employee
Ekaterinburg, Ekaterinburg, Russian Federation
employee from 01.01.2012 until now
AO "OKB"Novator" (calculation and theoretical Department, lead design engineer)
employee from 01.01.2011 until now
Ekaterinburg, Ekaterinburg, Russian Federation
Ekaterinburg, Russian Federation
The article is devoted to the problem of improving road construction technologies, in particular, technological solutions for logging roads. As you know, in road construction, the choice and justification of technological solutions for the road surface is one of the first stages of design, the efficiency of which affects further project as a whole, timing and costs of construction. The solution to such a problem is extremely difficult and, first of all, due to the many interrelated parameters, factors, as well as the uncertainties of data in the problem. The task becomes much more complicated when it is also necessary to take into account the economic indicators of road construction project. But it is in this form that it is of the greatest interest, since these characteristics are often the most important in practice. For these reasons, the problem remains completely unsolved. Therefore, requires further research, as noted, taking into account the uncertainties in the problem. Intelligent systems based on the theory of fuzzy sets, neural networks and their hybrid solutions are proposed for this class of problems, as a result of modern achievements in the field of mathematics and information technologies. Thus, the purpose of this research was to develop a neural network for evaluating technological solutions for logging roads. The result of the research was the development of an adaptive neuro-fuzzy network such as ANFIS, which allows calculating the cost of the road surface depending on the main technological and initial financial parameters. The neural network can be recommended for the design of forest roads, as well as for rapid assessment of the effectiveness of various technological solutions during competitive (tender) selection.
road construction, logging, road surface, road surface technological solution, intelligent system, neural network
Введение
Одной из важнейших проблем в строительстве дорог является выбор и обоснование технологических решений дорожного покрытия. Решение такой задачи является чрезвычайно сложной и, в первую очередь, из-за множества взаимосвязанных параметров, факторов, а также неопределенностей характеристик в задаче. Задача значительно усложняется, когда необходимо учесть еще сроки строительства и экономические показатели дорожного покрытия. Но именно в таком виде она и представляет наибольший интерес т. к. в практике эти характеристики зачастую являются важнейшими.
Традиционно подобные проблемы решаются путем упрощения, идеализации моделей, усреднения данных и даже обосновывая игнорирование различных параметров, доказывая их несущественность. Однако все это ведет в конечном итоге, в той или иной мере, к неточности результатов. Наибольшую трудность, можно считать, вызывают неопределенность, недостаточность и даже отсутствие данных или нечеткость, как это называется в разделе математики теории нечетких множеств (ТНМ)[8].
Обращаясь к задаче определения технологических решений дорожного покрытия, кроме большого количества расчетных параметров сталкиваемся с целым рядом неопределенностей [2]. Именно для такого класса задач используются практические приложенияТНМ — нечеткое моделирование, нечеткая логика, а также продукционные нейронечеткие сети, являющихся математическим аппаратом интеллектуальных систем в самых различных областях человеческой деятельности [1,3,5-10].
Таким образом, создание способов оценки технологических решений дорожных покрытий с учетом факторов неопределенности является важной научно-практической проблемой, но отсутствие разработок по этой теме не позволяет эффективно решать проблему и является препятствием дальнейшего совершенствования технологий дорожных работ.
Целью исследований являлось совершенствование технологий дорожного строительства с использованием интеллектуальной системы для оценки технологических решений устройства лесных дорог.
Для достижения цели решались следующие задачи:
- провести анализ опыта использования приложений теории нечетких множеств, интеллектуальных систем в дорожном строительстве и смежных областях;
-провести анализ источников неопределенности в технологиях дорожных работ;
- выявить качественные закономерности влияния на стоимость строительства лесных дорог основных параметров дорожного покрытия с учетом неопределенностей и выполнить постановку задачиоценки технологических решений дорожных покрытий;
- разработать интеллектуальную системы оценки технологических решений дорожного покрытия в виде нейронечеткой сети в системе MATLAB;
- выполнить обучение нейронной сети;
- выполнить проверку адекватности модели по тестовым примерам.
