CN113326963B - 一种基于预制构件运输追踪与实时进度的堆场优化方法 - Google Patents
一种基于预制构件运输追踪与实时进度的堆场优化方法 Download PDFInfo
- Publication number
- CN113326963B CN113326963B CN202010131020.8A CN202010131020A CN113326963B CN 113326963 B CN113326963 B CN 113326963B CN 202010131020 A CN202010131020 A CN 202010131020A CN 113326963 B CN113326963 B CN 113326963B
- Authority
- CN
- China
- Prior art keywords
- stacking
- time
- prefabricated
- yard
- transportation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于预制构件运输追踪与实时进度的堆场优化方法,当一批到达施工现场的预制构件需要堆存时,通过从预制构件运输追踪系统中获取的预制构件运输信息对预制构件的到场时间、种类和数量进行预测,通过4D建筑信息模型获取基于当前施工进度的预制构件需求量,并通过堆场BIM模型获取当前堆场的堆存状态;然后,将上述信息带入堆场优化模型,以减少翻箱次数和运输距离为目标对预制构件的堆存位置进行优化求解。本发明考虑了后续预制构件堆存与施工的影响,为现场对预制构件进行合理堆存提供依据。
Description
技术领域
本发明涉及装配式建筑预制构件堆场的优化管理技术,更加具体地说,涉及预制构件在施工现场堆存的优化方法。
背景技术
近年来,随着建筑产业化的发展,装配式建筑得到了广泛关注,预制构件在装配式混凝土结构中的应用也越来越普及。经预制构件装配或链接而成装配式混凝土结构具有现场作业量小,施工质量高、施工速度快、节省劳动力资源、现场环境污染小等优点。然而,预制构件的施工过程相对复杂,涉及到预制构件设计与生产、储存与运输、施工现场堆存、吊车垂直运输、安装作业等一系列环节(王俊,赵基达,胡宗羽.我国建筑工业化发展现状与思考[J].土木工程学报,2016,49(05):6-13)。在上述环节中,预制构件在施工现场的堆存和吊装取用是重要环节,需要进行科学的安排与管理(Wu G,Yang R,Li L,et al,Factorsinfluencing the application of prefabricated construction in China:Fromperspectives of technology promotion and cleaner production[J].Journal ofCleaner Production,2019,vol.219:753-762)。实际工程中,尤其是位于城市中心的装配式工程,其施工现场的空间是有限的,预制构件堆场面积紧张,同时存在着预制构件堆场管理混乱、预制构件堆存无序的问题,这往往会增加施工中的翻箱次数,影响施工效率,甚至可能会导致施工作业延滞,无法发挥装配式建筑的优越性。
Kuo-Chuan Shih等(Kuo-Chuan Shih,Chun-Nen Huang,Shu-Shun Liu,etal.Study on the Storage and Transportation Optimization of PrefabricationFactory[C].22nd International Symposium on Automation and Robotics inConstruction,2005)提出了分区堆存的概念,并构建了以构件堆存成本和运输成本最小为目标的预制构件厂堆场优化模型。随后,将预制构件作为施工场地材料、设备的一部分,其优化布置得到了研究。将施工现场划分成若干个等大的矩形,材料或设施在矩形内存放,Pejman Alanjari等(Alanjari P,Razavialavi S,Abourizk S.A simulation-basedapproach for material yard laydown planning[J].Automation in Construction,2014,40:1-8)提出了以成本最小和运输时间最短为目标的施工场地仿真优化布置模型;杨彬等(杨彬,杨春贺,肖建庄,et al.基于BIM的装配式建筑施工场地布置及优化技术[J].建筑结构,2019(S1):921-925)提出了基于BIM的场地优化布置方法;Srinath S.Kumar等(Kumar S S,Cheng J C.A BIM-based automated site layout planning framework forcongested construction sites[J].Automation in Construction,2015)建立了施工场地布置动态优化模型,运用遗传算法对临时设施和材料所需要场地的大小和坐标进行了优化。目前,专门针对每一块预制构件在施工现场的堆存位置优化研究较少。丁宏亮等(丁宏亮,金睿,沈西华等.一种基于优化算法的预制构件堆场优化系统及其优化方法[P],中国专利:CN109146118A,2019-01-04)以提高施工现场堆场利用率为目标,开发了预制构件优化算法和系统,然而却没有考虑到预制构件叠放和取用翻箱。上述研究均没有考虑后续时段内预制构件堆存与取用的影响。
装配式建筑施工中,由于施工现场堆场空间有限,数量繁多的预制构件并非一次性储存足量,而是不断运输到达施工现场的。先运输到场的预制构件的堆存方式将影响着接下来施工的取用与后续构件的堆存,如果不考虑这种影响,则在后续施工中可能发生后施工的预制构件叠放在需要先施工的构件上的情况,将大幅增加施工中翻箱次数。因此,在堆场优化中需要考虑预制构件的后续运输情况和施工进度的影响。近年来,建筑信息模型(Building Information Model,BIM)、无线射频识别(Radio Frequency Identification,RFID)、全球卫星导航系统(Global Navigation Satellite System,GNSS)等技术在装配式建筑施工中的得到了发展与应用,实现了预制构件运输过程的实时追踪定位(Li C Z,XueF,Li X,et al.An Internet of Things-enabled BIM platform for on-site assemblyservices in prefabricated construction[J].Automation in Construction,2018,89:146-161)和施工进度的实时获取与施工仿真(Rafaela Bortolinia,Carlos TorresFormosoa,Daniela D.Viana.Site logistics planning and control for engineer-to-order prefabricated building systems using BIM 4D modeling[J].Automation inConstruction,2019,98:248-264)。
发明内容
本发明的目的在于克服现有技术的不足,旨在解决预制构件堆存混乱、翻箱次数多、影响施工效率的问题。本发明考虑了后续预制构件堆存与施工的影响,提出基于预制构件运输追踪与实时进度对预制构件堆场进行优化,对减少后续施工中的翻箱次数、提高施工效率、实现预制构件堆场的科学管理有重要意义。
本发明的技术目的通过下述技术方案予以实现。
一种基于预制构件运输追踪与实时进度的堆场优化方法,当一批到达施工现场的预制构件需要堆存时,通过从预制构件运输追踪系统中获取的预制构件运输信息对预制构件的到场信息进行预测,通过4D建筑信息模型(Building Information Model,BIM)获取基于当前施工进度的预制构件需求量,并通过堆场BIM模型获取当前堆场的堆存状态;将上述到场信息和堆存状态带入堆场优化模型,以减少翻箱次数和运输距离为目标,对预制构件的堆存位置进行优化求解。
而且,到场信息包括到场时间、运输速度、预制构件到场种类和数量。
而且,堆存状态包括预制构件在堆场的堆存位置、种类、数量信息。
而且,采用遗传算法与循环网络仿真结合,对预制构件的堆存位置进行优化求解。
而且,对预制构件的堆存位置进行优化求解过程中,以施工现场加权运输距离最小和优化时间段内的翻箱次数最少为优化目标,根据堆场面积、堆存高度、堆存总量以及相应逻辑条件为约束条件。
而且,对预制构件的堆存位置进行优化求解过程中,采用评价函数法对堆场优化模型求解,以场内运输时间最短为多目标堆场优化模型的评价函数。
具体包括以下步骤:
步骤1:信息的获取与处理。从预制构件实时追踪系统中,获取到达施工现场待堆存构件的种类、数量;同时获取预制构件的运输情况,包括其种类、数量、当前位置、运输速度等,并根据以上信息计算在途预制构件到达施工现场的时间。通过实时更新的4DBIM获取的实时施工进度,并结合施工计划获得预制构件的需求信息。从堆场BIM模型获取的当前预制构件堆存状态,包括预制构件在堆场的堆存位置、种类、数量信息。
步骤2:优化算法。将获取的待堆存构件种类、数量,在途预制构件的种类、数量及到场时间,基于当前进度的施工计划和预制构件需求量和堆场信息输入到预制构件堆场优化模型中,并对模型进行求解,得到待堆存构件的最优的堆存位置。优化模型考虑了优化时长T内预制构件的堆存与取用的影响,将T按照相等的时间间隔A分为K个时段,并在每一时段开始是对前一时段内到达的构件统一进行堆存。其具体方法如下:
1.预制构件分类与堆场模型的建立
对项目中用到的所有I种预制构件按照其堆存方式进行分类,分为立放构件,如预制墙板、预制阳台等;平铺构件,如预制叠合梁等;同种类叠放构件,如预制楼梯等;和混合叠放构件,如预制叠合板等。施工现场的堆存场地可以划分为E个大小相同的堆存区,每个堆存区内只能堆放某一种堆存方式的构件,堆存区的数量由现场管理人员确定。每一个堆存区进一步划分为M个贝位,又因为同种堆存方式的构件往往具有相近的大小,所以贝位的数量M根据堆存区内的堆存方式确定,同时考虑堆放的安全距离。当某一堆存区内构件的堆存方式确定后,该堆存区就只能堆存当前堆存方式的构件,直到堆存区内构件被取光。如附图1所示为一个E=6即有6个堆存区的堆场划分示意图,其中e表示堆存区编号,m表示贝位编号。
