Коэффициент уплотнения гпс при уплотнении: Гост по уплотнению грунта из пгс. Что такое коэффициент уплотнения сыпучих материалов? Песчано гравийная смесь коэффициент уплотнения. Коэффициент для бетонных смесей

Содержание

ЧТО ТАКОЕ КОЭФФИЦИЕНТ УПЛОТНЕНИЯ СЫПУЧИХ МАТЕРИАЛОВ? | Taxi-PESOK

Сущность определения коэффициента уплотнения гравия, песка, щебня и керамзита можно кратко охарактеризовать следующим образом. Это величина, равная отношению плотности сыпучего стройматериала к его максимальной плотности.

Данный коэффициент для всех сыпучих тел различается. Его средняя величина для удобства пользования закреплена в нормативных актах, соблюдение которых обязательно для всех строительных работ. Поэтому, если потребуется, например, узнать, какой коэффициент уплотнения песка, достаточно будет просто заглянуть в ГОСТ и найти требуемое значение. Важное замечание: все величины, приведенные в нормативных актах, являются усредненными и могут изменяться в зависимости от условий транспортировки и хранения материала.

Необходимость учета коэффициента уплотнения обусловлена простым физическим явлением, знакомым практически каждому из нас. Для того чтобы понять сущность этого явления, достаточно вспомнить, как ведет себя вскопанная земля. Поначалу она рыхлая и достаточно объемная. Но если на эту землю взглянуть через несколько дней, то уже станет заметно, что грунт «осел» и уплотнился.

То же самое происходит и со строительными материалами. Сначала они лежат у поставщика в утрамбованном собственным весом состоянии, затем при погрузке происходит «взрыхление» и увеличение объема, а потом, после выгрузки на объекте, снова происходит естественная трамбовка собственным весом. Помимо массы, на материал будет воздействовать атмосфера, а точнее, ее влажность. Все эти факторы учтены в соответствующих ГОСТах.

Строительные материалы при длительном хранении уплотняются под собственным весомЩебень, доставляемый автомобильным или железнодорожным транспортом, взвешивают на весах. При поставке водными видами транспорта вес высчитывается по осадке судна.

Строительные материалы при длительном хранении уплотняются под собственным весомЩебень, доставляемый автомобильным или железнодорожным транспортом, взвешивают на весах. При поставке водными видами транспорта вес высчитывается по осадке судна.

КАК ПРАВИЛЬНО ПОЛЬЗОВАТЬСЯ КОЭФФИЦИЕНТОМ

Важным этапом любых строительных работ становится составление всех смет с обязательным учетом коэффициентов уплотнения сыпучих материалов. Это необходимо делать для того, чтобы заложить в проект правильное и необходимое количество стройматериалов и избежать их переизбытка или нехватки.

Как же правильно воспользоваться коэффициентом? Нет ничего проще. Например, для того, чтобы узнать, какой объем материала получится после утряски в кузове самосвала или в вагоне, необходимо найти в таблице требуемый коэффициент уплотнения грунта, песка или щебня и разделить на него закупленный объем продукции. А если требуется узнать объем материалов до перевозки, то надо будет произвести не деление, а умножение на соответствующий коэффициент. Допустим, если куплено у поставщика 40 кубометров щебня, то, значит, в процессе транспортировки это количество превратится в следующее: 40 / 1,15 = 34,4 кубометра.

Таблица коэффициентов уплотнения сыпучих строительных материаловВид материалаКупл (коэффициент уплотнения)ПГС (песчано-гравийная смесь)1.2 (ГОСТ 7394-85)Песок для строительных работ1.15 (ГОСТ 7394-85)Керамзит1.15 (ГОСТ 9757-90)Щебень (гравий)1.1 (ГОСТ 8267-93)Грунт1.1-1.4 (по СНИП)Все значения, приведенные в таблице, являются среднестатистическими и могут варьироваться в зависимости от конкретных условий доставки, хранения и состава материала.

Работы, связанные с полной цепочкой перемещения песчаных масс со дна карьера до строительной площадки, должны производиться с учетом относительного коэффициента запаса песка и грунта на уплотнение. Это величина, показывающая отношение весовой плотности твердой структуры песка к его весовой плотности на участке отгрузки поставщика. Чтобы определить необходимое количество песка, обеспечивающее запланированный объем, нужно этот объем умножить на коэффициент относительного уплотнения.

Помимо знания относительного коэффициента, приведенного в таблице, правильное использование ГОСТа подразумевает обязательный учет следующих факторов доставки песка на строительную площадку:

  • физические свойства и химический состав материала, присущие определенной местности;
  • условия перевозки;
  • учет климатических факторов в период доставки;
  • получение в лабораторных условиях величин максимальной плотности и оптимальной влажности.

УПЛОТНЕНИЕ ПЕСЧАНЫХ ОСНОВАНИЙ

Данный вид работ необходим при обратной засыпке. Например, это нужно после того, как установлен фундамент и теперь требуется заполнить грунтом или песком образовавшийся промежуток между внешним контуром конструкции и стенками котлована. Процесс производится с помощью специальных трамбовочных устройств. Коэффициент уплотнения песчаного основания равняется примерно 0,98.

Процесс уплотнения грунта трамбовочным устройством

Процесс уплотнения грунта трамбовочным устройством

КОЭФФИЦИЕНТ ДЛЯ БЕТОННЫХ СМЕСЕЙ

Бетонная смесь, как и любой другой строительный материал, монтируемый методом засыпания или заливки, требует дальнейшего уплотнения для получения необходимой плотности, а значит, и надежности конструкции. Бетон уплотняют вибраторами. Коэффициент уплотнения бетонной смеси при этом берется в пределах от 0,98 до 1.

Коэффициент уплотнения щебня: гравийный, гранитный и доломитовый

Коэффициент уплотнения щебня представляет собой безразмерный показатель, характеризующий степень изменения объема материала при трамбовке, усадке и транспортировке. Его учитывают при расчете требуемого количества наполнителя, проверке массы доставляемой под заказ продукции и при подготовке оснований под несущие конструкции наряду с насыпной плотностью и другими характеристиками. Нормативное число для конкретной марки определяется в лабораторных условиях, реальное не является статичной величиной и одинакового зависит от ряда присущих свойств и внешних условий.

Оглавление:

  1. Определение коэффициента
  2. Трамбовка при транспортировке и на площадке
  3. Насыпная плотность для разных фракций

Функциональное значение показателя

Коэффициент уплотнения используется при работе с сыпучими стройматериалами. Нормативное число у них варьируется от 1,05 до 1,52. Средняя величина для гравийного и гранитного щебня составляет 1,1, керамзита – 1,15, песчано-гравийных смесей – 1,2 (о степени уплотнения песка читайте тут). Реальная цифра зависит от следующих факторов:

  • Размеров: чем меньше зерна, тем эффективнее проходит трамбовка.
  • Лещадности: щебенка игольчатой и неправильной формы уплотняется хуже, чем кубовидные наполнитель.
  • Длительности перевозки и вида используемого транспорта. Максимальное значение достигается при доставке гравийного и гранитного камня в кузовах самосвалов и ж/д вагонах, минимальное – в морских контейнерах.
  • Условий засыпки в автомобиль.
  • Способа: при ручном достичь нужного параметра сложнее, чем при задействовании вибрационного оборудования.

В строительной сфере коэффициент уплотнения учитывается прежде всего при проверке массы закупаемого сыпучего материала и засыпке оснований. В проектных данных указывается плотность скелета конструкции. Показатель учитывается в комплексе с другими параметрами строительных смесей, важную роль играет влажность. Степень трамбовки рассчитывается для щебня с ограниченным стенками объемом, в реальности такие условия создаются не всегда. Ярким примером служит засыпаемая фундаментная или дренажная подушка (фракции выходят за пределы прослойки), погрешность при расчете неизбежна. Для ее нейтрализации щебенка приобретается с запасом.

Игнорирование этого коэффициента при составлении проекта и проведении строительных работ приводит к закупке неполного объема и ухудшению эксплуатационных характеристик возводимых конструкций. При правильно выбранной и реализованной степени уплотнения бетонные монолиты, основания зданий и дорог выдерживают ожидаемые нагрузки.

Степень трамбовки на площадке и при перевозке

Отклонение в объеме загружаемого и доставляемого на конечную точку щебня – известный факт, чем сильнее вибрация при транспортировке и дальше расстояние, тем выше его степень уплотнения. Для проверки соответствия количества привезенного материала чаще всего используется обычная рулетка. После обмерки кузова полученный объем делят на коэффициент и сверяют с указанным в сопроводительной документации значением. Вне зависимости от размера фракций данный показатель не может быть меньше 1,1, при высоких требованиях к точности доставки его оговаривают и прописывают в договоре отдельно.

При игнорировании этого момента претензии к поставщику необоснованные, согласно ГОСТ 8267-93 параметр не относится к обязательным характеристикам. По умолчанию для щебня принимается равным 1,1, проверку доставленного объема проводят на пункте приема, после выгрузки материал занимает чуть больше места, но со временем он дает усадку.

Требуемая степень уплотнения при подготовке оснований зданий и дорог указывается в проектной документации и зависит от ожидаемых весовых нагрузок. На практике может достигать 1,52, отклонение должно быть минимальным (не более 10%). Трамбовку проводят послойно с ограничением по толщине в 15-20 см и применением разных фракций.

Дорожное покрытие или фундаментные подушки засыпаются на подготовленные площадки, а именно – с выравненным и утрамбованным грунтом, без значительных отклонений уровня. Первый слой формуется из крупного гравийного или гранитного щебня, использование доломитовых пород должно быть разрешено проектом. После предварительного уплотнения куски расклинцовывают более мелкими фракциями, при необходимости – вплоть до засыпки песка или песчано-гравийных смесей. Качество выполнения работ проверяется отдельно на каждом слое.

Соответствие полученного результата трамбовки проектному оценивается с помощью специального оборудования – плотномера. Замер проводится при условии содержания не более 15% зерен с размером до 10 мм. Инструмент погружают на 150 мм строго вертикально с соблюдением необходимого нажима, уровень вычисляют по отклонению стрелки на приборе. Для исключения ошибки замеры делают в 3-5 точках в разных местах.

Насыпная плотность щебня разных фракций

Помимо коэффициента трамбовки для определения точного количества требуемого материала нужно знать размеры засыпаемой конструкции и удельный вес заполнителя. Последний представляет собой отношение массы щебенки или гравия к занимаемому ими объему и зависит в первую очередь от прочности исходной породы и размера.

Тип Насыпная плотность (кг/м3) при размере фракций:
0-5 5-10 5-20 20-40 40-70
Гранитный 1500 1430 1400 1380 1350
Гравий 1410 1390 1370 1340
Доломитовый 1320 1280 1120

Удельный вес обязательно указывается в сертификате продукции, при отсутствии точных данных его можно найти самостоятельно опытным путем. Для этого потребуется цилиндрическая емкость и весы, материал засыпают без трамбовки и взвешивают до и после заполнения. Количество находят путем умножения объема конструкции или основания на полученное значение и на степень уплотнения, указанную в проектной документации.

Например, для засыпки 1 м2 подушки толщиной в 15 см из гравия с размером фракций в пределах 20-40 см понадобится 1370×0,15×1,1= 226 кг. Зная площадь формируемого основания, несложно найти общий объем заполнителя.

Показатели плотности также актуальны при подборе пропорций при приготовлении бетонных смесей. Для фундаментных конструкций рекомендуется использовать гранитный щебень с размером фракций в пределах 20-40 мм и удельным весом не менее 1400 кг/м3. Уплотнение в данном случае не проводится, но обращается внимание на лещадность – для изготовления ЖБИ требуется кубовидный заполнитель с низким содержанием зерен неправильной формы. Насыпная плотность используется при перерасчете объемных пропорций в массовые и наоборот.

Исполнительная по щебню на основание из песка

10.2 Объем каменного материала в насыпном виде следует определять с учетом коэффициента запаса на уплотнение. Для песчано-гравийных (щебеночных) смесей оптимального зернового состава и щебня фракций 40-70 и 70-120 мм марки по прочности 800 и более коэффициент запаса материала на уплотнение следует ориентировочно принимать 1,25-1,3, а для щебня марок по прочности 600-300 — 1,3-1,5. Коэффициент запаса шлака на уплотнение в зависимости от его плотности следует ориентировочно принимать 1,3-1,5.
— Сообщения объединены, 24 июл 2019, Оригинальное время сообщения: 24 июл 2019 —
«втыкания нет», есть К.запаса на материал, он рассчитан как 1,3 (1,25-1,5) в зависимости от расценки как раз на эти случаи. (
Я прекрасна понял физику процесса, понятно что в бетон щебень не вдавится а в песок ПГС и т.п вдавится, соответственно при одинаковом объеме отметка на песке будет ниже, но в том и «соль» 27 сборника. в цене работ за 100м2 при толщине 10см (10м3) сидит цены материала 13м3.
А то что сметчица сказала «коэффициент уплотнения» нет такого понятия для щебня. это камень. он только расклинивается.
К.уплотнения это величина определяемая для земляных работ (1 сборник) вот там и начинают прописывать (а именно расценка «устройство дорожных насыпей) при 100м3 устройства насыпи привезти надо 121м3 а именно 20% запас на уплотнение и 1% потерь на перевозку.
Для щебня в 27 сборнике проще. тупо взяли 30% (или 27 не помню) и все.
Разница в том что для 1Сборника могут применяться материалы от песков до крупнообломочных грунтов а у них К запаса на уплотнение от 1,1 до 1,47 т.е. как по щебню не унифицировать, а щебень проще. есть Марка, есть К запаса на материал. их там 2-н
по моему. до 800 и свыше 800.
— Сообщения объединены, 24 июл 2019 —
Evgen-K сказал(а): ↑

коэффициент уплотнения щебня

Нажмите, чтобы раскрыть…

нет такого понятия, Это по СП45 есть К.уплотнения грунта. И определяется он либо опытным путем (при насыпях свыше 10 000м3) либо нормативно исходя из техчасти 1 Сборника.

Вы работы по АД производите (щебня касается) по СП 34 или 78, и расценивается это по 27 Сборнику (ну или 8 если исключительные случаи) не берем 8 сборник.
Так вот К.уплотнения, К запаса на уплотнение (он же К.запаса на материал) разные вещи.
К.отн.упл.=0,92, 0,95 или 0,98 это есть отношение максимальной плотности применяемого материала к требуемой плотности. Грубо — Достижение основанием плотности способной нести нагрузку которую приложат сверху.

К запаса на материал в вашем случае предусмотрено сметным К. в 27Сборнике, а именно 1,3 (уточните у сметного отдела)
К запаса на материал при устройстве насыпе — 1сборник + СП45, тут К. определяется либо опытным путем (пробное уплотнение) либо по указаниям ГОСТ на проектирование ГП (там 10%) либо указаниями 1 Сборника :
2.12. Объем нескального грунта природной плотности, необходимый для возведения насыпи, должен приниматься равным проектному объему насыпи. Если необходимая по проекту плотность грунта в насыпи превосходит природную плотность в естественном залегании (в резервах или карьерах), объем, исчисленный по профилям, надлежит умножать на коэффициент уплотнения.
При отсыпке насыпей железных и автомобильных дорог дренирующим грунтом из промышленных карьеров, объем которого исчислен в разрыхленном состоянии в транспортных средствах, количество требующегося дренирующего грунта принимается с коэффициентами: при уплотнении до 0,92 стандартной плотности — 1,12; свыше 0,92 — 1,18.
Это уже зависит от того на чьей вы стороне. Нормативно — так.

— Сообщения объединены, 24 июл 2019 —
А вообще можно попробовать обратиться в «минстрой» с просьбой разъяснить расценку 27 сорника, думаю вам оттуда прийдет ответ по смыслу одинаковый с моим, но не такой распространенный.

 

Датчики и трехмерное картирование уплотнения почвы

Датчики (Базель). 2008 май; 8(5): 3447–3459.

Юсел Текин

1 Университет Улудаг, Профессиональная школа технических наук, 16059 Кампус Гёрюкле, Бурса – Турция; Электронная почта: [email protected]

Basri Kul

1 Университет Улудаг, Профессиональная школа технических наук, 16059 Кампус Гёрюкле, Бурса – Турция; Электронная почта: [email protected]

Расим Окурсой

2 Университет Улудаг, факультет сельского хозяйства, факультет сельскохозяйственной техники, 16059 Кампус Гёрюкле, Бурса – Турция; Электронная почта: [email protected]

1 Университет Улудаг, Профессиональная школа технических наук, 16059 Кампус Гёрюкле, Бурса – Турция; Электронная почта: [email protected] 2 Университет Улудаг, факультет сельского хозяйства, отделение сельскохозяйственной техники, 16059 Кампус Гёрюкле, Бурса – Турция; E-mail: [email protected] * Автор, которому следует адресовать корреспонденцию; Электронная почта: [email protected]; Тел.: +90-224-294-2354; Факс: +90-224-294-2303

Поступила в редакцию 18 марта 2008 г.; Принят 21 мая 2008 г.

Copyright © 2008 авторы; лицензиат Molecular Diversity Preservation International, Базель, Швейцария. Эта статья цитировалась другими статьями в PMC.

