Gelžbetoninių konstrukcijų automatizuoto armavimo algoritmo sukūrimas, taikant kompiuterių mokymą

Abstract

Šiuo metu kompiuterinio projektavimo programinė įranga leidžia armatūros detalizavimą atlikti tik rankiniu būdu. Dėl mechaniškai atliekamų, pasikartojančių armatūros modeliavimo veiksmų pateikiami skirtingi armavimo sprendiniai įmonėje, kyla neapibrėžtumų dėl inžinierių klaidų ir kitų rizikos šaltinių. Tokiu atveju išauginamos statybos projekto laiko ir ekonominės sąnaudos. Šios problemos paskatina susikoncentruoti į automatizuotą armavimą atliekančio įrankio kūrimą bei pritaikymo galimybes. Pirmoje dalyje išnagrinėtos gelžbetoninių konstrukcijų technologijų vystymo tendencijos ir supažindinama su projektavimo problemomis. Antroje dalyje pateikiamos įžvalgos, kaip gali būti įgyvendinamas automatizuotas armavimas, taikant klasikinį programavimą bei dirbtinį intelektą. Trečioje darbo dalyje aprašoma praktinė automatizuoto armavimo įgyvendinimo galimybė. Sukurtas taikomosios programos prototipas, veikiantis tradicinio programavimo ir kompiuterių mokymo algoritmų pagrindu. Pateikiami prototipo rezultatai parodo, kad įrankis padidina inžinierių darbo efektyvumą bei gali taikyti kompiuterių mokymo algoritmus, ieškant unifikuotų armavimo sprendinių. Darbą sudaro: įvadas, trys pagrindinės dalys, išvados ir rekomendacijos, literatūros sąrašas. Darbo apimtis: 102 p. teksto, 89 iliustracijos, 13 lentelių, 60 literatūros šaltinių. 9 darbo priedai.

BIM software allows reinforcement detailing process only manually. Due the mechanical, repetitive reinforcement modeling actions unequal solutions are provided in each company. Furthermore, the time and economic costs of a construction project are increased and these problems lead a focus on the automated reinforcement tool creation. In the first part the development trends and design problems of reinforced concrete constructions are explained. In a second part are provided insights how theoretically automated reinforcement can be implemented and how artificial intelligence could work in this case. In the third part explained practical automated reinforcement investigation. The prototype, based on classical programming and machine learning algorithms has been developed. Results show the raising efficiency of engineers time and proves that machine learning in search of universal solutions can be applied. Structure: introduction, three main parts, conclusions, references. Thesis consists of: 102 pages of text without appendixes, 89 illustrations, 13 tables, 60 bibliographical sources, 9 annexes.