Revista de química física y biofísica

Revista de química física y biofísica
Acceso abierto

ISSN: 2161-0398

abstracto

Optimización del consumo energético en nivelación de terrenos mediante algoritmos GIS, genetic y pso (particle swarm optimization)

Isham Alzoub

Uno de los pasos más importantes para preparar el suelo es la nivelación del terreno. La nivelación de terrenos 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 GIS. 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 movimiento de tierras. En todos los métodos, se calculó 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 mínimos, algoritmo genético, algoritmo lineal para optimizar los movimientos de partículas, el algoritmo de curva de movimiento de partículas es igual a 1.26, 1.14, 1.12 y 1.16, respectivamente. Por otro lado, 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 mínimos. El algoritmo genético puede reducir el consumo de energía en un 42 por ciento. Entre los modelos utilizados en el método de algoritmo genético, el modelo No. 1 ha estimado que la mayor parte del consumo de energía es relevante para el combustible (hasta un 71,83 por ciento) y la menor parte del consumo de energía es relevante para la mano de obra (hasta un 71,83 por ciento). al 0,38 por ciento). Por lo tanto, el presente estudio recomienda el modelo de algoritmo genético plate-curve como el mejor modelo

Top