Abstract

Уплотнение почвы является важным физическим ограничивающим фактором для роста корней и появления всходов и является одной из основных причин снижения урожайности во всем мире. Целью данного исследования было создание двухмерных/трехмерных карт уплотнения почвы для различных глубинных слоев почвы. Для этого был разработан почвенный пенетрометр, который устанавливался на трехточечной навеске сельскохозяйственного трактора и состоял из механической системы, системы сбора данных (DAS) и программного обеспечения для 2D/3D визуализации и анализа.Система была успешно испытана в полевых условиях, измеряя сопротивление проникновению в почву в зависимости от глубины от 0 до 40 см с интервалом в 1 см. Программное обеспечение позволяет пользователю либо табулировать измеренные величины, либо генерировать карты, как только сбор данных будет прекращен. Система также может включать данные GPS для создания почвенных карт с географической привязкой. Программное обеспечение позволяет пользователю построить график сопротивления проникновению в заданной координате. С другой стороны, карты уплотнения почвы могут быть созданы с использованием данных, собранных по нескольким координатам.Данные могут быть автоматически стратифицированы для определения распределения уплотнения почвы на разных слоях глубиной 5, 10,…, 40 см. Был сделан вывод о том, что система, протестированная в этом исследовании, может использоваться для оценки уплотнения почвы в верхнем слое и случайно распределенных образований жесткого слоя чуть ниже обычной глубины обработки почвы, что позволяет визуализировать пространственную изменчивость с помощью программного обеспечения для визуализации.

Ключевые слова: Уплотнение почвы, Картирование почвы, Сопротивление проникновению, GPS

1.Введение

Методы исследования почвы в полевых условиях широко использовались на протяжении многих веков. Они используются для оценки качества земель, изучения генезиса почв, уплотнения почв, борьбы с эрозией и обработки почвы [1]. Уплотнение почвы является важным физическим ограничивающим фактором для роста корней и всходов растений, что снижает урожайность во всем мире. Это часто вызвано большими осевыми нагрузками сельскохозяйственных машин, таких как тракторы и самоходные комбайны, а также другого оборудования, используемого в агротехнических работах во время посадки и вегетации.Уплотнение почвы может значительно ослабить продуктивную способность почвы за счет уменьшения пористости, создания препятствий для движения воздуха, воды, питательных веществ и проникновения корней [2, 3]. Кроме того, уплотнение почвы снижает скорость появления листьев и расширения напочвенного покрова, сокращает продолжительность полога и ограничивает поглощение света, что в совокупности снижает урожайность клубней [4]. Снижение урожайности зерна связано с уплотнением почвы для некоторых климатических условий и культур в широком диапазоне почв от песков до тяжелых глин [5-9].Более того, подпочва становится уплотненным слоем почвы, что препятствует проникновению воды в более глубокие слои, что приводит к уменьшению пористости верхнего слоя почвы и снижению урожайности [10]. Поэтому исследователи заинтересованы в том, чтобы сосредоточить внимание на уплотнении недр и способах обработки почвы для контроля уплотненного слоя [11, 12]. Хотя некоторые исследователи показывают, что нельзя сделать статистический вывод о влиянии рыхления почвы на урожайность [13], уплотнение почвы следует картировать, чтобы уменьшить силу тяги.Рыхление почвы на конкретном участке привело к снижению тяговой силы на 59% и 35% на участках с твердым покрытием малой глубины (25 см) и на участках с твердым покрытием средней глубины (35 см) соответственно по сравнению с равномерным глубоким рыхлением, проведенным на глубине 45 см, о котором сообщает Raper et al. . и др., [14].

Уплотнение грунта обычно выражается как сопротивление проникновению (PR), измеряемое пенетрометром с конусным грунтом. Простой пенетрометр представляет собой проникающий стержень с коническим наконечником и датчиком силы, которым может быть тензодатчик или пьезоэлектрический тензодатчик [15].PR определяется как усилие проникновения, деленное на площадь основания стандартного конуса при проникновении в грунт стандартного конусного пенетрометра с постоянной скоростью [16]. Стандартный конус пенетрометра имеет угол наклона конуса 30° и диаметр основания 2,54 мм. Скорость проникновения также стандартизирована как 30 мм с -1 . Хотя существует более одного метода оценки уплотнения почвы, наиболее удобным для большинства исследователей в полевых условиях методом мониторинга и оценки уплотнения почвы уже давно является использование ручных пенетрометров.Таким образом, точность измерений PR тесно связана со способностью поддерживать постоянную скорость зонда.

Измерения сопротивления проникновению обычно связаны с содержанием влаги в почве и ее объемной плотностью. Поэтому исследователи разработали модели, связывающие уплотнение почвы с сухой объемной плотностью и влажностью почвы [17-19]. Геостатистика в исследовании показала, что наиболее изменчивым свойством почвы был PR, тогда как наименее изменяющимся параметром была объемная плотность почвы [20]. Геостатистические методы также можно использовать для интерполяции данных PR для создания трехмерных карт.Некоторые исследования показывают, что PR случайным образом изменяется по полям [21]. На практике, однако, сбор достаточного количества точечных данных с высокой точностью по всему полю, чтобы можно было составить карты уплотнения почвы с географической привязкой, требует много времени и чрезмерных усилий. В последнее время исследования больше сосредоточены на использовании пенетрометров с гидравлическим приводом с электронными комплектами для картирования уплотнения почвы [3]. Карты уплотнения почвы позволяют исследователям и фермерам определить, где именно происходит уплотнение почвы [3].Таким образом, фермер может наблюдать, как меняется уплотнение почвы в разных местах и ​​на разных глубинах поля. Эта информация имеет решающее значение в процессе принятия решений для конкретных приложений, таких как переменная глубокая обработка почвы, чтобы получить выгоду от повышения своевременности и снижения затрат на управление.

Целью данного исследования является описание разработанного аппаратного и программного обеспечения, а затем тестирование системы для подтверждения применимости системы. Эта система мгновенно создает 2D- и 3D-карты уплотнения почвы с помощью программного обеспечения для сбора данных и составления карт, разработанного специально для этого исследования.

2. Материалы и методы

2.1. System Design

Процедура трехмерного картирования уплотнения почвы состоит из 3 уровней: физического уровня, состоящего из механических частей и датчиков, уровня системы сбора данных (DAS), управляемого микропроцессором, и уровня программного обеспечения для 2D/3D визуализации и анализа. Физический уровень включает в себя стандартный пенетрометр с приводом от гидравлической системы трактора, датчики и механические органы управления. Уровень DAS включает в себя сбор данных, контролируемый MCU, и элементы управления безопасностью.Слой 2D/3D-изображения и анализа включает необходимые изображения, анализ и отчетность. Обеспечивается встроенный анализ вместо анализа результатов точечных измерений, как это наблюдается в аналогичных исследованиях и оценке в реальном времени при проектировании системы. Общая структура системы, разработанной специально для измерения уплотнения почвы и составления карт в реальном времени, показана на рис.

Структура системы измерения и картирования сопротивления проникновению.

2.1.1. Физический слой

Измерения PR с помощью пенетрометра с гидравлическим приводом трактора использовались для картирования уплотнения почвы [22].Электронный пенетрометр, установленный на тракторе, состоит из тензодатчика, датчика глубины, DAS и ноутбука (). Гидравлический цилиндр приводится в действие зубчатыми передачами и муфтами, расположенными в гидронасосе. Расход масла насоса зависит от частоты вращения двигателя трактора и при 1400 об/мин поток масла через гидроцилиндр пенетрометра обеспечивает наконечнику пенетрометра постоянную и стандартную скорость проходки. Поскольку стандартная скорость проникновения пенетрометра составляет 30 мм в секунду, а максимальная глубина проникновения составляет 40 см, получение данных с места занимает 13.3 секунды, что очень мало. При стандартной скорости проходки расход масла на цилиндр составляет 2,26 л/мин -1 , а давление масла на цилиндр составляет 30,8 бар. Поток масла контролируется двухходовым обратным клапаном с максимальным давлением масла 210 бар и максимальным расходом 1,54 л мин -1 [23].

Пенетрометр с гидравлическим приводом, устанавливаемый на сцепку трактора

Датчик глубины почвы выполнен с использованием многооборотного сопротивления (тримпота), представляющего собой роликовый шкив с ременной передачей.Когда гидравлический поршень толкает стержень пенетрометра, конус начинает проникать в почву с постоянной скоростью. Когда начинается проникновение, эластичный ремень вращает небольшой шкив, который генерирует электронный сигнал. Датчик силы представляет собой тензодатчик S-типа, расположенный между поршнем и стержнем пенетрометра. Весоизмерительная ячейка преобразователя силы представляет собой мостовую схему Уитстона, которой требуется 5 В для возбуждения и достижения электронного баланса. Полномасштабный интервал измерения цепи составляет 20 мВ, что соответствует нагрузке 500 кг при нулевой чувствительности измерения.007 кг. Калибровка тензодатчика проводилась приложением нагрузки в лабораторных условиях. Результат калибровки датчика силы показывает, что существует точная линейность (R 2 = 0,999973) между выходным сигналом датчика силы и приложенной силой в диапазоне от 0 до 500 кг. Когда на конус действует проникающая сила, электронный баланс мостовой схемы изменяется, и схема выдает выходные сигналы, которые усиливаются и преобразуются в цифровой сигнал для калибровки [24].

Предыдущие исследования показали, что пенетрометр с гидравлическим приводом можно использовать для получения точных значений PR почвы. Отличие этого исследования заключается в разработке более быстрого сбора данных с помощью USB-порта и создании двухмерных и трехмерных карт уплотнения почвы на основе этих данных.

2.1.2. Система сбора данных (DAS)

DAS была разработана для обработки сигналов, полученных от тензодатчика и датчика глубины, а также для управления механической системой (). Сигналы, полученные от тензодатчика, преобразуются в цифровой сигнал через усилитель, режекторный фильтр 50–60 Гц и 24-битный сигма-дельта АЦП.Сигналы, полученные от датчика глубины, фильтруются от шумов трактора и белого шума с помощью фильтра нижних частот (ФНЧ). Цифровые входы используются для управления механической системой, способной вмешиваться в аварийные ситуации. Общая емкость измерений рассчитана на 10 6 выборочных данных.

Блок сбора данных автоматически оттягивает стержень пенетрометра назад в случае перегрузки и, следовательно, предотвращает повреждение тензодатчика, а также предотвращает неточные измерения.Глубина измерения может быть установлена ​​оператором. DAS запускает все процедуры с помощью команд программного обеспечения ПК. Это команды запуска и остановки измерения, максимальной глубины, максимальной силы, калибровки и временного интервала.

2.1.3. PR 2D/3D – программное обеспечение для картографирования и анализа

Сокращенная блок-схема программного обеспечения для измерения уплотнения почвы (SCMS) показана на . Программное обеспечение работает в среде MS Windows XP и выполняет следующие функции:

  1. Определение поверхности поля, определение опорных точек с помощью GPS

  2. Измерение связанных атрибутов

  3. Цифровая фильтрация с процедурами DSP (Digital Signal Processing)

  4. 7

    с помощью методов 2D/3D Digital Image Processing (DIP)

  5. Отчетность (экспорт в Excel и MATLAB)

Блок-схема программного обеспечения DAS.

Область в пределах указанных координат может быть сообщена программному обеспечению путем построения сетки с желаемыми интервалами в соответствии с характером почвы. Левая нижняя часть назначена в качестве опорной, чтобы можно было легко использовать систему координат x-y. В СКМС использовались следующие функции управления:

  1. Разрешение оператора на измерение в каждой ячейке: Эта процедура особенно важна для правильного выравнивания зонда и конуса с поверхностью почвы, что позволяет мгновенно визуально проверить наличие твердых объектов до того, как конус начнет проникать в почву.

  2. Прерывание процесса записи, когда конус сталкивается с твердыми предметами, такими как камни, что может привести к ошибочным измерениям.

  3. Усреднение нескольких измерений для каждой точки отсчета для уменьшения стандартного отклонения измеренных величин и устранения выбросов.

  4. Масштабирование данных датчика силы, снятых с разной глубины поля по одной цветовой шкале.

SCMS состоит из меню Free Run, Measurement, Compute, Setup и GPS.Free Run используется, когда измерение проводится в точке без записи. Любую точку можно контролировать, чтобы убедиться, что датчик находится в заранее определенном или желаемом месте. Однако данные, полученные из этого меню, не используются для отображения. Меню измерений включает запуск, остановку, загрузку, сохранение и их настройки. Кроме того, он обеспечивает ввод координат x-y узлов сетки, если GPS не используется.

Данные анализируются для выполнения 2D/3D отображения в меню Compute. В этой части данные от датчика силы могут быть отфильтрованы, если это необходимо, путем выбора одного из механизмов фильтрации, а именно фильтра с бесконечной импульсной характеристикой (IIR) 50 Гц, LPF 50 Гц и усредняющего фильтра.Значения PR рассчитываются в зависимости от измеренной силы и площади конуса и в конечном итоге выражаются в кПа (уравнение 1).

PR=Force(N)Cone_Area(m2)

(1)

Интерпретация изменений уплотнения почвы по всему полю упрощается с помощью графического представления и создания цветовой шкалы на основе диапазона измеренных значений. 2D и 3D графики генерируются после завершения полевых измерений. Масштабирование выполняется таким образом, что синим цветом показан самый низкий диапазон уплотнения, а фиолетовым — максимальное уплотнение на изображении.Числовые значения, соответствующие каждому цвету, также приведены в 2D и 3D-графике. Эти данные также можно вывести на экран в виде таблицы без создания карт уплотнения. 2D-функции, используемые в SCMS, следующие:

  1. Отображение измерений с шагом в см: значения PR для каждого см глубины отображаются на двухмерном графике в соответствии с цветовой шкалой. Этим методом можно исследовать глубины до 40 см.

  2. Вычисление общего среднего значения в местоположении: значение PR ячейки определяется путем вычисления среднего значения всех измерений в каждом местоположении на каждой сетке (ур.2).

  3. Вывод для определения вариаций: Эта функция анализирует вариации PR в сетке по отношению к соседним сеткам. Таким образом, изменение наклона уплотнения может быть отображено на графике. Для отображения вариаций PR используются производные по направлению с фильтрами Лапласа, такие как A [ PR x,y ] по диагонали (уравнение 3), B [ PR x,y ] по горизонтали , C [ PR x,y ] (ур.4), вертикальный (ур. 5). Величина значений PR, показанная как X в уравнении. 6 применяются и рассчитываются с помощью вертикального, горизонтального и диагонального фильтров Лапласа [25].

A[PRx,y]=1k[21010−10−1−2]∗[PRx,y]

(3)

B[PRx,y]=1k[10−120−210−1 ]∗[PRx,y]

(4)

C[PRx,y]=1k[121000−1−2−1]∗[PRx,y]

(5)

3D-отображение похоже на 2D , включая широту в графики, тем самым отображая измерения с интервалами в сантиметрах в 3D.

Выбросы, вызванные камнем и твердыми предметами из пенетрометра, должны быть устранены, чтобы уменьшить ошибки измерения.Потенциальные выбросы были устранены в точечных измерениях путем изучения стандартных отклонений. Стандартное отклонение и среднее значение были рассчитаны с использованием уравнений. 7-8, а данные вне диапазона ±2σ игнорировались (уравнение 9).

σ=1N(∑i=1Nxi2−Nx−2)

(7)

xi>x¯+2σ,xi

(9)

2.2. Экспериментальный участок

В ноябре 2007 г. испытания PR проводились в глинистой почве (глина 58%, песок 24%, ил 18) в тяжелых условиях на исследовательской ферме Университета Улудаг в Бурсе, Турция (долгота 28:98 восточной долготы; широта 40:22 северной широты, высота 122.5 м). Измерения проводились после двухлетнего севооборота рапса. Среднее содержание влаги в почве (сухая основа) было определено равным 24,79% в трех повторностях.

2.3. Сбор данных

Поле исследований было выбрано плоское прямоугольной формы (27*39 м). Поле было разделено на участки размером 3*2 м и размечено для замеров проходки. Координаты участков обозначены номерами кругов и индексов на SCMS. DAS отобрала 40 данных для каждого сантиметра. Всего было получено 180 точек измерения PR для картирования уплотнения почвы.Затем компания SCM собрала измеренные данные для двухмерного и трехмерного картографирования уплотнения почвы с интервалом 5 см от 0 до 40 см.

3. Результаты и обсуждение

2D-представление измеренных значений сопротивления проникновению можно увидеть в и . отображает глубину измерения по оси x и сопротивление проникновению по оси y. Значения PR продолжают увеличиваться с постоянной скоростью до 15 см, тогда как измеренные значения существенно не изменяются между 15 и 23 см, после чего следует второй подъем до 30 см. Подобные тенденции можно наблюдать на всех окультуренных почвах, при этом твердая почва возникает ниже глубины обработки, которая обычно составляет около 30-35 см.Небольшие колебания без увеличения промеров с 15 до 25 см можно объяснить тем, что почву обрабатывали орудиями основной обработки почвы, разрыхляющими верхний слой почвы. Увеличение значений PR от 0 до 15 см, вероятно, было связано с тем, что движение по полю с последующей обработкой почвы вызвало уплотнение верхнего слоя почвы, хотя и разрыхленного во время обработки почвы. Объемная плотность почвы также увеличивается с увеличением глубины, что приводит к уменьшению пористости и, следовательно, к увеличению уплотнения в этих слоях.

Меню измерений SCMS и график измеренных значений PR для всех слоев.

Двухмерное картирование уплотнения почвы для различных слоев почвы.

Среднее значение PR, равное 2 МПа, обычно считается пороговым сопротивлением проникновению для большинства культур, что препятствует росту корней и снижает урожайность. Это видно по тому, что уплотнение почвы было близко к предельному значению PR на глубине около 30 см. Поэтому графическое представление PR как функции глубины, такое как показано на рис., очень информативно.Тем не менее, этот график относится только к одному фиксированному местоположению. Такие графики необходимо строить для всех координат, по которым были собраны данные по полю. Однако больше информации можно получить, исследуя распределение PR, а не просматривая отдельные координаты, требующие двумерного графического представления.

Измеренные количества в каждой точке поля были усреднены по пяти измерениям для создания восьми слоев от 0 до 40 см (0–5 см, 5–10 см, …, 35–40 см), и была составлена ​​двухмерная карта уплотнения почвы. для каждого слоя, как показано на рисунке, где для простоты показаны только четыре слоя из восьми.Уплотнение почвы в этих почвенных слоях отмечено разными цветовыми шкалами. Разработанная цветовая шкала зависит от минимального и максимального измеренных значений PR в соответствующем слое. В , изменение от одной сетки к другой не казалось важным. Однако по мере увеличения глубины вариации в одном и том же слое становились более очевидными, что подразумевает более случайные колебания значений PR по всему полю. Двумерный график уплотнения почвы становится полезным в этот момент, поскольку значения PR с координатными тегами позволяют особенно определить области, которые следует учитывать для глубокой обработки почвы, чтобы разрушить твердую пластину.Таким образом, недостатком двухмерного графического представления является необходимость создания различных слоев для проверки, чтобы можно было определить все проблемные области.

Трехмерная графика уплотнения почвы может обеспечить визуальное наблюдение за зонами уплотнения почвы без необходимости создания нескольких графиков (). Такой график не только показывает распределение сопротивления проникновению по полю, но и отображает величину проникновения в зависимости от глубины. показывает все точки данных на всех глубинах экспериментального участка.Можно заметить, что сопротивление проникновению в некоторых местах превышает пороговое значение 2 МПа. Трехмерный график распределения PR кажется удобным, поскольку определенные области, подверженные уплотнению, превышающему пороговое значение, можно легко отслеживать, исследуя один графический дисплей.

Трехмерное графическое отображение сопротивления проникновению в определенной области поля.

Система может использовать данные GPS для создания карты с географической привязкой. GPS, однако, не использовался в полевых экспериментах, потому что измеренные координаты были слишком близки, чтобы различать соседние местоположения с помощью обычной системы позиционирования.Записи GPS не только предоставляют необходимые данные для картографирования с географической привязкой, но также устанавливают базовую линию для отметки координат, чтобы можно было определить временные вариации путем получения данных из одних и тех же мест в разное время. Например, после определения уплотненных слоев и глубины можно приступить к обработке почвы для конкретного участка. Однако система, протестированная в этом исследовании, не была предназначена для управления аппликаторами с переменной скоростью, но может использоваться в качестве системы поддержки принятия решений для определения пространственных изменений сопротивления проникновению.

4. Выводы

В результате этого исследования можно сделать следующие выводы:

  1. Пенетрометр, установленный на трехточечной навеске трактора, приводился в действие гидравликой трактора. Система увеличила скорость сбора данных и, следовательно, значительно повысила эффективность поля по сравнению с ручными пенетрометрами.

  2. Пространственные колебания сопротивления проникновению грунта затрудняют достижение постоянной скорости проникновения с помощью ручных пенетрометров, что приводит к случайным ошибкам, которые невозможно устранить.Ошибки оператора были устранены в этом исследовании в результате стандартной скорости проникновения 3 см с -1 .

  3. Программное обеспечение, используемое в этом исследовании, включает данные о местоположении с помощью GPS-приемника и может использоваться либо для табулирования данных об уплотнении почвы, либо для построения графиков в 2D или 3D, обеспечивая мгновенное визуальное представление об уровне пространственных изменений уплотнения почвы.

  4. Мгновенное построение графика уплотнения с географической привязкой может сократить время постобработки данных о сопротивлении проникновению и может использоваться для определения областей, требующих различных способов обработки почвы.

  5. Будущие исследования этой системы должны быть сосредоточены на картировании проблемных зон (места, подверженные уплотнению с PR>2 МПа), а затем попытаться управлять различными зонами соответствующим образом с помощью почвообрабатывающего оборудования с переменной скоростью, управляемой DPGS.

Ссылки и примечания

1. Бэти Т.Д., Маккензи К. Уплотнение почвы: идентификация непосредственно в поле. Использование и управление почвой. 2006; 22: 123–131. [Google Академия]2. Рапер Р.Л. Воздействие сельскохозяйственного транспорта на почву. Журнал террамеханики.2005; 42: 259–280. [Google Академия]3. Каррара М., Кастриньяно А., Компаретти А., Фебо П., Орландо С. Картирование сопротивления пенетрометра по отношению к движению трактора с использованием многомерной геостатистики. Геодерма. 2007; 142: 294–307. [Google Академия]4. Сталхэм М.А., Аллен Э.Дж., Розенфельд А.Б., Херри Ф.К. Влияние уплотнения почвы на посевы картофеля (Solanum tuberosum). Журнал сельскохозяйственных наук. 2007; 145: 295–312. [Google Академия]5. Байхан Ю., Кайисоглу Б., Гонулол Э. Влияние уплотнения почвы на рост подсолнечника.Исследование почвы и обработки почвы. 2002; 68: 31–38. [Google Академия]6. Хассан Ф.У., Ахмад М., Ахмад Н., Аббаси М.К. Влияние уплотнения подпочвы на урожайность и характеристики урожайности пшеницы в субгумидном регионе Пакистана. Исследование почвы и обработки почвы. 2007; 96: 361–366. [Google Академия]7. Чан К.Ю., Оутс А., Свон А.Д., Хейс Р.К., Дорогой Б.С., Пиплз М.Б. Агротехнические последствия уплотнения тракторных колес на глинистой почве. Исследование почвы и обработки почвы. 2006; 89: 13–21. [Google Академия]8. Садрас В.О., О’Лири Г.Дж., Роже Д.К. Реакция растений на уплотненную почву: улавливание и эффективность использования воды и радиации. Исследования полевых культур. 2005; 91: 131–148. [Google Академия]9. Грегори А.С., Уоттс К.В., Уолли В.Р., Куан Х.Л., Гриффитс Б.С., Халлет П.Д., Уитмор А.П. Физическая устойчивость почвы к уплотнению поля и взаимодействие с ростом растений и структурой микробного сообщества. Европейский журнал почвоведения. 2007; 58: 1221–1232. [Google Академия] 10. Аль-Адави С.С., Ридер Р.К. Влияние уплотнения и рыхления на урожайность кукурузы и сои и физические свойства почвы.Сделки ASAE. 1996; 39: 1641–1649. [Google Академия] 11. Филипович Д., Хусняк С., Косутич С., Господарич З. Влияние систем обработки почвы на уплотнение и урожайность Albic Luvisol в Хорватии. Журнал террамеханики. 2006; 43: 177–189. [Google Академия] 12. Келлер Т., Арвидссон Дж. Предотвращение уплотнения грунта, вызванного дорожным движением, в Швеции: опыт экспериментов с колесным транспортом. Архивы агрономии и почвоведения. 2006; 52: 207–222. [Google Академия] 13. Акынджи И., Чакир Э., Топакчи М., Чанакчи М., Инан О. Влияние рыхления почвы на сопротивление почвы и урожайность хлопка. Исследование почвы и обработки почвы. 2004; 77: 203–210. [Google Академия] 14. Рапер Р.Л., Ривз Д.В., Шоу Дж.Н., ван Сантен Э., Маск П.Л. Преимущества специфического рыхления почвы для выращивания хлопка на прибрежных равнинных почвах. Исследование почвы и обработки почвы. 2007; 96: 174–181. [Google Академия] 15. Сан Ю.Р., Ламмерс П.С., Ма Д.К. Оценка комбинированного пенетрометра для одновременного измерения сопротивления проникновению и влажности почвы. Журнал питания растений и почвоведения.2004; 167: 745–751. [Google Академия] 16. Конусный пенетрометр ASAE. ASAE S313.2, Данные по инженерным практикам стандартов. 1994 [Google Scholar] 17. Декстер А.Р., Чиж Э.А., Гейт О.П. Метод прогнозирования сопротивления грунта проникновению. Исследование почвы и обработки почвы. 2007; 93: 412–419. [Google Академия] 18. Муазен А.М., Дюмон К., Мартенс К., Рамон Х. Двухмерный прогноз пространственного изменения уплотнения верхнего слоя почвы на супесчаном поле на основе измеренной горизонтальной силы датчика уплотнения, глубины резания и содержания влаги.Исследование почвы и обработки почвы. 2003; 74: 91–102. [Google Академия] 19. Куи К., Дефоссе П., Ричард Г. Новый подход к моделированию распределения вертикального напряжения на границе раздела грунт/шина для прогнозирования уплотнения возделываемых почв с использованием кода PLAXIS. Исследование почвы и обработки почвы. 2007; 95: 277–287. [Google Академия] 20. Килич К., Озгоз Э., Акбаш Ф. Оценка пространственной изменчивости сопротивления проникновению в связи с некоторыми физическими свойствами почвы двух водотоков в Турции. Исследование почвы и обработки почвы.2004;76:1–11. [Google Академия] 21. Кастриньяно А., Майорана М., Форнаро Ф., Лопес Н. Трехмерная пространственная изменчивость прочности почвы и ее изменение во времени на поле твердой пшеницы в Южной Италии. Исследование почвы и обработки почвы. 2002; 65: 95–108. [Google Академия] 22. Текин Ю., Окурсой Р. Разработка почвенного пенетрометра с гидравлическим приводом для измерения уплотнения почвы в полевых условиях. Журнал прикладных наук. 2007; 7: 918–921. [Google Академия] 23. Текин Ю., Окурсой Р. Проект гидравлической реализации конусного пенетрометра грунта с трехточечной навеской.Журнал сельскохозяйственного факультета Улудагского университета. 2003; 17: 127–135. [Google Академия] 24. Текин Ю., Окурсой Р. Электронная система сбора данных для измерения уплотнения грунта. Материалы 20-го Национального конгресса по механизации сельского хозяйства. 2001: 134–139. [Google Академия] 25. Расс Дж. С. Справочник по обработке изображений. 5-е издание. CRC Press, Taylor & Francis Group; Нью-Йорк, США: 2006. стр. 291–292. [Google Scholar]

Является ли GPS по-прежнему самой эффективной технологией для уплотнителей полигонов?

Хорошие стратегии уплотнения свалок являются краеугольным камнем эффективного и прибыльного управления свалками.Раньше геодезистам полигонов приходилось втыкать колья в землю, чтобы оценить плотность захоронения. К счастью, отраслевые стандарты меняются со временем. Сегодня инженеры и водители катков могут использовать технологии GPS для оптимизации показателей уплотнения. Хорошо управляемая и правильно уплотненная свалка будет иметь более длительный срок службы и меньший риск оползней и обвалов. В качестве текущего отраслевого стандарта технология с поддержкой GPS хорошо зарекомендовала себя при уплотнении полигонов. Это экономит время и энергию, позволяет лучше отслеживать работу и дает точную оценку степени уплотнения без необходимости визуального осмотра участка.

Вверху компактор, оснащенный технологией GPS.

Но, как и у всего, у GPS есть свои ограничения. Эта технология была передовой, когда ее впервые внедрили в начале 2010-х годов. Но с тех пор инструменты географической съемки прошли долгий путь, чтобы обеспечить еще более оптимальную скорость уплотнения. Один из основных недостатков инструментов с поддержкой GPS заключается в том, что точность зависит от количества используемых GPS-трекеров. Даже если это более старая технология, GPS все еще очень дорогая. Таким образом, распространенной мерой экономии средств является не оборудовать все оборудование GPS.Это означает, что любые собранные отзывы говорят только о половине истории и никогда не будут полностью отражать фактические показатели уплотнения полигона. По этой же причине GPS также не работает в тех областях, где уплотнение со временем улучшается, но по нему не ездил ни один каток: он может собирать данные только для тех участков, где побывал каток, оснащенный GPS.

Итак, вопрос в том, как свалки могут оптимизировать свой срок службы, оставаясь при этом экономически ответственными? Каков самый экономичный метод, который также принесет прибыль? Ответ может заключаться в том, чтобы посмотреть на небо.

В последнее время дроны стали намного доступнее. Машины, которые раньше стоили несколько тысяч долларов, теперь можно купить за небольшую часть их первоначальной цены. А более дешевые модели можно найти в некоторых универмагах и аптеках за несколько сотен. На самом деле технология беспилотников стала настолько доступной, что напрямую конкурирует с GPS. Поскольку им может управлять один человек на земле, когда вам это нужно, опытным водителям требуется меньше обратной связи, чтобы узнать, насколько хорошо их уплотнение.А дроны могут обнаруживать все сразу, что устраняет слепые зоны, пропущенные GPS.

Вверху: один из дронов, используемых Wastack для сбора ключевых данных на свалке.

Программное обеспечение Wastack для мониторинга уплотнения может помочь владельцам полигонов точно рассчитать скорость уплотнения с большей точностью, чем с помощью более старых инструментов с GPS. Что касается соотношения цены и качества, Wastack предлагает водителям регулярные циклы обратной связи быстрее без дорогостоящего внедрения устройств GPS.Владельцы полигонов могут либо использовать дроны Wastack, либо приобрести свои собственные и получать полезные данные для строительства на своем участке. В целом, программное обеспечение для мониторинга Wastack представляет собой мощный инструмент связи, который проще, точнее и дешевле в использовании, чем традиционный и устаревший метод GPS.

Свяжитесь с одним из наших представителей сегодня, чтобы узнать, как вы можете использовать технологии для оптимизации вашей свалки и сделать ее более прибыльной.

Высокотехнологичные измерения уплотнения могут быть неправильно истолкованы

Уплотнение почвы, «тихий вор» урожайности, часто обвиняют в том, что урожай плохо растет без видимой причины, но специалист из Университета Миссури предупредил производителей, чтобы они не полагались на высокотехнологичную «волшебную палочку».»

«Легко обвинить уплотнение почвы, но его также трудно измерить количественно», — сказал Билл Касади, инженер по сельскому хозяйству MU. «Вы не можете увидеть это, вы не можете сосчитать это, и вы не можете поставить на нем число, просто копая. Итак, вы ищете волшебную пулю — и кончик пенетрометра действительно похож на пулю. »

Некоторые производители используют пенетрометры для измерения степени уплотнения почвы на своих полях. Устройство обеспечивает быстрое считывание силы, необходимой для вдавливания конусообразного наконечника пенетрометра в почву.

«К сожалению, показания пенетрометра слишком легко интерпретировать неверно, — сказал Кейсади. «Последняя мода — брать показания пенетрометра и индексировать их с помощью GPS-координат, чтобы сделать цветную карту. В некоторых случаях карта оказывается ярко-красной», что указывает на сильное уплотнение почвы по всему полю.

«Не пугайся, пока не копнешь глубже», — сказал он. «В условиях более высокой влажности почвы эта карта может быть зеленой».

Поскольку производители могут полагать, что уплотнение на их полях намного хуже, чем оно есть на самом деле, «время от времени возникает одна плохая идея, а именно: «Если мы рвем почву, то, если есть проблема с уплотнением, мы могли бы избавиться от него», — сказал Касади.«Не рекомендуется проводить сплошную политику копирования перед тем, как провести правильные тесты. Копирование может принести больше вреда, чем пользы».

Почвенные пенетрометры имеют допустимое применение, сказал он, но «есть некоторые публикации, циркулирующие прямо сейчас, которые могут быстро отклонить необходимую осторожность при использовании пенетрометра. Нам нужно быть осторожными в решениях, которые мы принимаем на основании любых измерений физических свойств почвы».

Вместо этого сконцентрируйтесь на «производительности и прибыли», — сказал Касади. «Если вы уверены, что хотите рыхлить, я помогу вам провести статистически достоверный тест, чтобы определить, окупается ли рыхление в ваших конкретных обстоятельствах и на вашем конкретном типе почвы.»

В противном случае «не пугайтесь красных карт», сказал он. «Позвони мне после дождя, и мы составим зеленую карту».

Усовершенствованный недорогой метод непрерывного обнаружения уплотнения для строительства асфальтового покрытия

Для реализации непрерывного контроля уплотнения (CCC) асфальтового покрытия во время строительства был исследован метод непрерывного обнаружения для значений степени уплотнения. Для траектории роликов предложен метод совместного позиционирования.Для контроля процесса прокатки была разработана встроенная система обнаружения. Для оценки эффекта качения был введен гармонический анализ и предложен новый показатель – значение энергии вибрационного уплотнения (VCV e ). Были проведены эксперименты по позиционированию, и точность была улучшена до 0,48 м. Были проведены испытания прокатки, и были получены типичные значения измерителя уплотнения (CMV), значения контроля уплотнения (CCV) и VCV и . Упомянутая степень уплотнения традиционным способом составляла 94.6%, который использовался для калибровки обнаруженных значений показателей степени уплотнения. Результаты показали, что непрерывное обнаружение уплотнения может быть достигнуто на основе системы позиционирования и анализа вибрации. По сравнению с CMV и CCV, VCV e является менее дискретным, более стабильным и последовательным для описания состояния уплотнения. Хотя все индексы CMV, CCV и VCV и нельзя использовать для обеспечения качества напрямую или отдельно, они могут помочь в контроле качества. Система непрерывного обнаружения уплотнения отвечает требованиям мониторинга строительства дорожного покрытия при меньших затратах и ​​может заложить основу для интеллектуального уплотнения (IC).

