Application of artificial neural networks in predicting earthmoving machinery effectiveness ratios

• Autorzy: Schabowicz K. , Hoła B.

Warianty tytułu

PL

Zastosowanie sztucznych sieci neuronowych do predykcji wskaźników efektywności układów maszyn do robót ziemnych

• Języki publikacji: EN

Abstrakty

EN

Many constructional processes are carried out by machines working together and forming technological systems. An example here can be an earthmoving machinery set made up of excavators and means of transport. For process design purposes most important are the effectiveness ratios relaling to the profits and losses stemming from system use, i.e. the system efficiency per unit work ratio W(N); the index of losses due to the idle times of the machines working in the system Sj; the output transport unit cost index Kj. This paper presents the results of applying neural networks in predicting effectiveness ratios, i.e. W(N), Sj and Kj for earthmoving machinery systems consisting of c excavators and N means of transport. It is showing the relevance to practitioners and researchers industry. The values of the characteristics can form a standard basis for designing construction earthworks. Having a dataset consisting of the technical parameters of earthmoving machinery systems and the corresponding effectiveness ratios one can train neural networks and then use the latter for the reliable prediction of W(N), Sj and Kj.

PL

Wiele procesów budowlanych realizowanych jest przy pomocy współpracujących ze sobą maszyn tworzących układy technologiczne zwane również ciągami lub łańcuchami technologicznymi. Przykładem takiego technologicznego układu może być zestaw maszyn do robót ziemnych składający się z koparek oraz środków transportowych. W pracy przedstawiono zastosowanie sztucznych sieci neuronowych do predykacji takich wskaźników efektywności jak: Wydajnośc W(N), straty jednostkowe Sj oraz koszty jednostkowe Kj układów współpracujących maszyn do robót ziemnych. Z rezultatów badań wynika, że dysponując zbiorem danych składającym się z parametrów technicznych układów maszyn do robót ziemnych oraz odpowiadającym tym parametrom wartościom wskaźników efektywności, można nauczyć sztuczne sieci neuronowe, a następnie wykorzystać je do wiarygodnego neuronowego predykowania W(N), Sj oraz Kj.

Słowa kluczowe

EN

earthwork; efficiency; losses; costs; neural networks

PL

sieci neuronowe; roboty ziemne; maszyny do robót ziemnych

• Wydawca: Springer ; Wrocław University of Science and Technology
• Czasopismo: Archives of Civil and Mechanical Engineering
• Rocznik: 2008
• Tom: Vol. 8, no 4
• Strony: 73--84
• Opis fizyczny: Bibliogr. 23 poz., rys., tab., wykr.

Twórcy

autor

Schabowicz K.

autor

Hoła B.

• Wrocław University of Technology, Wybrzeże Wyspiańskiego 27, 50-370 Wrocław, Poland

Bibliografia

• [1] Boussabaine A.H.: The use of artificial neural networks in construction management: A review, Construction Management & Economics, 14, 1996, pp. 427-436.
• [2] Fausett L.: Fundamentals of neural networks - architectures, Algorithms and Application. Prentice Hall Inc., Englewood Cliffs, New Jersey, 1994.
• [3] Filipowicz B.: Stochastic models in operations research (in Polish), WNT, Warsaw, 1996.
• [4] Gross D., Carl M. H.: Fundamentals of queuing theory, Wiley, 1998, pp. 439.
• [5] Gonnzalez-Quevedo A.A., AbouRizk S.M., Iseley D.T., Halpin D.W.: Methodologies in Construction, Journal of Civil Engineering and Management, ASCE, 119, 3, 1993, pp. 573-589.
• [6] Haykin S.: Neural networks a comprehensive foundation, MacMillan Pub.Co., New York, 1999.
• [7] Hegazy T., Ayed A.: Neural network model for parametric cost estimation of highway projects, Journal of Construction Engineering & Management, ASCE, 124, 3, 1998, pp. 210-218.
• [8] Hoła B., Mrozowicz J.: Modelling of constructional processes having random character (in Polish), Dolnośląskie Wydawnictwo Edukacyjne, Wrocław, 2003.
• [9] Hoła J., Kapelko A., Schabowicz K.: Nondestructive assessment of the strength of selfcompacting concrete, Proc., 4th International Conference Techsta, Prague, 2004, pp. 38.
• [10] Hoła J., Schabowicz K.: Application of artificial neural networks to determine concrete compressive strength based on non-destructive tests, Journal of Civil Engineering and Management, 11, 1, 2005, pp. 23-32.
• [11] Hoła J., Schabowicz, K.: Beurteilung der Betonfestigkeit unter Nutzung der kunstlichen Neuronalen Netze aufgrund zerstorungsfreier untersuchungen (in German), Beton-Stahlbetonbau, 5, 2005, pp. 416-421.
• [12] Hoła J., Schabowicz K.: Methodology of the neural identification of the strength of concrete, ACI Materials Journal, 102, 6, 2005, pp. 459-464.
• [13] Hoła J., Schabowicz K.: New technique of nondestructive assessment of concrete strength using artificial intelligence. NDT & E International, 38, 4, 2005, pp. 251-259.
• [14] Marzouk M., Moselhi O.: Simulation optimization for earthmoving operations using genetic algorithms, Construction Management and Economics, 20, 6, 2002, pp. 535-543.
• [15] Marzouk M., Moselhi O.: Object-oriented simulation model for earthmoving operations, Journal of Construction Engineering and Management, ASCE, 129, 2, 2003, pp. 173-181.
• [16] Marzouk M., Moselhi O.: Multiobjective optimization for earthmoving operations, Journal of Construction Engineering and Management, 130, 1, 2004, pp. 105-113.
• [17] Schabowicz K., Hoła J.: Artificial neural networks as applied to identification of the HPC strength using NDT, Proc.,Fifth Inter. Conference, ACI, Cancun, Mexico, 2002, pp. 300-317.
• [18] Schabowicz K.: Neural networks in the NDT identification of the strength of concrete. Archives of Civil Engineering, 51, 3, 2005, pp. 371-382.
• [19] Schabowicz K., Hoła, B.: Mathematical-Neural model for assessing productivity of earthmoving machinery. Journal of Civil Engineering and Management, Vol. XIII, No. 1, 2007, pp. 47-54.
• [20] Shi J.J.: A neural network based system for predicting earthmoving production, Construction Management & Economics, 17, 1999, pp. 463-471.
• [21] Smith S. D., Obsborne J.R., Forde M.C.: Analysis of Earth - moving Systems using discrete- event simulation, Journal of Construction Engineering and Management, ASCE, 121, 4, 1995, pp. 388-396.
• [22] Tam C.M., Tong T.K.L., Tse S.L.: Artificial neural networks model for predicting excavator productivity, Engineering Construction & Architectural Management, Vol. 9, 5-6, 2002, pp. 446-452.
• [23] Waszczyszyn Z.: Neural networks in the analysis and design of structures, CISM Courses and Lectures No. 404, Springer, Wien-New York, 1999.