2.优化变量设置
为了控制变量的大小,提高求解的效率,本模型的优化变量设置为每一时段堆存完成后的堆场状态,构件的堆存位置可以通过堆存前后的堆场状态之差确定。每一时段开始对前一时段内到来的构件统一进行堆存完后更新一次堆场状态,故变量X由完成第k次堆存后堆场的堆存状态xk构成,其中k=1,2,……K,则变量X=[x1,x2,…,xk,…,xK]。
堆场的堆存状态由若干个堆存区的状态组成,堆存区又由若干个贝位组成,考虑到要表示混合叠放构件每一叠从上到下的叠放顺序,故用一个列向量来表示贝位的堆存状态。列向量可以分为两部分,第一部分表示堆存方式C,C=0表示贝位无构件堆存,C=1表示当前贝位堆存的是立放构件,C=2表示当前贝位堆存的是平铺构件,C=3表示当前贝位堆存的是同种叠放构件,C=4表示当前贝位堆存的是混叠构件。剩余部分表示堆存构件的型号与数量,列向量长度U由混叠构件最多允许叠放层数hmax决定,U=hmax+1。
当堆存区存放立放、平铺和同种叠放构件时,因不需要考虑叠放顺序,故将列向量的前三个元素分别为堆存方式C、构件型号和数量,剩余元素设为0。如附图2(a)所示,该贝位堆存立放构件,构件型号为i1,数量为q1。当堆存区存放混合叠放构件时,第2到U行分别表示贝位从上到下堆存构件的型号,如附图2(b)所示,该贝位堆存了4块混叠构件,从上到下的预制构件型号依次为i2,i3,i4,i4。将M个贝位整合成一个堆存区,E个堆存区表示一次堆存完的堆场状态,所以变量为一个矩阵,其大小为(KEM)×U。
3.优化目标确定
(1)施工现场加权运输距离P最小。运输距离采用构件从堆存区中心点到塔吊的距离表示,考虑到不同大小构件的运输难度不同,引入了运输难度系数wi,表示第i种构件的运输难度,如下式所示:
其中,yi,k,e为第k-1到k时间段内,第e堆存区取用的第i种构件数量;de为第e堆存区中心点到塔吊的直线距离。
(2)优化时间段T内的翻箱次数R最少,如下式所示:
其中,ri,k为k-1到k时间段内,取用第i种构件时发生翻箱的次数。
4.约束条件确定
(1)堆场面积约束。即针对某一种堆存方式的构件,其贝位数不得超过堆存区内最多允许的贝位数,如下式所示:
其中,z为当前堆存区构件的堆存方式;Az为该堆存方式下最大允许贝位数;k=1,2,……K,e=1,2,……E,m=1,2,……M。
(2)堆存高度约束。对于可以进行叠放的构件,其叠放的层数不得超过安全允许的最大层数,如下式所示:
其中,H3 max为同种叠放构件最大允许叠放层数;H4 max为混合叠放构件最大允许叠放层数;k=1,2,……K,e=1,2,……E,m=1,2,……M。
(3)总量的约束,如下式所示:
其中,Qk,i为第k次堆存后第i种构件的堆存量;Di,k表示第k-1到第k次堆存间的第i种构件需求量,qi,j为第i种构件第k次的堆存量。
(4)逻辑约束
①对于贝位堆存方式C=0的贝位,即未启用的贝位,所有变量设置为0;
②当贝位堆存方式C=1,2,3时,即构件立放、平铺或同种叠放时,表示贝位状态的列向量从第四行到最后一行均为0。
5.模型求解
优化模型为多目标整数规划模型,采用遗传算法与循环网络(Cyclic OperationNetwork,CYCLONE)仿真结合进行求解,流程图见附图3。其中,遗传算法用于生成满足要求的变量,并将变量、参数等输入给仿真模型,CYCLONE仿真模型用于评价函数的计算。在算法求得最优解后,堆存后的堆场状态与堆存前的堆场状态相减,得到每个构件的具体堆存位置,再作为结果输出。
(1)CYCLONE仿真建模
建立能体现预制构件存取过程的循环网络仿真模型(CYCLONE仿真模型),如附图4所示,对预制构件的存取过程进行仿真,计算预制构件取用时的场内运输时间。在优化模型中,在时间间隔A内,每进行N次取用后,对该时间段内到场构件统一进行堆存,这一设定对应着仿真模型中的职能节点。其循环次数N为按照计划该时段内吊装运输构件的数量,根据平均施工速度确定。由于预制构件的堆存并不占用塔吊,且对直线工期无影响,因此在计算场内运输时间时忽略了预制构件堆存的时间。
在对构件进行取用时,仿真模型提出了按照翻箱率最小、距离最小的两种规则,在进行仿真计算时可自主选择其中一种或者两种。预制构件场内运输时间由吊装时间td、水平运输时间th、垂直运输时间tv和翻箱时间tf组成,多次调用仿真模型,计算预制构件场内运输时间。设T时间内共施工取用了S块预制构件,则T时间内预制构件的吊装时间、水平运输时间、垂直运输时间和翻箱时间的计算公式分别如下:
th=2P/vh
tf=b×R
其中,a为单位构件吊装时间,vh为吊车水平运输速度,P为预制构件水平运输距离,h为垂直运输高度,vv为吊车垂直运输速度,b为单位翻箱时间,R为翻箱次数;由于不同大小、种类构件的运输难度不同,ws为第s块预制构件的运输难度系数。
