KR20240071088A - 딥러닝을 기반으로 하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법 - Google Patents

딥러닝을 기반으로 하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법 Download PDF

Info

Publication number
KR20240071088A
KR20240071088A KR1020220152811A KR20220152811A KR20240071088A KR 20240071088 A KR20240071088 A KR 20240071088A KR 1020220152811 A KR1020220152811 A KR 1020220152811A KR 20220152811 A KR20220152811 A KR 20220152811A KR 20240071088 A KR20240071088 A KR 20240071088A
Authority
KR
South Korea
Prior art keywords
loader
soil
dump truck
conditions
site
Prior art date
Application number
KR1020220152811A
Other languages
English (en)
Inventor
한승우
고용호
노재윤
김유진
키앙
신도형
Original Assignee
인하대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020220152811A priority Critical patent/KR20240071088A/ko
Publication of KR20240071088A publication Critical patent/KR20240071088A/ko

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • 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
    • 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
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 딥러닝을 기반으로 하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법에 관한 것이다. 본 발명에 따르면, 딥러닝 기반의 토공사 토사 운반 작업 최적 장비 조합 도출 장치를 이용한 최적 장비 조합 도출 방법에 있어서, 과거 복수의 현장 사례 별로 현장에 적용된 로더 조건에 대한 복수의 변수, 덤프트럭 조건에 대한 복수의 변수, 그리고 해당 현장의 로더 한대당 최적 덤프트럭 대수를 포함한 기초 데이터를 수집하는 단계, 각 사례 별로 상기 로더 조건의 각 변수와 상기 덤프트럭 조건의 각 변수를 입력 데이터로 설정하고 그에 대응되는 상기 최적 덤프트럭 대수를 출력 데이터로 설정하여 예측 모델을 학습시키는 단계, 대상 현장에 적용되는 로더 조건 및 덤프 트럭 조건에 대한 각 변수를 입력받는 단계, 및 상기 입력된 로더 조건 및 덤프트럭 조건에 대한 각 변수를 기 학습된 상기 예측 모델에 적용하여 상기 대상 현장에 대한 로더 한대당 최적 덤프트럭 대수를 예측하는 단계를 포함한다.
본 발명에 따르면, 다양한 현장 조건을 고려한 데이터베이스를 딥러닝 학습한 결과를 바탕으로 현재 분석대상이 되는 현장에 대한 로더 한대당 덤프트럭의 최적 대수를 예측하여 제공할 수 있다.

