मशीन लर्निंग सर्वे डेटा से मिट्टी के काम की मात्रा गणना को कैसे बेहतर बनाती है

मिट्टी के काम (अर्थवर्क) की मात्रा गणना का एक छिपा हुआ सच है: अधिकांश ठेकेदार जो मानक तरीके उपयोग करते हैं, ग्रिड एवरेजिंग और क्रॉस-सेक्शन विश्लेषण, नियमित रूप से वास्तविक स्थानांतरित मात्रा से 10 से 15% तक के अनुमान देते हैं। $2 मिलियन के साइट वर्क पैकेज पर, यह $200,000 से $300,000 तक का संभावित जोखिम है। मशीन लर्निंग दृष्टिकोण इस अंतर को काफी हद तक कम कर रहे हैं।

पारंपरिक तरीके क्यों चूकते हैं

ग्रिड विधि एक साइट को वर्गों में विभाजित करती है, प्रत्येक वर्ग के लिए औसत कट या फिल गहराई की गणना करती है, और मात्राओं को जोड़ती है। समस्या यह है कि यह ग्रिड बिंदुओं के बीच भूभाग की अनियमितताओं को समतल कर देती है। एक ग्रिड वर्ग के बीच से तिरछे गुजरने वाली 6 फुट गहरी खाई को एक हल्की ढलान में औसत कर दिया जाता है। क्रॉस-सेक्शन विधि रैखिक विशेषताओं को पकड़ने में बेहतर है लेकिन फिर भी सेक्शनों के बीच इंटरपोलेशन करती है, जो आमतौर पर 25 से 50 फुट की दूरी पर होते हैं।

दोनों विधियां अनियमित साइट सीमाओं, मौजूदा उपयोगिताओं जो ग्रेडिंग को बाधित करती हैं, और कट और फिल ज़ोन के बीच के संक्रमणों जहां बैलेंस लाइन बदलती है, के साथ भी संघर्ष करती हैं। एक अनुभवी साइट सुपरिंटेंडेंट जानता है कि ये वे क्षेत्र हैं जहां मिट्टी के काम के अनुमान गलत हो जाते हैं, लेकिन पारंपरिक टेकऑफ विधियों के पीछे का गणित इन्हें साइट पर किसी भी अन्य ज़ोन की तरह ही मानता है।

मशीन लर्निंग अलग तरीके से क्या करती है

ML-आधारित अर्थवर्क टूल ड्रोन सर्वे या LiDAR स्कैन से पूरे पॉइंट क्लाउड को ग्रहण करते हैं, कभी-कभी प्रति एकड़ लाखों डेटा पॉइंट। इसे ग्रिड या क्रॉस-सेक्शन सेट में कम करने के बजाय, वे एक सतत सतह मॉडल बनाते हैं और डिज़ाइन सतह के विरुद्ध बहुत उच्च रिज़ॉल्यूशन पर मात्रा की गणना करते हैं।

इससे भी महत्वपूर्ण बात यह है कि पूर्ण परियोजनाओं पर प्रशिक्षित ML मॉडल उन पैटर्न को सीखते हैं जो वास्तविक बनाम अनुमानित मात्रा को प्रभावित करते हैं। मिट्टी का प्रकार स्वेल और श्रिंक फैक्टर को प्रभावित करता है। ढलान की तीव्रता प्रभावित करती है कि ग्रेडिंग के दौरान कितना ओवर-कट होता है। मौजूदा संरचनाओं की निकटता उपकरण पहुंच को बाधित करती है और बदलती है कि सामग्री वास्तव में कैसे स्थानांतरित होती है। पर्याप्त परियोजना डेटा पर प्रशिक्षित होने के बाद मॉडल इन कारकों को स्वचालित रूप से शामिल करते हैं।

कोलोराडो DOT के एक पायलट कार्यक्रम ने ज्ञात वास्तविक मात्राओं वाली 8 राजमार्ग परियोजनाओं पर ML-आधारित मात्रा गणनाओं का पारंपरिक तरीकों से परीक्षण किया। पारंपरिक क्रॉस-सेक्शन विधि में वास्तविक मात्रा से औसतन 11.3% विचलन था। ML दृष्टिकोण में औसतन 3.7% विचलन था। सबसे बड़ी परियोजना, 4-मील की सड़क चौड़ीकरण, पर ML अनुमान अंतिम मापी गई मात्रा के 2.1% के भीतर था।

