Come il Machine Learning migliora i calcoli dei volumi di sterro dai dati di rilievo
I calcoli dei volumi di sterro hanno un segreto scomodo: i metodi standard utilizzati dalla maggior parte degli appaltatori, la media a griglia e l'analisi delle sezioni trasversali, producono regolarmente stime che si discostano dal 10 al 15% rispetto ai volumi effettivamente movimentati. Su un pacchetto di lavori di cantiere da 2 milioni di dollari, ciò significa un'esposizione potenziale da 200.000 a 300.000 dollari. Gli approcci basati sul machine learning stanno riducendo considerevolmente questo divario.
Perché i metodi tradizionali sbagliano
Il metodo a griglia divide un sito in quadrati, calcola la profondità media di scavo o riempimento per ogni quadrato e somma i volumi. Il problema è che livella le irregolarità del terreno tra i punti della griglia. Un burrone profondo 2 metri che attraversa diagonalmente un quadrato della griglia viene mediato in una pendenza dolce. Il metodo delle sezioni trasversali è migliore nel catturare le caratteristiche lineari, ma interpola comunque tra le sezioni, tipicamente distanziate da 7,5 a 15 metri l'una dall'altra.
Entrambi i metodi hanno anche difficoltà con i confini irregolari del sito, le utenze esistenti che vincolano il livellamento e le transizioni tra zone di scavo e riempimento dove la linea di equilibrio si sposta. Un capocantiere esperto sa che queste sono le aree in cui le stime dei movimenti terra vanno fuori strada, ma la matematica dietro i metodi di computo tradizionali le tratta come qualsiasi altra zona del sito.
Cosa fa di diverso il Machine Learning
Gli strumenti per movimenti terra basati su ML acquisiscono l'intera nuvola di punti dai rilievi con droni o dalle scansioni LiDAR, a volte milioni di punti dati per acro. Invece di ridurli a una griglia o a un set di sezioni trasversali, costruiscono un modello di superficie continuo e calcolano i volumi rispetto alla superficie di progetto a una risoluzione molto più elevata.
Ancora più importante, i modelli ML addestrati su progetti completati apprendono i pattern che influenzano i volumi effettivi rispetto a quelli stimati. Il tipo di suolo influisce sui fattori di rigonfiamento e ritiro. La pendenza del terreno influisce sulla quantità di sovra-scavo che avviene durante il livellamento. La prossimità a strutture esistenti limita l'accesso delle attrezzature e cambia il modo in cui il materiale viene effettivamente movimentato. I modelli incorporano automaticamente questi fattori una volta addestrati su un numero sufficiente di dati di progetto.
Un programma pilota del DOT del Colorado ha testato i calcoli volumetrici basati su ML rispetto ai metodi tradizionali su 8 progetti autostradali con volumi effettivi noti. Il metodo tradizionale delle sezioni trasversali ha registrato una deviazione media dell'11,3% rispetto ai valori reali. L'approccio ML ha registrato una deviazione media del 3,7%. Sul progetto più grande, un allargamento stradale di 6,4 km, la stima ML era entro il 2,1% del volume finale misurato.
La pipeline di dati che lo rende possibile
Il miglioramento dell'accuratezza dipende fortemente dalla qualità dei dati in ingresso. I rilievi con droni effettuati a 60 metri di altezza con sovrapposizione del 75% producono nuvole di punti con una precisione da 2 a 3 cm, sufficiente per la maggior parte dei lavori di sterro commerciali. I punti di controllo a terra sono estremamente importanti. I progetti che utilizzano 4 o più GCP per 4 ettari hanno ottenuto un'accuratezza ML entro il 3%. I progetti che hanno saltato i GCP o ne hanno utilizzati meno del raccomandato hanno visto l'accuratezza scendere al 7-8%, appena meglio dei metodi tradizionali.
La pipeline dal rilievo alla stima funziona tipicamente così: il volo del drone cattura le condizioni esistenti, il software di fotogrammetria genera la nuvola di punti, il software ML importa la nuvola di punti insieme alla superficie di progetto dai piani di ingegneria civile, e il calcolo dei volumi viene eseguito in minuti anziché in ore.
