Como o Machine Learning Melhora os Cálculos de Volume de Terraplenagem a Partir de Dados de Levantamento Topográfico
Os cálculos de volume de terraplenagem têm um segredo sujo: os métodos padrão que a maioria dos empreiteiros utiliza, média por grelha e análise de seções transversais, produzem rotineiramente estimativas que desviam 10 a 15% dos volumes realmente movimentados. Num pacote de obras de terreno de $2 milhões, isso representa $200.000 a $300.000 em exposição potencial. As abordagens de machine learning estão a reduzir essa diferença consideravelmente.
Porque é Que os Métodos Tradicionais Falham
O método de grelha divide o terreno em quadrados, calcula a profundidade média de corte ou aterro para cada quadrado e soma os volumes. O problema é que suaviza as irregularidades do terreno entre os pontos da grelha. Uma ravina de 1,8 metros de profundidade que atravessa diagonalmente um quadrado da grelha é transformada numa encosta suave pela média. O método de seções transversais é melhor a captar elementos lineares, mas ainda assim interpola entre seções, tipicamente espaçadas de 7,5 a 15 metros.
Ambos os métodos também têm dificuldades com limites irregulares do terreno, infraestruturas existentes que condicionam a modelação do terreno e transições entre zonas de corte e aterro onde a linha de equilíbrio se desloca. Um encarregado de obra experiente sabe que estas são as áreas onde as estimativas de terraplenagem se desviam, mas a matemática por trás dos métodos tradicionais de medição trata-as da mesma forma que qualquer outra zona do terreno.
O Que o Machine Learning Faz de Diferente
As ferramentas de terraplenagem baseadas em ML processam a nuvem de pontos completa de levantamentos por drone ou varrimentos LiDAR, por vezes milhões de pontos de dados por acre. Em vez de reduzir isto a uma grelha ou conjunto de seções transversais, constroem um modelo de superfície contínuo e calculam volumes contra a superfície de projeto com uma resolução muito superior.
Mais importante ainda, os modelos de ML treinados em projetos concluídos aprendem os padrões que afetam os volumes reais vs. estimados. O tipo de solo afeta os fatores de expansão e contração. A inclinação do terreno afeta a quantidade de sobre-escavação que ocorre durante a modelação. A proximidade a estruturas existentes condiciona o acesso de equipamentos e altera a forma como o material é efetivamente movimentado. Os modelos incorporam estes fatores automaticamente uma vez treinados com dados suficientes de projetos.
Um programa piloto do DOT do Colorado testou cálculos de volume baseados em ML contra métodos tradicionais em 8 projetos rodoviários com volumes reais conhecidos. O método tradicional de seções transversais apresentou um desvio médio de 11,3% em relação aos valores reais. A abordagem de ML apresentou um desvio médio de 3,7%. No maior projeto, um alargamento de estrada de 6,4 km, a estimativa de ML ficou a 2,1% do volume final medido.
O Pipeline de Dados Que Faz Isto Funcionar
A melhoria de precisão depende fortemente da qualidade dos dados de entrada. Levantamentos por drone realizados a 60 metros com 75% de sobreposição produzem nuvens de pontos com precisão de 2 a 3 cm, o que é suficiente para a maioria das terraplenagens comerciais. Os pontos de controlo no solo são extremamente importantes. Projetos que utilizaram 4 ou mais GCPs por 4 hectares obtiveram precisão de ML dentro de 3%. Projetos que dispensaram GCPs ou utilizaram menos do que o recomendado viram a precisão cair para 7 a 8%, o que é apenas ligeiramente melhor do que os métodos tradicionais.
O pipeline de levantamento-a-estimativa funciona tipicamente assim: o voo do drone captura as condições existentes, o software de fotogrametria gera a nuvem de pontos, o software de ML importa a nuvem de pontos juntamente com a superfície de projeto dos planos de engenharia civil, e o cálculo de volume é executado em minutos em vez de horas.
