ОЦЕНКА СИСТЕМ МАССОВОГО ОБСЛУЖИВАНИЯ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО МОДЕЛИРОВАНИЯ СТРОИТЕЛЬНЫХ ПРОЦЕССОВ

ОЦЕНКА СИСТЕМ МАССОВОГО ОБСЛУЖИВАНИЯ ДЛЯ ИНТЕЛЛЕКТУАЛЬНОГО МОДЕЛИРОВАНИЯ СТРОИТЕЛЬНЫХ ПРОЦЕССОВ

Дашин Алексей Александрович

магистрант, Воронежский государственный технический университет,

РФ, г. Воронеж

Измайлов Антон Александрович

магистрант, Воронежский государственный технический университет,

РФ, г. Воронеж

Деляев Алексей Юрьевич

магистрант, Воронежский государственный технический университет,

РФ, г. Воронеж

Очереди существуют практически во всех производственных процессах. Во всех таких системах очередей есть объекты, которые должны повторно обрабатываться другим объектами. Сущность, ожидающая в очереди на получение услуги, называется отчужденной, а сущность, которая обрабатывает клиентов, называется сервером. Подобно системам очередей в производственных установках, во многих строительных системах клиенты (или ресурсы) могут быть отложены в очереди, когда сервер (или процессор) уже захвачен ранее прибывшим клиентом и, таким образом, занят. Классическим примером системы очереди строительства является прибытие самосвалов в зону погрузки, где экскаваторы или фронтальные погрузчики загружают их почвой. Циклические операции землеройных работ состоят из процессов загрузки, перемещения, разгрузки и возврата. Часть этого цикла, охватывающая очередь ожидания и сервер, рассматривается как система очередей. Следовательно, очевидно, что границы системы не обязательно пространственно фиксированы и могут динамически изменяться в зависимости от длины очереди и эффективности сервера. Как только клиент попадает в границы системы, в зависимости от состояния сервера (т.е. простаивает или занят), он либо ждет в очереди, либо немедленно приступает к обслуживанию. После завершения обслуживания клиент покидает систему, и его состояние, атрибуты и другие свойства больше не влияют на условия и свойства системы очередей. Вот почему в терминологии систем массового обслуживания прибытие клиента в систему также называется рождением клиента, а его уход из системы - смертью клиента, что означает, что только время, которое клиент проводит внутри системы очередей, составляет интерес к анализу массового обслуживания [1]. Менеджер по строительству, который занимается операцией, связанной с очередями, чаще всего заинтересован в знании времени ожидания, в течение которого ресурс задерживается в очереди, времени обслуживания или того, сколько времени требуется серверу для завершения обработки определенного клиента, а также логистика очереди (т. е. количество отложенных ресурсов в очереди или длина очереди). Такие знания имеют решающее значение для распределения оптимального количества типа ресурсов, настройки макета сайта, оценки производительности и определения продолжительности отдельных операций, а также всего проекта. Для достижения этой цели имитационные модели широко используются при моделировании систем массового обслуживания и для получения ценной информации о характеристиках очередей и их влиянии на проект в целом [2]. Как указывалось ранее, это в основном связано с тем фактом, что обработка клиентов сервером является повторяющейся задачей, а имитационные модели являются идеальным инструментом для прогнозирования показателей производительности повторяющихся процессов недетерминированного характера. Среди прочего, модели моделирования дискретных событий (DES) особенно используются в строительных и инфраструктурных проектах, поскольку чаще всего всю строительную систему можно разбить на дискретные процессы [3]. В области строительства и инфраструктуры правильное моделирование систем массового обслуживания является нетривиальная задача из-за стохастического, неопределенного и временного характера таких операций. Хорошим примером такой нестабильности, которая случается часто и которую необходимо анализировать в контексте управления строительством, является переделка [4]. В системах массового обслуживания для моделирования неопределенностей во времени прибытия заявок большинство математических теорий массового обслуживания предлагают использование определенных распределений вероятностей, таких как экспоненциальное распределение [5]. Однако предыдущие исследования строительных систем, основанные на реальных наблюдениях за поступлением ресурсов (например, самосвалы, ожидающие в очереди, чтобы получить обслуживание от фронтального погрузчика или экскаватора), показали, что предположение об экспоненциально распределенном времени прибытия часто может быть неверным [6]. В частности, последовательность операций в очереди может не только соответствовать любой из хорошо известных дисциплин, но также может время от времени корректироваться из-за пространственно-временных требований рабочей площадки. Согласно Мартинесу [7], выражение дисциплины при моделировании очередей строительства может быть очень динамичным и зависеть от динамических свойств ресурсов.

