决决策问题。在这里，神经网络是不可或缺的。下面提出了一种基于神经网络的原始方法，用于估算土方工程时间和成本。初步研究表明，当只有一个神经网络必须处理所有输入参数时，所得到的生产力值不是很准确。为了获得高度精确的结果，用于训练网络的输入参数值集合根据弃土运输距离被划分为子集。结果获得了五个网络。网络很好地映射出了不同的土方工程条件。由特定网络生成的值用于计算土方工程的时间和成本，并用于选择一组最佳的机器。
3.用ANNs确定机械生产率的方法论
3.1.土方工程数据库
为了使用人工神经网络能生成通过一套土方机器来实现生产力的生产率W*，人们需要一个可用于构建、训练和测试ANN的数据库。一个基于中欧最大的化工厂（Mrozowicz和Szczepaniak [4]）中的大型土方工程的施工现场进行过的研究而创建的数据库被使用于这个目的。这个研究涵盖了以下几种土方机械的不同配置：有1.2 m3-2.5m3铲斗容量的反铲挖土机，铲斗容量为3.4〜5.6m3的装载机和有载能力8-30t的运输车。土方工程：三类土，包含在挖掘和运输弃土到卸载站点。关于它们的可挖掘性，土壤分为10类[25]。三类土包括易于挖掘的土壤，如：壤土砂，粘土和湿土壤。弃土场地位于离施工现场1,2,5,5,7km处。在泥土路面或平面道路上运输。分析机器组的流程图如图1所示。
图1. 由挖掘机和拖拉机组成的机械设备流程图
研究的目的是获取挖掘机和运输机组成的土方机械组的效率评估数据。其中一个评估标准是在不同配置的机器和不同的弃土运输距离内实现的机械设置生产率。
几个因素的组合决定了一组协作机器的生产率。因素有：特定机组工作时的技术规格、机器工作的同步程度、进行土方工程的地形土壤条件、环境面貌对机器的工作和特定机器操作员的使用技能的影响。
3.2.人工神经网络的选择
为了预测土方机械的生产力，我们选择使用前馈多层误差反向传播网络与共轭梯度算法（BPNN-CGB）。其结构如图2所示。选择这个特定的ANN是因为依据J.Hoła和Schabowicz [26,27]的理论，它似乎是最适合来解决问题。其中包括Chao和Skibniewski [28,29]也使用了误差反馈传播神经网络来估计建筑工程的生产率，以评估新建筑技术的可接受性。采用非线性S形激活函数。在训练过程中，数据集被分为5个子集以获得最佳结果。划分的标准是废土的运输距离，即1,2,3,5,7km。在现场调查中考虑到以下与生产力有关的因素：挖掘机的数量，运输单位的数量，挖掘机铲斗的容量，运输装载平台的容量，平面道路的种类，运输单位的装货周期时间，运输单位行驶周期时间，挖掘机的类型和运输单位的类型。
图2. 采用共轭梯度算法（BPNN-CGB）采用单向多层错误反向传播网络的结构
表 1 用于预测参数的示例值:输出距离为5km的效率W*
|
编号 |
挖掘机的数量 c [–] |
卡车的数量 N [–] |
铲斗的容量 q [m3] |
卡车的容量 P [m3] |
路面的类型 Kd [–] |
效率 W [m3/h] |
|
1 |
1 |
22 |
2.5 |
12 |
3 |
286 |
|
2 |
1 |
36 |
2.5 |
12 |
剩余内容已隐藏，支付完成后下载完整资料 资料编号：[613589]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