डेटा पाइपलाइन जो इसे काम करती है

सटीकता में सुधार इनपुट डेटा गुणवत्ता पर बहुत अधिक निर्भर करता है। 200 फुट की ऊंचाई पर 75% ओवरलैप के साथ उड़ाए गए ड्रोन सर्वे 2 से 3 सेमी सटीकता वाले पॉइंट क्लाउड उत्पन्न करते हैं, जो अधिकांश व्यावसायिक अर्थवर्क के लिए पर्याप्त है। ग्राउंड कंट्रोल पॉइंट बेहद महत्वपूर्ण हैं। प्रति 10 एकड़ 4 या अधिक GCP का उपयोग करने वाली परियोजनाओं में ML सटीकता 3% के भीतर रही। GCP छोड़ने वाली या अनुशंसित से कम उपयोग करने वाली परियोजनाओं में सटीकता 7 से 8% तक गिर गई, जो पारंपरिक तरीकों से मुश्किल से बेहतर है।

सर्वे-से-अनुमान पाइपलाइन आमतौर पर इस तरह चलती है: ड्रोन उड़ान मौजूदा स्थितियों को कैप्चर करती है, फोटोग्रामेट्री सॉफ्टवेयर पॉइंट क्लाउड उत्पन्न करता है, ML सॉफ्टवेयर सिविल इंजीनियरिंग योजनाओं से डिज़ाइन सतह के साथ पॉइंट क्लाउड आयात करता है, और मात्रा गणना घंटों के बजाय मिनटों में चलती है।

डलास में एक अर्थवर्क उपठेकेदार ने अपने संक्रमण का दस्तावेजीकरण किया। ML टूल से पहले, उनके अनुमानकर्ता ने एक सामान्य 20-एकड़ व्यावसायिक साइट के लिए मात्रा गणना पर 12 से 16 घंटे बिताए। ML पाइपलाइन के साथ, ड्रोन उड़ान में 45 मिनट लगते हैं, प्रोसेसिंग में 2 घंटे लगते हैं जो अधिकतर बिना निगरानी के होती है, और अनुमानकर्ता आउटपुट की समीक्षा और समायोजन में 2 घंटे बिताता है। कुल अनुमानकर्ता समय 14 घंटे से घटकर लगभग 3 घंटे हो गया, और सटीकता उनके ऐतिहासिक औसत 9% विचलन से सुधरकर 4% विचलन हो गई।

कठिन परिस्थितियों को संभालना

मौजूदा भूमिगत उपयोगिताएं अभी भी एक चुनौती हैं। ML मॉडल उपयोगिता कॉरिडोर को ध्यान में रख सकते हैं यदि स्थान ज्ञात हों और बाधाओं के रूप में प्रदान किए जाएं, लेकिन अज्ञात उपयोगिताएं एक ऐसा जोखिम बनी रहती हैं जिसे कोई भी तकनीक पूरी तरह हल नहीं करती। हालांकि, ML टूल कुछ स्थितियों को पारंपरिक तरीकों से बेहतर संभालते हैं। जिन साइटों पर महत्वपूर्ण चट्टान है जिसके लिए अलग निष्कासन विधियों की आवश्यकता होती है, उन्हें जियोटेक बोरिंग से उपसतह डेटा के साथ मॉडल किया जा सकता है, और ML समान भूवैज्ञानिक स्थितियों से सीखे गए इंटरपोलेशन पैटर्न के आधार पर चट्टान बनाम मिट्टी की मात्रा का अलग-अलग अनुमान लगा सकता है।