Description

딥러닝을 기반으로 하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법{Apparatus for deriving optimal combination of equipment for earth transport work based on deep learning and method thereof}
본 발명은 딥러닝을 기반으로 하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 토공사 토사 운반 작업을 위한 로더 한대당 필요한 덤프트럭의 최적 대수를 딥러닝 기반으로 결정할 수 있는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법에 관한 것이다.
건설 프로젝트의 성공적인 수행을 위해서는 다양한 현장 조건과 환경을 고려한 데이터 기반의 공정계획이 필수적으로 수립되어야 한다. 특히, 도로공사와 같은 대규모 건설공사의 경우, 현장 조건을 고려한 최적의 장비 조합 정보를 도출하는 것은 공사 기간과 비용에 큰 영향을 주는 요소다.
국내의 경우, 표준품셈과 현장관리자의 경험에 의한 공정계획 수립 방법이 주로 수행되고 있다. 표준품셈은 다양한 조건에 대한 생산성을 고려할 수 있는 정보를 제공하지만, 여러 장비의 조합으로 수행되는 도로공사의 최적의 장비 조합을 도출하는 데는 한계가 있는 방법이다. 또한, 변화하는 현장 조건을 즉각적으로 반영하는 것 또한 어렵다.
국내외에서, 이러한 한계를 극복하기 위해 다양한 현장 조건을 즉각적으로 반영할 수 있는 시뮬레이션 기법 기반의 생산성 추출 방법이 제시되었다. 그러나 이러한 시뮬레이션 기법 기반의 생산성 추출 방법의 우수성에도 불가하고 국내 현장 적용에 있어 큰 한계가 있는 것으로 분석되었다. 시뮬레이션 기술 도입을 위해 공정프로세스 파악, 데이터 수집, 시뮬레이션 모델링과 같은 시간 소모적이고 전문 지식이 요구되는 작업을 필요로 한다.
본 발명의 배경이 되는 기술은 한국등록특허 제10-1949049호(2019.02.11. 공고)에 개시되어 있다.
본 발명은, 다양한 현장 조건을 고려한 데이터베이스를 딥러닝 학습하고 학습 모델을 바탕으로 현재 분석대상이 되는 현장에 대한 로더 및 덤프트럭의 최적 대수를 예측해줄 수 있는 딥러닝을 기반으로 하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법을 제공하는데 목적이 있다.
본 발명은, 딥러닝 기반의 토공사 토사 운반 작업 최적 장비 조합 도출 장치를 이용한 최적 장비 조합 도출 방법에 있어서, 과거 복수의 현장 사례 별로 현장에 적용된 로더 조건에 대한 복수의 변수, 덤프트럭 조건에 대한 복수의 변수, 그리고 해당 현장의 로더 한대당 최적 덤프트럭 대수를 포함한 기초 데이터를 수집하는 단계, 각 사례 별로 상기 로더 조건의 각 변수와 상기 덤프트럭 조건의 각 변수를 입력 데이터로 설정하고 그에 대응되는 상기 최적 덤프트럭 대수를 출력 데이터로 설정하여 예측 모델을 학습시키는 단계, 대상 현장에 적용되는 로더 조건 및 덤프 트럭 조건에 대한 각 변수를 입력받는 단계, 및 상기 입력된 로더 조건 및 덤프트럭 조건에 대한 각 변수를 기 학습된 상기 예측 모델에 적용하여 상기 대상 현장에 대한 로더 한대당 최적 덤프트럭 대수를 예측하는 단계를 포함한다.
또한, 상기 로더 조건에 대한 복수의 변수는, 버킷크기, 현장의 토사 상태에 따라 기 결정되는 버킷계수, 로더를 통한 토사의 굴착 전후의 부피 변화인 체적환산계수, 시간당 실제 로더의 작업시간에 해당한 작업효율, 버킷을 통해 토사를 1회 적재하는데 소요된 시간인 1회 적재 시간 중 적어도 2 이상의 변수를 포함할 수 있다.
또한, 상기 체적환산계수 및 상기 작업효율은 아래의 수학식에 의해 결정될 수 있다.
또한, 상기 덤프트럭 조건에 대한 복수의 변수는, 덤프트럭 규격(ton), 로더를 통해 덤프트럭에 적재되는 토사 밀도인 흙 밀도(ton/㎥), 자연 상태에서 굴착후 변화하는 토사의 부피 비율인 체적증가비, 로더와 목적지 간 거리인 운반거리, 덤프트럭에 토사가 적재되는 적재 속도, 목적지로 토사 운반 후 공차 상태로 다시 돌아올 때의 덤프트럭 이동 속도인 공차 속도 중 적어도 2 이상의 변수를 포함할 수 있다.
또한, 상기 체적증가비는, 토사의 굴착 전후의 부피 변화를 나타내는 체적환산계수의 역수 값에 해당할 수 있다.
또한, 상기 해당 현장의 로더 한대당 최적 덤프트럭 대수는, 해당 현장에 대한 로더의 시간당 생산성(㎥/hour) 및 비용(원/hour)과 덤프트럭의 시간당 생산성 및 비용을 고려하여 복수의 후보 덤프트럭 대수 별로 환산되는 단위물량당 비용인 단위비용(원/㎥) 중에서 최소 비용을 도출한 덤프트럭 대수에 해당할 수 있다.
