Bagaimana Pembelajaran Mesin Meningkatkan Pengiraan Isipadu Kerja Tanah Daripada Data Ukur

Pengiraan isipadu kerja tanah mempunyai rahsia yang jarang diperkatakan: kaedah standard yang digunakan oleh kebanyakan kontraktor, iaitu purata grid dan analisis keratan rentas, secara rutin menghasilkan anggaran yang meleset 10 hingga 15% daripada isipadu sebenar yang dipindahkan. Pada pakej kerja tapak bernilai $2 juta, itu bermakna pendedahan potensi sebanyak $200,000 hingga $300,000. Pendekatan pembelajaran mesin sedang merapatkan jurang tersebut dengan ketara.

Mengapa Kaedah Tradisional Meleset

Kaedah grid membahagikan tapak kepada petak-petak, mengira purata kedalaman potong atau tambak bagi setiap petak, dan menjumlahkan isipadu. Masalahnya ialah ia melicinkan ketidakseragaman rupa bumi antara titik grid. Gaung sedalam 6 kaki yang melintasi petak grid secara pepenjuru akan dipuratakan menjadi cerun yang landai. Kaedah keratan rentas lebih baik dalam menangkap ciri linear tetapi masih menginterpolasi antara keratan, yang biasanya dijarakkan 25 hingga 50 kaki.

Kedua-dua kaedah juga menghadapi kesukaran dengan sempadan tapak yang tidak sekata, utiliti sedia ada yang mengekang kerja penggredan, dan peralihan antara zon potong dan tambak di mana garisan keseimbangan berubah. Seorang penyelia tapak yang berpengalaman tahu bahawa kawasan-kawasan inilah yang menyebabkan anggaran kerja tanah tersasar, tetapi matematik di sebalik kaedah pengambilan tradisional memperlakukannya sama seperti mana-mana zon lain di tapak.

Apa yang Pembelajaran Mesin Lakukan Secara Berbeza

Alat kerja tanah berasaskan ML memproses keseluruhan awan titik daripada tinjauan dron atau imbasan LiDAR, kadangkala berjuta-juta titik data per ekar. Daripada mengurangkannya kepada set grid atau keratan rentas, ia membina model permukaan berterusan dan mengira isipadu berbanding permukaan reka bentuk pada resolusi yang jauh lebih tinggi.

Lebih penting lagi, model ML yang dilatih berdasarkan projek yang telah siap mempelajari corak yang mempengaruhi isipadu sebenar berbanding anggaran. Jenis tanah mempengaruhi faktor pengembangan dan pengecutan. Kecuraman cerun mempengaruhi berapa banyak lebihan potongan berlaku semasa penggredan. Kedekatan dengan struktur sedia ada mengekang akses peralatan dan mengubah cara bahan sebenarnya dipindahkan. Model-model ini menggabungkan faktor-faktor ini secara automatik setelah dilatih dengan data projek yang mencukupi.

Program perintis Colorado DOT menguji pengiraan isipadu berasaskan ML berbanding kaedah tradisional pada 8 projek lebuh raya dengan isipadu sebenar yang diketahui. Kaedah keratan rentas tradisional mencatatkan purata sisihan 11.3% daripada nilai sebenar. Pendekatan ML mencatatkan purata sisihan 3.7%. Pada projek terbesar, pelebaran jalan sepanjang 4 batu, anggaran ML berada dalam lingkungan 2.1% daripada isipadu akhir yang diukur.

Saluran Data yang Menjadikannya Berkesan

Peningkatan ketepatan sangat bergantung pada kualiti data input. Tinjauan dron yang diterbangkan pada ketinggian 200 kaki dengan pertindihan 75% menghasilkan awan titik dengan ketepatan 2 hingga 3 cm, yang mencukupi untuk kebanyakan kerja tanah komersial. Titik kawalan darat amat penting. Projek yang menggunakan 4 atau lebih GCP per 10 ekar mencapai ketepatan ML dalam lingkungan 3%. Projek yang melangkau GCP atau menggunakan kurang daripada yang disyorkan menyaksikan ketepatan menurun kepada 7 hingga 8%, yang hampir tidak lebih baik daripada kaedah tradisional.

Saluran tinjauan-ke-anggaran biasanya berjalan seperti ini: penerbangan dron menangkap keadaan sedia ada, perisian fotogrametri menjana awan titik, perisian ML mengimport awan titik bersama permukaan reka bentuk daripada pelan kejuruteraan awam, dan pengiraan isipadu berjalan dalam beberapa minit berbanding berjam-jam.

