Research on Quality Improvement and Safety Measures of Highway Pavement Construction by Unmanned Aircraft Swarm Operation Based on Optimal Control Theory
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Aiming at the traditional pavement construction, there are problems such as poor construction conditions, limited quality inspection methods, backward control mode and incomplete management means.In this environment, the project in this paper (Gansu Road and Bridge Anlin Pavement Second Standard Project) uses multi-objective particle swarm optimization algorithm to establish a multiobjective machine group optimization configuration model based on quality constraints under the schedule -cost, and the first time to quote asphalt pavement to carry out the intelligent construction of unmanned machine group in Gansu Province.Analyze the intelligent unmanned machine group composed of auto-pilot paving technology and roller auto-pilot technology.Design the optimal configuration model of highway construction machine group, and use multi-objective particle swarm algorithm to design the cooperative operation of unmanned machine group.Combined with the optimal configuration of highway construction fleet problem itself, the standard particle swarm algorithm and fleet configuration model are also modified and improved.Simulate the highway pavement construction process, emphasizing the preparation of construction personnel, machinery, and management platform.The parameters of particle swarm algorithm are designed to solve the optimal construction machine fleet optimization configuration under quality constraints of durationcost.The machine utilization and duration of scheme 2 are 15.23% and 10.96%, respectively.With the priority of duration, scheme 2 is selected as the machine fleet configuration scheme.Option 4 has the lowest machinery cost of 9.41%.With the priority to ensure the maximum profit, option 4 can be chosen as the machine swarm configuration scheme.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle