Меню


Транспорт

ARUP экономит 790 часов, используя машинное обучение для обнаружения коммунальной инфраструктуры при планировании системы легкорельсового транспорта.

Arup, в совместном предприятии с Jacobs, был выбран для планирования новой системы скоростного трамвая для города Окленд. Оценка столкновений c коммунальной инфраструктурой в разных местах вдоль предлагаемой железнодорожной линии была автоматизирована с использованием контролируемых алгоритмов обучения.

Как и в случае любого проекта городской инфраструктуры, подземные коммуникации представляли огромный риск для стоимости и безопасности на месте строительства легкого железнодорожного транспорта в Окленде. В результате было важно понять, как предлагаемое выравнивание маршрута повлияет на эту инфраструктуру. Традиционно единственным приемлемым процессом для выявления столкновений с коммунальной инфраструктурой при строительстве было то, что команды инженеров сравнивали выравнивание с горизонтальными и вертикальными вершинами отдельных сечений на проекте. Использование этого метода выравнивания требует большого количества переделок и в некоторых случаях полной переоценки коммунальной инфраструктуры. Эта ручная оценка была чрезвычайно утомительной и дорогостоящей.

Когда компания Auckland Transport исследовала внедрение легкорельсового транспорта для решения проблемы пробками, совместное предприятие Arup и Jacobs (AJJV) было поручено создать эталонный проект для предлагаемого 29-километрового маршрута Auckland Light Rail (ALR). Это включало в себя 24 станции, установку опор для воздушных линий электропередачи (OHW), депо и связанную с ней инфраструктуру, а также реорганизацию дорог. Этот крупный строительный проект был расположен в сильно перегруженном коридоре, который содержал множество основных коммунальных услуг, включая газ, воду и электричество, которые предоставляли необходимые услуги для работы Окленд Сити.

После обширных исследований и испытаний было решено использовать мультиклассификационную нейронную сеть для определения места столкновения утилит. Этот алгоритм обеспечил наилучшую точность из всех протестированных алгоритмов. Использование алгоритмов для классификации RAG [значения риска светофора] и HLWP [Рабочий план высокого уровня] на Оклендской железной дороге позволило дополнительно сократить активы, что потребовало ручной оценки. Была создана совершенно новая автоматическая система для обнаружения столкновений, а актив существующих утилит был объединен в информационную модель федеративных активов. Затем был применен алгоритм машинного обучения для дальнейшего сокращения любых ручных оценок.

Результат
5 183 столкновений было урезано до 443, что позволило сэкономить примерно 790 инженерных часов.
Подпишись на новые кейсы
Оставь свой e-mail и раз в неделю мы будем высылать полезные кейсы тебе на почту
Мы не передаем данные третьим лицам, а храним их согласно №152-ФЗ
Cookies helfen uns bei der Bereitstellung unserer Inhalte und Dienste. Durch die weitere Nutzung unserer Webseite stimmst du der Verwendung von Cookies zu.
Okay
Close
Made on
Tilda