1. Введение

При укладке асфальтового покрытия укатка является одним из наиболее важных процессов, влияющих на характеристики дороги и качество проекта. Некачественное уплотнение может привести к ухудшению состояния и повлиять на работу транспорта, что приведет к экономическим потерям [1, 2]. Степень уплотнения является ключевым показателем качества строительства, и методы обнаружения обычно делятся на традиционные способы, онлайн-способы и непрерывные способы. Традиционные способы включают метод пробоотборника с режущим кольцом, метод заполнения песком, метод резания керна, ядерный метод и так далее.Эти методы просты и легки в исполнении; тем не менее, большинство из них являются режимами постобнаружения и трудно описать условия уплотнения в реальном времени. Кроме того, некоторые традиционные методы могут привести к повреждению дорожных одежд [3–5]. Онлайн-методы компенсируют недостатки традиционных способов и неразрушающим образом определяют степень уплотнения, как правило, включая метод волн Рэлея, метод неядерной плотности, метод дефлектометра с падающим грузом (FWD) и др. [6–8]. Тем не менее, все они являются методами наведения и контроля результатов, которые трудно реализуемы для управления технологическим процессом [9].Для сравнения, методы непрерывного обнаружения уплотнения могут непрерывно получать исчерпывающую информацию о процессе прокатки [10]. Регулируя операции с помощью механизма обратной связи в режиме реального времени, непрерывные способы постепенно привлекают внимание в различных областях строительства по всему миру [11–16].

Исследование непрерывного обнаружения уплотнения было начато в Европе в начале 1970-х годов. Основываясь на динамической взаимосвязи между материалами наполнителя и вибрирующими катками [17, 18], Тернер предложил метод гармонического анализа при изучении уплотнения грунта земляного полотна и оценил эффект качения материалов дорожного покрытия путем анализа частотных составляющих сигналов вибрации [19]. .Компании Dynapac и Geodynamik разработали индекс, значение измерителя уплотнения (CMV), чтобы совместно отражать степень уплотнения, применяемого к уплотнению мелкозернистого грунта и каменных материалов [20]. Исходя из этого, для нужд уплотнения грунтов, а также уплотнения земляных и каменных смесей исследователями последовательно вводятся такие показатели, как контрольная величина уплотнения (КУУ), суммарные гармонические искажения (КИК) и др. [21, 22]. В начале двадцатого века некоторые производители катков ввели механические индексы для описания условий уплотнения, такие как мощность привода машины (MDP) Caterpillar, модуль вибрации E vib BOMAG и др. [23, 24].Однако большинство из них можно использовать только с определенными раскатными машинами, а подходящих наполнителей относительно меньше, что ограничивает область применения [25]. В Китае Сюй и соавт. выступал за метод непрерывного контроля уплотнения, который был сосредоточен на обнаружении уплотнения гравийного полотна дороги с 1993 года и применялся в системе мониторинга строительства основания для высокоскоростной железной дороги в последние годы [26].

В связи с историей развития дорожного и железнодорожного машиностроения предыдущие исследования по обнаружению непрерывного уплотнения в основном были сосредоточены на уплотнении грунта земляного полотна и земно-каменных смесей [27].Хотя геотехнические уплотнения могут использоваться в качестве эталонов для уплотнения асфальтового покрытия, все же существуют большие различия из-за требований к конструкции и характеристикам [28, 29]. С 2004 года Федеральное управление автомобильных дорог (FHWA), агентство Министерства транспорта США, поддержало «Программу интеллектуальных исследований уплотнения» [30]. С применением компьютерной системы, датчиков транспортных средств, системы позиционирования и программного обеспечения для мониторинга были исследованы системы обнаружения уплотнения для уплотнения смеси почвы и асфальта, и были разработаны соответствующие спецификации.На рынке строительной техники есть типичные продукты, такие как система AccuGrade компании Caterpillar, система Vario-Control компании BOMAG и т. д. [31, 32]. В Китае зафиксировано несколько случаев непрерывного обнаружения уплотнения на асфальтовом покрытии. Например, Чжан проанализировал взаимосвязь между измеренными данными CMV и традиционными показателями обнаружения. Результаты показали, что корреляция была слабой, и индекс CMV нельзя использовать только для обеспечения качества [33].

Таким образом, состояние уплотнения материалов дорожного покрытия может быть получено путем анализа частотно-временных характеристик ответных вибрационных сигналов в режиме реального времени [34].На основе анализа сигналов и корректировки работы можно своевременно контролировать качество строительства [35, 36]. Поэтому важно исследовать метод непрерывного обнаружения уплотнения для неразрушающего контроля и контроля с обратной связью [37]. Однако современные системы управления уплотнением обычно выбирают промышленный компьютер для управления системой и расчета данных, а также используют технологию высокоточного позиционирования для получения такой информации, как положение прокатки. Как следствие, высокая стоимость таких систем может ограничивать их продвижение в развивающихся странах.Например, Китай находится в эпоху строительства инфраструктуры, и существует большая потребность в системе непрерывного контроля уплотнения (CCC), но применения CCC все еще меньше. Поэтому в данной работе изучалась технология непрерывного обнаружения уплотнения. Для повышения точности и непрерывности обнаружения уплотнения в режиме реального времени при одновременном снижении затрат была разработана встроенная система обнаружения, а также система совместного позиционирования.

2. Методика
2.1. Теория совместного позиционирования

Поскольку количество проходов прокатки напрямую влияет на качество уплотнения, система CCC должна сопоставлять значения степени уплотнения с соответствующими позициями прокатки. Таким образом, требуется высокоточное позиционирование роликов. Была разработана совместная система позиционирования, как показано на рис. 1, и глобальная система позиционирования (GPS) использовалась для отслеживания количества проходов катков и одновременного получения данных о скорости и азимуте.Сверхширокополосная (UWB) система использовалась для получения положения роликов в реальном времени.


В соответствии с основными принципами распространения электромагнитных волн пространственные координаты приемника GPS ( x , y , z ) могут быть определены на основе расстояний между спутниками и приемником в сочетании с текущим спутником. позиции ( x i , y i , z i ).

Для системы UWB, в соответствии со сценой строительства дорожного покрытия, может быть установлена ​​двумерная декартова система координат. На основании рисунка 1 точки A , B и C заданы как центры размещения трех базовых станций, а и d c , расстояния между меткой и базовыми станциями, задаются как радиусы для рисования трех окружностей отдельно.Окружности пересекутся друг с другом в точке O , где находится мобильная метка. Если координаты очков A , B , и C известны как ( x 9012 , , Y A ), ( x B , Y 9012 B ), а ( x 9012 C , y 9012 9012 C ), координата точки пересечения O устанавливается AS ( x , y ).В соответствии с теорией геометрии расстояний можно получить расстояния между точкой O и точками A , B и C .

Кроме того, значение каждого радиуса может быть получено с помощью двустороннего алгоритма определения дальности по времени пролета (TW-TOF) по меткам UWB. На основе алгоритма трилатерации позиционирования и принципа позиционирования пересечения трех сфер будет определена координата точки O [38].

Данные о скорости и азимуте, собранные системой GPS и ( x , y ), полученные системой UWB, являются измерительной информацией.Наконец, точность была улучшена с помощью алгоритма расширенного фильтра Калмана [39, 40].

2.2. Сбор данных о степени уплотнения

Система обнаружения получила сигналы вибрации и провела гармонический анализ. Таким образом, будет извлечена информация об уплотнении, а затем можно будет сделать вывод о зависимости между степенью уплотнения и количеством проходов [41].

2.2.1. Метод гармонического анализа

Гармонический анализ — это раздел математики, связанный с представлением сигналов в виде суперпозиции основных волн и понятий рядов Фурье и преобразований Фурье (т.д., расширенная форма анализа Фурье). За последние два столетия он стал обширным предметом с приложениями в таких разнообразных областях, как теория чисел, теория представлений, обработка сигналов, квантовая механика, анализ приливов и нейробиология. На основе анализа Фурье любая сложная волна может состоять из множества синусоидальных составляющих с разными частотами, амплитудами и фазами. Поэтому для определения нелинейных искажений можно использовать гармонический анализ [42].

Для получения спектральных характеристик для гармонического анализа необходимо частотно-временное преобразование сигналов вибрации.С учетом обнаружения в реальном времени и использования аппаратных средств был применен алгоритм быстрого преобразования Фурье (БПФ) [43].

Пусть частота дискретизации будет f s , а количество точек дискретизации будет N . Результатом алгоритма БПФ являются N комплексных значений, которые отражают характеристики сигналов в частотной области. Частота, соответствующая точке n , равна f n .

В уравнении (3), если n  = 1, частота f 0 равна 0 Гц.Фактически, комплексное значение, соответствующее f 0 , представляет собой составляющую постоянного тока (DC) исходного сигнала вибрации, которая не зависит от вибрации ролика и должна быть исключена перед гармоническим анализом. Если n  ≥ 2, то модулями комплексных величин являются амплитуды вибрационных сигналов на соответствующих частотах. Таким образом, могут быть извлечены амплитуды основной волны и каждой гармонической волны.

2.2.2. Индексы степени уплотнения

По мере продвижения процесса прокатки плотность наполнителя постепенно увеличивается, а также постепенно изменяются ответные сигналы виброускорения.Сигналы вибрации содержат основные волновые компоненты, гармонические волновые компоненты и некоторые другие помехи. На основе гармонического анализа отношения амплитуд между гармониками и основной частотой отражают искажение сигналов вибрации. Кроме того, вариация может быть использована для описания состояний уплотнения наполнителей [44]. Среди показателей степени уплотнения, основанных на гармоническом анализе, наиболее широко используются CMV и CCV, а гармонические составляющие легко извлекаются, определения даны в уравнениях (4) и (5) [45].

В уравнении (4) A 2 Ом и A Ом представляют собой амплитуды второй гармоники и основной волны, полученные из сигналов ускорения, соответственно. Калибровочный коэффициент, который необходимо откалибровать на практике, обычно изначально устанавливается равным 300. По сравнению с CMV, CCV в уравнении (5) рассматривает половинные частоты в пределах частоты третьей гармоники, а Cal обычно изначально устанавливается равным 100.

При практическом применении установлено, что на состояние плотности наполнителя в процессе прокатки в основном влияет работа валков.Однако, поскольку составляющая взаимосвязь материалов наполнителя является нелинейной, в дополнение к исходным многочастотным и получастотным сигналам генерируются некоторые другие частотные сигналы. Согласно теории сигналов и систем и конвергенции спектра, спектры мощности сигнала в основном сосредоточены в низкочастотном диапазоне. Кроме того, согласно теореме сохранения энергии Парсеваля, сумма энергий компонентов во временной области равна сумме энергий в частотной области.Поэтому на основе существующих индексов был предложен новый индекс VCV e , который определяется следующим образом: изначально установлено значение 100. Таким образом, помехи и шум могут быть эффективно уменьшены. Основываясь на перспективе распределения энергии, VCV e учитывает частотные составляющие, генерируемые различными нелинейными эффектами, и, наконец, ограничивает отклонение существующих индексов.В итоге значения степени уплотнения можно рассчитать на основе уравнений (4)–(6).

3. Внедрение системы обнаружения

В мире есть семь основных производителей систем CCC для асфальтового покрытия. В частности, к этим производителям относятся Case-Ammann, BOMAG, Caterpillar, Dynapac, Hamm-Wirtgen, Volvo и Sakai, а их типичная продукция представлена ​​в таблице 1. Product Комплекции



Швеция DCA Sweden DCA System DCA System (1) DCPS / RTK-GPS (Trimble) (2) Промышленный компьютер с программным обеспечением Compbase (3) Датчик ускорения, датчик задней оси, инфракрасный датчик температуры
Германия BOMAG AM2 System (1) DGPS / ATS (Trimble) с программным обеспечением BCM 05 (2) Блок управления катком (планшет) (3) Датчик ускорения, датчик перемещения, инфракрасный датчик температуры 905 26

Япония Sakai Система CIS2 (1) VRS Network (Topcon) / MC-R3GPS (2) Операторская станция (3) Датчик ускорения, инфракрасный Датчик температуры

United States Молоток (Wirtgen Group) HCQ Navigator System (1) DGPS (Trimble) / Omnistar GPS (2-4 дюйма) (2) Приборная панель с Wi-Fi (планшетный ПК) (3) Датчик ускорения, инфракрасный датчик температуры
Соединенные Штаты Caterpillar System (1) MS952 RTK-GPS /SBAS (2) Блок управления CB460 (3) Акселерометр, инфракрасный датчик температуры, датчик давления, датчик угла
905 26 Соединенные Штаты Volvo Volvo Прямая ™ System (1) DGPS / GPS 3320 Радио и приемник (2) Операторская станция Copilot (3) Датчик ускорения, инфракрасный датчик температуры

Соединенные Штаты Чехол (Amman Group) ACE System (1) MS 990 Антенны (GPS + ГЛОНАСС) / MS972 RTK-GPS (Trimble) (2) CB450 блок управления (3) Датчик ускорения, датчик наклона (AS400), инфракрасный датчик температуры (IS310)

9 9003 Примечание.Для защиты прав интеллектуальной собственности вышеперечисленные системы CCC в основном устанавливаются и используются на роликах их собственных производителей. DCA, анализатор уплотнения Dynapac; АМ2, Асфальт Менеджер 2; CIS2, информационная система уплотнения 2; HCQ, качество уплотнения Hamm; ACC, контроль уплотнения AccuGrade; ACE, эксперт по уплотнению Ammann; ATS, система отслеживания кандидатов; BCM, управление уплотнением BOMAG; RTK, кинематика в реальном времени; SBAS, спутниковые системы дополнений.


Согласно таблице 1 типичная система CCC обычно состоит из блока позиционирования, блока управления и нескольких измерительных датчиков.Согласно отчету FHWA [46], каток CCC может стоить на 3-5% больше, чем обычный каток (в Китае цена 12-тонного катка обычно составляет около 40 000–60 000 долларов США), а модернизация существующего катка оборудованием IC можно увидеть затраты в диапазоне от 50 000 до 75 000 долларов. Кроме того, если взять в качестве примера продукт Trimble GPS, аренда ресурсов для позиционирования стоит около 1800 долларов в год.

Кроме того, хотя продукты системы CCC, перечисленные в таблице 1, обладают многими преимуществами, менеджеры и технический персонал в развивающихся областях должны учитывать затраты.Таким образом, продвижение систем CCC ограничено. Учитывая это, мы пытаемся найти подходы для достижения аналогичной производительности с меньшими затратами. Однако для датчиков измерения вибрации, температуры и угла стоимость практически фиксирована, поскольку они являются стандартными промышленными изделиями. Несмотря на это, на эти датчики приходится небольшая доля общей стоимости по сравнению с другими устройствами. Поэтому, чтобы снизить общую стоимость, мы сделали упор на блок позиционирования и блок управления и разработали встроенную систему непрерывного обнаружения уплотнения со структурой, показанной на рисунке 2.Стоимость спроектированной системы оценивается примерно в 2500 долларов США со «всеми наворотами» (гражданским GPS-модулем (200 долларов США), планшетом с сенсорным экраном (600 долларов США), встроенным устройством (500 долларов США) и измерительными датчиками (800 долларов США)). Кроме того, отсутствует плата за аренду ресурса за использование гражданского GPS-модуля.


Как видно из рисунка 2, система обнаружения состоит из блока сбора сигналов, блока процессора, блока системы позиционирования и т.д. Включая датчик ускорения и цепь источника постоянного тока, блок сбора сигналов является интерфейсом для обнаружения сигналов вибрации для информации об уплотнении.Учитывая преимущества небольшого размера, большого диапазона и высокой точности, в качестве датчика акселерометра был выбран модуль CT1010 L компании Chengke, который отвечает особым требованиям к обнаружению вибрации роликов.

Для блока системы позиционирования в качестве гражданского модуля GPS был выбран модуль NEO-6M компании Waveshare из-за его низкой стоимости, хотя точность обычно превышает 2,5 м. Точно так же, учитывая более низкое энергопотребление, с точностью менее 0,1 м, для системы СШП был выбран модуль DW1000 компании Decawave, но дальность действия ограничена расстоянием связи меток.

Двухпроцессорная архитектура была предложена для удовлетворения потребностей системного управления и обработки сигналов, а также эффективности использования аппаратных ресурсов. Используя преимущества более низкого энергопотребления и хорошей масштабируемости, в качестве основного процессора был выбран модуль i.MX6Q от Freescale для реализации передачи данных и управления процессом. В качестве сопроцессора был выбран модуль STM32F4 компании STMicroelectronics для выполнения дискретизации и обработки сигналов для быстрого сбора данных. Кроме того, было разработано взаимодействие человека с компьютером (HCI) на базе Qt для визуального представления текущей информации и своевременной корректировки плана строительства.Разработанный процессорный блок и HCI показаны на рисунке 3.


4. Эксперименты и обсуждение
4.1. Эксперименты по позиционированию

В соответствии с требованиями мониторинга и видом на строительную площадку, эксперименты по позиционированию проводились на стоянке. Испытательная площадка была определена как прямоугольная с длиной 15 м и шириной 8 м, где была установлена ​​декартова система координат, как показано на рисунке 4 (а).