评价函数F为T时间内预制构件的场内运输时间,即吊装时间、水平运输时间、垂直运输时间和翻箱时间的总和,其表达式如下:
F=td+th+tv+tf
(2)模型求解的遗传算法
选用的合适的适应度函数、编码方式和遗传操作对模型进行求解。步骤3:最优堆存方案确认与输出。对优化模型求解得到的最优堆存方案,需要结合工地和/或工程实际进行综合考虑,通过表格或堆场BIM模型等形式输出最优方案,以辅助预制构件的堆存提供依据;如果工地和/或工程实际与步骤2得到的堆存方案产生冲突,则可进行参数的人工调整,重新进行优化,以满足工地和/或工程实际。
与现有技术相比,本发明具有以下有益效果:(1)在施工现场预制构件堆场空间有限的条件下,考虑预制构件实际施工进度,并通过实时跟踪运输情况,对预制构件的堆存进行了合理规划,解决了预制构件现场的实时堆存问题。(2)有效减少了预制构件在施工中的翻箱次数,缩短了预制构件在施工现场的运输时间,提高了施工效率,节省堆存成本。
附图说明
图1是本发明中预制构件施工现场堆场划分示意图。
图2是本发明中描述不同堆存模式下贝位状态的列向量说明图,其中(a)为立放、平铺、同种叠放贝位状态列向量;(b)为混合叠放贝位状态列向量。
图3是本发明中优化模型求解流程示意图。
图4是本发明中预制构件堆存与取用的CYCLONE仿真模型图。
图5是本发明中预制构件场内运输仿真计算流程示意图。
图6是本发明中交叉变异算子示意图。
具体实施方式
为了进一步说明本发明的特征和优点,下面结合实施例对本发明进行描述,但本发明不仅限于实施例。
实例中,根据实际运输与施工情况,优化时长T取为2天,每天施工时间按照8小时计算,施工现场每2小时对预制构件进行一次堆存,则共分为8个时段。
步骤1,信息的获取与处理:预制构件运输追踪系统利用无线射频识别(RadioFrequencyIdentification,RFID)和全球卫星导航系统(GlobalNavigationSatellite System,GNSS)技术实现了预制构件出厂、运输、入场的全过程实时追踪。由此,可以获取到达施工现场待堆存构件的型号、数量;同时获取预制构件的运输情况,包括其型号、数量、当前位置、运输速度等,并根据当前位置和平均速度计算在途预制构件到达施工现场的时间。如表1所示为预制构件到场时间的追踪与预测结果,最左列为预制构件到达施工现场的时段,0表示当前已到达施工现场待堆存的构件;右侧列括号中的数字表示该种型号预制构件的数量。通过实时更新的4DBIM模型获取的实时施工进度,并利用BIM模型的仿真功能,基于当前的实际施工进度与施工计划,计算预制构件需求计划D,需求计划如表2所示。从堆场BIM模型获取的当前预制构件堆存状态,包括预制构件在堆场的堆存位置、种类、数量信息。
表1:预制构件到场时间
表2:预制构件需求量
步骤2,优化算法:将步骤1中获取的信息输入到预制构件堆场优化模型中,并利用MATLAB对模型进行求解,得到待堆存构件的最优的堆存位置。优化模型考虑了优化时间T(如2天,每天按照8小时工作计)内预制构件的堆存与取用的影响,并将T按照相等的时间间隔A(如2小时)分为K=8个时段,并在每一时段开始对到前一时段内到来的构件统一进行堆存。优化模型其求解具体原理如下:
1.预制构件分类与堆场模型的建立
对项目中用到的所有预制构件按照其堆存方式进行分类,分为立放构件,如预制墙板、预制阳台等;平铺构件,如预制叠合梁等;同种类叠放构件,如预制楼梯等;和混合叠放构件,如预制叠合板等。实例中用到了I=42种不同型号的预制叠合板,其堆存方式均为混合叠放堆存。
实例中,施工现场用于预制构件堆存的场地为一块尺寸为10×21m2的矩形,现场管理人员将其划分为E=6个5×7m2的堆存区,每个堆存区内只能堆放某一种堆存方式的构件,每一个堆存区进一步划分为M个贝位,贝位的数量M根据堆存区内的堆存方式确定,同时考虑堆放的安全距离。当某一堆存区内构件的堆存方式确定后,该堆存区就只能堆存当前堆存方式的构件,直到堆存区内构件被取光。本例中只有一种堆存方式的预制构件即混合叠放堆存,考虑每种构件的最大尺寸后,确定每个堆存区内可设置混合叠放贝位数量M=2个。
2.优化变量设置
模型的优化变量设置为每一时段堆存完成后的堆场状态。变量X由完成第k次堆存后堆场的堆存状态xk构成,其中k=1,2,……K,则变量X=[x1,x2,…,xk,…,xK]。每一次堆存后的堆场状态由E=6个堆存区的状态组成,堆存区又由M=2个贝位组成,贝位的堆存状态用一个列向量来表示。列向量可以分为两部分,第一部分表示堆存方式C,C=0表示贝位无构件堆存,C=1表示当前贝位堆存的是立放构件,C=2表示当前贝位堆存的是平铺构件,C=3表示当前贝位堆存的是同种叠放构件,C=4表示当前贝位堆存的是混叠构件。本例中只有预制叠合板一种预制构件,故C的取值范围为0或4。实例中堆存区只有混合叠放构件时,则列向量第2到U行分别表示贝位从上到下堆存构件的型号。列向量长度U由混叠构件最多允许堆存量hmax决定,出于安全考虑,最多允许6块预制叠合板叠放,即hmax=6,故U=hmax+1=7。
将M=2个贝位整合成一个堆存区,E=6个堆存区表示一次堆存完的堆场状态,所以变量为一个矩阵,其大小为(KEM)×U,即矩阵变量X的大小为96×7。