Un subappaltatore di movimenti terra a Dallas ha documentato la propria transizione. Prima degli strumenti ML, il loro preventivista impiegava dalle 12 alle 16 ore per i calcoli volumetrici di un tipico sito commerciale di 8 ettari. Con la pipeline ML, il volo del drone richiede 45 minuti, l'elaborazione richiede 2 ore per lo più senza supervisione, e il preventivista dedica 2 ore alla revisione e all'aggiustamento dell'output. Il tempo totale del preventivista è sceso da 14 ore a circa 3 ore, e l'accuratezza è migliorata dalla loro media storica del 9% di deviazione al 4% di deviazione.
Gestire le situazioni complesse
Le utenze sotterranee esistenti rimangono una sfida. I modelli ML possono tenere conto dei corridoi delle utenze se le posizioni sono note e fornite come vincoli, ma le utenze sconosciute restano un rischio che nessuna tecnologia risolve completamente. Gli strumenti ML gestiscono comunque alcune situazioni meglio dei metodi tradizionali. I siti con roccia significativa che richiede metodi di rimozione diversi possono essere modellati con dati del sottosuolo provenienti da sondaggi geotecnici, e il ML può stimare separatamente i volumi di roccia rispetto a quelli di terreno basandosi su pattern di interpolazione appresi da condizioni geologiche simili.
I movimenti terra a fasi, dove il livellamento avviene in stadi con stoccaggio intermedio tra le fasi, sono un'altra area in cui il ML migliora l'accuratezza. I modelli possono tracciare le superfici intermedie tra le fasi e tenere conto della rimovimentazione, della compattazione e del degrado del materiale del terreno stoccato. I metodi tradizionali di solito calcolano semplicemente il volume lordo e applicano un singolo fattore di aggiustamento, che tende a sottostimare le ore totali di utilizzo delle attrezzature.
Integrazione con la preparazione delle offerte
I dati volumetrici alimentano direttamente la preparazione delle offerte, ed è qui che la maggiore accuratezza moltiplica il suo valore. Stime volumetriche più precise significano calcoli di trasporto più precisi, proiezioni più accurate delle ore macchina e migliori stime dei costi del carburante. Un general contractor che utilizza strumenti di analisi edilizia basati sull'IA ha riferito che le proprie offerte per movimenti terra sono diventate in media il 6% più competitive mantenendo il margine obiettivo, semplicemente perché presentavano numeri più precisi con maggiore sicurezza.
La componente di allocazione del parco macchine è particolarmente preziosa. Le stime tradizionali portano a una pianificazione conservativa delle attrezzature perché l'incertezza è elevata. Con i volumi derivati dal ML suddivisi per zona, tipo di suolo e distanza di trasporto, gli appaltatori possono pianificare il dispiegamento delle attrezzature con meno margine di sicurezza, il che riduce direttamente i costi di mobilitazione.
Limitazioni pratiche
Gli strumenti ML per movimenti terra non sono una soluzione completa per ogni situazione. Richiedono buoni dati di rilievo, il che significa investire in capacità di volo con droni o in subappaltatori per i rilievi. Funzionano meglio su progetti con siti relativamente aperti dove l'accesso dei droni è semplice. I progetti di riempimento urbano denso con accesso aereo limitato e infrastrutture esistenti significative traggono ancora maggior beneficio dai metodi tradizionali di rilievo e stima.
I modelli necessitano anche di calibrazione rispetto alle condizioni locali. Un modello addestrato principalmente su terreni argillosi in Texas non produrrà la stessa accuratezza su granito decomposto in Arizona senza riaddestramento. Gli appaltatori che adottano questi strumenti dovrebbero prevedere un periodo di calibrazione da 5 a 10 progetti prima che i numeri di accuratezza si stabilizzino ai livelli migliori.
Ciò che i dati mostrano costantemente, tuttavia, è che anche durante il periodo di calibrazione, le stime basate su ML superano i metodi tradizionali a griglia e a sezioni trasversali. Il livello minimo di accuratezza del ML è approssimativamente equivalente al livello massimo dei metodi tradizionali, il che rappresenta un cambiamento significativo per un settore in cui i superamenti dei costi di sterro sono tra i primi cinque rischi di budget in qualsiasi progetto di sviluppo del sito.