Необходимость предоставления имитационной модели с точными входными данными, описывающими системы массового обслуживания и взаимодействия клиент-сервер в динамических и неопределенных условиях, подчеркивает важность использования адаптивных моделей DES, которые можно обновлять и точно настраивать в соответствии с изменениями на уровне операций, происходящими в реальной системе. Это требует тщательного сбора данных и процессов интеллектуального анализа, чтобы можно было извлечь соответствующие знания, необходимые для построения имитационной модели. С этой целью в данной статье описываются алгоритмы, разработанные для извлечения информации, относящейся к взаимодействиям клиент-сервер в системах массового обслуживания, и для обеспечения интерпретируемых компьютером входных данных для соответствующих имитационных моделей. Во-первых, дается описание соответствующих предыдущих исследований и обсуждаются выявленные пробелы, приведшие к представленному исследованию. Затем вводятся основные свойства, характеризующие систему массового обслуживания, и объясняется их значение при проектировании строительных и имитационных моделей инфраструктуры. Затем описываются алгоритмы, которые были разработаны и реализованы для поиска и представления свойств очереди в имитационных моделях, и кратко объясняются основные математические основы. Наконец, робастность и эффективность этих алгоритмов будут изучены с использованием эмпирических данных, и результаты будут обсуждены.

Хотя использование имитационных моделей на уровне эксплуатации, которые помогают достичь высокого уровня эффективности в управлении строительными проектами, было изучено и широко пропагандировалось в академических исследованиях, все еще есть много возможностей для изучения их реальной ценности и потенциальных приложений. В недавних исследованиях была предпринята попытка изучить причины ограниченного и часто изолированного использования имитационных моделей в крупномасштабных отраслях промышленности. Среди прочего, было заявлено, что большинство существующих систем моделирования строительства полагаются на исторические данные и мнения экспертов для создания имитационных моделей. Учитывая динамику, присущую большинству строительных систем, такие входные данные могут оказаться нереалистичными (приводя к оптимистичным или пессимистичным выходным данным), и их часто трудно проверить независимо. Следовательно, выходные данные результирующих имитационных моделей могут быть далеки от реальных операций на местах. В отсутствие методов, которые облегчают процесс постоянного обновления этих имитационных моделей фактическими данными из реальной системы строительства, такие модели скоро станут устаревшими и малоэффективными. Для решения этой проблемы ранее обсуждалось, что сбор фактических данных по мере продвижения проекта, обнаружение значимых знаний из этих данных и передача извлеченных знаний в соответствующие имитационные модели могут быть многообещающим подходом. Для достижения этого возможность сбора, объединения и добычи данных была недавно исследована авторами путем разработки интегрированной структуры для моделей строительного оборудования, управляемых данными. Были также и другие немногочисленные исследования, направленные на решение этой проблемы в ограниченных масштабах. Несмотря на эти усилия, почти во всех предыдущих исследованиях ресурсы и объекты проекта рассматривались как единые единицы для сбора данных, и мало информации было получено из собранных данных для описания того, как отдельные организации будут взаимодействовать друг с другом на уровне процесса с течением времени. Знание взаимодействий, отношений и взаимозависимостей между различными объектами является важным шагом в получении знаний о логике и последовательности действий и может выявить потенциальные преобладающие шаблоны работы, продиктованные некоторыми объектами. Следовательно, в контексте систем массового обслуживания, где объекты находятся в постоянном взаимодействии друг с другом, получение точных данных для генерации знаний, касающихся взаимоотношений клиент-сервер, необходимо для разработки достоверных имитационных моделей.

