Journal de chimie physique et biophysique
Libre accès

Abstrait

Optimisation de la consommation d'énergie dans le nivellement du terrain à l'aide d'algorithmes SIG, génétiques et pso (optimisation par essaim de particules)

Isham Alzoub

L'une des étapes les plus importantes de la préparation du sol est le nivellement du terrain. Le nivellement du terrain avec des machines nécessite une énergie considérable. Pour augmenter la précision des calculs, la hauteur du point collectée à partir de la cartographie (50 m × 50 m) est insérée dans l'environnement SIG. Le reste des coordonnées inconnues a été obtenu à l'aide d'une interpolation et un modèle de réseau triangulaire (TIN) a été utilisé pour déterminer le volume exact des travaux de terrassement. Dans toutes les méthodes, l'équation de la plaque de nivellement, les volumes d'excavation et de remblai et les cartes de la surface du terrain après nivellement, la séparation de l'excavation et du remblai et la consommation d'énergie, y compris la puissance de la machine, le carburant et la main-d'œuvre, ont été calculés, puis différentes méthodes ont été comparées. Les résultats ont montré que le rapport entre l'excavation et le remblai basé sur les méthodes des moindres carrés minimum, l'algorithme génétique, l'algorithme linéaire d'optimisation des mouvements des particules, l'algorithme de la courbe de mouvement des particules sont égaux à 1,26, 1,14, 1,12 et 1,16, respectivement. D'autre part, les résultats ont montré que la méthode de l'algorithme de la courbe de mouvement des particules a montré une réduction de 45 % de la consommation d'énergie dans l'opération de nivellement par rapport à la méthode des moindres carrés minimum. L'algorithme génétique peut réduire la consommation d'énergie de 42 %. Parmi les modèles utilisés dans la méthode de l'algorithme génétique, le modèle n° 1 a été estimé que la plus grande partie de la consommation d'énergie est liée au carburant (jusqu'à 71,83 %) et la plus faible partie de la consommation d'énergie est liée à la main-d'œuvre (jusqu'à 0,38 %). Par conséquent, la présente étude recommande le modèle de l'algorithme génétique de la courbe de plaque comme le meilleur modèle