Bagaimana Machine Learning Meningkatkan Perhitungan Volume Pekerjaan Tanah dari Data Survei

Perhitungan volume pekerjaan tanah memiliki rahasia yang jarang dibicarakan: metode standar yang digunakan sebagian besar kontraktor, yaitu rata-rata grid dan analisis penampang melintang, secara rutin menghasilkan estimasi yang meleset 10 hingga 15% dari volume aktual yang dipindahkan. Pada paket pekerjaan tanah senilai $2 juta, itu berarti potensi risiko sebesar $200.000 hingga $300.000. Pendekatan machine learning secara signifikan memperkecil selisih tersebut.

Mengapa Metode Tradisional Meleset

Metode grid membagi lokasi menjadi kotak-kotak, menghitung kedalaman rata-rata galian atau timbunan untuk setiap kotak, lalu menjumlahkan volumenya. Masalahnya adalah metode ini meratakan ketidakteraturan medan di antara titik-titik grid. Sebuah jurang sedalam 6 kaki yang melintang diagonal melalui kotak grid akan dirata-ratakan menjadi lereng landai. Metode penampang melintang lebih baik dalam menangkap fitur linear tetapi tetap melakukan interpolasi antar penampang, yang biasanya berjarak 25 hingga 50 kaki.

Kedua metode juga kesulitan menangani batas lokasi yang tidak beraturan, utilitas yang sudah ada yang membatasi pemerataan tanah, dan transisi antara zona galian dan timbunan di mana garis keseimbangan bergeser. Seorang pengawas lapangan yang berpengalaman tahu bahwa area-area inilah tempat estimasi pekerjaan tanah sering meleset, tetapi rumus matematika di balik metode takeoff tradisional memperlakukannya sama seperti zona lain di lokasi proyek.

Apa yang Dilakukan Machine Learning Secara Berbeda

Alat pekerjaan tanah berbasis ML menyerap seluruh point cloud dari survei drone atau pemindaian LiDAR, terkadang jutaan titik data per acre. Alih-alih mereduksinya menjadi set grid atau penampang melintang, alat ini membangun model permukaan kontinu dan menghitung volume terhadap permukaan desain pada resolusi yang jauh lebih tinggi.

Yang lebih penting, model ML yang dilatih pada proyek-proyek yang telah selesai mempelajari pola-pola yang memengaruhi volume aktual vs. estimasi. Jenis tanah memengaruhi faktor pengembangan dan penyusutan. Kecuraman lereng memengaruhi seberapa banyak galian berlebih terjadi selama pemerataan. Kedekatan dengan struktur yang sudah ada membatasi akses alat berat dan mengubah cara material benar-benar dipindahkan. Model-model ini memasukkan faktor-faktor tersebut secara otomatis setelah dilatih dengan data proyek yang cukup.

Program percontohan Colorado DOT menguji perhitungan volume berbasis ML terhadap metode tradisional pada 8 proyek jalan raya dengan volume aktual yang diketahui. Metode penampang melintang tradisional rata-rata menyimpang 11,3% dari aktual. Pendekatan ML rata-rata menyimpang 3,7%. Pada proyek terbesar, pelebaran jalan sepanjang 4 mil, estimasi ML hanya menyimpang 2,1% dari volume akhir yang diukur.

Pipeline Data yang Membuatnya Berhasil

Peningkatan akurasi sangat bergantung pada kualitas data input. Survei drone yang diterbangkan pada ketinggian 200 kaki dengan overlap 75% menghasilkan point cloud dengan akurasi 2 hingga 3 cm, yang cukup untuk sebagian besar pekerjaan tanah komersial. Titik kontrol tanah (ground control points) sangat berpengaruh. Proyek yang menggunakan 4 atau lebih GCP per 10 acre mencapai akurasi ML dalam 3%. Proyek yang melewatkan GCP atau menggunakan kurang dari yang direkomendasikan mengalami penurunan akurasi menjadi 7 hingga 8%, yang nyaris tidak lebih baik dari metode tradisional.

Pipeline dari survei ke estimasi biasanya berjalan seperti ini: penerbangan drone menangkap kondisi eksisting, perangkat lunak fotogrametri menghasilkan point cloud, perangkat lunak ML mengimpor point cloud bersama permukaan desain dari rencana teknik sipil, dan perhitungan volume berjalan dalam hitungan menit, bukan jam.