При управляемом данными моделировании DES данные, необходимые для описания процесса поступления и продолжительности обслуживания системы очередей, должны собираться из реальной системы. Для целей данного исследования подробности методологий сбора данных и извлечения знаний, разработанных и уже утвержденных авторами, заявили, что в случае наличия доступа к фактическим данным по определенной входной случайной величине могут быть приняты три подхода для определения распределения, соответствующего доступным данным, и использования распределения в модели DES. Первый подход заключается в использовании одного из наблюдаемых значений данных каждый раз, когда это необходимо в моделировании. Второй подход заключается в определении эмпирической функции распределения на основе собранных данных и выборки из этого распределения всякий раз, когда эти входные данные требуются в модели. Наконец, третий подход — это подгонка стандартного теоретического распределения к собранным точкам данных. Как правило, все вышеупомянутые методы используются в разных приложениях, и ни один из них нельзя игнорировать. Однако в контексте DES-моделирования систем строительства и инфраструктуры и с учетом стохастического и неопределенного характера действий первый подход почти наверняка приведет к смещенной модели с нереалистичным представлением времени прибытия или продолжительности обслуживания. Второй подход может показаться жизнеспособным на первый взгляд. Однако у него есть некоторые недостатки, которые могут сделать его непригодным для целей настоящего исследования. В контексте данной статьи, в частности, поскольку эмпирическая функция распределения просто представляет значения, которые существуют в пуле собранных данных, качество распределения зависит исключительно от качества выборки. В результате в функции распределения могут быть некоторые нарушения. Это вызывает еще больше проблем, когда количество собранных точек данных невелико. Более того, эмпирическая функция распределения может генерировать значения только внутри диапазона собранных данных. Например, может быть несколько случаев очень большого времени обслуживания, которые могли иметь место до или после периода сбора данных и, таким образом, не будут отражены в эмпирической функции распределения. Это нежелательно при разработке имитационной модели, потому что производительность модели в значительной степени зависит от потенциала прогнозирования экстремального события, которое может не быть частью эмпирических данных, но вероятность которого все же может быть зафиксирована в хвосте модели. теоретические распределения вероятностей. Когда используется теоретическое распределение, если, скажем, крайне маловероятно, что переменная превысит определенное значение, распределение может быть сокращено, чтобы лучше представить реальность. Следовательно, крайне важно, чтобы соответствие собранным данным стандартного теоретического распределения могло лучше гарантировать более реалистичную выборку наблюдаемых значений внутри имитационной модели.

Очереди характеризуются рядом свойств, которые представляют взаимосвязи между объектами, участвующими в системе очередей. Процесс поступления, продолжительность обслуживания и дисциплина очереди являются одними из наиболее важных свойств очереди. В дополнение к этим основным свойствам, количество серверов, емкость очереди и совокупность обслуживаемых объектов являются некоторыми другими свойствами системы очередей. Однако, поскольку информация, относящаяся к этим последним свойствам, часто предоставляется как часть спецификаций проекта (например, планировка площадки и временная организация маршрута могут определять количество самосвалов, которые могут формировать очередь рядом с зоной погрузки в любой момент времени) или каталоги производителей оборудования ( например, вместимость ковша экскаватора может быть использована для определения количества самосвалов, которые могут быть обслужены в течение определенного периода времени), дальнейший сбор данных на месте и анализ этих свойств не вносят большой вклад в создание входных данных имитационной модели и, следовательно, не являются основным предметом данного исследования. Как обсуждалось ранее, свойства очереди и способность обнаруживать и использовать их точные и правильные значения важны при разработке сложных моделей DES. Например, нестационарные очереди, в которых сложности возникают из-за взаимодействий, возникающих при перемещении оборудования внутри трафика, по сути, подлежат различным мерам. При строительстве насыпи дамбы с нестационарными очередями Иоанну смоделировал сложную операцию с помощью СТРОБОСКОПА, в котором продолжительность операций и дисциплина в очереди зависели от хода операции и определенных мер в ходе проекта. STROBOSCOPE — это программируемая и расширяемая система моделирования, предназначенная для детального моделирования сложных строительных операций и разработки специальных инструментов моделирования.

Планирование, контроль и мониторинг строительных операций в целом, а также проектов тяжелого строительства и инфраструктуры, в частности, упрощаются с помощью имитационного моделирования. Системы массового обслуживания обычно абстрагируются и представляются как часть общей модели проекта в большинстве систем моделирования. Однако при отсутствии точных данных с высокой пространственной и временной точностью реалистичное моделирование процессов поступления и обслуживания при моделировании систем массового обслуживания не является тривиальной задачей. Чтобы облегчить эту проблему, в этом исследовании были исследованы сбор данных и извлечение знаний о взаимодействии объектов в системе массового обслуживания. В частности, в этой статье обсуждались основные свойства очередей и описывались разработанные алгоритмы обнаружения знаний в системах массового обслуживания. Достоверность и надежность разработанной методологии были оценены с помощью серии экспериментов, а также путем сбора и обработки эмпирических данных.