Um subempreiteiro de terraplenagem em Dallas documentou a sua transição. Antes das ferramentas de ML, o seu orçamentista passava 12 a 16 horas em cálculos de volume para um terreno comercial típico de 8 hectares. Com o pipeline de ML, o voo do drone demora 45 minutos, o processamento demora 2 horas maioritariamente sem supervisão, e o orçamentista passa 2 horas a rever e ajustar o resultado. O tempo total do orçamentista caiu de 14 horas para cerca de 3 horas, e a precisão melhorou da sua média histórica de 9% de desvio para 4% de desvio.
Lidar Com as Situações Complicadas
As infraestruturas subterrâneas existentes continuam a ser um desafio. Os modelos de ML podem ter em conta corredores de infraestruturas se as localizações forem conhecidas e fornecidas como restrições, mas infraestruturas desconhecidas permanecem um risco que nenhuma tecnologia resolve completamente. As ferramentas de ML lidam melhor com algumas situações do que os métodos tradicionais, no entanto. Terrenos com rocha significativa que requer métodos de remoção diferentes podem ser modelados com dados de subsuperfície de sondagens geotécnicas, e o ML pode estimar volumes de rocha vs. solo separadamente com base em padrões de interpolação aprendidos de condições geológicas semelhantes.
A terraplenagem faseada, onde a modelação do terreno acontece em etapas com armazenamento temporário entre fases, é outra área onde o ML melhora a precisão. Os modelos podem rastrear superfícies intermédias entre fases e ter em conta o remanuseamento, compactação e degradação do material do solo armazenado. Os métodos tradicionais geralmente apenas calculam o volume bruto e aplicam um único fator de ajuste, o que tende a subestimar o total de horas de equipamento.
Integração Com a Preparação de Propostas
Os números de volume alimentam diretamente a preparação de propostas, e é aqui que a precisão melhorada multiplica o seu valor. Estimativas de volume mais rigorosas significam cálculos de transporte mais precisos, projeções de horas de equipamento mais exatas e melhores estimativas de custos de combustível. Um empreiteiro geral que utiliza ferramentas de análise de construção baseadas em IA reportou que as suas propostas de terraplenagem se tornaram 6% mais competitivas em média, mantendo a sua margem-alvo, simplesmente porque estavam a apresentar números mais rigorosos com mais confiança.
A componente de alocação de frota é particularmente valiosa. As estimativas tradicionais levam a um planeamento conservador de equipamentos porque a incerteza é elevada. Com volumes derivados de ML desagregados por zona, tipo de solo e distância de transporte, os empreiteiros podem planear a mobilização de equipamentos com menos margem de segurança, o que reduz diretamente os custos de mobilização.
Limitações Práticas
As ferramentas de terraplenagem com ML não são uma solução completa para todas as situações. Requerem bons dados de levantamento, o que significa investir em capacidades de drone ou subempreiteiros de topografia. Funcionam melhor em projetos com terrenos relativamente abertos onde o acesso de drones é simples. Projetos de preenchimento urbano denso com acesso aéreo limitado e infraestruturas existentes significativas ainda beneficiam mais de métodos tradicionais de levantamento e estimativa.
Os modelos também precisam de calibração para as condições locais. Um modelo treinado principalmente em solos argilosos no Texas não produzirá a mesma precisão em granito decomposto no Arizona sem retreino. Os empreiteiros que adotam estas ferramentas devem planear um período de calibração de 5 a 10 projetos antes que os números de precisão estabilizem nos seus melhores níveis.
O que os dados mostram consistentemente, porém, é que mesmo durante o período de calibração, as estimativas baseadas em ML superam os métodos tradicionais de grelha e seções transversais. O patamar mínimo de precisão do ML é aproximadamente equivalente ao teto dos métodos tradicionais, o que representa uma mudança significativa para uma indústria onde os desvios de custos de terraplenagem são um dos cinco principais riscos orçamentais em qualquer projeto de desenvolvimento de terreno.