3.优化目标
(1)施工现场加权运输距离P最小。运输距离采用构件从堆存区中心点到塔吊的距离表示,考虑到不同大小构件的运输难度不同,引入了运输难度系数wi,表示第i种构件的运输难度,实例中预制构件尺寸相似,故wi=1,i=1,2,……I。优化目标如下式所示:
其中,yi,k,e为第k-1到k时间段内第e个堆存区取用的第i种构件数量;de为第e堆存区中心点到塔吊的直线距离,在本例中d1~d6的取值分别为15.3m,16.9m,19.3m,20.5m,23.3m和24.3m。
(2)优化时间段T内的翻箱次数R最少,如下式所示:
其中,ri,k为k-1到k时间段内,取用第i种构件时发生翻箱的次数。
4.约束条件
(1)堆场面积约束。即针对某一种堆存方式的构件,其贝位数不得超过堆存区内最多允许的贝位数,如下式所示:
其中,z为当前堆存区构件的堆存方式;Az为该堆存方式下最大允许贝位数,本例中Az=2;k=1,2,……K,e=1,2,……E,m=1,2,……M。
(2)堆存高度约束。对于可以进行叠放的构件,其叠放的层数不得超过安全允许的最大层数,如下式所示:
其中,H3 max为同种叠放构件最大允许叠放层数;H4 max为混合叠放构件最大允许叠放层数;k=1,2,……K,e=1,2,……E,m=1,2,……M。本例中H4 max=6,因为没有同种叠放构件,故H3 max不予考虑。
(3)堆存总量的约束,如下式所示:
其中,Qk,i为第k次堆存后第i种构件的堆存量;Di,k表示第k-1到第k次堆存间的第i种构件需求量,qi,j为第i种构件第k次的堆存量。
(4)逻辑约束
Ⅰ.对于贝位堆存方式C=0的贝位,即未启用的贝位,所有变量设置为0;
Ⅱ.当贝位堆存方式C=1,2,3时,即构件立放、平铺或同种叠放时,表示贝位状态的列向量从第四行到最后一行均为0。
5.模型求解
采用遗传算法与CYCLONE仿真结合进行求解。其中,遗传算法用于生成满足要求的变量,并将变量、参数等输入给仿真模型,CYCLONE仿真模型用于评价函数的计算。在算法求得最优解后,堆存后的堆场状态与堆存前的堆场状态相减,得到每个构件的具体堆存位置,再作为结果输出。
(1)CYCLONE仿真建模
建立对预制构件存取过程进行仿真CYCLONE模型,计算预制构件取用时的场内运输时间。仿真模型中循环次数N为该时段内预计施工预制构件数量。预制构件场内运输时间由吊装时间td、水平运输时间th、垂直运输时间tv和翻箱时间tf组成,多次调用仿真模型,计算T时间段内预制构件场内运输时间。本例中按照翻箱率最小的规则对场内运输时间进行仿真计算。设T时间内共施工取用了S块预制构件,则T时间内预制构件的吊装时间、水平运输时间、垂直运输时间和翻箱时间的计算公式如下:
th=2P/vh
tf=b×R
其中,本例中a=5min为单位构件吊装时间,vh=20m/min为吊车水平运输速度,P为预制构件水平运输距离,h为垂直运输高度,根据本例中施工楼层高度确定为12m,vv=40m/min为吊车垂直运输速度,R为翻箱次数,实例中b=5min为单位翻箱时间;本例中不同型号构件的运输难度系数ws=1。
评价函数F为T时间内预制构件的场内运输时间,即吊装时间、水平运输时间、垂直运输时间和翻箱时间的总和,其表达式如下:
F=td+th+tv+tf
(2)模型求解的遗传算法
采用矩阵编码的遗传算法对上述模型进行求解,求解过程中选用的适应度函数、编码方式和遗传操作如下所示。
适应度函数:依据评价函数F构造遗传算法的适应度函数f,其表达式如下:
其中,F为T时间内预制构件场内运输时间;M为惩罚系数;np为不满足约束的程度,本模型中用偏离等式约束的程度表示。
编码方式:模型的变量X为一个大小为(KEM)×U的矩阵,常规的一维编码方式(二进制编码、实数编码等)无法简单直接地表示变量,因此采用矩阵编码进行求解,即将一个矩阵作为一个个体参与遗传操作。
遗传操作:本实例求解中采用轮盘赌选择和精英保留策略,采用原理如下所示的自适应交叉算子、交叉算子对模型进行迭代求解。
Ⅰ.自适应交叉算子。自适应交叉算子的交叉率随父代个体的适应度值改变定,当种群个体趋于一致或者趋于局部最优时,交叉概率增加,加速算法的搜索过程,防止陷入局部最优;而当适应度值较分散时,交叉概率减小,使得高适应度值的个体得到保留。
交叉概率的计算公式如下:
其中,Pc为交叉概率,fmax为种群的最大适应度值,favg为种群的平均适应度值,f为要交叉的两个个体中较大的适应度值。k1,k2为参数且k1>k2,本实例中k1,k2分别取0.75和0.8。
交叉方式为单点交叉,如附图6中(a)所示。随机产生交叉节点n,代表从第n次堆存后进行交叉,取第一个父代个体的1~n次堆存后的堆场状态和第二个父代个体的n+1~N次(共N次)堆存后的堆场状态组成新的子代个体。
Ⅱ.变异算子。随机产生变异节点n,保留节点前的变量,重新生成节点后的变量,即重新第n次堆存后的堆场状态,形成新的个体,如附图6中(b)所示。