1. Методы и средства исследований
В части методологии исследований использована теория проектирования дорожных покрытий и строительства лесных дорог [2]. Для учета факторов неопределенностей в постановке задачи использована теория нечетких множеств [7], а разработка интеллектуальной системы базируется на методах продукционных нейронечетких сетей гибридного типа ANFIS (AdaptiveNeuro-FuzzyInferenceSystem) [6].
2. Результаты и обсуждение
2.1 Анализ обзора исследований по теме
Вопросам совершенствования технологий дорожного строительства уделялось внимание многих исследователей. В их числе можно назвать профессоров, докторов техн. наук И.Г. Могилевича, В.Ф. Бабкова, В.П. Носова исследовавших проблему проектирования дорог общего пользования, А.П. Васильева, В.Н. Яромкоизучавшихвопросы эксплуатации, строительства дорог, В.В. Подольского в области технологии строительства и экологических аспектов зимнего содержания дороги других ученых. Совершенствованию лесовозных дорог посвящены работы профессоров, д.т.н.В.В. Сиротюка, Н.П. Вырко, В.К. Кирьянова, Э.О. Салминена, Б.С. Юшкова, Ю.Д. Силукова, И.Н. Кручинина.
Проблема проектирования и строительства лесных дорог в систематизированном виде представлена в работах проф. Булдакова С.И. [2], в которых изложена методология устройства дорог такого типа. Все теоретические авторские методики подтверждены экспериментальным путем, поэтому дальнейшая теоретическая постановка задачи базировалась на этих работах.
В процессе проектирования дорожного покрытия используется большое количество параметров. Значительную сложность вызывает то, что все параметры изменяются в широких пределах. При этом параметры являются противоречивыми, т.е. при улучшении одного сразу несколько других ухудшается. Но наибольшую трудность составляет неопределенность данных, используемых в задаче проектирования. На сегодня эта проблема в строительстве дорог решается статистическими методами, однако в условиях недостаточности данных и нерепрезентативности статистических выборок, необоснованности назначения статистических распределений или просто отсутствия данных, выбор технологических решений остается в полной мере нерешенной проблемой.
Для такого класса задач с учетом неопределенностей наиболее успешно используются методы нечеткой логики [7], а также интеллектуальных систем в виде экспертных систем или нейронных сетей[1,4,8,9]. Несмотря на эффективность методов на основе интеллектуальных систем и нечеткой логики, в российской науке в области строительства дорог такие работы практически отсутствуют.
2.2. Постановка задачи оценки технологических решений дорожных покрытий
В практике дорожного строительства важнейшим параметром дороги следует назвать стоимость дорожного покрытия, а учитывая технологические требования, даже не всей дороги, а на длине технологической захватки. В свою очередь длина захватки,l,является важнейшим технологическим параметром проекта. От выбранной ее длины будет зависеть весь процесс строительства. Поэтому она рассчитывается, в первую очередь, в зависимости от длины всей дороги, продолжительности периода строительства и объема материала на конструкцию дорожной одежды. Другим значимым параметром следует принять расстояние доставки материалов, L. С последним связаны параметры числа машин,N, и стоимость машино-смены, С. Обязательно следует включить в модель величину стоимости материалов(тонна асфальтобетона), М, что позволит в целом рассчитать стоимость конструкции дорожной одежды,R, в пределах технологической захватки.
Таким образом, сформулированная постановка задачи будет выглядеть следующимобразом
R = f(l, L, C, M).
Для решения задачи с использованием нейронной сети следует определить обучающие выборки входных и выходного параметров. Рекомендуемое количество примеров обучающего множестваQ может быть рассчитано по формуле [3]
Q = 7Nx+ 15, (1)
где Nx- количество входных переменных сети.
В отношении формулы (1) автором [10] отмечается, что она приемлема для построения регрессионных моделей, а для нейронных сетей эмпирически определено достаточное количество примеров в 2-4 раза меньше.
В нашем случае обучение, т.е. обеспечение приемлемой точности,было достигнуто на 6 примерах.Исходные данные, которые были приняты по реальным проектам устройства дорог в лесных районах Свердловской области приведены в таблице.
