Makine Öğrenimi Harita Verilerinden Hafriyat Hacim Hesaplamalarını Nasıl İyileştiriyor?

Hafriyat hacim hesaplamalarının gizli bir sorunu var: çoğu müteahhidin kullandığı standart yöntemler olan grid ortalaması ve kesit analizi, gerçek taşınan hacimlerden düzenli olarak %10 ila %15 sapma gösteren tahminler üretiyor. 2 milyon dolarlık bir saha çalışması paketinde bu, 200.000 ila 300.000 dolarlık potansiyel risk anlamına geliyor. Makine öğrenimi yaklaşımları bu farkı önemli ölçüde daraltıyor.

Geleneksel Yöntemler Neden Yanılıyor?

Grid yöntemi sahayı karelere böler, her kare için ortalama kazı veya dolgu derinliğini hesaplar ve hacimleri toplar. Sorun şu ki, grid noktaları arasındaki arazi düzensizliklerini yumuşatır. Bir grid karesinin çaprazından geçen 1,8 metrelik derin bir vadi, hafif bir eğime dönüştürülür. Kesit yöntemi doğrusal özellikleri yakalamada daha iyidir ancak yine de genellikle 7,5 ila 15 metre aralıklarla yerleştirilen kesitler arasında enterpolasyon yapar.

Her iki yöntem de düzensiz saha sınırları, tesviyeyi kısıtlayan mevcut altyapı hatları ve kazı-dolgu bölgeleri arasındaki denge hattının kaydığı geçiş alanlarında zorlanır. Deneyimli bir saha şefi, hafriyat tahminlerinin bu alanlarda sapma gösterdiğini bilir; ancak geleneksel metraj yöntemlerinin arkasındaki matematik, bu alanları sahadaki diğer bölgelerle aynı şekilde ele alır.

Makine Öğrenimi Neyi Farklı Yapıyor?

ML tabanlı hafriyat araçları, drone anketlerinden veya LiDAR taramalarından elde edilen tam nokta bulutunu işler; bazen dönüm başına milyonlarca veri noktası. Bunu bir grid veya kesit setine indirgemek yerine, sürekli bir yüzey modeli oluşturur ve hacimleri tasarım yüzeyine karşı çok daha yüksek çözünürlükte hesaplar.

Daha da önemlisi, tamamlanmış projeler üzerinde eğitilen ML modelleri, gerçek ve tahmini hacimler arasındaki farkı etkileyen kalıpları öğrenir. Zemin tipi, şişme ve büzülme faktörlerini etkiler. Eğim dikliği, tesviye sırasında ne kadar fazla kazı yapıldığını etkiler. Mevcut yapılara yakınlık, ekipman erişimini kısıtlar ve malzemenin gerçekte nasıl taşındığını değiştirir. Modeller, yeterli proje verisi üzerinde eğitildikten sonra bu faktörleri otomatik olarak dahil eder.

Colorado DOT pilot programı, bilinen gerçek hacimlere sahip 8 otoyol projesinde ML tabanlı hacim hesaplamalarını geleneksel yöntemlerle karşılaştırdı. Geleneksel kesit yöntemi gerçek değerlerden ortalama %11,3 sapma gösterdi. ML yaklaşımı ortalama %3,7 sapma gösterdi. En büyük proje olan 6,4 kilometrelik yol genişletmesinde, ML tahmini nihai ölçülen hacmin %2,1'i dahilindeydi.

Bunu Mümkün Kılan Veri Hattı

Doğruluk iyileştirmesi büyük ölçüde girdi veri kalitesine bağlıdır. 60 metre yükseklikten %75 örtüşme ile uçurulan drone anketleri, 2 ila 3 cm doğrulukta nokta bulutları üretir; bu, çoğu ticari hafriyat işi için yeterlidir. Yer kontrol noktaları son derece önemlidir. 10 dönüm başına 4 veya daha fazla GCP kullanan projeler, ML doğruluğunu %3 dahilinde tuttu. GCP kullanmayan veya önerilenden daha az kullanan projelerde doğruluk %7 ila %8'e düştü; bu, geleneksel yöntemlerden ancak biraz daha iyidir.

Anket-tahmin hattı genellikle şu şekilde işler: drone uçuşu mevcut koşulları yakalar, fotogrametri yazılımı nokta bulutunu oluşturur, ML yazılımı nokta bulutunu inşaat mühendisliği planlarından alınan tasarım yüzeyiyle birlikte içe aktarır ve hacim hesaplaması saatler yerine dakikalar içinde tamamlanır.