Разработанная методология сбора данных и обнаружения знаний была успешной в определении времени между прибытием и обслуживанием, и, что более важно, лежащей в основе дисциплины систем массового обслуживания. Ключевое наблюдение заключалось в том, что, несмотря на удобство моделирования времени прибытия и обслуживания с использованием экспоненциального распределения вероятностей, это распределение не обязательно может быть истинным представителем для определенных рабочих сценариев. Фактически, эмпирический анализ результатов, полученных в ходе экспериментов, проведенных в этом исследовании, показал, что экспоненциальное распределение в большинстве случаев было наихудшим распределением вероятностей. Хотя это законный поиск только в контексте данного исследования и не должен распространяться на все очереди, он предполагает, что предположение об экспоненциальном распределении для взаимного прибытия объектов в очередь не всегда может быть правильным. Кроме того, разработанные алгоритмы обнаружения дисциплины очереди и интеллектуального анализа данных использовались в нескольких экспериментах для анализа данных очереди и обнаружения преобладающей дисциплины очереди, а также любых внезапных изменений дисциплины очереди в ходе операций. В частности, было проведено три начальных эксперимента для оценки алгоритмов обнаружения свойств очереди. Результаты показали, что эти алгоритмы смогли успешно обнаружить свойства очереди для использования в модели DES. Кроме того, в отдельном эксперименте, в котором дисциплина очереди переключалась в произвольный момент времени во время работы системы массового обслуживания, оценивался эффект обнаружения точной точки, в которой была изменена дисциплина очереди, на результатах моделирования. Было обнаружено, что включение знаний, описывающих реальную систему массового обслуживания, в модель имитации привода данных (в отличие от использования статических входных данных) может привести к результатам моделирования, которые лучше напоминают наблюдения, полученные из реальной системы.

По результатам валидации был сделан вывод, что использование исключительно экспертных оценок, вторичных (исторических) данных из прошлых проектов и чисто математических теорий без учета характера и уникальных характеристик текущего проекта может привести к искажению реальной системы в имитационной модели конструкции. Это может отрицательно сказаться на надежности результатов моделирования и сделать результаты неприемлемыми для принятия решения.

Основным вкладом этого исследования в совокупность знаний и практики является то, что оно позволяет извлекать свойства очередей в динамических, постоянно меняющихся параметрах, таких как строительство и деятельность на объектах инфраструктуры. Это имеет практическую ценность, потому что моделирование очередей является одним из наиболее важных приложений моделирования в целом и моделирования DES в частности. Предоставляя фактические данные и извлекая более надежные входные данные, такие как свойства очереди для имитационной модели, выходные данные модели более репрезентативны и надежны. В настоящее время авторы работают над более сложными примерами взаимодействий клиент-сервер, включая несколько каналов и / или этапов обслуживания, а также над случаями, когда более одного сервера обрабатывают клиента одновременно.

Список литературы:

1. Купер Р. Б., Введение в теорию массового обслуживания, Северная Голландия, Нью-Йорк, 1981.
2. Дж. Медхи, Стохастические модели в теории массового обслуживания, Доступ в Интернете через Elsevier, 2002.
3. С. Абу Ризк, Роль моделирования в строительстве и управлении, J. Constr.Eng. Manag. 136 (10) (2010) 1140–1153.
4. Дж. К. Мартинес, Методология проведения исследований моделирования дискретных событий в строительстве и управлении, J. Constr. Англ. Manag. 136 (1) (2009) 3–16.
5. М. Лу, Упрощенный подход дискретно-событийного моделирования для моделирования строительства, J. Constr. Англ. Manag. 129 (5) (2003) 537–546.
6. М. Арашпур, Р. Уэйкфилд, Н. Блисмас, Э. Ли, Анализ сбоев, вызванных реконструкцией строительных площадок, на производительность в жилых проектах, J. Constr. Eng.Manag. 140 (2) (2013) 04013053.
7. И. Бродецкая, Р. Сакс, А. Шапира, Стабилизация производственного потока внутренних и отделочных работ с возвратным потоком в строительстве, J. Constr. Англ. Manag. 139 (6) (2012) 665–674.