Mathematical‐neural model for assessing productivity of earthmoving machinery

Abstract

Many construction processes are carried out by machines working together and forming technological systems, eg earthmoving machinery made up of excavators and haulers (trucks). Productivity (W_(N) ) is a key to valuate the process design purposes. The paper presents the results obtained by applying artificial neural networks to predict productivity (W_(N),S ) for earthmoving machinery systems, consisting of c excavators and N haulers. Experimentally determined productivity values can form a standard basis for designing construction earthworks. Possessing the data set consisting of the technical parameters of earthmoving machinery systems and the corresponding productivities for different output hauling distances, one can train artificial neural networks and use subsequently for the reliable prediction of W_(N),S .

Matematinis-neuroninis modelis žemės darbų mašinų našumui vertinti

Santrauka. Daugelyje statybos procesų naudojamos tarpusavyje susijusios statybinės mašinos, suformuojančios technologines sistemas. Pavyzdžiui, žemės darbams vienu metu taikomi ekskavatoriai ir savivarčiai. Pagrindinis statybinių mašinų rodiklis yra našumas. Straipsnyje pateikiamos žemės darbų mašinų sistemos, sudarytos iš c ekskavatorių ir N savivarčių, našumo vertinimo rezultatai. Našumas vertintas, taikant dirbtinius neuroninius tinklus. Eksperimentiškai apskaičiuotos našumo reikšmės gali būti panaudotos sudarant žemės darbų projektus. Turint žemės darbų mašinų sistemos techninių parametrų duomenų bazę bei tam tikrus našumus, esant skirtingiems grunto vežimo atstumams, iš pradžių mokomi dirbtiniai neuroniniai tinklai, o vėliau jie naudojami patikimam darbo našumui prognozuoti.

Reikšminiai žodžiai: žemės darbai, neuroniniai tinklai, aptarnavimo teorija, statybos mašinų sistemos, statybos pramonė.

First Published Online: 14 Oct 2010