diario americano de Administración de Medicamentos y Terapéutica Acceso abierto

Abstracto

Optimización del consumo energético en la nivelación de terrenos mediante algoritmos SIG, genéticos y pso (optimización por enjambre de partículas)

Isham Alzoub

Uno de los pasos más importantes para preparar el suelo es la nivelación del terreno. La nivelación del terreno con máquinas requiere una energía considerable. Para aumentar la precisión de los cálculos, la altura del punto recopilada del mapeo (50 m × 50 m) se inserta en el entorno SIG. El resto de las coordenadas desconocidas se obtuvieron mediante interpolación y se utilizó un modelo de red triangular (TIN) para determinar el volumen exacto de los movimientos de tierra. En todos los métodos, se calcularon la ecuación de la placa de nivelación, los volúmenes de excavación y terraplén y los mapas de la superficie del terreno después de la nivelación, la separación de la excavación y el terraplén y el consumo de energía, incluida la potencia de la máquina, el combustible y la mano de obra, y luego se compararon diferentes métodos. Los resultados mostraron que la relación de excavación a terraplén basada en los métodos de mínimos cuadrados, algoritmo genético, algoritmo lineal para optimizar los movimientos de partículas y el algoritmo de curva de movimiento de partículas son iguales a 1,26, 1,14, 1,12 y 1,16, respectivamente. Por otra parte, los resultados mostraron que el método del algoritmo de curva de movimiento de partículas ha demostrado una reducción del 45% en el consumo de energía en la operación de nivelación en relación con el método de mínimos cuadrados. El algoritmo genético puede reducir el consumo de energía en un 42 por ciento. Entre los modelos utilizados en el método del algoritmo genético, se ha estimado que el modelo n.º 1 tiene la mayor parte del consumo de energía relacionada con el combustible (hasta un 71,83 por ciento) y la parte más baja del consumo de energía está relacionada con la mano de obra (hasta un 0,38 por ciento). Por lo tanto, el presente estudio recomienda el modelo del algoritmo genético de placa-curva como el mejor modelo.