그리고, 본 발명은, 딥러닝 기반의 토공사 토사 운반 작업 최적 장비 조합 도출 장치에 있어서, 과거 복수의 현장 사례 별로 현장에 적용된 로더 조건에 대한 복수의 변수, 덤프트럭 조건에 대한 복수의 변수, 그리고 해당 현장의 로더 한대당 최적 덤프트럭 대수를 포함한 기초 데이터를 수집하는 데이터 수집부, 각 사례 별로 상기 로더 조건의 각 변수와 상기 덤프트럭 조건의 각 변수를 입력 데이터로 설정하고 그에 대응되는 상기 최적 덤프트럭 대수를 출력 데이터로 설정하여 예측 모델을 학습시키는 학습부, 대상 현장에 적용되는 로더 조건 및 덤프트럭 조건에 대한 각 변수를 입력받는 입력부, 및 상기 입력된 로더 조건 및 덤프트럭 조건에 대한 각 변수를 기 학습된 상기 예측 모델에 적용하여 상기 대상 현장에 대한 로더 한대당 최적 덤프트럭 대수를 예측하는 예측부를 포함한다.
본 발명에 따르면, 다양한 현장 조건을 고려한 데이터베이스를 딥러닝 학습한 결과를 바탕으로 현재 분석대상이 되는 현장에 대한 로더 한대당 덤프트럭의 최적 대수를 사전 예측하여 제공할 수 있다.
도 1은 본 발명의 실시예에 따른 토공사 토사 운반 작업 최적 장비 조합 도출 장치의 구성을 나타낸 도면이다.
도 2는 도 1의 장치를 이용한 토공사 토사 운반 작업 최적 장비 조합 도출 방법을 설명하는 도면이다.
도 3은 토공사 현장에서 로더에 의해 덤프트에 토사가 적재 후 운반되는 공정 프로세스를 설명한 도면이다.
도 4는 본 발명의 실시예에서 모델 학습을 위해 현장 사례 별로 수집한 기초 데이터를 예시적으로 도시한 도면이다.
도 5는 본 발명의 실시예에서 단위 비용을 고려하여 최적 덤프트럭 대수를 결정하는 원리를 설명하기 위한 도면이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도 1은 본 발명의 실시예에 따른 토공사 토사 운반 작업 최적 장비 조합 도출 장치의 구성을 나타낸 도면이다.
도 1에 나타낸 것과 같이, 본 발명의 실시예에 따른 토공사 토사 운반 작업 최적 장비 조합 도출 장치(100)는 데이터 수집부(110), 학습부(120), 입력부(130), 예측부(140)를 포함할 수 있다. 여기서 각 부(110~140)의 동작 및 각 부 간의 데이터 흐름은 제어부(미도시)에 의해 제어될 수 있다.
데이터 수집부(110)는 과거 복수의 현장 사례 별로 현장에 적용된 로더 조건에 대한 복수의 변수, 덤프트럭 조건에 대한 복수의 변수, 그리고 해당 현장의 로더 한대당 최적 덤프트럭 대수를 포함한 기초 데이터를 수집한다. 이를 통해 데이터 수집부(110)는 예측 모델 학습에 필요한 빅데이터를 구축할 수 있다.
본 발명의 실시예는 다양한 현장 조건을 고려한 데이터베이스를 생성하고 이를 기반으로 입출력 정보가 명확한 딥러닝 기반의 예측 모델을 제시해줄 수 있다.
학습부(120)는 각 사례 별로 로더 조건의 각 변수와 덤프트럭 조건의 각 변수를 입력 데이터로 설정하고 그에 대응되는 최적 덤프트럭 대수를 출력 데이터로 설정하여 예측 모델을 학습시킨다.
예측 모델 생성에는 다양한 기법이 사용될 수 있는데, 심층신경망(Deep neural network, DNN), 로지스틱 회귀(logistic regression), 랜덤 포레스트(random forest) 알고리즘이 사용될 수 있다. 본 발명의 실시예에서 예측 모델은 심층 신경망(DNN) 알고리즘을 통하여 학습될 수 있다.
이에 따라 본 발명의 실시예는 로더 한대당 최적 덤프트럭 대수를 결정해 주는 예측 모델을 생성할 수 있다.
입력부(130)는 대상 현장에 적용되는 로더 조건 및 덤프 트럭 조건에 대한 각 변수를 입력받는다. 입력부(130)는 사용자 단말로부터 관련 데이터를 입력 인터페이스를 통해 입력받을 수 있다.
예측부(140)는 입력된 로더 조건 및 덤프트럭 조건에 대한 각 변수를 기 학습된 예측 모델에 적용하여 대상 현장에 대한 로더 한대당 최적 덤프트럭 대수를 예측하여 예측 결과로 제공할 수 있다.
이에 따라, 본 발명의 실시예의 경우, 임의 현장에 대한 로더 조건 및 덤프트럭 조건과 관련한 각 변수를 사전 학습된 딥러닝 기반의 예측 모델에 입력하는 것만으로도, 해당 현장에서 로더 한대당 필요할 것으로 예상되는 덤프트럭의 최적 대수를 예측 결과로 출력해줄 수 있다.
본 발명의 실시예에 따른 장치(100)는 덤프트럭 최적 대수를 결정하는 서버 그 자체 일수도 있고, 사용자 단말(미도시) 상에 구현되는 어플리케이션(Application)에 해당할 수도 있다. 사용자 단말은 관련 어플리케이션(응용 프로그램)이 실행된 상태에서 본 발명의 장치(100)와 네트워크 접속되어 분석 대상이 되는 현장에 대한 데이터 입력에 대응하여 예측되는 해당 현장에 대한 최적 덤프트럭 대수를 화면을 통해 출력하여 제공할 수 있다.