按照上述方法进行建模并利用MATLAB对模型进行求解,得到最优堆存方案。最优方案在T时间段内的翻箱次数和场内运输距离分别为12次和1229米,场内运输时间为496分钟。与未考虑T时间段内堆存与取用情况的堆存方案相比,T时间段内翻箱次数减小35次,场内运输距离减少46米,场内运输时间减少181分钟,占总运输时间的37%。由此可见,本发明有效减少了预制构件场内运输时间和翻箱次数,提高了施工效率。
步骤3,最优堆存方案确认与输出:对优化模型求解得到的最优堆存方案进行人工确认,如不合理,则人工调整对堆存方案或重新进行优化,直至确认无误。如确认无误,则通过表格或堆场BIM模型等形式输出最优方案,以辅助预制构件的堆存决策。确认无误后的堆存方案如表3所示:
表3:最优堆存方案
根据本发明内容进行工艺参数的调整,均可实现基于预制构件的运输追踪和实时进度的堆场优化。以上对本发明做了示例性的描述,应该说明的是,在不脱离本发明的核心的情况下,任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
Claims (4)
1.一种基于预制构件运输追踪与实时进度的堆场优化方法,其特征在于,当一批到达施工现场的预制构件需要堆存时,通过从预制构件运输追踪系统中获取的预制构件运输信息对预制构件的到场信息进行预测,通过4D建筑信息模型获取基于当前施工进度的预制构件需求量,并通过堆场BIM模型获取当前堆场的堆存状态;将上述到场信息和堆存状态带入堆场优化模型,以减少翻箱次数和运输距离为目标,对预制构件的堆存位置进行优化求解;到场信息包括到场时间、运输速度、预制构件到场种类和数量;堆存状态包括预制构件在堆场的堆存位置、种类、数量信息;
采用遗传算法与循环网络仿真结合,对预制构件的堆存位置进行优化求解;堆场优化模型中以施工现场加权运输距离最小和优化时间段内的翻箱次数最少为优化目标,根据堆场面积、堆存高度、堆存总量以及相应逻辑条件为约束条件,对预制构件的堆存位置进行求解;堆场优化模型中,考虑了优化时长T内预制构件的堆存与取用的影响,并将T按照相等的时间间隔A分为K个时段,在每一时段开始是对前一时段内到达的构件统一进行堆存;对项目中用到的所有I种预制构件按照其堆存方式进行分类,分为立放构件,平铺构件;同种类叠放构件和混合叠放构件;施工现场的堆存场地可划分为E个大小相同的堆存区,每个堆存区内只能堆放某一种堆存方式的构件,堆存区的数量由现场管理人员确定;每一个堆存区进一步划分为M个贝位,又因为同种堆存方式的构件往往具有相近的大小,所以贝位的数量M根据堆存区内的堆存方式确定,同时考虑堆放的安全距离;当某一堆存区内构件的堆存方式确定后,该堆存区就只能堆存当前堆存方式的构件,直到堆存区内构件被取光;
每一时段开始对前一时段内到来的构件统一进行堆存完后更新一次堆场状态,故变量X由完成第k次堆存后堆场的堆存状态xk构成,其中k=1,2,……K,则变量X=[x1,x2,…,xk,…,xK];堆场的堆存状态由若干个堆存区的状态组成,堆存区又由若干个贝位组成,考虑到要表示混合叠放构件每一叠从上到下的叠放顺序,故用一个列向量来表示贝位的堆存状态;列向量可分为两部分,第一部分表示堆存方式C,C=0表示贝位无构件堆存,C=1表示当前贝位堆存的是立放构件,C=2表示当前贝位堆存的是平铺构件,C=3表示当前贝位堆存的是同种叠放构件,C=4表示当前贝位堆存的是混叠构件;剩余部分表示堆存构件的型号与数量,列向量长度U由混叠构件最多允许叠放层数hmax决定,U=hmax+1;
当堆存区存放立放、平铺和同种叠放构件时,故将列向量的前三个元素分别为堆存方式C、构件型号和数量,剩余元素设为0;当堆存区存放混合叠放构件时,第2到U行分别表示贝位从上到下堆存构件的型号,将M个贝位整合成一个堆存区,E个堆存区表示一次堆存完的堆场状态,所以变量为一个矩阵,其大小为(KEM)×U。
3.根据权利要求1所述的一种基于预制构件运输追踪与实时进度的堆场优化方法,其特征在于,堆场优化模型中,约束条件如下:
(1)堆场面积约束,即针对某一种堆存方式的构件,其贝位数不得超过堆存区内最多允许的贝位数,如下式所示:
其中,z为当前堆存区构件的堆存方式;Az为该堆存方式下最大允许贝位数;k=1,2,……K,e=1,2,……E,m=1,2,……M
(2)堆存高度约束—对于可以进行叠放的构件,其叠放的层数不得超过安全允许的最大层数,如下式所示:
其中,H3 max为同种叠放构件最大允许叠放层数;H4 max为混合叠放构件最大允许叠放层数;k=1,2,……K,e=1,2,……E,m=1,2,……M
(3)堆存总量的约束,如下式所示:
其中,Qk,i为第k次堆存后第i种构件的堆存量;Di,k表示第k-1到第k次堆存间的第i种构件需求量,qi,j为第i种构件第k次的堆存量;
(4)逻辑约束
①对于贝位堆存方式C=0的贝位,即未启用的贝位,所有变量设置为0;
②当贝位堆存方式C=1,2,3时,即构件立放、平铺或同种叠放时,表示贝位状态的列向量从第四行到最后一行均为0。
4.根据权利要求1所述的一种基于预制构件运输追踪与实时进度的堆场优化方法,其特征在于,对预制构件堆存位置求解过程中,采用评价函数法对多目标堆场优化模型进行求解,由于目标翻箱和距离均影响着场内运输时间,故以T时间内预制构件的场内运输时间最短作为评价函数进行求解,并用循环网络仿真模型对场内运输时间进行计算;预制构件场内运输时间由吊装时间td、水平运输时间th、垂直运输时间tv和翻箱时间tf组成,设T时间内共施工取用了S块预制构件,则T时间内场内运输时间即评价函数F如下:
