كيف يُحسّن التعلم الآلي حسابات أحجام أعمال الحفر والردم من بيانات المسح

تخفي حسابات أحجام أعمال الحفر والردم سراً مزعجاً: الطرق القياسية التي يستخدمها معظم المقاولين، وهي طريقة متوسط الشبكة وتحليل المقاطع العرضية، تنتج بشكل روتيني تقديرات تنحرف بنسبة 10 إلى 15% عن الأحجام الفعلية المنقولة. في حزمة أعمال موقع بقيمة 2 مليون دولار، يعني ذلك تعرضاً محتملاً يتراوح بين 200,000 و300,000 دولار. أساليب التعلم الآلي تعمل على تضييق هذه الفجوة بشكل ملحوظ.

لماذا تُخطئ الطرق التقليدية

تقوم طريقة الشبكة بتقسيم الموقع إلى مربعات، وحساب متوسط عمق الحفر أو الردم لكل مربع، ثم جمع الأحجام. المشكلة أنها تُنعّم التضاريس غير المنتظمة بين نقاط الشبكة. فوادٍ بعمق 6 أقدام يمتد قطرياً عبر مربع الشبكة يتحول بالمتوسط إلى منحدر لطيف. طريقة المقاطع العرضية أفضل في التقاط المعالم الخطية لكنها لا تزال تستكمل البيانات بين المقاطع، التي تكون عادةً متباعدة بمسافة 25 إلى 50 قدماً.

كلتا الطريقتين تواجهان أيضاً صعوبة مع حدود المواقع غير المنتظمة، والمرافق الموجودة التي تُقيّد أعمال التسوية، والانتقالات بين مناطق الحفر والردم حيث يتغير خط التوازن. يعرف مشرف الموقع ذو الخبرة أن هذه هي المناطق التي تنحرف فيها تقديرات أعمال الحفر والردم، لكن الحسابات الرياضية وراء طرق الحصر التقليدية تعاملها كأي منطقة أخرى في الموقع.

ما الذي يفعله التعلم الآلي بشكل مختلف

أدوات أعمال الحفر والردم المبنية على التعلم الآلي تستوعب سحابة النقاط الكاملة من مسوحات الطائرات بدون طيار أو مسح الليدار، وأحياناً ملايين نقاط البيانات لكل فدان. بدلاً من اختزال هذا إلى شبكة أو مجموعة مقاطع عرضية، تبني نموذج سطح مستمر وتحسب الأحجام مقارنة بسطح التصميم بدقة أعلى بكثير.

والأهم من ذلك، أن نماذج التعلم الآلي المدرّبة على مشاريع مكتملة تتعلم الأنماط التي تؤثر على الفرق بين الأحجام الفعلية والمقدّرة. نوع التربة يؤثر على معاملات الانتفاخ والانكماش. شدة الانحدار تؤثر على مقدار الحفر الزائد الذي يحدث أثناء التسوية. القرب من المنشآت القائمة يُقيّد وصول المعدات ويغيّر كيفية نقل المواد فعلياً. تدمج النماذج هذه العوامل تلقائياً بمجرد تدريبها على بيانات مشاريع كافية.

اختبر برنامج تجريبي لوزارة النقل في كولورادو حسابات الأحجام المبنية على التعلم الآلي مقارنة بالطرق التقليدية في 8 مشاريع طرق سريعة ذات أحجام فعلية معروفة. طريقة المقاطع العرضية التقليدية سجّلت متوسط انحراف 11.3% عن القيم الفعلية. نهج التعلم الآلي سجّل متوسط انحراف 3.7%. في أكبر مشروع، وهو توسيع طريق بطول 4 أميال، كان تقدير التعلم الآلي ضمن 2.1% من الحجم النهائي المقاس.

خط أنابيب البيانات الذي يجعل ذلك ممكناً

يعتمد تحسين الدقة بشكل كبير على جودة بيانات الإدخال. مسوحات الطائرات بدون طيار التي تُجرى على ارتفاع 200 قدم مع تداخل 75% تنتج سحب نقاط بدقة 2 إلى 3 سم، وهو ما يكفي لمعظم أعمال الحفر والردم التجارية. نقاط التحكم الأرضية مهمة للغاية. المشاريع التي استخدمت 4 نقاط تحكم أرضية أو أكثر لكل 10 فدادين حققت دقة تعلم آلي ضمن 3%. المشاريع التي تجاوزت نقاط التحكم الأرضية أو استخدمت أقل من الموصى به شهدت انخفاض الدقة إلى 7 إلى 8%، وهو ما يكاد يكون أفضل بالكاد من الطرق التقليدية.

يعمل خط أنابيب المسح إلى التقدير عادةً كالتالي: رحلة الطائرة بدون طيار تلتقط الظروف الحالية، برنامج القياس التصويري يولّد سحابة النقاط، برنامج التعلم الآلي يستورد سحابة النقاط إلى جانب سطح التصميم من مخططات الهندسة المدنية، وتتم حسابات الأحجام في دقائق بدلاً من ساعات.

