预制混凝土项目中拖车到达请求时间的自动生成框架

《AUTOMATION IN CONSTRUCTION》:Framework for automated generation of trailer arrival request times in precast concrete projects

【字体: 大 中 小 】 时间:2026年09月27日 来源:AUTOMATION IN CONSTRUCTION 12.6

编辑推荐:

   •用于自动生成拖车到达请求时间(TART)的五步框架。•双源建模:采用机器学习(ML)处理基准时长,采用规则与蒙特卡洛模拟(MCS)处理作业中断。•五种累积概率(CP)场景及三项关键绩效指标(KPI),供现场管理者据以选择 TART。•在 100 份模拟排班中,拖车等待与资源

  
  • •
    用于自动生成拖车到达请求时间(TART)的五步框架。
  • •
    双源建模:采用机器学习(ML)处理基准时长,采用规则与蒙特卡洛模拟(MCS)处理作业中断。
  • •
    五种累积概率(CP)场景及三项关键绩效指标(KPI),供现场管理者据以选择 TART。
  • •
    在 100 份模拟排班中,拖车等待与资源等待之间的权衡关系得以显现。
  • •
    专家验证(n = 8)证实了该框架的价值及其辅助决策的潜力。

引言

建筑业长期面临种种持续存在的挑战,包括生产力低下、事故率高以及严重的资源浪费 [1], [2]。在此背景下,场外施工(OSC)作为传统现场施工的一种替代方式,越来越受到关注 [3], [4]。预制混凝土(PC)施工是 OSC 的一种形式,涉及构件在工厂的生产、运往施工现场以及随后的现场安装 [5], [6]。PC 施工可带来诸多优势,包括缩短工期、节约成本、提升质量、减少建筑垃圾以及增强安全性 [7], [8]。要实现这些优势,需要对场外生产、运输和安装环节进行有效的供应链管理 [9], [10]。在 PC 施工中,实现此类协调的一种方法是准时制(JIT)交付,其目标是使 PC 构件抵达施工现场的时间与安装计划相匹配 [11]。
对于 JIT 交付而言,准确预测 PC 安装时间对于确定每辆拖车的拖车到达请求时间(TART)至关重要 [12], [13]。TART 指的是承载 PC 构件的拖车请求抵达施工现场的时间 [12]。然而,由于存在两类主要偏差来源,预测实际的 PC 构件安装时间本身就十分困难。第一类源自"基准时长"的变异性,即在无任何作业中断的理想条件下所需的纯安装时间。这种变异性源于构件尺寸、重量、安装位置及天气条件等可量化因素的复杂交互作用。在韩国一个物流设施项目中为期 25 天的现场研究中,在排除涉及可识别的无效闲置的个案后,柱、梁和板的平均安装时长分别为 23.95、16.60 和 7.95 分钟,对应的标准差分别为 4.35、4.88 和 1.75 分钟 [13]。这些标准差反映了清洗后时长数据在类型内部的变异性。第二类偏差则源自由设备故障或材料短缺等不可预见事件所导致的"作业中断"的不确定性。针对同一项目三天观测记录的单独分析,在 34 根 PC 柱的卸载与安装过程中,共记录了 332 次工作步骤观测中 259 条按原因分类的中断记录;重叠原因则分别计数 [14]。
尽管存在上述复杂性,当前的 TART 决策往往仍依赖于现场管理者的经验与直觉,通常表现为采用统一的时间间隔(例如 5 或 10 分钟),而不考虑实际的现场或构件状况 [12], [15]。这种简化的基于经验的方法未能系统地考虑两类偏差来源:基准时长的变异性以及作业中断的不确定性。结果导致拖车到达时间可能早于或晚于实际安装进度所需的时间 [5], [11]。具体而言,过早或过晚到达都会造成多种形式的浪费,包括库存过剩、拖车等待时间增加以及起重机闲置 [1], [16]。例如,将拖车到达时间规划得过早会增加现场拥堵和车辆怠速,从而增加碳排放 [11], [17]。相反,将其排期过晚会延误现场作业,增加工期和成本 [18], [19]。因此,有效的 TART 规划对于减少资源浪费、控制现场拥堵以及保持作业连续性至关重要 [11], [19]。
此前的研究已分别推进了 PC 安装时间预测、作业中断分析以及基于蒙特卡洛模拟(MCS)的不确定性建模。然而,尚缺乏一种联合建模基准时长与作业中断以生成 TART 的综合方法。
为克服上述局限,本研究提出一种数据驱动的框架,将基于机器学习(ML)的基准时长预测与基于 MCS 的作业中断建模相结合,以自动生成 TART。该框架采用双轨方法,承认这些时间组成部分在性质上的根本差异。对于表现出受可量化因素影响的可重复模式的"基准时长",采用 ML 进行预测。相比之下,对于随机发生且因其低频特性而难以预测的"非常规作业中断",则通过 MCS 以概率方式建模。该框架并非给出单一的确定性时间,而是基于不同的累积概率(CP)水平生成多个 TART 场景。每个场景包含量化绩效指标,例如加班时长和拖车等待时长,从而使现场管理者能够结合项目特定的约束条件作出风险知情的决策。
据此,本研究旨在开发一套项目专用的、用于自动生成 TART 的五步框架。通过针对实际 PC 项目的示范性案例研究,本研究进一步确认该框架按预期运作,并提供切实可行的决策支持。研究还使用三项关键绩效指标(KPI)——加班时长、总拖车等待时长(TWD)以及总资源等待时长(RWD)——对所研究的当日工作中使用的五种基于 CP 的 TART 场景以及专家实际编制的 TART 计划(以下简称"实际计划")进行了评估。该五步程序旨在可跨项目复用。然而,其工作步骤预测模型、常规中断规则以及非常规中断的发生概率和时长分布,必须使用具有代表性的历史数据来开发,这些数据应能反映目标项目或安装团队的情况。
本研究按五个连续的阶段展开。首先,基于文献综述和现场观测,建立一套整合 PC 安装时间预测与作业中断模拟的框架。其次,将所开发的框架应用于两个实际 PC 项目:项目 A 用于基准时长预测模型训练和作业中断模式分析,而项目 B 则用于演示数据驱动的 TART 生成与性能评估。第三,对五个 CP 场景(CP 值:0.10、0.25、0.50、0.75 和 0.90)的绩效指标进行比较分析,并将生成的场景与实际计划进行基准对比。第四,进行敏感性分析,分别考察非常规作业中断发生概率与中断时长的变化。第五,通过向八位 PC 施工专家(平均从业经验为 15.7 年)发放结构化问卷和进行访谈,评估该框架的有效性与实际适用性。研究范围限定为使用单台起重机进行 PC 构件安装的每日工作排班,并假设当日交付的构件将在同一天内完成安装,因此不包括对长期预存库存的考虑。
本文作出了三个不同层面的贡献。在方法层面,本文在五代 TART 生成框架中整合了基于 ML 的基准时长预测、基于规则的常规中断建模以及基于 MCS 的非常规中断建模。在实践层面,本文提供了多个 TART 场景和量化 KPI,以支持透明化且基于数据的 TART 选择。在理论层面,本文将 PC 安装时间概念化为一种由基准时长变异性与作业中断不确定性所引起的双重偏差 [11], [19]。