Эксперименты по совместному позиционированию проводились на основе системы СШП и гражданской системы GPS.Базовые станции UWB были размещены в четырех вершинах тестовой области, а направления x и y были географически направлены на восток и север соответственно. Роботизированная тележка была выбрана для движения по прямой линии, чтобы имитировать движение качения. Наконец, UWB-метка и GPS-приемник были прикреплены к тележке вместе, чтобы получать координаты в режиме реального времени.

Как показано на рисунке 4(а), тележка стартовала в точке (4,5, 0,0), затем двигалась по прямой до конечной точки (9.5, 8.0), а период выборки T был установлен равным 1 секунде. Преобразовав сообщение GPS в стандартные единицы, скорость составила 0,044 м/с, а азимут — 1,172. Полученные данные были обработаны с помощью расширенного алгоритма фильтра Калмана, и результаты показаны на рисунке 4(b).

В ходе испытаний весы размечались по прямой линии равномерно, на тележке закреплялся секундомер, а весь процесс перемещения фиксировался ручной камерой. Сравнивая реальные координаты с координатами позиционирования, полученные ошибки типичных положений показаны на рисунке 4(c).Средняя точность после фильтрации составила 0,48 м по сравнению с обычными 10 м.

Судя по рисункам 4(b) и 4(c), совместная система позиционирования значительно повысила точность и эффективно скорректировала траекторию движения. И последнее, но не менее важное: диапазон позиционирования не ограничивается расстоянием локальной беспроводной связи. Таким образом, совместная система позиционирования, основанная на гражданской системе GPS и системе UWB, отвечает требованиям при одновременном снижении стоимости.

4.2. Прокатные эксперименты

Натурные эксперименты проводились на ремонтной площадке участка К148 + 12-270 шоссе S49, Китай. Толщина верхнего слоя составляла 5 см, а наполнитель – пенобетонная смесь СУП20. В соответствии с процессом и характеристиками прокатки была установлена ​​декартова система координат, в качестве точки отсчета была установлена ​​исходная точка (0, 0), а испытательная площадка была разделена, как показано на рисунке 5.

Во время полевых испытаний средняя обнаруженная скорость была около 1.5 м/с, в то время как требуемая скорость варьируется от 5 км/ч (1,38 м/с) до 6 км/ч (1,67 м/с). Ширина проезда составляет 3,75 м, а спроектированная система позиционирования была установлена ​​в центре рулонной крыши. Тогда можно считать, что ролик перемещается вдоль центральной линии во время прокатки с одной дорожкой.

Сигналы вибрации были собраны с катка XD121 компании XuGong, который работал на частоте 47 Гц. Для сегмента исходных сигналов вибрации формы сигналов и спектральные характеристики во временной области показаны на рисунках 6(a) и 6(b) соответственно.

Во время работы вибрационного катка гидравлическая система приводит эксцентриковые блоки во вращение с высокой скоростью, а затем создает вынужденную вибрацию. В процессе работы двигатель, рамы и т. д. вносят сложные помехи и шумы. Чтобы уменьшить помехи и устранить шумы, был разработан и применен полосовой фильтр с конечной импульсной характеристикой (КИХ) на основе окна Ханнинга. Форма волны отфильтрованного исходного сигнала во временной области показана на рисунке 6(c), и плавность формы волны была значительно улучшена.Спектральные характеристики отфильтрованного сигнала показаны на рисунке 6(d). Шум исходного сигнала был эффективно подавлен, а отношение сигнал/шум (SNR) значительно улучшилось. Поэтому пики основной волны, а также гармонических волн были более очевидны, чем раньше.

На основе изображения спектра отфильтрованного сигнала амплитуда основной волны может быть извлечена как 3220, вторая гармоника равна 1084, а третья гармоника равна 183,3. Подставив амплитуды в уравнение (4), значение CMV было рассчитано равным 101.Аналогично, многогрупповые данные на частоте 47 Гц были отфильтрованы и извлечены гармоники, а затем были рассчитаны CMV, CCV и VCV e с исходными калибровочными коэффициентами.

4.3. Результаты и анализ
4.3.1. Уплотнение в определенных местах

Чтобы всесторонне получить качество уплотнения асфальтового покрытия, необходимо определить состояние уплотнения в определенных местах. Возьмем в качестве примера секцию 7#, учитывая скорость прокатки, три типичных местоположения, а именно: P 1 (2.81, 11.50), P 2 (2.81, 13.00) и P 3 (2.81, 14.50), были выбраны для анализа, как показано на рисунке 5. ( i  = 1, 2, 3 для трех проходов прокатки) при прохождении роликом выбранных точек были получены положения и значения индекса уплотнения. Результаты показаны в Таблице 2, где CMV 1 было соответствующим значением степени уплотнения первого прохода прокатки, а остальные значения аналогичны.

9052 9 9052 E1 9055 9054 VCV 0 P 3 (2.99, 14.45)

Позиционирование Результаты CMV ККТ VCV е
CMV 1 CMV 2 CMV 3 CCV 1 CCV CCV 9054 2 CCV 9054 3 VCV E2 VCV E3

P 1 (2.97, 11,49) 105,01 84,39 245,27 98,31 101,25 223,18 134,62 59,85 219,59
Р 2 (2.93, 13.18) 93,78 145.76 181.74 93.27 93.27 168.69 159.54 159.95 115.95 127.24 166.50
126,73 206,05 229,71 125,15 240,98 168,49 158,89 178,58 218,74
Среднее 108,51 145,40 218,91 105,58 170,30 183.74 136.49 121.89 201.61 201.61
SD 13.68 49.67 27.04 13.99 57,06 28,13 17,58 48,62 24,83
COV (%) 12,60 34,16 12,35 13,25 33,50 15,31 12,88 39,89 12.32
Средний (S7) 107.75 155.93 202.13 202.13 109.59 157.79 177.83 103.26 155.95 195,45

SD: стандартное отклонение; COV: коэффициент вариации.

На основе таблицы 2 были сделаны следующие выводы: (1) по сравнению с фактическими местами P 1 , P 2 , и P 3 , позиционирование погрешности не превышают 0,5 м, а значения степени уплотнения можно получить с помощью коллаборативной системы позиционирования.(2) Большинство значений COV были менее 15%, что указывает на то, что разброс значений индекса уплотнения в каждой точке был относительно небольшим. Следовательно, значения степени уплотнения были непрерывными и практически стабильными в выбранной точке. Однако некоторые значения COV остаются выше 15%. Более того, эти значения COV были сосредоточены на втором проходе и монотонно возрастали на пути от P 1 до P 3 . Следовательно, можно сделать вывод, что дисперсия не должна быть вызвана ошибкой позиционирования.В противном случае значения обнаружения должны быть изменены случайным образом с помощью системы совместного позиционирования. Наблюдая видео мониторинга, можно предположить, что это явление было связано с ускорением ролика во втором проходе. (3) Значения индекса уплотнения в трех точках измерения были близки к среднему значению участка 7# относительно, что указывает на отсутствие чрезмерного искажения мониторинг значений степени уплотнения существует с текущей позиционной неточностью. Несмотря на это, разница и разброс значений степени уплотнения между тремя точками и участком 7# все еще существовали.В конце концов, среднее значение не может представлять значение степени уплотнения каждой точки, но его все же можно использовать для описания состояния уплотнения участка 7# в целом.

Таким образом, при использовании обычных методов испытаний дорожное полотно может быть покрыто только на один процент. Тем не менее, проезжая часть может быть покрыта на 100 процентов с помощью системы совместного позиционирования, хотя ее точность необходимо повысить.

4.3.2. Прокатка всей площади

Для обеспечения контроля и обеспечения качества строительного проекта следует учитывать эффект прокатки всей площади.Аналогичным образом были рассчитаны значения индекса уплотнения в разных сечениях, и изменения значений при разных проходах показаны на рисунках 7 (а)–7 (в). Кроме того, среднее значение указанной степени уплотнения составило 94,6% по методу отбора проб керна после последнего прохода прокатки. При настройке параметров калибровки на основе эталонных значений сравнение между эталонными и калиброванными значениями степени уплотнения на последнем проходе прокатки показано на рисунке 7 (d).

Анализ результатов по всему испытательному участку может быть сделан следующим образом: (1) Сравнивая значения степени уплотнения, становится очевидным, что значения испытательных участков различаются и сильно колеблются при каждом проходе прокатки.Путем введения характеристик аномальных результатов было обнаружено, что при одних и тех же проходах прокатки значения сильно различались на участках 3# и 7#. На этих участках происходят аномальные изменения всех трех показателей, что устраняет разницу, вызванную определением показателей степени уплотнения. При просмотре видео мониторинга это явление тесно связано с замедлением, задним ходом и сменой полосы движения катка. Это может быть связано с нестабильной мощностью катка, что приводит к ненормальным значениям степени уплотнения.С другой стороны, изменчивость результатов испытаний может быть использована для отслеживания нерегулярных операций. На основании рисунков 4 и 7 можно получить эффект качения с данными позиционирования и анализом вибрации в непрерывном режиме. Кроме того, система CCC может быть реализована для оценки качества и контроля с обратной связью. (2) Для всей области испытаний по мере увеличения количества проходов очевидно, что степень уплотнения соответствующих участков испытаний постепенно увеличивается. Изменения значений индекса согласуются с процессом прокатки асфальтобетонной смеси.Таким образом, CMV, CCV и VCV и в определенной степени отражают эффект качения асфальтового покрытия. Кроме того, расчетные значения COV для CMV, CCV и VCV и составляют 15,61%, 15,08% и 15,01%. Это означает, что дискретность VCV и меньше, чем у CMV и CCV. С другой стороны, как улучшение CMV и CCV, VCV e является лучшим индексом благодаря энергетической перспективе и учету как можно большего количества спектральных компонентов. (3) Согласно рис. 7(d), корреляция между VCV и и обычная степень уплотнения недостаточно сильны, как и CMV и CCV.Таким образом, все они не должны использоваться для обеспечения качества уплотнения дорожной одежды напрямую или поодиночке. Несмотря на это, CMV, CCV и VCV и можно использовать в качестве вспомогательного метода контроля качества в процессе прокатки.

5. Выводы

Для определения степени уплотнения асфальтового покрытия во время строительства в режиме реального времени и неразрушающим методом был предложен недорогой метод непрерывного обнаружения уплотнения. Разработана совместная система позиционирования на основе гражданского модуля GPS и модуля СШП, точность доведена до 0.48 м, что соответствует требованиям прокатного позиционирования. Была разработана встроенная система обнаружения и предложена двухпроцессорная архитектура для повышения производительности в режиме реального времени и представления текущей информации, а также взаимодействия человека с компьютером. С ответными сигналами вибрации, полученными от роликов, был введен гармонический анализ для оценки эффекта качения. По сравнению с существующими индексами степени уплотнения был предложен новый индекс VCV e с учетом распределения энергии.CMV, CCV и VCV e и обычные значения степени уплотнения были получены в полевых экспериментах по отдельности, и все они в определенной степени отражают эффект качения асфальтового покрытия. По сравнению с CMV и CCV, VCV e является менее дискретным, более стабильным и последовательным для описания эффекта уплотнения. Хотя все индексы CMV, CCV и VCV и имеют ограничения и не могут быть критерием для обеспечения качества, уровень уплотнения все же может указываться в целом и, таким образом, служить ориентиром для контроля качества.Таким образом, с применением совместной системы позиционирования, технологии онлайн-обнаружения и программного обеспечения для мониторинга метод непрерывного обнаружения уплотнения может удовлетворить требования к мониторингу асфальтового покрытия во время уплотнения с меньшими затратами и заложить основу для интеллектуального уплотнения.

Доступность данных

Данные, использованные для поддержки результатов этого исследования, включены в статью.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в связи с публикацией данной статьи.

Благодарности

Это исследование было поддержано Национальным фондом естественных наук Китая (грант № 51678146) и Инновационной программой последипломных исследований и практики провинции Цзянсу (грант № KYCX_0169). Авторы выражают благодарность за финансовую поддержку. Авторы выражают признательность всем, кто принимал участие в полевых испытаниях на участке ремонта автомобильной дороги. Кроме того, мы очень признательны всем авторам следующих ссылок.

Microsoft Word — ЗАКЛЮЧИТЕЛЬНЫЙ ОТЧЕТ JoeIC MNDOT_Revised_22JULY09.doc

%PDF-1.6 % 4576 0 объект >/OCGs[4597 0 R]>>/Тип/Каталог/PageLabels 4532 0 R>> эндообъект 5033 0 объект > эндообъект 4573 0 объект >поток PScript5.dll Версия 5.2.22009-08-05T12:05:54-05:002009-07-27T16:40:20-05:002009-08-05T12:05:54-05:00application/pdf

  • Microsoft Word — JoeIC ЗАКЛЮЧИТЕЛЬНЫЙ ОТЧЕТ MNDOT_Revised_22JULY09.doc
  • зубец0092
  • Акробат Дистиллер 8.1.0 (Windows)uuid:4e3784e6-f0e2-4bd3-9afa-008a47147f7auuid:002f03cc-167b-45f7-ae52-4f3b2a63dc47 конечный поток эндообъект 4534 0 объект > эндообъект 4532 0 объект > эндообъект 4533 0 объект > эндообъект 4597 0 объект > эндообъект 4599 0 объект [/Вид/Дизайн] эндообъект 4598 0 объект >>> эндообъект 4535 0 объект > эндообъект 4642 0 объект > эндообъект 4546 0 объект > эндообъект 4557 0 объект > эндообъект 4568 0 объект > эндообъект 4569 0 объект > эндообъект 4570 0 объект > эндообъект 4571 0 объект > эндообъект 4572 0 объект > эндообъект 3413 0 объект >/ColorSpace>/Font>/ProcSet[/PDF/Text/ImageC/ImageI]/ExtGState>>>/Type/Page>> эндообъект 3420 0 объект >/ColorSpace>/Font>/ProcSet[/PDF/Text/ImageC/ImageI]/ExtGState>>>/Type/Page>> эндообъект 3426 0 объект >/ColorSpace>/Font>/ProcSet[/PDF/Text/ImageC/ImageI]/ExtGState>>>/Type/Page>> эндообъект 3447 0 объект >/ColorSpace>/Font>/ProcSet[/PDF/Text/ImageC/ImageI]/ExtGState>>>/Type/Page>> эндообъект 3456 0 объект >/ColorSpace>/Font>/ProcSet[/PDF/Text/ImageC]/ExtGState>>>/Type/Page>> эндообъект 3460 0 объект >/ColorSpace>/Font>/ProcSet[/PDF/Text/ImageC/ImageI]/ExtGState>>>/Type/Page>> эндообъект 5030 0 объект >поток H|Wn7}-`irxE4Ej~H8rBA!» dH;;$vpz՝~aԗ}wZe꦳>IsYVn ;OQ-N{E7 iD#oJoڋ_WλjƕRS(&2;y5}{bSYͥm˂e#6hs#r07,_^ZPC/wku/ao_iq,eo ڱ~\LF8Bb`YǬ$Owjowã[q Wj!’gم2ڻo3#%.р -7

    Уплотнитель грунта Cat 815 с новыми технологиями — оборудование

    В этом новом грунтовом уплотнителе предусмотрена функция картографирования GPS, поэтому меньшее количество проходов означает меньшее количество топлива и большую производительность.

    Фото: Cat

    Новый каток грунта Cat 815 оснащен технологическими обновлениями, помогающими повысить производительность и эффективность, поэтому при выполнении крупных земляных работ за меньшее время уплотняется больше площади. Новые конструкции машин и пересмотренные сервисные группы позволяют сократить расходы на техническое обслуживание до 9%.Поскольку все компоненты перемещены с крыши кабины, чтобы уменьшить общую транспортную высоту, модернизированная кабина оператора модернизирует рулевое управление и климат-контроль для повышения комфорта.

    Каток Cat 815 создан для высокоскоростного и высококачественного уплотнения почвы с помощью четырех стальных вальцов шириной 39 дюймов. Конструкция вальца имеет шевронный рисунок трамбовочных наконечников, обеспечивающий высокое давление на грунт и его уплотнение, лучшее сцепление с грунтом и плавность хода. Симметричный рисунок наконечника обеспечивает одинаковое усилие уплотнения как в прямом, так и в обратном направлении, а специальная конструкция трамбовки уменьшает распушивание материала.Регулируемые стержни очистителя исключают унос материала независимо от направления прокатки, обеспечивая максимальную эффективность уплотнения.

    С новым уплотнителем грунта 815 теперь на заводе предлагается картографирование Cat Compact GPS, обеспечивающее видимость уплотненных участков, а также данные о выемке и засыпке. Эти новые технологии позволяют компаниям достигать поставленных целей по уплотнению быстро, равномерно и за меньшее количество проходов, экономя топливо и затраты, связанные с доработкой.

    Новый уплотнитель грунта 815 оснащен улучшенной технологией воздушного потока, позволяющей сократить расходы на очистку и техническое обслуживание.Новый радиальный воздушный фильтр обеспечивает трехкратный срок службы по сравнению с предыдущей конструкцией, а операторы предупреждаются о блокировке потока воздуха с помощью электронного индикатора засорения воздухозаборника.