도 2는 도 1의 장치를 이용한 토공사 토사 운반 작업 최적 장비 조합 도출 방법을 설명하는 도면이다.
먼저, 데이터 수집부(110)는 과거의 각 현장 사례 별로 현장의 로더 장비 및 덤프트럭 장비와 관련한 각각의 변수와 해당 현장에서의 최적 덤프트럭 대수를 포함한 기초 데이터를 수집한다(S210). 데이터 수집부(110)는 이를 기반으로 모델 학습을 위한 빅데이터를 구축할 수 있고 수집된 데이터는 데이터베이스부와 같은 데이터 저장소에 저장할 수 있다.
본 발명의 실시예에서, 로더 조건에 대한 복수의 변수는 버킷크기, 버킷계수, 체적환산계수, 작업효율, 1회 적재시간 중 적어도 2개 이상의 변수를 포함할 수 있다. 그리고, 덤프트럭 조건에 대한 복수의 변수는 덤프트럭 규격, 흙 밀도, 체적증가비, 운반거리, 적재속도, 공차속도 중 적어도 2개 이상의 변수를 포함할 수 있다.
도 3은 토공사 현장에서 로더에 의해 덤프트에 토사가 적재 후 운반되는 공정 프로세스를 설명한 도면이다.
도 3에서 왼쪽 장비는 로더, 오른쪽 장비는 덤프트럭을 나타낸다. 로더는 버킷을 이용하여 덤프트럭에 토사를 적재하고 덤프트럭은 적재된 토사를 목적지로 운반하게 된다. 본 발명의 실시예는 과거 복수의 토공사 현장에서 수집된 각 사례별 빅데이터를 기반으로 작업 현장에서 로더 한대당 필요한 덤프트럭의 최적 개수를 결정할 수 있다.
도 4는 본 발명의 실시예에서 모델 학습을 위해 현장 사례 별로 수집한 기초 데이터를 예시적으로 도시한 도면이다. 이러한 도 4은 30가지 현장 사례 별 수집된 모델 학습을 위한 입출력 기초 데이터를 나타낸다.
도 4를 참조하면, 각 현장 사례 별로, 해당 현장에서의 로더 조건에 대한 각 변수와 덤프트럭 조건에 대한 각 변수는 예측 모델의 학습을 위한 입력 데이터(input)로 활용되고, 해당 현장에서의 최적 덤프트럭 대수는 예측 모델의 학습을 위한 출력 데이터(output)로 활용된다.
도 4에서, 로더 조건에 대한 복수의 변수로는 버킷크기, 버킷계수, 체적환산계수, 작업효율, 1회 적재 시간을 포함한다.
이때, 버킷 크기는 로더에 장착된 버킷의 부피 사이즈를 의미할 수 있다. 버킷 계수는 현장의 토사 상태에 따라 기 결정되는 계수로, 다음의 표 1의 조건을 기준으로 결정될 수 있다.
현장조건 버킷계수
조건이 좋은 모래, 보통토 등을 이미 쌓아모은 산적상태에서 적재하는 경우 1.2
조건이 좋은 모래, 보통토 등을 흐트러진 상태에서 적재하는 경우 1.0
모래, 보통토, 점토 등을 굴착하여 적재하는 경우, 매번 버킷을 가득 채워 적재하기 힘듬 0.9
버킷에 가득 채울 수 없는 부순돌 또는 기타 덩어리로 되어 있는 경우 0.7
버킷에 담기 어려운 불규칙한 공극이 있는 발파암, 호박돌의 경우 0.55
체적환산계수는 로더를 통한 토사의 굴착 전후의 부피 변화를 퍼센티지로 나타낸 수치로, 아래 수학식 1에 의해 결정될 수 있다.
즉, 체적환산계수는 로더를 통한 굴착 전의 자연 상태의 토사 부피를 굴착 후의 토사 부피로 나눈 값의 비율에 해당할 수 있다.
예를 들어, 어떤 토사의 자연상태의 부피를 1 ㎥라 하면, 이를 굴착했을 때의 부피가 1.2 ㎥로 늘어날 수 있다. 이 경우 로 결정될 수 있다.
작업 효율은 시간당 실제 로더의 작업시간을 나타내는 것으로 아래 수학식 2에 의해 결정될 수 있다.
이와 같이, 작업 효율은 작업에 투입된 장비가 온전히 작업에 집중하는 시간을 퍼센티지로 나타낸 수치에 해당할 수 있고, 이는 측정을 통해 입력되는 값에 해당할 수 있다.
예를 들어, 1시간 동안 로더의 작업을 모니터링하여 굴착, 적재 등의 작업을 직접적으로 수행한 시간을 측정하고, 측정 결과, 굴착 및 적재 작업에 50분을 투입하였을 경우 으로 결정될 수 있다.
1회 적재 시간은 로더가 버킷을 통해 토사를 1회 적재하는데 소요된 시간을 나타낸다. 이러한 1회 적재 시간도 측정에 의해 획득될 수 있다.
그리고, 도 4에서 덤프트럭 조건에 대한 복수의 변수로는 덤프트럭 규격, 흙 밀도, 체적증가비, 운반거리, 적재속도, 공차속도를 포함한다.
덤프트럭 규격은 트럭의 톤수를 나타내며, 흙밀도는 로더를 통해 덤프트럭에 적재되는 토사의 밀도(ton/㎥)를 나타낸다.
체적증가비는 자연 상태에서 굴착후 변화하는 토사의 부피 비율이며 이는 수학식 1에 나타낸 체적환산계수의 역수 값에 해당한다.
운반거리는 로더로부터 목적지까지의 편도 거리를 나타내고, 적재 속도는 로더에 의해 덤프트럭에 토사가 적재되는 속도를 의미할 수 있다. 그리고, 공차 속도는 텀프트럭이 목적지로 토사 운반 후 공차 상태로 다시 돌아올 때의 이동 속도를 나타낼 수 있다. 여기서 이동 속도는 운반 거리를 공차 상태의 이동 시간으로 나눈 값에 해당할 수 있다.