F=td+th+tv+tf
th=2P/vh
tf=b×R
其中,a为单位构件吊装时间,vh为吊车水平运输速度,P为预制构件水平运输距离,h为垂直运输高度,vv为吊车垂直运输速度,b为单位翻箱时间,R为翻箱次数;由于不同大小、种类构件的运输难度不同,ws为第s块预制构件的运输难度系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131020.8A CN113326963B (zh) | 2020-02-28 | 2020-02-28 | 一种基于预制构件运输追踪与实时进度的堆场优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010131020.8A CN113326963B (zh) | 2020-02-28 | 2020-02-28 | 一种基于预制构件运输追踪与实时进度的堆场优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113326963A CN113326963A (zh) | 2021-08-31 |
CN113326963B true CN113326963B (zh) | 2022-12-20 |
Family
ID=77412906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010131020.8A Active CN113326963B (zh) | 2020-02-28 | 2020-02-28 | 一种基于预制构件运输追踪与实时进度的堆场优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113326963B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150639A (zh) * | 2013-01-17 | 2013-06-12 | 招商局国际信息技术有限公司 | 堆场作业设备配置方法和配置系统 |
CN106326583A (zh) * | 2016-08-30 | 2017-01-11 | 上海二十冶建设有限公司 | 基于bim的工程材料堆放方法 |
CN107967399A (zh) * | 2017-12-19 | 2018-04-27 | 广东建远建筑装配工业有限公司 | 一种基于bim软件的装配式建筑深化设计方法 |
CN108427787A (zh) * | 2017-08-12 | 2018-08-21 | 中民筑友科技投资有限公司 | 一种基于bim的装配式堆场布局管理方法及系统 |
CN108428079A (zh) * | 2017-08-12 | 2018-08-21 | 中民筑友科技投资有限公司 | 一种基于bim的装配式堆场管理方法及装置 |
CN108427790A (zh) * | 2017-08-12 | 2018-08-21 | 中民筑友科技投资有限公司 | 基于bim的装配现场的构件物流管理仿真方法及装置 |
CN109146118A (zh) * | 2018-06-19 | 2019-01-04 | 浙江省建工集团有限责任公司 | 一种基于优化算法的预制构件堆场优化系统及其优化方法 |
-
2020
- 2020-02-28 CN CN202010131020.8A patent/CN113326963B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150639A (zh) * | 2013-01-17 | 2013-06-12 | 招商局国际信息技术有限公司 | 堆场作业设备配置方法和配置系统 |
CN106326583A (zh) * | 2016-08-30 | 2017-01-11 | 上海二十冶建设有限公司 | 基于bim的工程材料堆放方法 |
CN108427787A (zh) * | 2017-08-12 | 2018-08-21 | 中民筑友科技投资有限公司 | 一种基于bim的装配式堆场布局管理方法及系统 |
CN108428079A (zh) * | 2017-08-12 | 2018-08-21 | 中民筑友科技投资有限公司 | 一种基于bim的装配式堆场管理方法及装置 |
CN108427790A (zh) * | 2017-08-12 | 2018-08-21 | 中民筑友科技投资有限公司 | 基于bim的装配现场的构件物流管理仿真方法及装置 |
CN107967399A (zh) * | 2017-12-19 | 2018-04-27 | 广东建远建筑装配工业有限公司 | 一种基于bim软件的装配式建筑深化设计方法 |
CN109146118A (zh) * | 2018-06-19 | 2019-01-04 | 浙江省建工集团有限责任公司 | 一种基于优化算法的预制构件堆场优化系统及其优化方法 |