Таким образом, входными данными были определены длина захватки l(от 100 до 300 м), стоимость машино-смены С (от 10400 до 12000 руб.), стоимость материалов М (от 2450 до 3500 руб), расстояние доставки материалов L (от 11 до 38 км), численность парка машин N (от 34 до 83 ед.). Выходной переменной является стоимость дороги Rubl (от 7198,55 до 17217,76 тыс. руб.) В проектах марка или грузоподъемность машин принимается не варьируемой, т.к. парк техники на практике большей частью бывает однотипный. В данном случае во всех проектах грузоподъемность принималась равной 33 т.
2.3. Разработка нейронной сети
Интеллектуальную систему в данном случае строим в виде адаптивной нейронечеткой продукционнойсети типа ANFIS (Adaptive Network-based Fuzzy Inference System). Ее преимущество перед простой нейронной сетью в том, что она обладает свойствамикак продукционных нечетких систем, основанных на правилах, так и простых сетей. По этому признаку она относится к гибридным системам.
Для реализации модели использована среда anfisedit- один из Toolboxсистемы MATLAB[6]. Процесс создания сети ANFISпоказан на рис. 1а-е. Вначале создается файл формата .datс исходными данными в виде матрицы (рис. 1а) и загружается в систему (рис. 1б). Затем определяется структура сети, основанной на правилах с нечетким выводом по методу Сугено (рис. 1в) и выполняется корректировка лингвистических переменных для всех входных параметров (рис. 1г). Запускается генерация сети, выводится ее структура (рис. 1д) и созданная база правил (рис. 1е).
После создания сети выполняется ее обучение (тренировка, как указано в меню интерфейса). В данном случае обучение обеспечило точность, если смотреть на примере первой выборки, то до второго знака после запятой (рис. 2а,б). Физически -это определена стоимость дорожного покрытия с точность до 100 руб. (см. рис. 2б).
Таким образом, сеть настроена и для оценки ее адекватности была выполнена проверка на тестовых примерах. Параметры тестовых примеров задавались в рабочей области MATLAB(рис. 2в-д),(на рис. 2д результаты считываются из процедуры нечеткого вывода по базе правил). Так для выборки l=100 м, L=22 км, N=50 ед., С =10400 руб., М=3400 руб, Rubl = 4551,8 тыс. руб. получено по модели значение Rubl = 4551,1 тыс. руб, что совпадает с исходным значением в обучающем примере. Задавая другие тестовые примеры (рис. 2в,г)l=250 м, L=15 км, N=34 ед., С =10400 руб., М=3400 руб, получаем Rubl = 12712 тыс. руб, а с исходными данными (рис.2г) l=250 м, L=15 км, N=37 ед., С =10400 руб., М=3300 руб, получаем Rubl = 13848 тыс. руб. Для выборки (рис.2д) l=200 м, L=13 км, N=71 ед., С =11700 руб., М=2820 руб, получено по модели значение Rubl = 2230 тыс. руб, что также согласуется результатами проектирования.
Результаты проверки по тестовым примерам, взятых также из реальных проектов устройства дорожных покрытий, показали расхождение не более 1%, что говорит о достаточной адекватности интеллектуальной системы. Но такая точность обеспечивается в области значений близких к значениям обучающей выборки. По мере большего отклонения тестовых значений от обучающих, погрешность увеличивается до 8-12 %.
Этот факт объясняется малым количеством обучающих примеров. В данном случае их оказалось несколько меньше необходимого. Но в практике решение этой проблемы не вызовет трудностей, т.е. потребуется только повторить обучение с большим количеством примеров.
Подытоживая, можно заключить следующее.
- при проектировании дорожных покрытий неопределенности данных встречаются в большинстве процедур, но учитываются они не вполне корректно, что приводит к недостаточно обоснованным решениям;
- предложенная интеллектуальная система в виде нейронечеткой сети для оценки технологических решений является достаточно адекватной, учитывает наиболее важные параметры, позволяет принимать оперативные решения без выполнения длительного процесса разработки проектов, поэтому может быть рекомендована для использования в практике дорожного строительства.