다음으로, 해당 현장의 로더 한대당 최적 덤프트럭 대수는 예측 모델 학습 시에 출력 데이터(output)로 활용된다. 여기서, 각 사례 별 로더 한대당 최적 덤프트럭 대수는 장치(100)에 포함된 제어부(미도시)에 의해 환산될 수 있다.
이때, 최적 덤프트럭 대수는 해당 현장에 대한 로더의 시간당 생산성(㎥/hour) 및 비용(원/hour)과 덤프트럭의 시간당 생산성(㎥/hour) 및 비용(원/hour)을 고려하여, 복수의 후보 덤프트럭 대수 별로 환산되는 단위물량당 비용인 단위비용(원/㎥) 중에서 최소 비용을 도출한 덤프트럭 대수로 설정될 수 있다.
본 발명의 실시예에서 최적 장비 조합이란 로더 1대당 몇대의 덤프트럭이 투입되어야 하는 것인지에 대한 답을 나타내며, 덤프트럭 몇대가 최적인지 확인하기 위해서 단위 비용을 활용하며 본 발명의 실시예에서는 최소의 단위 비용을 도출하는 대수를 최적 대수로 결정한다.
여기서, 단위 비용의 단위는 원/㎥ 이며, 이는 곧 단위 물량당 필요한 비용을의미한다. 예를 들어, 도 4에서 첫 번째 사례에서 최적 덤프트럭 대수는 13대이며, 이 결과는 도 5의 결과로부터 결정된 것에 해당한다.
도 5는 본 발명의 실시예에서 단위 비용을 고려하여 최적 덤프트럭 대수를 결정하는 원리를 설명하기 위한 도면이다.
도 5는 해당 현장에서의 로더와 덤프트럭 각각의 시간당 생산성과 비용을 모두 고려하여, 덤프트럭의 후보 대수(1대~ 20대) 별로 소요되는 단위 비용을 환산한 결과를 나타낸다. 여기서, 단위 비용은 덤프트럭이 13대 일 때 최소값이 나온 것을 확인할 수 있다.
위 결과는, 로더의 생산성이 13 ㎥/hour, 덤프트럭의 생산성이 1 ㎥/hour, 로더의 시간당 비용이 10,000 원/hour, 덤프트럭의 시간당 비용이 20,000 원/hour이라고 가정했을 때의 예시를 나타낸다.
언급된 조건을 고려하면, 만일 로더 1대와 덤프트럭 1대를 투입하면 기대할 수 있는 생산성은 1 ㎥/hour이다. 그리고, 투입되는 시간당 금액은 10,000원 + 20,000원 = 30,000원이 된다. 이 경우 단위 비용은 아래 수학식 3과 같이 계산될 수 있다.
또한, 만일 로더 1대와 덤프트럭 2대를 투입하면 단위 비용은 아래 수학식 4와 같이 계산될 수 있다.
위와 같이 효율이 증가함에 따라 단위 비용은 감소하는데, 최고 효율이 되는 덤프트럭 13대의 경우 단위비용이 최저이기 때문에 덤프트럭 13대를 최적의 조합으로 판단할 수 있다.
다음, 학습부(120)는 데이터 수집부(110)를 통해 수집된 데이터를 기반으로, 각 사례 별로 로더 조건의 각 변수와 상기 덤프트럭 조건의 각 변수를 입력 데이터로 설정하고 그에 대응되는 최적 덤프트럭 대수를 출력 데이터로 설정하여 예측 모델을 학습시킨다.
학습부(120)는 인공지능 알고리즘에 기반한 프로세서를 이용하여, 각 현장의 사례별로 수집된 로더 조건 및 덤프트럭 조건에 대한 각 변수를 입력 데이터로 하고, 그에 대응되는 최적 덤프트럭 대수를 출력 데이터로 하는 학습 데이터 세트를 기반으로 예측 모델을 학습시킨다.
이때, 학습부(120)는 심층 신경망(DNN)을 이용하여 모델을 학습시킬 수 있으며, 복수 사례 별로 수집된 빅데이터의 학습을 통하여 모델의 신뢰성을 높일 수 있다.
학습이 완료된 이후부터는, 분석 대상이 되는 현장에 대한 로더 조건과 덤프트럭 조건의 각 변수에 대응하여 해당 현장에서 필요한 로더 한대당 최적 덤프트럭 대수를 예측한 값을 제공할 수 있다.
구체적으로, 입력부(130)는 대상 현장에 적용되는 로더 조건 및 덤프 트럭 조건에 대한 각 변수를 입력받고(S230), 이를 예측부(140)로 전달할 수 있다. 입력부(130)는 사용자 단말 혹은 데이터 저장 장치와 연동하여 관련 데이터를 획득하거나 입력받을 수 있다.
예측부(140)는 입력된 로더 조건 및 덤프트럭 조건에 대한 각 변수를 기 학습된 예측 모델에 적용하여 대상 현장에 대한 로더 한대당 최적 덤프트럭 대수를 예측 결과로 도출한다(S240).
이후, 출력부(미도시)는 예측 결과를 디스플레이나 사용자 단말 등을 통하여 출력하여 사용자에게 제공할 수 있다.
이상과 같은 본 발명에 따르면, 다양한 현장 조건을 고려한 데이터베이스를 딥러닝 학습한 결과를 바탕으로 현재 분석대상이 되는 현장에 대한 로더 한대당 덤프트럭의 최적 대수를 사전 예측하여 제공할 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 토공사 토사 운반 작업 최적 장비 조합 도출 장치
110: 데이터 수집부 120: 학습부
130: 입력부 140: 예측부