    Отсек для электроники компактора расположен внутри обновленной кабины, что упрощает обслуживание в климат-контроле. Смотровые указатели уровня охлаждающей жидкости, трансмиссионного масла и гидравлической системы обеспечивают быстрый осмотр и снижение риска загрязнения. Сгруппированные точки обслуживания гидравлического масла, охладителя топлива и конденсатора, а также централизованные точки смазки помогают еще больше сократить время обслуживания.Доступ к аварийному отключению, отключению аккумулятора и запуску от внешнего источника осуществляется быстро и удобно с уровня земли.

    Основные конструкции, предназначенные для тяжелых условий эксплуатации, могут быть перестроены, что обеспечивает несколько жизненных циклов для снижения совокупной стоимости владения новым 815. Термообработанные и подвергнутые прямой закалке регулируемые наконечники чистящих стержней обеспечивают увеличенный срок службы при снижении эксплуатационных расходов. Прочные трамбовочные наконечники обеспечивают долгий срок службы и являются заменяемыми.

    Новый грунтовый каток Cat 815 оснащен проверенным на практике двигателем Cat C7.1 разработан для максимальной экономии топлива, надежной работы и повышенной удельной мощности. Доступны два варианта комплектации двигателя — Tier 4 Final Агентства по охране окружающей среды США/Stage V ЕС и эквивалент Tier 3/Stage IIIA — для соответствия требованиям стандартов на выбросы на местном рынке. Автоматические средства управления отключением двигателя и электрической системы сокращают ненужные холостые обороты и снижают расход топлива.

    границ | Модель оценки плотности уплотнения песчано-гравийной плотины на основе нейронной сети Элмана с модифицированной оптимизацией роя частиц

    1 Введение

    Будучи несвязным крупнозернистым грунтовым материалом, песчано-гравийный материал обладает более высокой прочностью и модулем деформации после уплотнения.Его преимущества заключаются в способности поглощать большую сейсмическую энергию и приспосабливаться к различным условиям основания [1]. В обширном южном регионе Китая Синьцзян природные песчано-гравийные материалы с большими запасами широко распространены в руслах рек и пустыне Гоби. Песчано-гравийная плотина стала одним из наиболее распространенных типов плотин в водном хозяйстве и развитии гидроэнергетики в этом регионе из-за использования местных материалов, простой конструкции, хорошей приспособляемости к деформациям, небольшого количества строительных процедур и других характеристик.В процессе заполнения и укладки плотины эффективный контроль плотности уплотнения необходим для обеспечения безопасной эксплуатации плотины, что напрямую влияет на устойчивость и долговечность плотины. Улучшение плотности уплотнения песчано-гравийной плотины может эффективно снизить количество инженерных аварий, таких как просачивание и растрескивание плотины [2].

    В соответствии с действующими строительными нормативами [3] общепринятым методом контроля плотности уплотнения плотины на строительной площадке является объединение контроля параметров уплотнения в процессе строительства и контроля качества после эксплуатации (т.д., выборочные испытания плотности материала). Он основан на ручной выборочной проверке плотности уплотнения и контроле параметров уплотнения [4]. Традиционный метод контроля плотности уплотнения не может ни гарантировать плотность уплотнения всей строительной площадки, ни удовлетворить потребность в разумном и эффективном строительстве.

    В последние годы, когда было построено несколько сверхвысоких плотин из скального грунта, традиционные методы строительства и оценки стали неадекватными. Интеллектуальное строительство плотин продемонстрировало сильный импульс развития, всесторонне повысив общий уровень управления инженерно-строительной информацией.Система мониторинга уплотнения в реальном времени (RCMS) была тщательно исследована и применялась для контроля качества плотин. Он может реализовать весь процесс и точный контроль во время строительства плотины, а также предоставить метод оценки в реальном времени, который может отражать качество строительства всей рабочей зоны.

    Существующая система мониторинга уплотнения земляных работ в основном состоит из системы мониторинга параметров уплотнения в режиме реального времени и модели оценки плотности уплотнения.Среди них первая была первоначально предложена и применена в дорожном строительстве. Благодаря развитию технологий и исследований, непрерывному контролю уплотнения ( CCC ) [5, 6], интеллектуальному уплотнению ( IC ) [7, 8] и интегрированному мониторингу уплотнения катком ( RICM ) [9–11] были последовательно применены. Тем не менее, учитывая значительные различия между дорожным строительством и строительством каменно-земляных плотин по физическим свойствам, технологии строительства и показателям контроля качества, эти исследования не в полной мере применимы к строительству каменно-земляных плотин [12].

    За последнее десятилетие или около того, благодаря неустанным усилиям многих ученых, система мониторинга уплотнения при строительстве земляно-скальных плотин постепенно совершенствовалась. Чжун и др. [13, 14] предложили технологию мониторинга качества строительства плотины в режиме реального времени, которая может эффективно контролировать параметры уплотнения и обеспечить лучшее качество строительства, и была успешно применена в проекте Nuozhadu . Чен и др. [15] разработали усовершенствованную технологию беспилотного вождения для строительной техники без замены масляного контура, системы управления контуром и механической конструкции и применили ее к водохранилищу Чушандиан в провинции Хэнань, чтобы проверить применимость и эффективность технологии.Хуанг и др. [16] разработали систему контроля качества строительства каменно-набросных дамб в режиме реального времени для наблюдения за параметрами уплотнения рабочей поверхности, включая траекторию качения, время прокатки, скорость прокатки и толщину уплотнения, которая была успешно применена при строительстве бетонной каменной наброски. плотина Шуйбуйской ГЭС. Чжан и др. [17] представили беспилотную систему уплотнения каменной наброски во время строительства и доказали эффективность и высокую эффективность системы при полевом применении проекта водохранилища Цяньпин.Лю и др. [12] использовали технологии RTK-GPS и RICM для контроля величины уплотнения и параметров прокатки (таких как проходы уплотнения, состояние вибрации и толщина уплотнения и т. д.) в процессе земляных работ и предложили метод для оценка плотности уплотнения земляно-каменной плотины на основе одновременного контроля степени уплотнения и параметров прокатной конструкции.

    Что касается модели оценки плотности уплотнения, учеными были проведены соответствующие исследования.Множественные модели линейной регрессии и каркасы нейронных сетей используются для создания моделей оценки плотности уплотнения. Ян и Ши [18] подробно проанализировали влияние дождя на значение вибрационного уплотнения ( VC ) посредством экспериментальных испытаний плотины Longtan RCC и установили соответствующую модель нелинейной регрессии. Лю и др. [19] установили соответствующую модель множественной линейной регрессии, учитывающую влияние параметров прокатки и содержания влаги на плотность, и подтвердили ее достоверность в проекте плотины NZD на юго-западе Китая.Томпсон и др. [20] полностью рассмотрели влияние типа почвы и содержания влаги и, соответственно, установили множественные регрессионные модели плотности сухой почвы, значения воздействия кригинга ( CIV ), значения динамического проникновения конуса ( DCP ) и жесткости почвы ( ELWD ). ), представленный MDP , и содержание воды в качестве независимых переменных. Ван и др. [21] построили модель оценки качества уплотнения, основанную на регрессии опорных векторов с алгоритмом хаотического светлячка ( CFA ), которая предложила новую идею для оценки плотности уплотнения, сочетающую интеллектуальные бионические алгоритмы с алгоритмами интеллектуального анализа данных.

    Хотя многие ученые провели углубленные исследования модели оценки плотности уплотнения в различных аспектах, эти модели оценки имеют следующие проблемы в системе мониторинга в реальном времени. Во-первых, существующие модели оценки плотности уплотнения в основном ориентированы на мелкозернистый грунт с малым диапазоном гранулометрического состава (менее 120 мм) и отсутствие исследований по песчано-гравийным материалам с широким диапазоном гранулометрического состава (более 200 мм). мм).Во-вторых, существующая модель оценки не полностью учитывает изменения свойств почвы (влажность и градация), а это означает, что одни и те же значения индекса могут не отражать одну и ту же плотность при разных свойствах почвы [19]. Сухая плотность закладочных материалов при строительстве плотины имеет градационную зависимость. Однако при контроле качества строительства плотины в основном учитывается влияние содержания Р5 на плотность в сухом состоянии. Напротив, эффекты максимального размера частиц, переменного коэффициента и коэффициента кривизны не учитываются полностью.При анализе состава материала плотины традиционный метод просеивания разделяет материалы испытательного карьера. Однако имеются многочисленные недостатки, такие как низкая частота дискретизации, громоздкость процесса эксплуатации, вмешательство человеческого фактора в процесс испытаний и результаты. Полученные данные о параметрах источника материала весьма скудны. Одной из наиболее важных и сложных проблем текущих исследований является эффективное объединение и анализ асимметричных данных небольшого количества данных о параметрах материала и большого количества данных о параметрах прокатной конструкции в модели оценки плотности уплотнения.В-третьих, связь между сухой плотностью и ее факторами сложна и нечетка. Существующая модель оценки плотности уплотнения, созданная регрессионной моделью, является интуитивно понятной и простой и подходит для нескольких параметров и известных типов кривых [22]. Трудно найти подходящую регрессионную модель для многопараметрических и нелинейных взаимосвязей. При оценке плотности уплотнения песчано-гравийных материалов надежность и адаптивность существующих моделей ухудшаются из-за существенной разницы в размерах частиц наполнителей.

    Для преодоления недостатков проведенного выше исследования в данной работе в качестве объекта исследования выбраны песчано-гравийные материалы, проведен статистический сбор и сопоставление выявленных данных шурфов на засыпных узлах различных подразделений после прокатного строительства, а также уплотнения параметры на месте испытательного карьера, полученные из RCMS в качестве исторической базы данных. Разнородный набор данных из нескольких источников был создан путем интеграции данных о параметрах прокатной конструкции, данных о параметрах источника материала и данных о плотности уплотнения.Кроме того, для повышения точности модели прогнозирования плотности уплотнения введена нейронная сеть Элмана ( ENN ) для построения модели оценки плотности уплотнения песчано-гравийной плотины в сочетании с параметрами источника материала плотины и параметрами уплотнения. Учитывая неотъемлемые проблемы ENN , такие как низкая скорость сходимости и легкое попадание в локальный оптимум [23], в этой статье для оптимизации нейронной сети Элмана (ASAPSO-ENN) используется адаптивный алгоритм оптимизации роя частиц с имитацией отжига.Предсказательная способность предложенной модели подтверждена данными полевых испытаний в проекте водного хозяйства Дашимэнь и сравнена с другими моделями на основе оценочных показателей.

    2 Методология

    Рабочий процесс предлагаемой методологии показан на рисунке 1, который в основном включает три части: получение параметров оценки, создание моделей нейронной сети и комплексную оценку плотности уплотнения. Во-первых, были получены данные о параметрах прокатной конструкции, параметрах источника материала и плотности уплотнения, а также создан разнородный набор данных из нескольких источников, собранный различными системами сбора данных.Во-вторых, нейронная сеть Элмана, оптимизированная с помощью адаптивного алгоритма оптимизации роя частиц с имитацией отжига, используется для построения модели оценки плотности уплотнения. Данные о параметрах источника материала и параметрах прокатки применяются к входным данным, тогда как данные о плотности уплотнения из теста на месте являются выходными данными. Лучший эффект обучения может быть достигнут путем настройки топологии нейронной сети, количества итераций и точности обучения. Наконец, предложенная методология применяется для оценки плотности уплотнения песчано-гравийной плотины в китайском гидроэнергетическом проекте.

    РИСУНОК 1 . Суть предлагаемой методики.

    2.1 Сбор и создание набора гетерогенных данных из нескольких источников

    Факторы, влияющие на плотность уплотнения песчано-гравийной плотины, включают параметры уплотнения и параметры источника материала. Данные о параметрах уплотнения могут быть получены в системе мониторинга качества уплотнения в режиме реального времени. RCMS независимо разработана нашей исследовательской группой, как показано на рисунке 2, включая терминальное оборудование, установленное на транспортном средстве (рисунок 2A), систему передачи данных (рисунок 2B) и систему программной платформы (рисунок 2C).Во время заполнения и прокатки песчано-гравийной плотины на вибрационный каток устанавливается множество оконечных устройств, устанавливаемых на транспортных средствах, а оборудование для отбора проб обычно настраивается на частоту дискретизации 1 Гц для сбора параметров прокатной конструкции. Собранные данные о параметрах конструкции включают координаты транспортного средства, толщину прокатки, частоту вибрации и ускорение и т. д. Эти данные о параметрах конструкции прокатки огромны, и каждая единица заполнения будет генерировать почти миллион единиц информации о конструкции.Собранные данные передаются на платформу управления и промышленную плату, установленную в механической кабине, через систему передачи данных, чтобы направлять и напоминать о строительных работах.

    РИСУНОК 2 . Система мониторинга уплотнения в реальном времени.

    Данные о параметрах источника материала и данные о плотности уплотнения можно получить в результате шурфовых испытаний готовой рабочей зоны. Испытания карьера включают измерения плотности в сухом состоянии и анализ сортности материала испытательного карьера после уплотнения, конкретные процессы которого показаны на Рисунке 3.Измерения плотности в сухом состоянии проводились водоналивным методом. Сортировочный анализ проводили с помощью просеивания для определения содержания Р5, коэффициента кривизны и максимального размера частиц образцов песчано-гравийных материалов, который проводят одновременно с измерениями плотности в сухом состоянии. Что касается обнаруженных данных шурфов в районе строительства, то для каждого единичного проекта существует всего несколько групп проверки качества (всего около 3–5 групп), и невозможно получить их значения в каждой позиции на поверхности.Чтобы объединить небольшой объем данных о параметрах источника материала с большим количеством данных о параметрах конструкции и реализовать всестороннюю оценку плотности уплотнения всей конструкции установки, в этой статье собраны и сопоставлены обнаруженные данные испытательных шурфов на засыпных установках. различных подразделений после прокатного строительства как историческая база данных. В соответствии с координатами положения испытательных шурфов параметры уплотнения в соответствующих точках были найдены из RCMS, а набор гетерогенных данных из нескольких источников был создан путем интеграции данных о параметрах прокатной конструкции, данных о параметрах источника материала и данных о плотности уплотнения.

    РИСУНОК 3 . Сбор данных о параметрах источника материала и плотности уплотнения.

    2.2 Модель ASAPSO-ENN

    Блок-схема предложенной модели ASAPSO-ENN может быть продемонстрирована на рисунке 4. В этом разделе будет подробно рассмотрена нейронная сеть Элмана и интеллектуальный алгоритм оптимизации, принятые в предлагаемой модели в этой статье.

    РИСУНОК 4 . Блок-схема предлагаемой модели ASAPSO-ENN.

    2.2.1 Нейронная сеть Элмана

    Нейронная сеть Элмана представляет собой многослойную динамическую нейронную сеть, предложенную Элманом в 1990 году [24].Из-за своей динамической рекурсивной структуры он имеет хорошую способность аппроксимации нелинейной функции, поэтому он широко используется в прогнозировании скорости вибрации при взрывных работах [25], пространственно-временном прогнозировании засухи [26], прогнозировании адсорбции аммиака [27] и других смежных областях. Как показано на рисунке 5, нейронная сеть Элмана разделена на четыре слоя: входной слой, скрытый слой, выходной слой и контекстный слой. Соединение входного, скрытого и выходного слоев аналогично нейронным сетям с прямой связью.Однако отличие состоит в том, что контекстный слой добавляется для хранения выходного значения нейрона скрытого слоя в предыдущий момент. Выходные данные скрытого слоя повторно используются в качестве входных данных для скрытого слоя, принимая на себя задержку и хранение контекстного слоя. Этот тип соединения позволяет сети использовать функцию памяти для исторических данных о состоянии, тем самым увеличивая способность сети обрабатывать динамическую информацию. Пространственное уравнение состояния нейронной сети Эльмана на момент k :

    {z(k)=g(ωj,q•h(k))h(k)=f(ωj,m•c(k)+ ωi,j•u(k−1))c(k)=h(k−1)(1)

    , где h (k), c (k) и z(k) соответственно представлять выходные векторы скрытого слоя, контекстного слоя и выходного слоя в момент времени k ; u ( k -1 ) вектор входного слоя в момент k -1 ; g (•) и f (•) — передаточные функции выходного слоя и скрытого слоя соответственно; ω i,j , ω j,m и ω j,q 9015 и выходной слой соответственно.Веса сети Элмана корректируются путем минимизации среднеквадратичной ошибки ( MSE ), минимальная среднеквадратическая ошибка принимается для корректировки весов сети Элмана в этом исследовании. Формулировка MSE представлена ​​следующим образом:

    MSE=1N∑k=1N[z(k)−zt(k)]2(2)

    , где z(k) — фактическое значение в момент времени k , z t (k) — прогнозируемое значение в момент времени k.

    РИСУНОК 5 . Структура топологии нейронной сети Элмана.