Таблица
Исходные данные для обучения нейронной сети
|
№ |
Длина зах-ватки lz, м |
Расстояние доставки материалов L, км |
Число машин N, ед. |
Стоимость машиносмены С, руб |
Стоимость материалов М, руб. |
Стоимость конструкции дор. Одежды Rubl, тыс.р. |
|
1 |
100 |
22 |
50 |
10400 |
3400 |
4 551,11 |
|
2 |
250 |
15 |
34 |
10400 |
3200 |
12 711,73 |
|
3 |
150 |
20 |
37 |
10400 |
3350 |
7198,55 |
|
4 |
300 |
20 |
73 |
10400 |
3350 |
17217,76 |
|
5 |
200 |
11 |
83 |
12000 |
2450 |
10257,79 |
|
6 |
250 |
38 |
73 |
12000 |
3500 |
(Собственная разработка авторов)
|
а) |
б) |
|
|
в) |
||
|
г) |
||
|
д) |
||
|
е) |
Рис. 1.Создание нейронечеткой сети ANFIS:а) создание файла с исходными данными; б)загрузка данных в систему; в) – задание структуры сети и метода нечеткого вывода (Сугено); г)корректировка лингвистических переменных для всех входных параметров; д) – генерация нейронной сети; е) генерация базы правил нечеткой продукции
(Собственная разработка авторов в среде MATLAB)
|
а) |
б) |
|
в) |
г) |
|
д) |
|
Рис. 2.Обучение нейронной сети и проверка на тестовых примерах:а)обучение (тренировка) сети и настройка под допустимое значение ошибки; б)тестовый контроль обученной сети с исходными выборками данных;
в,г,д) проверка адекватности по тестовым примерам
(Собственная разработка авторов в среде MATLAB)
1. Alpaydin, E. Mashinnoe obuchenie: novyy iskusstvennyy intellekt / EtemAlpaydin: per. s angl. - Moskva: Izdatel'skaya gruppa «Tochka», 2017. - 208 s. ISBN 978-5-9908700-8-6.
2. Buldakov, S.I. Posledovatel'nost' vypolneniya proekta po stroitel'stvu avtomobil'nyh dorog / S.I. Buldakov.- Ekaterinburg, Ural'skiy gosudarstvennyy lesotehnicheskiy universitet, 2017. - 177 s. ISBN 978-5-94984-605-6.
3. Dayitbegov, D. M. Komp'yuternye tehnologii analiza dannyh v ekonometrike / D. M. Dayitbegov. - Moskva: INFRA-M, 2008. - 577 s. ISBN 978-5-16-003380-8
4. Dzhons, M.T. Programmirovanie iskusstvennogo intellekta v prilozheniyah / M. Tim Dzhons: per. s angl. Osipov A.I. - Moskva: DMK Press, 2018.-312 s. ISBN 978-5-97060-579-0.
5. Kruchinin, I.N., Pobedinsky, V.V., Kovalev, R.N. Fuzzysimulationofforestroadsurfaceparameters(Kruchinin, I.N., Pobedinskiy, V.V., Kovalev, R.N. Nechetkoemodelirovanieparametrovpokrytiylesnyhdorog)The open access IOP Conference Series: Earth and Environmental Science (EES) provides a fast, versatile and cost-effective proceedings publication service. Vol. 326, 2019. DOI:https://doi.org/10.1088/1755-1315/316/1/012026
6. MATLAB Release Notes for R2008a. MathWorks. Available at: https://www.mathworks.com/help/simulink/ release-notes.Highlight (accessed 15.02.19).
7. Piegat, A. Fuzzy Modeling and Control / AndjeiPiegat. - Heidelberg, Physica-Verlag, 2001. 760 p. https://doi.org/10.1007/978-3-7908-1824-6.
8. Rashid, T. Sozdaem neyronnuyu set'/Tarik Rashid: Per. s angl. - Sankt Peterburg: OOO «Dialektika», 2019.-272 s. ISBN 978-5-9909445-7-2.
9. Hulten, Dzh. Razrabotka intellektual'nyh sistem / DzheffHulten: per. s angl. V.S. Yacenkova. - Moskva: DMK Press, 2019.-284 s. ISBN 978-5-97060-760-2.
10. Yasnickiy, L.N. Neyronnye seti - instrument dlya polucheniya novyh znaniy: uspehi, problemy, perspektivy / L. N. Yasnickiy: Neyrokomp'yutery: razrabotka, primenenie [Nejrokompyutery: razrabotka, primenenie],2015, №5. S.48-56.ISSN: 1999-8554.
