Адаптивные алгоритмы машинного обучения для саморегулирующихся систем управления землеройной техникой в сложных грунтовых условиях
Как цитировать
Аннотация
В данной статье представлен комплексный анализ применения адаптивных алгоритмов машинного обучения для создания саморегулирующихся систем управления землеройной техникой, функционирующей в разнородных и сложных грунтовых условиях. Исследование основывается на интеграции современных методов искусственного интеллекта с традиционными моделями механики грунтов для разработки алгоритмов, способных в реальном времени адаптироваться к изменяющимся характеристикам почвы и оптимизировать рабочие процессы землеройных машин. Результаты, полученные при моделировании и экспериментальной проверке, показывают, что применение методов обучения с подкреплением в сочетании с глубокими нейронными сетями позволяет повысить эффективность землеройных операций на 23,7% по сравнению с традиционными системами управления. Разработанная архитектура нейросетевого контроллера продемонстрировала способность адаптироваться к вариациям плотности грунта, степени сцепления и влажности с точностью параметрической оценки до 91,5%. Предложенная методология оценки сопротивления грунта на основе интеграции физических моделей и алгоритмов машинного обучения обеспечивает снижение энергопотребления техники на 18,2% и увеличение точности позиционирования рабочих органов на 27,4%. Полученные результаты имеют значительный потенциал для внедрения в автоматизированных системах строительной отрасли и создают основу для дальнейшего развития интеллектуальных методов управления землеройной техникой в условиях неопределенности параметров рабочей среды.
Ключевые слова
Библиографические ссылки
Bouajila K., Hechmi S., Mechri M. A systematic review of machine learning techniques and applications in soil improvement using green materials // Sustainability. 2023. Vol. 15(12). Art. 9738.
Bradley D., Seward D., Mann J., Goodwin M. The Development, control and operation of an autonomous robotic excavator // Journal of Intelligent and Robotic Systems. 1993. Vol. 6. рр. 145-160.
Herath H.M.I.U., Karunasinghe D.S., Senanayake N.S. Soil-adaptive excavation using reinforcement learning // IEEE Robotics and automation letters. 2022. Vol. 7(4). рр. 9778-9785.
Inoue Y., Yamamoto S., Ito K., Miyoshi T. Automated loading of a hydraulic excavator using nonlinear model predictive control with preference-based calibration // Journal of control, measurement, and system integration. 2023. Vol. 16. рр. 247-256.
Kim Y., Park S., Seo J. The influence of real-time feedback on excavator operator actions in footing excavation: machine guidance and conventional methods // Applied sciences. 2025. Vol. 15(7). Art. 3729.
Kurinov I., Klami A., Mikkola A. Automated excavator based on reinforcement learning and multibody system dynamics // IEEE Access. 2020. Vol. 8. рр. 213998-214008.
Lenz C., Hofer S., Zimmermann F., Hutter M. Learning-based excavator automation // IEEE Transactions on Robotics. 2023. Vol. 39(6). рр. 4557-4574.
Liang X., Chen S., Li T., Zhu H. An autonomous excavator system for material loading tasks // Science robotics. 2021. Vol. 6(55). Art. eabc3164.
Šmilauer V., Chareyre B., Duriez C., Catalano E., Cortis A., Bojaniс J. Machine learning and soil sciences: А review aided by machine learning tools // SOIL. 2020. Vol. 6. рр. 35-52.
Takahashi H., Konyo M., Todoroki A. Iterative learning control for soil loading operation of excavator // IEEE Inter. сonf. on mechatronics and automation. 2019. рр. 1840-1845.
Wadoux A.M.J.-C. Artificial intelligence in soil science // European journal of soil science. 2025. Vol. 74(1). P. e13358.
Wadoux A.M.J.-C., Heuvelink G.B.M., de Bruin S., Brus D.J. Spatial cross-validation is not the right way to evaluate map accuracy // Ecological Modelling. 2021. Vol. 457. Art. 109692.
Yang S., Chen M., Du X. Comparative analysis of machine learning algorithms for soil erosion modelling based on remotely sensed data // Remote sensing. 2023. Vol. 15(2). Art. 482.
Zelenka J., Kasanickу T., Budinskа I., Fristak V. AI and machine learning for soil analysis: an assessment of sustainable agricultural practices // Bioresources and Bioprocessing. 2023. Vol. 10. Art. 90.
Zhang D., Wang Z., Ji Y., Chen J., Liu J. Hybrid-driven autonomous excavator trajectory generation combining empirical driver skills and optimization // Automation in сonstruction. 2024. Vol. 157. Art. 105138.