Claims (12)

  1. 딥러닝 기반의 토공사 토사 운반 작업 최적 장비 조합 도출 장치를 이용한 최적 장비 조합 도출 방법에 있어서,
    과거 복수의 현장 사례 별로 현장에 적용된 로더 조건에 대한 복수의 변수, 덤프트럭 조건에 대한 복수의 변수, 그리고 해당 현장의 로더 한대당 최적 덤프트럭 대수를 포함한 기초 데이터를 수집하는 단계;
    각 사례 별로 상기 로더 조건의 각 변수와 상기 덤프트럭 조건의 각 변수를 입력 데이터로 설정하고 그에 대응되는 상기 최적 덤프트럭 대수를 출력 데이터로 설정하여 예측 모델을 학습시키는 단계;
    대상 현장에 적용되는 로더 조건 및 덤프 트럭 조건에 대한 각 변수를 입력받는 단계; 및
    상기 입력된 로더 조건 및 덤프트럭 조건에 대한 각 변수를 기 학습된 상기 예측 모델에 적용하여 상기 대상 현장에 대한 로더 한대당 최적 덤프트럭 대수를 예측하는 단계를 포함하는 토공사 토사 운반 작업 최적 장비 조합 도출 방법.
  2. 청구항 1에 있어서,
    상기 로더 조건에 대한 복수의 변수는,
    버킷크기, 현장의 토사 상태에 따라 기 결정되는 버킷계수, 로더를 통한 토사의 굴착 전후의 부피 변화인 체적환산계수, 시간당 실제 로더의 작업시간에 해당한 작업효율, 버킷을 통해 토사를 1회 적재하는데 소요된 시간인 1회 적재 시간 중 적어도 2 이상의 변수를 포함하는 토공사 토사 운반 작업 최적 장비 조합 도출 방법.
  3. 청구항 2에 있어서,
    상기 체적환산계수 및 상기 작업효율은 아래의 수학식에 의해 결정되는 토공사 토사 운반 작업 최적 장비 조합 도출 방법.