Satu subkontraktor pekerjaan tanah di Dallas mendokumentasikan transisi mereka. Sebelum menggunakan alat ML, estimator mereka menghabiskan 12 hingga 16 jam untuk perhitungan volume pada lokasi komersial seluas 20 acre. Dengan pipeline ML, penerbangan drone memakan waktu 45 menit, pemrosesan memakan waktu 2 jam yang sebagian besar tanpa pengawasan, dan estimator menghabiskan 2 jam untuk meninjau dan menyesuaikan output. Total waktu estimator turun dari 14 jam menjadi sekitar 3 jam, dan akurasi meningkat dari rata-rata historis mereka yang menyimpang 9% menjadi menyimpang 4%.

Menangani Situasi yang Rumit

Utilitas bawah tanah yang sudah ada masih menjadi tantangan. Model ML dapat memperhitungkan koridor utilitas jika lokasinya diketahui dan diberikan sebagai batasan, tetapi utilitas yang tidak diketahui tetap menjadi risiko yang tidak sepenuhnya bisa diselesaikan oleh teknologi apa pun. Namun, alat ML menangani beberapa situasi lebih baik daripada metode tradisional. Lokasi dengan batuan signifikan yang memerlukan metode penggalian berbeda dapat dimodelkan dengan data bawah permukaan dari pengeboran geoteknik, dan ML dapat memperkirakan volume batuan vs. tanah secara terpisah berdasarkan pola interpolasi yang dipelajari dari kondisi geologi serupa.

Pekerjaan tanah bertahap, di mana pemerataan dilakukan secara bertahap dengan penimbunan sementara antar fase, adalah area lain di mana ML meningkatkan akurasi. Model dapat melacak permukaan antara antar fase dan memperhitungkan penanganan ulang, pemadatan, dan degradasi material tanah yang ditimbun. Metode tradisional biasanya hanya menghitung volume kotor dan menerapkan satu faktor penyesuaian, yang cenderung meremehkan total jam kerja alat berat.

Integrasi dengan Persiapan Penawaran

Angka volume langsung masuk ke persiapan penawaran, dan di sinilah peningkatan akurasi melipatgandakan nilainya. Estimasi volume yang lebih ketat berarti perhitungan pengangkutan yang lebih ketat, proyeksi jam kerja alat berat yang lebih akurat, dan estimasi biaya bahan bakar yang lebih baik. Seorang kontraktor umum yang menggunakan alat analisis konstruksi berbasis AI melaporkan bahwa penawaran pekerjaan tanah mereka menjadi rata-rata 6% lebih kompetitif sambil tetap mempertahankan margin target mereka, hanya karena mereka mengajukan angka yang lebih ketat dengan keyakinan lebih tinggi.

Bagian alokasi armada alat berat sangat berharga. Estimasi tradisional mengarah pada perencanaan alat berat yang konservatif karena ketidakpastiannya tinggi. Dengan volume yang diturunkan dari ML yang dipecah berdasarkan zona, jenis tanah, dan jarak angkut, kontraktor dapat merencanakan penempatan alat berat dengan buffer yang lebih sedikit, yang secara langsung mengurangi biaya mobilisasi.

Keterbatasan Praktis

Alat pekerjaan tanah berbasis ML bukan solusi lengkap untuk setiap situasi. Alat ini memerlukan data survei yang baik, yang berarti berinvestasi dalam kemampuan drone atau subkontraktor survei. Alat ini bekerja paling baik pada proyek dengan lokasi yang relatif terbuka di mana akses drone mudah. Proyek infill perkotaan padat dengan akses udara terbatas dan infrastruktur eksisting yang signifikan masih lebih diuntungkan dari metode survei dan estimasi tradisional.

Model juga memerlukan kalibrasi terhadap kondisi lokal. Model yang dilatih terutama pada tanah liat di Texas tidak akan menghasilkan akurasi yang sama pada granit lapuk di Arizona tanpa pelatihan ulang. Kontraktor yang mengadopsi alat ini harus merencanakan periode kalibrasi 5 hingga 10 proyek sebelum angka akurasi stabil pada level terbaiknya.

Namun, yang secara konsisten ditunjukkan oleh data adalah bahwa bahkan selama periode kalibrasi, estimasi berbasis ML mengungguli metode grid dan penampang melintang tradisional. Batas bawah akurasi ML kira-kira setara dengan batas atas metode tradisional, yang merupakan pergeseran signifikan bagi industri di mana pembengkakan biaya pekerjaan tanah adalah salah satu dari lima risiko anggaran teratas pada setiap proyek pengembangan lahan.