章节摘要

文献综述

尽管上一节提出了一种整合 ML 与 MCS 的双轨方法,但全面审视现有方法对于在现有知识体系中论证该方法的合理性并识别具体研究缺口至关重要。本节批判性地考察了三个相互关联的研究领域:(1) PC 安装时间预测,(2) 作业中断分析,以及 (3) 用于不确定性建模的 MCS。本分析阐明了为何现有的单一方法路径并不足够,并据此建立

TART 生成框架

为应对第 2 节所指出的研究缺口,本文提出一个整合基于 ML 的基准时长预测(第 3 步)与基于 MCS 的作业中断模拟(第 4 步)的框架。如图 1 所示,所提出的框架通过五个连续的步骤运作:(1) 综合数据集生成,(2) 工作步骤实例化,(3) 基准时长预测,(4) 作业中断事件模拟,以及 (5) TART 生成。每一步都以前一步的输出作为其输入。

示范性案例研究

为验证第 3 节所提出的五步 TART 生成框架按预期运作,本研究使用 Python 开发了一套原型系统,并将其应用于实际的 PC 施工项目。本次演示的目的不在于证明其普遍适用性,而在于确认该框架在结合项目特定数据进行定制后能够正确运作,并提供切实可行的决策支持。

专家反馈

为补充第 4 节基于模拟的演示并评估该框架的实际效用与实施可行性,本研究对八位平均从业经验为 15.7 年(范围:3 至 19 年)的 PC 施工专家进行了结构化验证。

结论

当前 PC 施工中的 TART 规划依赖于现场管理者的经验与直觉。这种做法往往表现为采用统一的到达间隔,无法系统地考虑安装时间中两类偏差来源:基准时长的变异性以及作业中断的不确定性。为克服这一局限,本文提出了一套用于 PC 施工中自动生成 TART 的数据驱动框架。该框架系统地整合了五个步骤:

CRediT 作者贡献声明

Eunbeen Jeong:可视化、验证、软件、方法论、调查研究、形式化分析、数据整理、概念构思、撰写——初稿。Junyoung Jang:可视化、软件、形式化分析、概念构思、撰写——审阅与编辑。Seulbi Lee:验证、软件、方法论、概念构思、撰写——审阅与编辑。Choongwan Koo:验证、方法论、数据整理、概念构思、撰写——审阅与编辑。Tae Wan Kim:验证、监督,

伦理声明

根据《大韩民国生物伦理与安全法》实施细则第 13 条第 1 款第 2 项所规定的豁免标准,本研究无需进行正式的机构审查委员会(IRB)审查。第 5 节所述的专家验证仅包括对领域专家进行的非干预性问卷调查和访谈。研究数据集中未记录任何可识别个人的信息,亦未收集任何敏感个人信息。

利益冲突声明

作者声明,不存在任何已知的竞争性经济利益或个人关系可能影响本文所述工作的客观性。
Eunbeen Jeong | Junyoung Jang | Seulbi Lee | Choongwan Koo | Tae Wan Kim
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号