25 فروردین 1400
دیتیلینگ
چگونه ضایعات برش میلگردها را به حداقل برسانیم؟ استفاده از الگوریتم‌های ژنتیک می‌تواند کمک کند.
_____
زمان مطالعه: 4 دقیقه
به عنوان مدیر پروژه شما مسئول مدیریت ضایعات فولاد ناشی از اضافات برش‌های میلگرد یا دیگر قطعات فولادی هستید. اگر برش های خود را هوشمندانه انجام ندهید، با ضعف مدیریت ضایعات و از بین رفتن سرمایه مواجه خواهید شد. بعضی اوقات، برای این مشکل باید پول بیشتری پرداخت کنید تا از هدر رفت سرمایه جلوگیری کنید.
تهیه برنامه و نقشه برش بهینه میلگردها در سایت های ساختمانی یکی از وقت گیرترین و خسته کننده ترین کارها است. تهیه لیستوفر میلگردهای فولادی تقویت کننده با اندازه ، طول برش ، وزن و نحوه خم شدن آنها به طوری که با تمام ابعاد و زاویه خم رسم شود ، یک کار اساسی در هر سایت ساختمانی است که به مقدار زیادی زمان و محاسبات نیاز دارد. با افزایش هر روزه قیمت فولاد ، کاهش مصرف میلگرد، به حداقل رساندن ضایعات میلگردها ضروری شده است. از طرفی تهیه تولید گزارش ها برای نظارت بر پیشرفت کار و هماهنگی اطلاعات با سازنده نکته اساسی دیگری است.
اگرچه رسمینو (برنامه تحت وب) در قسمت تهیه نقشه های سازه بتنی شما را قادر می سازد تا با تمام چالش های فوق روبرو شوید ، اما هنوز هم یک مشکل در به حداقل رساندن ضایعات میلگردهای تقویت کننده وجود دارد ، زیرا پارامترهای دیگری نیز هستند که باعث می‌شود مشکل در هر سایت ساختمانی منحصر به فرد باشد. به عنوان مثال ، بعضی از کشورها دارای اختلاف طول فولاد با قالب هستند به عنوان مثال میلگردهای ژاپنی معمولاً 1 قطعه دارای طول 11.7 متر و میلگردهای چین دارای طول 12 متر هستند. مشکل بهینه سازی به حداقل رساندن ضایعات به مسئله معروف “سهم برش” (CSP) شناخته می‌شود
حال ممکن است این سوال را بپرسید که الگوریتم های ژنتیک چگونه می توانند در حل این نوع سوالات به ما کمک کنند؟ یا شاید می خواهید بدانید الگوریتم های ژنتیک چیست؟ پس با ما همراه باشید تا از آن عبور کنیم.
الگوریتم ژنتیک (GA) یک الگوریتم بهینه سازی است که توسط دکتر جان هالند در دهه 1970 ساخته شده است.این الگوریتم بر اساس نظریه‌های ژنتیک و انتخاب طبیعت است. GA ها از طریق فضای حل به دنبال راه حل های بهینه یا تقریباً بهینه برای حل مسئله هستند(Goldberg1989). برای دستیابی به پاسخ یک مسئله خاص با استفاده از GA ، ابتدا باید راه حل را کروموزوم یا یک ساختار رشته‌ای نشان داد. یک کروموزوم به خودی خود نمایشی کامل از راه حل احتمالی مشکل است. تعداد مشخصی از کروموزوم‌ها نشان دهنده یک جمعیت هستند. مجموعه ای از فرایندهای تصادفی انتخاب والد، تلاقی و جهش به طور سیستماتیک برای جمعیت های متوالی اعمال می شود. روند تکامل تا رسیدن به محدودیت زمانی ، تعداد معینی از جمعیت تکامل یافته یا سطح خطایی حاصل می شود (خلیفه 1997). از الگوریتم های ژنتیک برای یافتن راه حل های بهینه برای طیف وسیعی از مشکلات ترکیبی پیچیده در مهندسی عمران استفاده شده است که امکان وجود تعداد زیادی ترکیب یا جایگزین بررسی هر یک از آنها برای یافتن یک راه حل بهینه را غیرممکن می کند. بیایید به مشکل خود برگردیم و ببینیم GA دقیقاً چگونه می تواند مشکلات را حل کند.
پس از ورود داده ها ، برنامه GA الگوهای برش میلگرد را ایجاد می‌کند که در اجرای GA استفاده خواهد شد. تمام الگوهای تولید شده هم عملی هستند و هم کارآمد. برای عملی بودن یک الگوی برش میلگرد ، طول کل میلگرد (طول استفاده شده) باید کمتر یا مساوی طول واحد استاندارد میلگرد (Ls) باشد که الگو باید از آن بریده می‌شود. تعریف الگوی کارآمد برش توسط Vahrenkamp (1996) استفاده شده، که برای افزایش عملکرد مدل GA به کار گرفته شده است. برای اینکه یک الگو کارآمد باشد ، طول هدر رفته الگو باید کمتر از حداقل طول خواسته شده (Lj) دقیقا باشد. کد شبه ، اقتباس شده از پیرس (1964) ، می تواند برای تولید تمام الگوهای برش عملی و کارآمد استفاده شود.
برای افزایش عملکرد مدل GA ، حداکثر تکرار هر الگوی تولید شده به یک سطح خاص محدود می شود که در آن تمام طول های مورد نیاز شکل دهنده الگو برآورده می شود. اگر تعداد طول های استاندارد بر اساس یک الگوی خاص بیش از حداکثر تکرار مجاز برای آن الگو باشد ، کل واحد استاندارد به ضایعات خواهد رسید.
اگر GA می تواند این نوع سوالات را در مهندسی سازه حل کند ، پس چرا ما از آن در نوع دیگری از مسئله مهندسی عمران استفاده نمی کنیم؟ به عنوان مثال ، استفاده از GA برای کاهش اندازه عناصر سازه ای ساختمان برای کاهش وزن سازه می‌تواند کاربرد داشته باشد. واقعیت این است که هر مسئله بهینه سازی با GA حل نمی شود، و به خود مسئله بستگی دارد. اما اگر می خواهید در این باره اطلاعات بیشتری کسب کنید ، در مقاله بعدی ما را دنبال کنید.