Seorang subkontraktor kerja tanah di Dallas mendokumentasikan peralihan mereka. Sebelum alat ML, penganggar mereka menghabiskan 12 hingga 16 jam untuk pengiraan isipadu bagi tapak komersial 20 ekar yang tipikal. Dengan saluran ML, penerbangan dron mengambil masa 45 minit, pemprosesan mengambil masa 2 jam yang kebanyakannya tanpa pengawasan, dan penganggar menghabiskan 2 jam menyemak dan menyesuaikan output. Jumlah masa penganggar menurun daripada 14 jam kepada kira-kira 3 jam, dan ketepatan meningkat daripada purata sejarah mereka iaitu sisihan 9% kepada sisihan 4%.

Menangani Situasi yang Rumit

Utiliti bawah tanah sedia ada masih menjadi cabaran. Model ML boleh mengambil kira koridor utiliti jika lokasi diketahui dan disediakan sebagai kekangan, tetapi utiliti yang tidak diketahui kekal sebagai risiko yang tiada teknologi dapat selesaikan sepenuhnya. Walau bagaimanapun, alat ML mengendalikan beberapa situasi dengan lebih baik daripada kaedah tradisional. Tapak dengan batu yang ketara yang memerlukan kaedah pemindahan berbeza boleh dimodelkan dengan data bawah permukaan daripada penggerudian geoteknikal, dan ML boleh menganggarkan isipadu batu berbanding tanah secara berasingan berdasarkan corak interpolasi yang dipelajari daripada keadaan geologi yang serupa.

Kerja tanah berperingkat, di mana penggredan berlaku secara bertahap dengan penimbunan antara fasa, adalah satu lagi bidang di mana ML meningkatkan ketepatan. Model-model ini boleh menjejaki permukaan perantaraan antara fasa dan mengambil kira pengendalian semula, pemadatan, dan degradasi bahan tanah yang ditimbun. Kaedah tradisional biasanya hanya mengira isipadu kasar dan menggunakan satu faktor pelarasan tunggal, yang cenderung meremehkan jumlah jam peralatan.

Integrasi Dengan Penyediaan Bidaan

Angka isipadu disalurkan terus ke dalam penyediaan bidaan, dan di sinilah ketepatan yang lebih baik menggandakan nilainya. Anggaran isipadu yang lebih ketat bermakna pengiraan pengangkutan yang lebih ketat, unjuran jam peralatan yang lebih tepat, dan anggaran kos bahan api yang lebih baik. Seorang kontraktor utama yang menggunakan alat analisis pembinaan dipacu AI melaporkan bahawa bidaan kerja tanah mereka menjadi 6% lebih kompetitif secara purata sambil mengekalkan margin sasaran mereka, semata-mata kerana mereka membida angka yang lebih ketat dengan lebih keyakinan.

Bahagian peruntukan armada amat bernilai. Anggaran tradisional membawa kepada perancangan peralatan yang konservatif kerana ketidakpastian yang tinggi. Dengan isipadu yang diperoleh daripada ML yang dipecahkan mengikut zon, jenis tanah, dan jarak pengangkutan, kontraktor boleh merancang penempatan peralatan dengan penimbal yang kurang, yang secara langsung mengurangkan kos mobilisasi.

Had Praktikal

Alat kerja tanah ML bukan penyelesaian lengkap untuk setiap situasi. Ia memerlukan data tinjauan yang baik, yang bermakna pelaburan dalam keupayaan dron atau subkontraktor ukur. Ia berfungsi paling baik pada projek dengan tapak yang agak terbuka di mana akses dron adalah mudah. Projek pengisian bandar padat dengan akses udara terhad dan infrastruktur sedia ada yang ketara masih lebih mendapat manfaat daripada kaedah tinjauan dan anggaran tradisional.

Model-model ini juga memerlukan penentukuran terhadap keadaan tempatan. Model yang dilatih terutamanya pada tanah liat di Texas tidak akan menghasilkan ketepatan yang sama pada granit terurai di Arizona tanpa latihan semula. Kontraktor yang menggunakan alat ini harus merancang tempoh penentukuran selama 5 hingga 10 projek sebelum angka ketepatan stabil pada tahap terbaik mereka.

Walau bagaimanapun, apa yang data secara konsisten tunjukkan ialah walaupun semasa tempoh penentukuran, anggaran berasaskan ML mengatasi kaedah grid dan keratan rentas tradisional. Tahap minimum ketepatan ML adalah kira-kira setara dengan tahap maksimum kaedah tradisional, yang merupakan perubahan bermakna bagi industri di mana lebihan kos kerja tanah adalah antara lima risiko bajet teratas dalam mana-mana projek pembangunan tapak.