  4. 청구항 1에 있어서,
    상기 덤프트럭 조건에 대한 복수의 변수는,
    덤프트럭 규격(ton), 로더를 통해 덤프트럭에 적재되는 토사 밀도인 흙 밀도(ton/㎥), 자연 상태에서 굴착후 변화하는 토사의 부피 비율인 체적증가비, 로더와 목적지 간 거리인 운반거리, 덤프트럭에 토사가 적재되는 적재 속도, 목적지로 토사 운반 후 공차 상태로 다시 돌아올 때의 덤프트럭 이동 속도인 공차 속도 중 적어도 2 이상의 변수를 포함하는 토공사 토사 운반 작업 최적 장비 조합 도출 방법.
  5. 청구항 4에 있어서,
    상기 체적증가비는,
    토사의 굴착 전후의 부피 변화를 나타내는 체적환산계수의 역수 값에 해당하는 토공사 토사 운반 작업 최적 장비 조합 도출 방법.
  6. 청구항 1에 있어서,
    상기 해당 현장의 로더 한대당 최적 덤프트럭 대수는,
    해당 현장에 대한 로더의 시간당 생산성(㎥/hour) 및 비용(원/hour)과 덤프트럭의 시간당 생산성 및 비용을 고려하여 복수의 후보 덤프트럭 대수 별로 환산되는 단위물량당 비용인 단위비용(원/㎥) 중에서 최소 비용을 도출한 덤프트럭 대수에 해당하는 토공사 토사 운반 작업 최적 장비 조합 도출 방법.
  7. 딥러닝 기반의 토공사 토사 운반 작업 최적 장비 조합 도출 장치에 있어서,
    과거 복수의 현장 사례 별로 현장에 적용된 로더 조건에 대한 복수의 변수, 덤프트럭 조건에 대한 복수의 변수, 그리고 해당 현장의 로더 한대당 최적 덤프트럭 대수를 포함한 기초 데이터를 수집하는 데이터 수집부;
    각 사례 별로 상기 로더 조건의 각 변수와 상기 덤프트럭 조건의 각 변수를 입력 데이터로 설정하고 그에 대응되는 상기 최적 덤프트럭 대수를 출력 데이터로 설정하여 예측 모델을 학습시키는 학습부;
    대상 현장에 적용되는 로더 조건 및 덤프트럭 조건에 대한 각 변수를 입력받는 입력부; 및
    상기 입력된 로더 조건 및 덤프트럭 조건에 대한 각 변수를 기 학습된 상기 예측 모델에 적용하여 상기 대상 현장에 대한 로더 한대당 최적 덤프트럭 대수를 예측하는 예측부를 포함하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치.
  8. 청구항 7에 있어서,
    상기 로더 조건에 대한 복수의 변수는,
    버킷크기, 현장의 토사 상태에 따라 기 결정되는 버킷계수, 로더를 통한 토사의 굴착 전후의 부피 변화인 체적환산계수, 시간당 실제 로더의 작업시간에 해당한 작업효율, 버킷을 통해 토사를 1회 적재하는데 소요된 시간인 1회 적재 시간 중 적어도 2 이상의 변수를 포함하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치.
  9. 청구항 8에 있어서,
    상기 체적환산계수 및 상기 작업효율은 아래의 수학식에 의해 결정되는 토공사 토사 운반 작업 최적 장비 조합 도출 장치.

  10. 청구항 7에 있어서,
    상기 덤프트럭 조건에 대한 복수의 변수는,
    덤프트럭 규격(ton), 로더를 통해 덤프트럭에 적재되는 토사 밀도인 흙 밀도(ton/㎥), 자연 상태에서 굴착후 변화하는 토사의 부피 비율인 체적증가비, 로더와 목적지 간 거리인 운반거리, 덤프트럭에 토사가 적재되는 적재 속도, 목적지로 토사 운반 후 공차 상태로 다시 돌아올 때의 덤프트럭 이동 속도인 공차 속도 중 적어도 2 이상의 변수를 포함하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치.
  11. 청구항 10에 있어서,
    상기 체적증가비는,
    토사의 굴착 전후의 부피 변화를 나타내는 체적환산계수의 역수 값에 해당하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치.
  12. 청구항 7에 있어서,
    상기 해당 현장의 로더 한대당 최적 덤프트럭 대수는,
    해당 현장에 대한 로더의 시간당 생산성(㎥/hour) 및 비용(원/hour)과 덤프트럭의 시간당 생산성 및 비용을 고려하여 복수의 후보 덤프트럭 대수 별로 환산되는 단위물량당 비용인 단위비용(원/㎥) 중에서 최소 비용을 도출한 덤프트럭 대수에 해당하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치.
KR1020220152811A 2022-11-15 2022-11-15 딥러닝을 기반으로 하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법 KR20240071088A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220152811A KR20240071088A (ko) 2022-11-15 2022-11-15 딥러닝을 기반으로 하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220152811A KR20240071088A (ko) 2022-11-15 2022-11-15 딥러닝을 기반으로 하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법

Publications (1)

Publication Number Publication Date
KR20240071088A true KR20240071088A (ko) 2024-05-22

Family

ID=91329688

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220152811A KR20240071088A (ko) 2022-11-15 2022-11-15 딥러닝을 기반으로 하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR20240071088A (ko)

Similar Documents

Publication Publication Date Title
AU2019272067B2 (en) Online hierarchical ensemble of learners for activity time prediction in open pit mining
Haidar et al. Genetic algorithms application and testing for equipment selection
Alkass et al. Expert system for earthmoving equipment selection in road construction
Prasad et al. A software prototype for material handling equipment selection for construction sites
WO2016118122A1 (en) Optimization of truck assignments in a mine using simulation
US10872302B2 (en) Automatically determining construction worksite operational zones based on received construction equipment telemetry data
Touran Integration of simulation with expert systems
JP2021113487A (ja) 自律走行車両ためのニューラル・タスク計画部
Burt An optimisation approach to materials handling in surface mines
Schexnayder et al. Describing a beta probability distribution function for construction simulation
Ercelebi et al. Review of surface mining equipment selection techniques
Moniri-Morad et al. A methodology for truck allocation problems considering dynamic circumstances in open pit mines, case study of the sungun copper mine
Alvanchi et al. Improving materials logistics plan in road construction projects using discrete event simulation
Soofastaei The application of artificial intelligence to reduce greenhouse gas emissions in the mining industry
CN114265309B (zh) 一种工程机械优化控制策略推荐系统及方法
Moniri-Morad et al. Production capacity insurance considering reliability, availability, and maintainability analysis
Parente et al. Metaheuristics, data mining and geographic information systems for earthworks equipment allocation
KR20240071088A (ko) 딥러닝을 기반으로 하는 토공사 토사 운반 작업 최적 장비 조합 도출 장치 및 그 방법
Eldin et al. Determination of most economical scrapers fleet
Hajjar et al. AP2-Earth: A simulation based system for the estimating and planning of earth moving operations
Clarke et al. Decision making tools for surface mine equipment selection
Lambropoulos et al. SEMANTIC: smart EarthMoving analysis and estimation of cost
Lee et al. Eco-economic excavator configuration method
Dey et al. Overall equipment effectiveness of shovel-dumper operation in opencast mining-a review.
Achelpohl The effect of overloading on reliability of wheel loader structural components