Application of artificial neural networks in predicting earthmoving machinery effectiveness ratios

Many constructional processes are carried out by machines working together and forming technological systems. An example here can be an earthmoving machinery set made up of excavators and means of transport. For process design purposes most important are the effectiveness ratios relaling to the profits and losses stemming from system use, i.e. the system efficiency per unit work ratio W(N); the index of losses due to the idle times of the machines working in the system Sj; the output transport unit cost index Kj. This paper presents the results of applying neural networks in predicting effectiveness ratios, i.e. W(N), Sj and Kj for earthmoving machinery systems consisting of c excavators and N means of transport. It is showing the relevance to practitioners and researchers industry. The values of the characteristics can form a standard basis for designing construction earthworks. Having a dataset consisting of the technical parameters of earthmoving machinery systems and the corresponding effectiveness ratios one can train neural networks and then use the latter for the reliable prediction of W(N), Sj and Kj.

---

Wiele procesów budowlanych realizowanych jest przy pomocy współpracujących ze sobą maszyn tworzących układy technologiczne zwane również ciągami lub łańcuchami technologicznymi. Przykładem takiego technologicznego układu może być zestaw maszyn do robót ziemnych składający się z koparek oraz środków transportowych. W pracy przedstawiono zastosowanie sztucznych sieci neuronowych do predykacji takich wskaźników efektywności jak: Wydajnośc W(N), straty jednostkowe Sj oraz koszty jednostkowe Kj układów współpracujących maszyn do robót ziemnych. Z rezultatów badań wynika, że dysponując zbiorem danych składającym się z parametrów technicznych układów maszyn do robót ziemnych oraz odpowiadającym tym parametrom wartościom wskaźników efektywności, można nauczyć sztuczne sieci neuronowe, a następnie wykorzystać je do wiarygodnego neuronowego predykowania W(N), Sj oraz Kj.