चरणबद्ध अर्थवर्क, जहां ग्रेडिंग चरणों में होती है और चरणों के बीच स्टॉकपाइलिंग होती है, एक और क्षेत्र है जहां ML सटीकता में सुधार करता है। मॉडल चरणों के बीच मध्यवर्ती सतहों को ट्रैक कर सकते हैं और रीहैंडलिंग, कॉम्पैक्शन, और स्टॉकपाइल की गई मिट्टी के क्षरण को ध्यान में रख सकते हैं। पारंपरिक तरीके आमतौर पर केवल सकल मात्रा की गणना करते हैं और एक एकल समायोजन कारक लागू करते हैं, जो कुल उपकरण घंटों को कम आंकने की प्रवृत्ति रखता है।

बोली तैयारी के साथ एकीकरण

मात्रा के आंकड़े सीधे बोली तैयारी में फीड होते हैं, और यहीं पर बेहतर सटीकता अपने मूल्य को कई गुना बढ़ाती है। सटीक मात्रा अनुमानों का मतलब है सटीक ढुलाई गणना, अधिक सटीक उपकरण घंटे का अनुमान, और बेहतर ईंधन लागत अनुमान। AI-संचालित निर्माण विश्लेषण टूल का उपयोग करने वाले एक जनरल कॉन्ट्रैक्टर ने बताया कि उनकी अर्थवर्क बोलियां अपने लक्षित मार्जिन को बनाए रखते हुए औसतन 6% अधिक प्रतिस्पर्धी हो गईं, केवल इसलिए कि वे अधिक आत्मविश्वास के साथ सटीक आंकड़ों पर बोली लगा रहे थे।

फ्लीट आवंटन का हिस्सा विशेष रूप से मूल्यवान है। पारंपरिक अनुमान रूढ़िवादी उपकरण नियोजन की ओर ले जाते हैं क्योंकि अनिश्चितता अधिक होती है। ज़ोन, मिट्टी के प्रकार और ढुलाई दूरी के अनुसार विभाजित ML-व्युत्पन्न मात्राओं के साथ, ठेकेदार कम बफर के साथ उपकरण तैनाती की योजना बना सकते हैं, जो सीधे मोबिलाइज़ेशन लागत को कम करता है।

व्यावहारिक सीमाएं

ML अर्थवर्क टूल हर स्थिति के लिए पूर्ण समाधान नहीं हैं। उन्हें अच्छे सर्वे डेटा की आवश्यकता होती है, जिसका मतलब है ड्रोन क्षमताओं या सर्वे उपठेकेदारों में निवेश करना। वे उन परियोजनाओं पर सबसे अच्छा काम करते हैं जहां अपेक्षाकृत खुली साइटें हैं जहां ड्रोन पहुंच सरल है। सीमित हवाई पहुंच और महत्वपूर्ण मौजूदा बुनियादी ढांचे वाली घनी शहरी इनफिल परियोजनाओं को अभी भी पारंपरिक सर्वे और अनुमान विधियों से अधिक लाभ होता है।

मॉडलों को स्थानीय परिस्थितियों के अनुसार कैलिब्रेशन की भी आवश्यकता होती है। टेक्सास में चिकनी मिट्टी पर मुख्य रूप से प्रशिक्षित मॉडल बिना पुनः प्रशिक्षण के एरिज़ोना में विघटित ग्रेनाइट पर समान सटीकता नहीं देगा। इन टूल को अपनाने वाले ठेकेदारों को 5 से 10 परियोजनाओं की कैलिब्रेशन अवधि की योजना बनानी चाहिए, इससे पहले कि सटीकता के आंकड़े अपने सर्वोत्तम स्तर पर स्थिर हों।

हालांकि, डेटा लगातार यह दिखाता है कि कैलिब्रेशन अवधि के दौरान भी, ML-आधारित अनुमान पारंपरिक ग्रिड और क्रॉस-सेक्शन विधियों से बेहतर प्रदर्शन करते हैं। ML सटीकता की न्यूनतम सीमा लगभग पारंपरिक तरीकों की अधिकतम सीमा के बराबर है, जो एक ऐसे उद्योग के लिए एक महत्वपूर्ण बदलाव है जहां अर्थवर्क लागत ओवररन किसी भी साइट विकास परियोजना पर शीर्ष पांच बजट जोखिमों में से एक है।