    2.2.2 Алгоритм оптимизации роя частиц

    Алгоритм оптимизации роя частиц представляет собой эволюционный вычислительный метод, предложенный Кенни и Эберхартом в 1995 г. [28], который основан на исследованиях поведения хищников птиц. Алгоритм представляет собой метод глобальной оптимизации, основанный на теории интеллекта роя, управляемый интеллектом роя, созданным в результате сотрудничества и конкуренции между частицами в рое. В PSO решение каждой оптимизационной задачи рассматривается как летящая частица в пространстве поиска.Все частицы обладают значением пригодности, определяемым оптимизированной целевой функцией, и каждая частица имеет скорость, которая определяет направление и расстояние ее полета. Частицы динамически регулируют свою скорость и положение, интегрируя индивидуальное познание и социальное познание, выполняя поиск в пространстве решений и находя оптимальное решение посредством итерации [29]. Когда пространство поиска имеет размерность D и размер роя частиц равен N , скорость и положение частицы на каждой итерации (рисунок 6) обновляются следующим соотношением:

    vid(t+1) =ωvid(t)+c1r1(Pbestid(t)−xid(t))+c2r2(Gbestid(t)−xid(t))(3)xid(t+1)=xid(t)+vid(t+ 1)(4)

    , где i = 1,2… N ; d = 1,2… D ; t — количество итераций; ω — инерционная масса; c 1 и c 2 — факторы обучения; r 1 и r 2 — случайные числа от 0 до 1, которые используются для поддержания разнообразия популяции; V ID ( T ) и x Pbest id ( t ) и Gbest id ( t ) обозначают исторические оптимальные положения отдельных частиц и групп частиц на итерации t соответственно.

    РИСУНОК 6 . Поиск траектории оптимизации роя частиц.

    Согласно уравнению. 3, обновление скорости частиц состоит из трех частей. Первая часть отражает степень влияния на частицу текущей скорости, которая связана с текущим состоянием частицы и уравновешивает эксплуатацию (локальный поиск) и разведку (глобальный поиск). Вторая часть — самопознание частиц, отражающее воздействие их исторической памяти. Третья часть — это социальное познание частиц, отражающее обмен информацией и сотрудничество между частицами.При совместном действии этих трех частей частица постоянно корректирует свое положение и скорость в соответствии с историческим опытом и механизмом обмена информацией, чтобы найти оптимальное решение проблемы. Из того, что обсуждалось выше, вес инерции ω и коэффициенты обучения являются важными параметрами, влияющими на оптимизацию алгоритма [30, 31].

    Хотя алгоритм PSO демонстрирует замечательную производительность, он имеет недостатки, такие как локальная сходимость и преждевременность при решении сложных и многомерных задач оптимизации.Чтобы преодолеть вышеупомянутые недостатки, в этой статье исходный алгоритм модифицируется с точки зрения веса инерции и фактора обучения, а также вводится метод имитации отжига, чтобы гарантировать, что алгоритм может выйти за пределы локального оптимального решения.

    2.2.3 Адаптивная оптимизация роя частиц
    2.2.3.1 Адаптивный скорректированный инерционный вес

    Инерционный вес является критически важным параметром в алгоритме PSO, который описывает влияние скорости предыдущего поколения на текущее поколение.Соответствующее значение веса инерции может эффективно сбалансировать возможности глобальной и локальной оптимизации алгоритма PSO. Как правило, больший вес инерции благоприятен для глобального исследования, в то время как меньший вес инерции, как правило, облегчает локальное исследование для точной настройки текущей области поиска [32]. Выбор веса инерции пропорционален скорости сходимости алгоритма и способности глобального поиска. и обратно пропорциональна возможности локального поиска. Чтобы улучшить скорость оптимизации алгоритма роя частиц и избежать попадания алгоритма в локальное оптимальное решение, в этой статье используется гиперболическая тангенсная функция независимой переменной в интервале [-5, 5] для управления весовым коэффициентом инерции для нелинейно адаптивной вариации.Формула адаптивного веса инерции, определенная в этой статье, выглядит следующим образом: максимальное количество итераций; t — текущий номер итерации; ω max и ω min — максимальный и минимальный инерционные грузы соответственно; Большое количество экспериментов доказало, что производительность алгоритма значительно улучшится, когда ω max = 0.95 и ω мин = 0,4 [33].

    Весовая функция адаптивной инерции, показанная на рис. 7, использует нелинейную стратегию управления. На начальном этапе поиска вес инерции уменьшается медленно, и частицы имеют достаточно времени для проведения большого диапазона глобальных поисков, что выгодно для уменьшения ситуации попадания в локальный оптимум. На средней стадии вес инерции примерно линейно уменьшается, что постепенно увеличивает возможности локального поиска.В то время как в более поздний период скорость изменения веса инерции снова замедлилась, сосредоточившись на тщательном локальном поиске для точного определения глобального оптимального решения.

    РИСУНОК 7 . Схема адаптивного изменения инерционного веса.

    2.2.3.2 Адаптивно-скорректированные факторы обучения

    Алгоритм оптимизации роя частиц представляет собой постепенную сходимость в итеративном процессе, и разнообразие популяции неизбежно будет уменьшаться в течение всего итерационного процесса, что не способствует поиску частицами оптимального решение.На основе стандартного алгоритма PSO в этой статье выполняется обработка колебаний второго порядка при обновлении скорости частиц, чтобы еще больше увеличить разнообразие популяции и улучшить производительность алгоритма в отношении баланса глобальной и локальной конвергенции. Усовершенствованный алгоритм оптимизации фокусируется на глобальном поиске на начальном этапе, подчеркивает способность частиц к самопознанию, обращает внимание на эргодичность движения частиц и снижает вероятность попадания в локальное оптимальное решение.С увеличением числа итераций алгоритм усиливает связь между частицами, так что положение оптимального решения популяции оказывает более существенное влияние на поиск каждой частицы, а локальный поиск сосредоточен на окрестности Gbest id ( т ). Модифицированная формула выглядит следующим образом: )−(1+ξ2)xid(t)+ξ2xid(t−1))xid(t+1)=xid(t)+vid(t+1)(6)

    где значение осцилляции второго порядка Фактор ξ 1 и ξ 2 2 следующие [34]:

    ξ1 <2C1R1-1C1R1, ξ2 <2C2R2-1C2R2, если t 2.2.4 Оптимизация роя частиц адаптивного имитации отжига

    Алгоритм имитации отжига — это метод глобального поиска, основанный на механизме отжига металлов, который может обеспечить оптимальное решение целевой функции в смысле вероятности. По некоторой вероятности в процессе нахождения экстремального значения он позволяет целевой функции ухудшиться в ограниченных пределах, чтобы выскочить из локального оптимального решения и, наконец, заставить алгоритм сходиться к глобальному оптимальному значению.Алгоритм имитации отжига вводится в алгоритм APSO, принимая ухудшающееся решение. Чем выше температура, тем выше вероятность принятия алгоритмом ухудшающегося решения. С понижением температуры вероятность того, что алгоритм примет ухудшающееся решение, уменьшается, что удобно для алгоритма, чтобы оторваться от ограничения локального экстремума и, наконец, найти глобальное оптимальное решение. Для задач оптимизации внутренняя энергия может быть абстрагирована как фитнес-функция, и процесс решения алгоритма выглядит следующим образом [35, 36]:

    Шаг 1): Инициализировать температуру отжига случайное начальное решение x 0 и вычислить соответствующее значение целевой функции f ( x 0 ).

    Шаг 2): возмущаем текущее решение x 0 для создания нового допустимого решения x’ , вычисляем соответствующее значение целевой функции f ( x’ ) и получаем Δ f = f ( x’ )- f ( x 0 ).

    Шаг (3): Согласно формуле вероятности (min{1, exp(-Δ f / T k )} > random[0,1]) получить x’ , где random[0,1] — случайное число в диапазоне [0,1].

    Шаг (4): Операция отжига: T k +1 = αT k (где α 2 α коэффициент снижения температуры, ). Если критерий сходимости выполнен, процесс отжига заканчивается. В противном случае повторяйте Шаг 2) и Шаг 3) до тех пор, пока не будут выполнены условия сходимости.

    На данный момент полный псевдокод алгоритма ASAPSO описан в Алгоритме 1.

    Алгоритм 1 Процедура ASAPSO

    2.3 Формирование исходных параметров материала в технических приложениях

    Песчано-гравийный материал состоит из частично окатанных и окатанных частиц, которые трудно разрушаются в процессе прокатного строительства и имеют более высокие прочность и модуль деформации после уплотнения [37]. Классификационная кривая песчано-гравийных материалов после прокатного строительства близка к исходной гранулометрической кривой поля материала [38]. В данной статье в качестве объекта исследования выбран асфальтобетонный сердечник из песчано-гравийной плотины проекта водного хозяйства Дашимэнь.По большому количеству данных геологоразведочных работ на начальном этапе строительства насыпи плотины, песчано-гравийные материалы, используемые для насыпки оболочки плотины, получены из пластов, образовавшихся в один и тот же геологический период. Исторические причины и геологические движения, наблюдаемые при накоплении песчано-гравийного материала, одинаковы, поэтому физические характеристики песчано-гравийных материалов в этом слое довольно схожи. Частичный состав имеет явную закономерность для песчано-гравийных материалов того же пласта.Эта закономерность должна быть последовательной во всей страте и подчиняться определенному закону распределения плотности вероятности.

    В математико-статистическом анализе распределение Вейбулла применимо ко всем типам тестовых данных. Он может быть применен к большим выборочным данным и имеет хорошую применимость к небольшим выборочным данным. Он может получить более точную оценку распределения параметров градации, что является широко используемым статистическим методом вероятности. Выражение двухпараметрической функции распределения Вейбулла и соответствующей функции плотности можно представить в виде [39]:

    {F(x)=1−exp[−(xη)ξ]f(x)=ξη(xη)ξ −1⁡exp[−(xη)ξ](9)

    , где F (x) — функция распределения; f (x) – функция плотности; x — случайная величина; ξ — параметр формы, η — параметр масштаба.

    Чтобы более точно определить общее распределение параметров источника материала, в этой статье сначала определяется модель распределения с двухпараметрическим распределением Вейбулла в качестве параметров источника материала с помощью теста согласия. Затем 1000 групп регенерированных подвыборок были извлечены из приведенной выше эмпирической функции распределения с помощью метода выборки Bootstrap. Эти регенерированные подвыборки были сопоставлены с распределением Вейбулла для получения 1000 групп параметров формы и параметров шкалы.Средние значения этих параметров формы и масштаба рассчитывали как оценку параметра распределения Вейбулла параметров источника материала. Метод параметризованной выборки Bootstrap в этой статье лучше, чем традиционный метод выборки Bootstrap. С непрерывным развитием строительства выборочные данные о параметрах источника материала будут постепенно увеличиваться. Статистика, полученная с использованием параметризованного метода Bootstrap в этой статье, может эффективно отражать распределение параметров источника материала.

    3 Практический пример плотности уплотнения песчано-гравийной плотины

    3.1 Обзор проекта

    В этом разделе основаны на данных мониторинга в режиме реального времени и данных карьерных испытаний, собранных с асфальтобетонного ядра песчано-гравийной плотины Дашимэнского водного хозяйства проекта в китайской провинции Синьцзян, плотность уплотнения поверхности плотины оценивается с использованием метода, представленного в этой статье. Подпорная плотина проекта водного хозяйства Дашимэнь представляет собой песчано-гравийную плотину высотой 128,8 метра с основной стеной из асфальтобетона, конструктивная схема которой показана на рисунке 8.Основные технические объемы материалов для заполнения плотины включают около 3,128 млн кубометров песчано-гравийных материалов, около 161 000 кубометров переходного материала, около 14 000 кубометров асфальтобетона и около 185 000 кубометров доступных каменно-набросных материалов. Песчано-гравийные материалы составляют 90% от общего количества засыпки, поэтому в этой статье в основном анализируется и изучается контроль плотности уплотнения песчано-гравийных материалов.

    РИСУНОК 8 . Стандартный поперечный разрез асфальтобетонной плотины Дашимэнь.

    3.2 Создание модели ASAPSO-ENN

    В ходе этого исследования были собраны и отсортированы 130 групп данных проверки качества участка песчано-гравийного материала с 20 марта 2018 г. по 4 ноября 2019 г. Параметры источника материала при проверке качества данные включают содержание P5, максимальный размер частиц, коэффициент кривизны, долю материала с размером частиц менее 0,0075 мм (<0,0075 мм) и коэффициент неравномерности. Путем сопоставления пространственных координат данных испытаний карьера данные о параметрах конструкции прокатки (частота вибрации, ускорение, толщина прокатки, скорость прокатки) в месте расположения испытательной ямы могут быть легко получены из системы мониторинга качества уплотнения в реальном времени (RCMS).Путем интеграции данных о параметрах уплотнения, данных о параметрах источника материала и данных о плотности уплотнения был создан набор данных гетерогенной структуры с несколькими источниками для обучения нейронной сети, который содержал девять входных признаков и один целевой выход.

    Входные функции в наборе данных являются относительно полными и могут содержать некоторые избыточные функции или нерелевантные функции, которые значительно увеличивают время обучения и вычислительную сложность алгоритма обучения нейронной сети и могут снизить точность предсказания модели.В этой статье коэффициент корреляции Пирсона используется для выбора признаков корреляции и признаков избыточности из аспектов корреляции и избыточности. Во-первых, проводится корреляционный анализ между каждым признаком и плотностью уплотнения, чтобы удалить признаки, не относящиеся к прогнозируемой цели, и соответствующий коэффициент корреляции показан на рисунке 9. Чтобы максимально сохранить полезную информацию и избежать потери важных признаков для целевое предсказание, признаки с коэффициентами корреляции больше 0.1 выбираются для последующего анализа. Затем признаки сортируются от наибольших к наименьшим в соответствии с коэффициентом корреляции, и вычисляется коэффициент корреляции между признаками для устранения избыточных признаков. Предположим, что коэффициент корреляции между любыми двумя признаками больше 0,75. В этом случае это указывает на сильную корреляцию между ними, и функция, коэффициент корреляции которой отстает, исключается. Когда одна из двух функций удаляется, оставшаяся функция безоговорочно сохраняется.После анализа установлено, что коэффициент корреляции между частотой возбуждения и ускорением выше 0,75, поэтому ускорение исключается. Наконец, для оценки плотности уплотнения песчано-гравийного материала были выбраны шесть атрибутов, а именно содержание Р5, максимальный размер частиц, коэффициент кривизны, частота вибрации, толщина прокатки и скорость прокатки.

    РИСУНОК 9 . Коэффициент корреляции между каждым признаком и плотностью уплотнения.

    Данные после выбора вышеуказанной функции подвергаются аномальным операциям очистки и нормализации данных.Затем автор случайным образом выбирает 104 набора данных из эффективного набора данных после обработки данных в качестве обучающей группы и 26 наборов данных в качестве тестовой группы. Чтобы отразить повышение точности прогнозирования предлагаемой модели, авторы сравнивают результаты прогнозирования модели ASAPSO-ENN с результатами ENN, PSO-ENN и APSO-ENN на тестовом наборе данных. Параметры в таблице 1 используются для создания единой модели ENN. Затем соответственно применяются алгоритмы PSO, APSO и ASAPSO для оптимизации начальных весов и порогов ENN.В этой статье PSO, APSO и ASAPSO имеют разные стратегии настройки движения частиц, и настройки параметров этих трех алгоритмов показаны в таблице 2.

    ТАБЛИЦА 1 . Настройки параметров ЭНН.

    ТАБЛИЦА 2 . Настройки параметров PSO, APSO и ASAPSO.

    Алгоритм оптимизации роя частиц использует среднеквадратичную ошибку (MSE) в качестве функции пригодности. Алгоритм сравнивается с алгоритмами PSO и APSO, чтобы доказать эффективность и точность алгоритма ASAPSO в этой статье.На рис. 10 показана кривая эволюции этих алгоритмов. Как видно из рисунка, APSO внесла адаптивные улучшения в вес инерции алгоритма и коэффициент обучения по сравнению с традиционным эталонным PSO, в результате чего традиционный эталонный алгоритм PSO в определенной степени выскочил из локального оптимального решения. В данной работе на основе APSO введена операция имитации отжига, которая значительно расширяет возможности выхода из локального оптимального решения и повышает точность результатов поиска.Кроме того, предложенный в статье алгоритм также имеет определенные преимущества в скорости сходимости.

    РИСУНОК 10 . Кривая эволюции этих алгоритмов.

    Затем для демонстрации точности модели оценки плотности уплотнения, построенной по предложенному в данном исследовании алгоритму, вводятся четыре обычно применяемых показателя оценки погрешности, а именно коэффициент детерминации R 2 Ур. 10, среднеквадратическая ошибка MSE Eq. 2, среднеквадратическая ошибка RMSE Eq.11, а средняя абсолютная ошибка MAE Eq. 12.

    R2=1−∑k=1N[z(k)−zt(k)]2∑k=1N[z(k)−zp(k)]2(10)RMSE=1N∑k=1N[ z(k)−zt(k)]2(11)MAE=1N∑k=1N|z(k)−zt(k)|(12)

    , где z(k) — фактическое значение в момент времени к ; z t (k) — прогнозируемое значение на момент времени k ; z p (k) — среднее фактического значения в момент времени k ; и N — общее количество наборов данных тестовых образцов.

    Показатели оценки каждой модели прогнозирования показаны на рисунке 11. На рисунке показано, что предложенная модель ASAPSO-ENN является наиболее эффективной. Модель ASAPSO-ENN, предложенная в данной статье, может быть эффективно использована для оценки плотности уплотнения.

    РИСУНОК 11 . Сравнение показателей оценки ошибок различных моделей оценки.