وثّق أحد مقاولي أعمال الحفر والردم من الباطن في دالاس عملية انتقالهم. قبل أدوات التعلم الآلي، كان مُقدّر التكاليف لديهم يقضي 12 إلى 16 ساعة في حسابات الأحجام لموقع تجاري نموذجي مساحته 20 فداناً. مع خط أنابيب التعلم الآلي، تستغرق رحلة الطائرة بدون طيار 45 دقيقة، والمعالجة تستغرق ساعتين معظمها بدون إشراف، ويقضي المُقدّر ساعتين في مراجعة وتعديل المخرجات. انخفض إجمالي وقت المُقدّر من 14 ساعة إلى حوالي 3 ساعات، وتحسنت الدقة من متوسطهم التاريخي البالغ 9% انحراف إلى 4% انحراف.

التعامل مع المواقف الصعبة

المرافق الموجودة تحت الأرض لا تزال تمثل تحدياً. يمكن لنماذج التعلم الآلي مراعاة ممرات المرافق إذا كانت مواقعها معروفة ومقدّمة كقيود، لكن المرافق غير المعروفة تبقى مخاطرة لا تحلها أي تقنية بالكامل. مع ذلك، تتعامل أدوات التعلم الآلي مع بعض المواقف بشكل أفضل من الطرق التقليدية. المواقع التي تحتوي على صخور كبيرة تتطلب طرق إزالة مختلفة يمكن نمذجتها ببيانات تحت سطحية من حفر الاستكشاف الجيوتقني، ويمكن للتعلم الآلي تقدير أحجام الصخور مقابل التربة بشكل منفصل بناءً على أنماط الاستكمال المستفادة من ظروف جيولوجية مماثلة.

أعمال الحفر والردم المرحلية، حيث تتم التسوية على مراحل مع تخزين المواد بين المراحل، هي مجال آخر يُحسّن فيه التعلم الآلي الدقة. يمكن للنماذج تتبع الأسطح الوسيطة بين المراحل ومراعاة إعادة المناولة والدمك وتدهور المواد المخزّنة. عادةً ما تحسب الطرق التقليدية الحجم الإجمالي فقط وتطبق معامل تعديل واحد، مما يميل إلى التقليل من إجمالي ساعات المعدات.

التكامل مع إعداد العطاءات

تُغذّي أرقام الأحجام مباشرة في إعداد العطاءات، وهنا تتضاعف قيمة الدقة المحسّنة. تقديرات أحجام أدق تعني حسابات نقل أدق، وتوقعات أكثر دقة لساعات المعدات، وتقديرات أفضل لتكاليف الوقود. أفاد مقاول عام يستخدم أدوات تحليل البناء المدعومة بالذكاء الاصطناعي أن عطاءات أعمال الحفر والردم لديهم أصبحت أكثر تنافسية بنسبة 6% في المتوسط مع الحفاظ على هامش الربح المستهدف، وذلك ببساطة لأنهم كانوا يقدمون أرقاماً أدق بثقة أكبر.

جزء تخصيص الأسطول ذو قيمة خاصة. التقديرات التقليدية تؤدي إلى تخطيط متحفظ للمعدات لأن عدم اليقين مرتفع. مع الأحجام المستمدة من التعلم الآلي والمقسّمة حسب المنطقة ونوع التربة ومسافة النقل، يمكن للمقاولين تخطيط نشر المعدات بهامش أمان أقل، مما يقلل مباشرة من تكاليف التعبئة.

القيود العملية

أدوات التعلم الآلي لأعمال الحفر والردم ليست حلاً كاملاً لكل موقف. تتطلب بيانات مسح جيدة، مما يعني الاستثمار في قدرات الطائرات بدون طيار أو مقاولي المسح من الباطن. تعمل بشكل أفضل في المشاريع ذات المواقع المفتوحة نسبياً حيث يكون وصول الطائرات بدون طيار سهلاً. مشاريع الملء الحضري الكثيف ذات الوصول الجوي المحدود والبنية التحتية القائمة الكبيرة لا تزال تستفيد أكثر من طرق المسح والتقدير التقليدية.

تحتاج النماذج أيضاً إلى معايرة وفقاً للظروف المحلية. نموذج مدرّب بشكل أساسي على التربة الطينية في تكساس لن ينتج نفس الدقة على الجرانيت المتحلل في أريزونا بدون إعادة تدريب. يجب على المقاولين الذين يتبنون هذه الأدوات التخطيط لفترة معايرة من 5 إلى 10 مشاريع قبل أن تستقر أرقام الدقة عند أفضل مستوياتها.

لكن ما تُظهره البيانات باستمرار هو أنه حتى خلال فترة المعايرة، تتفوق التقديرات المبنية على التعلم الآلي على طرق الشبكة والمقاطع العرضية التقليدية. الحد الأدنى لدقة التعلم الآلي يعادل تقريباً الحد الأقصى للطرق التقليدية، وهو تحوّل ذو معنى لصناعة تُعد فيها تجاوزات تكاليف أعمال الحفر والردم من أكبر خمسة مخاطر ميزانية في أي مشروع تطوير موقع.