Non-Patent Citations (1)
Title |
---|
秦蔚壑."基于BIM的预制构件工业化生产关键技术研究".《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》.2019, * |
Also Published As
Publication number | Publication date |
---|---|
CN113326963A (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Real‐Time Optimization of Precast Concrete Component Transportation and Storage | |
Liao et al. | Metaheuristics for project and construction management–A state-of-the-art review | |
CN109359884A (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
CN106773686A (zh) | 同轨双车运行模式下堆垛机调度路径模型建立方法 | |
CN109081030B (zh) | 一种子母穿梭车式密集仓储系统的配置优化方法 | |
CN107808215A (zh) | 一种应用于Flying‑V型非传统布局仓库的货位分配优化方法 | |
CN111498696A (zh) | 一种双吊具场桥调度优化方法及装置 | |
CN106021700A (zh) | 基于分散式出/入库布局模式下的货位分配模型建立方法 | |
Bock | Construction automation and robotics | |
Ohmori | Computational morphogenesis: Its current state and possibility for the future | |
Koo et al. | Zoning‐based vertical transportation optimization for workers at peak time in a skyscraper construction | |
Zhang et al. | Site layout planning for prefabricated components subject to dynamic and interactive constraints | |
Yang et al. | A BIM-based approach to automated prefabricated building construction site layout planning | |
CN103628483B (zh) | 混凝土坝浇筑入仓机械联合浇筑模拟与优化方法 | |
CN113326963B (zh) | 一种基于预制构件运输追踪与实时进度的堆场优化方法 | |
CN113434996B (zh) | 装配式混凝土结构塔机吊装服务调度方法 | |
Dowlatshahi | A modelling approach to design of integrated facilities | |
CN101736925A (zh) | 用于核电站核岛的模块化建造方法 | |
CN101748915B (zh) | 用于核电站核岛的模块化建造方法 | |
Lim et al. | Integrated management model of production and yard stock for in-situ precast concrete production | |
Alkriz et al. | A new model for optimizing the location of cranes and construction facilities using genetic algorithms | |
CN101752017A (zh) | 用于核电站核岛的模块化建造方法 | |
Zhang et al. | Construction management utilizing 4D CAD and operations simulation methodologies | |
Tang | Research on comprehensive application of BIM in green construction of prefabricated buildings | |
Luo et al. | From factory to site—designing for industrial robots used in on-site construction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |