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.
This article presents a comprehensive analysis of the use of adaptive machine learning algorithms to create self-regulating control systems for earthmoving equipment operating in heterogeneous and complex ground conditions. The research is based on the integration of modern artificial intelligence methods with traditional models of soil mechanics to develop algorithms capable of adapting in real time to changing soil characteristics and optimizing the work processes of earthmoving machines. The results obtained during modeling and experimental verification show that the use of reinforcement learning methods in combination with deep neural networks can increase the efficiency of earthmoving operations by 23.7% compared with traditional control systems. The developed architecture of the neural network controller has demonstrated the ability to adapt to variations in soil density, degree of adhesion and humidity with an accuracy of parametric estimation up to 91.5%. The proposed methodology for assessing soil resistance based on the integration of physical models and machine learning algorithms reduces energy consumption by 18.2% and increases the accuracy of positioning the working bodies by 27.4%. The obtained results have significant potential for implementation in automated systems of the construction industry and create the basis for further development of intelligent methods of earthmoving machinery management in conditions of uncertainty of working environment parameters.