    3.3 Оценка плотности уплотнения всей площади застройки насыпи

    На основе метода оценки плотности уплотнения всей площади застройки, предложенного в Разделе 3.2, мы выбрали засыпной узел DSMD52 песчано-гравийной плотины с асфальтобетонным ядром проекта водного хозяйства Дашимэнь в качестве полигона для оценки эффективности метода оценки плотности уплотнения. Рабочая зона уплотнения была разделена на сетки размером 1 м × 1 м, и данные о параметрах уплотнения в точках сетки можно получить в системе мониторинга качества уплотнения в режиме реального времени. Затем рассчитывается функция распределения Вейбулла каждого параметра источника материала (таблица 3) по методу, описанному в разделе 2.3, который используется для генерации параметров источника материала в каждой точке сетки. Кроме того, параметры уплотнения прокатки и источника материала вводятся в обученную модель ASAPSO-ENN для прогнозирования плотности в сухом состоянии в точках сетки. После этого плотность уплотнения, покрывающую 100% площади уплотнения, можно оценить с помощью интерполяции Кригинга. В соответствии с требованиями к конструкции материала плотины, общий коэффициент прохождения сухой плотности ( ρ d ≥ 2,282 г/см 3 ) цельных песчано-гравийных материалов должен составлять более 97%.Из рисунка 12 видно, что процент плотности уплотнения, превышающий 97%, составляет 100%, что указывает на то, что рабочая зона соответствует требованиям строительного проекта, а плотность уплотнения достигает соответствующих стандартов.

    ТАБЛИЦА 3 . Функция распределения параметров источника материала.

    РИСУНОК 12 . Распределение плотности уплотнения по модели ASAPSO-ENN.

    С помощью модели, предложенной в этой статье, сухая плотность всей рабочей зоны может быть предсказана в режиме реального времени в процессе прокатки.Кроме того, слабая зона плотности уплотнения может быть устранена на месте, что эффективно решает проблему, которую не может вовремя устранить метод постоценки. В то же время модель может выполнять высокоточную оценку плотности уплотнения в любом положении всей рабочей зоны с учетом влияния параметров источника материала, сокращая количество шурфовых испытаний.

    4 Заключение и перспективы

    Плотность уплотнения песчано-гравийных материалов имеет сильную градационную корреляцию, на которую в основном влияют некоторые характеристические параметры материала, такие как содержание Р5, максимальный размер частиц и коэффициент кривизны.При оценке плотности уплотнения песчано-гравийных материалов существующие модели оценки плотности уплотнения имеют низкую надежность и адаптируемость, поскольку они не полностью учитывают влияние параметров источника материала. Систематические исследования по оценке плотности уплотнения песчано-гравийных материалов проводятся на основе проекта водного хозяйства Дашимэнь в Китае, чтобы преодолеть недостатки существующих моделей плотности уплотнения. В этой статье нейронная сеть Элмана, оптимизированная с помощью адаптивного алгоритма оптимизации роя частиц с имитацией отжига, предлагается для создания модели оценки плотности уплотнения, которая реализует динамическую оценку плотности уплотнения строительного слоя.Основные вклады этого исследования резюмируются следующим образом:

    1. Это исследование собирает и сопоставляет обнаруженные данные об испытательных шурфах на наполнительных установках различных подразделений после прокатного строительства, а также параметры уплотнения на месте испытательного шурфа, полученные из RCMS. в качестве исторической базы данных, и был создан разнородный набор данных из нескольких источников путем интеграции данных о параметрах прокатной конструкции, данных о параметрах источника материала и данных о плотности уплотнения. Реализовать объединение асимметричных данных (источник материала и параметры прокатки), обеспечивая поддержку данных для всесторонней оценки плотности уплотнения для всей рабочей зоны.

    2. Чтобы повысить стабильность и надежность прогнозируемых выходных данных ENN, для итеративной оптимизации внутренних параметров ENN используется адаптивный алгоритм оптимизации роя частиц с имитацией отжига. Это значительно повышает способность алгоритма выпрыгивать из локального оптимального решения и повышает точность результатов поиска по сравнению с традиционным эталонным алгоритмом.

    3. Модель ASAPSO-ENN, предложенная в данном исследовании, может быть эффективно использована для оценки плотности уплотнения.С помощью модели, предложенной в этой статье, можно прогнозировать сухую плотность всей рабочей зоны в режиме реального времени в процессе прокатного строительства. Слабое место плотности уплотнения можно своевременно устранить на месте. В то же время модель может выполнять высокоточную оценку плотности уплотнения в любом положении всей рабочей зоны с учетом влияния параметров источника материала, сокращая количество шурфовых испытаний.

    В этом исследовании бионический интеллектуальный алгоритм и модель нейронной сети объединены для эффективного повышения эффективности прогнозирования модели нейронной сети.Модель в этой статье подходит для определения плотности уплотнения песчано-гравийных материалов с большим гранулометрическим составом (0–400 мм). Следует отметить, что это исследование только собирает и сопоставляет данные о пробной яме проекта водного хозяйства Дашимэнь. В будущем будет собрано больше данных о полевых испытаниях различных гидротехнических сооружений для создания разнородных наборов исторических данных из нескольких источников в различных геологических условиях для получения более точной модели оценки песчано-гравийного материала.

    Заявление о доступности данных

    Первоначальные материалы, представленные в исследовании, включены в статью/дополнительные материалы, дальнейшие запросы можно направлять соответствующему автору.

    Вклад авторов

    BL, YFZ, WBW, BWL предложили модель оценки плотности уплотнения песчано-гравийной плотины на основе нейронной сети Элмана с модифицированной оптимизацией роя частиц. BL проанализировал данные, составил программу и написал первоначальный вариант статьи.YFZ рассмотрел программное обеспечение, формальный анализ и написание. WBW, BWL рассмотрели и внесли свой вклад в окончательную статью.

    Финансирование

    Это исследование предполагается в рамках Проекта фундаментальных исследований Китайского института водных ресурсов и исследований гидроэнергетики (GE0145B022021).

    Конфликт интересов

    Автор WW работал в S. Bureau 6 Co., Ltd., а автор BL работал в S. Bureau 8 Co., Ltd., Китай.

    Остальные авторы заявляют, что исследование проводилось в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

    Примечание издателя

    Все претензии, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций, издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.

    Благодарности

    Авторы выражают огромную благодарность соответствующим отделам Дашимэнского проекта водного хозяйства за предоставление необходимых данных для этого исследования.

    Ссылки

    1. Варадараджан А., Шарма К.Г., Венкатачалам К., Гупта А.К. Тестирование и моделирование двух материалов каменной наброски. J Geotech Geoenviron Eng (2003) 129(3):206–18. doi:10.1061/(asce)1090-0241(2003)129:3(206)

    Полный текст CrossRef | Google Scholar

    2. Чжун Д., Ли С., Цуй Б., Ву Б., Лю Ю. Технология и применение мониторинга качества уплотнения в реальном времени для строительства земляно-каменной набросной плотины в Глубокой узкой долине. Автоматизация в строительстве (2018) 90:23–38.doi:10.1016/j.autcon.2018.02.024

    Полный текст CrossRef | Google Scholar

    3.IWHR (Институт исследований водных ресурсов и гидроэнергетики Китая). DL/T5129-2013 — Технические условия на строительство каменно-насыпной плотины из рулонного грунта . Пекин: China Electric Power Press (2014). (на китайском языке).

    Google Scholar

    4. Zhang Q, Liu T, Zhang Z, Huangfu Z, Li Q, An Z. Оценка качества уплотнения материалов каменной наброски с использованием встроенного в ролики метода обнаружения акустических волн. Автоматизация в строительстве (2019) 97:110–21. doi:10.1016/j.autcon.2018.11.003

    Полный текст CrossRef | Google Scholar

    5. Михан К.Л., Каччиола Д.В., Техрани Ф.С., Бейкер В.Дж. Оценка уплотнения почвы с помощью непрерывного контроля уплотнения и испытаний на месте в зависимости от местоположения. Автоматизация в строительстве (2017) 73:31–44. doi:10.1016/j.autcon.2016.08.017

    Полный текст CrossRef | Google Scholar

    6. Пистрол Дж., Вилвок С., Фёлькель В., Копф Ф., Адам Д.Непрерывный контроль уплотнения (CCC) с осциллирующими катками. Proced Eng (2016) 143:514–21. doi:10.1016/j.proeng.2016.06.065

    Полный текст CrossRef | Google Scholar

    7. Polaczyk P, Hu W, Gong H, Jia X, Huang B. Улучшение интеллектуального уплотнения асфальтового покрытия на основе дифференцированных кривых уплотнения. Строительные материалы (2021) 301:124125. doi:10.1016/j.conbuildmat.2021.124125

    Полный текст CrossRef | Академия Google

    8.Zhang Q, An Z, Liu T, Zhang Z, Huangfu Z, Li Q и др. Интеллектуальная система уплотнения валков для земляных плотин. Автоматизация в строительстве (2020) 116:103246. doi:10.1016/j.autcon.2020.103246

    Полный текст CrossRef | Google Scholar

    10. White DJ, Vennapusa PKR, Gieselman HH. Полевая оценка и обзор спецификаций для технологий контроля уплотнения, интегрированных в катки. Adv Civil Eng (2011) 2011(2):1783831–15. 783815. doi:10.1155/2011/783836

    CrossRef Полный текст | Академия Google

    11.Сюй Т., Хуан С. Исследование причин образования колеи на асфальтовом покрытии. Construction Building Mater (2012) 28(1):525–30. doi:10.1016/j.conbuildmat.2011.09.007

    Полный текст CrossRef | Google Scholar

    12. Лю Д., Ли З., Лиан З. Оценка качества уплотнения материалов земляно-каменной плотины с использованием встроенной в ролики технологии мониторинга уплотнения. Автоматизация в строительстве (2014) 44:234–46. doi:10.1016/j.autcon.2014.04.016

    Полный текст CrossRef | Академия Google

    13.Чжун Д., Лю Д., Цуй Б. Мониторинг качества уплотнения каменно-набросной плотины с большим ядром в режиме реального времени. Sci China Technol Sci (2011) 54(7):1906–13. doi:10.1007/s11431-011-4429-6

    CrossRef Full Text | Google Scholar

    14. Чжун Д., Цуй Б., Лю Д., Тонг Д. Теоретические исследования мониторинга качества строительства в режиме реального времени и системной интеграции основной каменно-набросной плотины. Sci China Ser E-technol Sci (2009) 52(11):3406–12. doi:10.1007/s11431-009-0343-6

    Полный текст CrossRef | Академия Google

    15.Чен З.И., Чжао Ю.Ф., Чжоу Б. Изучение и применение технологии беспилотного вождения или засыпка и прокатка земляно-каменной набросной плотины. Water Resour Hydropower Eng (2019) 8:1–7. doi:10.13928/j.cnki.wrahe.2019.08.001

    Полный текст CrossRef | Google Scholar

    16. Хуанг С., Чжан В., Ву Г. Исследование системы контроля качества уплотнения в режиме реального времени при проектировании забойных каменнонабросных плотин. Датчики J (2018) 2018:1–11. doi:10.1155/2018/6487405

    CrossRef Полный текст | Академия Google

    17.Чжан К., Лю Т., Чжан З., Хуанфу З., Ли К., Ан З. Беспилотная прокатная система уплотнения материалов каменной наброски. Автоматизация в строительстве (2019) 100:103–17. doi:10.1016/j.autcon.2019.01.004

    Полный текст CrossRef | Google Scholar

    18. Ян Л., Ши Дж.Дж. Экспериментальное исследование влияния осадков на строительство ЖБИ. J Constr Eng Manage (2010) 136(5):477–83. doi:10.1061/(Asce)Co.1943-7862.0000156

    Полный текст CrossRef | Академия Google

    19.Лю Д., Сунь Дж., Чжун Д., Сонг Л. Контроль качества уплотнения конструкции плотины из земляных пород с использованием данных полевых работ в реальном времени. J Constr Eng Manage (2012) 138(9):1085–94. doi:10.1061/(Asce)Co.1943-7862.0000510

    Полный текст CrossRef | Google Scholar

    20. Томпсон М.Дж., Белый ди-джей. Оценка уплотнения связных грунтов по мощности привода машин. J Geotech Geoenviron Eng (2008) 134(12):1771–7. doi:10.1061/(asce)1090-0241(2008)134:12(1771)

    Полный текст CrossRef | Академия Google

    21.Ван Дж.Дж., Чжун Д.Х., Ву Б.П., Ши М.Н. Оценка качества уплотнения на основе SVR с CFA: тематическое исследование качества уплотнения земляно-каменной плотины. J Comput Civil Eng (2018) 32(3). doi:10.1061/(Asce)Cp.1943-5487.0000742

    CrossRef Full Text | Google Scholar

    22. Ан З.З., Лю Т.Ю., Хуанфу Ч.Х. Нейросетевая модель для оценки качества уплотнения материалов каменной наброски по значению измерителя уплотнения. J Hydroelectric Eng (2020) 39 (4): 110–20. (на китайском языке). дои: 10.11660/slfdxb.20200411

    Полнотекстовая перекрестная ссылка | Google Scholar

    23. Ян Л., Ван Ф., Чжан Дж., Рен В. Прогнозирование остаточного срока службы ультразвукового двигателя на основе нейронной сети Элмана с улучшенной оптимизацией роя частиц. Измерение (2019) 143:27–38. doi:10.1016/j.measurement.2019.05.013

    CrossRef Полный текст | Google Scholar

    25. Cai C, Qian Q, Fu Y. Применение нейронной сети BAS-Elman для прогнозирования скорости вибрации при взрыве. Proced Comp Sci (2020) 166:491–5.doi:10.1016/j.procs.2020.02.059

    Полный текст CrossRef | Google Scholar

    26. Мехр А.Д., Вахеддуст Б., Мохаммади Б. ENN-SA: Новая модель нейроотжига для прогнозирования засухи на нескольких станциях. Comput Geosciences (2020) 145. 104622. doi:10.1016/j.cageo.2020.104622

    CrossRef Полный текст | Google Scholar

    27. Чагчаг Йолку О., Айдын Темел Ф., Кулейн А. Новые принципы гибридного прогностического моделирования для адсорбции аммония: сочетание методологии поверхности отклика с нейронными сетями с прямой связью и рекуррентными нейронными сетями Элмана. J Clean Prod (2021) 311:127688. doi:10.1016/j.jclepro.2021.127688

    CrossRef Полный текст | Google Scholar

    28. Кеннеди Дж., Эберхарт Р. Оптимизация роя частиц. В: Учеб. 1995 IEEE Междунар. конф. Нейронные сети. Часть 1 (из 6); нояб. 27, 1995 — 1 декабря. IEEE, Перт (1995). п. 1942–8.

    Google Scholar

    29. Аб Азиз М.Ф., Мостафа С.А., Мохд. Foozy CF, Mohammed MA, Elhoseny M, Abualkishik AZ. Интеграция рекуррентной нейронной сети Элмана с алгоритмами оптимизации роя частиц для улучшенного гибридного обучения мультидисциплинарных наборов данных. Expert Syst Appl (2021) 183:115441. doi:10.1016/j.eswa.2021.115441

    Полный текст CrossRef | Google Scholar

    30. Дас П.К., Бехера Х.С., Паниграхи Б.К. Гибридизация усовершенствованной оптимизации роя частиц и алгоритма гравитационного поиска для планирования пути нескольких роботов. Swarm Evol Comput (2016) 28:14–28. doi:10.1016/j.swevo.2015.10.011

    Полный текст CrossRef | Google Scholar

    31. Li HG, Zhang Q, Zhang Y. Усовершенствование и применение алгоритма оптимизации роя частиц на основе параметров и стратегии коэволюции. Appl Maths Inf Sci (2015) 9(3):1355–64. doi:10.12785/amis/0

    Полный текст CrossRef | Google Scholar

    32. Ge H-W, Qian F, Liang Y-C, Du W-l., Wang L. Идентификация и управление нелинейными системами с помощью нейронной сети Элмана на основе оптимизации роя частиц. Приложение «Нелинейный анальный реальный мир» (2008) 9 (4): 1345–60. doi:10.1016/j.nonrwa.2007.03.008

    Полный текст CrossRef | Google Scholar

    33. Ши Ю., Эберхарт Р. Модифицированный оптимизатор роя частиц.В: Материалы эволюционных вычислений международной конференции IEEE 1998 г., посвященной всемирному конгрессу IEEE по вычислительному интеллекту, 1998 г. IEEE (1998). п. 69–73.

    Google Scholar

    34. Ma Q, Lei X, Zhang Q. Планирование пути мобильного робота со сложными ограничениями на основе алгоритма оптимизации роя колеблющихся частиц второго порядка. IEEE (2009) 5:244–8. doi:10.1109/CSIE.2009.124

    Полный текст CrossRef | Google Scholar

    35. Zhou S, Liu X, Hua Y, Zhou X, Yang S.Идентификация параметров адаптивной модели для литий-ионных аккумуляторов на основе гибридного адаптивного роя частиц с улучшенной связью и оптимизации метода имитации отжига. Источник питания J (2021) 482:228951. doi:10.1016/j.jpowsour.2020.228951

    CrossRef Полный текст | Google Scholar

    36. Хафез А.А., Абдельазиз А.Ю., Хенди М.А., Али А.Ф.М. Оптимальный размер автономных микросетей с помощью гибридного многоцелевого оптимизатора роя частиц с имитацией отжига. Comput Electr Eng (2021) 94:107294.doi:10.1016/j.compeleceng.2021.107294

    CrossRef Полный текст | Google Scholar

    37. Варадараджан А., Шарма К.Г., Аббас С.М., Дхаван А.

    Добавить комментарий

    Ваш адрес email не будет опубликован.