Dallas'taki bir hafriyat taşeronu geçiş sürecini belgeledi. ML araçlarından önce, metrajcıları tipik 8 hektarlık bir ticari saha için hacim hesaplamalarına 12 ila 16 saat harcıyordu. ML hattıyla birlikte drone uçuşu 45 dakika sürüyor, işleme büyük ölçüde gözetimsiz olarak 2 saat alıyor ve metrajcı çıktıyı inceleyip düzeltmek için 2 saat harcıyor. Toplam metrajcı süresi 14 saatten yaklaşık 3 saate düştü ve doğruluk, tarihsel ortalama olan %9 sapmadan %4 sapmaya iyileşti.

Zorlu Durumların Ele Alınması

Mevcut yeraltı altyapı hatları hâlâ bir zorluktur. ML modelleri, konumları biliniyorsa ve kısıtlama olarak sağlanıyorsa altyapı koridorlarını hesaba katabilir; ancak bilinmeyen altyapı hatları, hiçbir teknolojinin tam olarak çözemediği bir risk olmaya devam ediyor. Yine de ML araçları bazı durumları geleneksel yöntemlerden daha iyi ele alır. Farklı kaldırma yöntemleri gerektiren önemli miktarda kaya bulunan sahalar, jeoteknik sondajlardan elde edilen yeraltı verileriyle modellenebilir ve ML, benzer jeolojik koşullardan öğrenilen enterpolasyon kalıplarına dayanarak kaya ve zemin hacimlerini ayrı ayrı tahmin edebilir.

Tesviyenin aşamalar halinde yapıldığı ve aşamalar arasında stoklamanın olduğu aşamalı hafriyat, ML'nin doğruluğu artırdığı bir diğer alandır. Modeller, aşamalar arasındaki ara yüzeyleri takip edebilir ve yeniden taşıma, sıkıştırma ve stoklanan zeminin bozulmasını hesaba katabilir. Geleneksel yöntemler genellikle sadece brüt hacmi hesaplar ve tek bir düzeltme faktörü uygular; bu da toplam ekipman saatlerini hafife alma eğilimindedir.

Teklif Hazırlığıyla Entegrasyon

Hacim rakamları doğrudan teklif hazırlığına beslenir ve iyileştirilmiş doğruluğun değerinin katlandığı yer burasıdır. Daha hassas hacim tahminleri, daha hassas nakliye hesaplamaları, daha doğru ekipman saat projeksiyonları ve daha iyi yakıt maliyeti tahminleri anlamına gelir. Yapay zeka destekli inşaat analiz araçları kullanan bir genel müteahhit, hafriyat tekliflerinin hedef marjlarını korurken ortalama %6 daha rekabetçi hale geldiğini bildirdi; bunun nedeni yalnızca daha güvenle daha sıkı rakamlar teklif etmeleriydi.

Filo tahsisi kısmı özellikle değerlidir. Geleneksel tahminler, belirsizlik yüksek olduğu için muhafazakâr ekipman planlamasına yol açar. Bölge, zemin tipi ve nakliye mesafesine göre ayrıştırılmış ML kaynaklı hacimlerle, müteahhitler daha az tampon ile ekipman konuşlandırmalarını planlayabilir; bu da doğrudan mobilizasyon maliyetlerini düşürür.

Pratik Sınırlamalar

ML hafriyat araçları her durum için eksiksiz bir çözüm değildir. İyi anket verisi gerektirir; bu da drone yeteneklerine veya anket taşeronlarına yatırım yapmak anlamına gelir. Drone erişiminin kolay olduğu nispeten açık sahalardaki projelerde en iyi şekilde çalışırlar. Sınırlı hava erişimi ve önemli mevcut altyapıya sahip yoğun kentsel dolgu projeleri, hâlâ geleneksel anket ve tahmin yöntemlerinden daha fazla fayda görür.

Modellerin ayrıca yerel koşullara göre kalibre edilmesi gerekir. Ağırlıklı olarak Teksas'taki killi zeminler üzerinde eğitilmiş bir model, yeniden eğitim yapılmadan Arizona'daki ayrışmış granit üzerinde aynı doğruluğu üretmez. Bu araçları benimseyen müteahhitler, doğruluk rakamlarının en iyi seviyelerinde stabilize olması için 5 ila 10 projelik bir kalibrasyon dönemi planlamalıdır.

Ancak verilerin tutarlı olarak gösterdiği şey, kalibrasyon döneminde bile ML tabanlı tahminlerin geleneksel grid ve kesit yöntemlerinden daha iyi performans gösterdiğidir. ML doğruluğunun alt sınırı, geleneksel yöntemlerin üst sınırına kabaca eşittir; bu, hafriyat maliyet aşımlarının herhangi bir saha geliştirme projesindeki ilk beş bütçe riskinden biri olduğu bir sektör için anlamlı bir değişimdir.