Применение целочисленного программирования для максимального увеличения срока службы инфраструктурных активов

Инфраструктурные активы, такие как мосты, дороги, системы водоснабжения и электросети, составляют основу современного общества. Их надежная производительность имеет решающее значение для экономической производительности, общественной безопасности и качества жизни. Однако эти активы со временем ухудшаются из-за использования, факторов окружающей среды и стареющих материалов. Задача инженеров и политиков состоит в том, чтобы принимать стратегические решения о техническом обслуживании, реабилитации и замене, чтобы максимизировать срок полезного использования этих активов при работе в условиях строгих бюджетных ограничений. Именно здесь математическая оптимизация, особенно целочисленное программирование, выступает в качестве мощного инструмента для принятия решений.

Понимание целочисленного программирования

Целое программирование (IP) является подполем математической оптимизации, где некоторые или все переменные решения должны принимать целые значения. В отличие от линейного программирования, которое имеет дело с непрерывными переменными, целое программирование позволяет моделистам представлять дискретные варианты, которые являются общими в управлении инфраструктурой. Например, выбор ремонта моста или нет (решение да/нет) естественно моделируется с двоичной переменной (0 или 1). Когда только некоторые переменные являются целыми, проблема называется проблемой смешанного целого программирования (MIP).

Целые задачи программирования, как правило, сложнее решить, чем их непрерывные аналоги. Они относятся к классу NP-трудных задач, что означает, что время решения может расти экспоненциально с размером проблемы. Однако достижения в технологии решателей (таких как Gurobi, CPLEX и альтернативы с открытым исходным кодом, такие как SCIP) позволили эффективно решать большие реалистичные экземпляры. Современные решатели используют такие методы, как ветвь и связь, плоскости резки и эвристика, чтобы найти оптимальные или почти оптимальные решения.

Чтобы узнать больше об основах целочисленного программирования, обратитесь к ресурсам Института исследований операций и наук об управлении (]INFORMS) или академическим учебникам по оптимизации.

Разработка модели целочисленного программирования для управления активами инфраструктуры

Применение целочисленного программирования для максимизации срока службы активов требует перевода реальной проблемы в математическую модель с тремя ключевыми компонентами: переменными решения, ограничениями и объективной функцией.

Переменные решения

Наиболее распространенными переменными в моделях IP инфраструктуры являются бинарные (0-1) переменные, которые представляют собой, предпринимается ли конкретное действие в определенное время. Например, xi,t может быть 1, если обслуживание выполняется по активу i в году t, и 0 в противном случае. Другие переменные могут указывать тип вмешательства (например, незначительный ремонт против крупной реабилитации) или время замены. Также могут появляться непрерывные переменные, такие как индекс состояния актива с течением времени, но основные решения остаются дискретными.

Ограничения

Ограничения отражают реальные ограничения, с которыми сталкиваются менеджеры инфраструктуры. Общие ограничения включают:

Объективная функция

Цель, как правило, направлена на максимальное увеличение общей продолжительности жизни системы инфраструктуры, которая может быть измерена различными способами. Общий подход заключается в максимизации взвешенной суммы времени, в течение которого каждый актив остается в эксплуатации выше минимального уровня состояния. Альтернативно, цель может минимизировать общие затраты на жизненный цикл (включая расходы на техническое обслуживание и отказ) при обеспечении определенного срока службы. Выбор цели зависит от приоритетов лица, принимающего решение.

Математически простая формулировка может быть:

Максимизируйте Σi Σt (пожизненное пособиеi × эксплуатационноеi,t)

где операционная i,t является двоичной переменной, указывающей, находится ли актив i в приемлемом состоянии в данный момент t , и выгода отражает общественную ценность функционирования актива.

Реальные приложения

Для различных областей инфраструктуры успешно применяются модели целочисленного программирования. Ниже приводятся три наглядных примера.

Системы управления мостами

Транспортные агентства управляют тысячами мостов с ограниченным финансированием. Модели IP помогают определить, какие мосты ремонтировать, когда и с каким типом вмешательства. Например, система управления мостом Pontis Федерального управления автомобильных дорог США включает компоненты оптимизации для приоритизации проектов. Исследование Американского общества гражданских инженеров (FLT:0) ASCE ] показало, что оптимизированное планирование может продлить срок службы мостовой сети на 15-20% по сравнению с основанными на правилах подходами.

Сети распределения воды

Водные трубы корродируют и развивают утечки с течением времени. Замена труб является дорогостоящей и разрушительной. Целые модели программирования могут планировать замены труб, чтобы максимизировать оставшийся срок службы сети, удовлетворяя требованиям качества воды и давления. Заметное применение в водной промышленности Великобритании использует смешанные целые программы для планирования обновлений, снижая затраты на 10-25% при сохранении уровня обслуживания.

Обслуживание дорожного покрытия

Модели ИС включают кривые ухудшения и бюджетные циклы для создания оптимальных годовых программ. Система развития и управления автомобильными дорогами Всемирного банка (HDM-4) включает модули оптимизации, которые полагаются на принципы целочисленного программирования.

Преимущества использования целочисленного программирования

Принятие целочисленного программирования для управления активами инфраструктуры дает значительные преимущества:

Вызовы и соображения

Несмотря на свою мощь, целочисленное программирование не является серебряной пулей. Для успешного осуществления необходимо решить ряд проблем.

Качество и доступность данных

Модели ИС основаны на точных оценках состояния, показателях ухудшения, оценках затрат и последствиях сбоев. Многие учреждения не располагают всеобъемлющими данными. Инвестиции в базы данных по управлению активами и мониторинг состояния (например, датчики, инспекции) являются предпосылками. Без надежных данных результаты моделей могут вводить в заблуждение.

Вычислительная сложность

Масштабные проблемы IP могут быть вычислительно интенсивными. Для сети из 10 000 активов за 30-летний горизонт число бинарных переменных может превышать 300 000. Решение таких проблем до оптимальности может потребовать высокопроизводительных вычислений или использования эвристических методов, которые жертвуют некоторой оптимальностью для скорости.

Моделирование неопределенности

Предположения о темпах ухудшения, доступности бюджета и будущих требованиях неопределенны. Детерминированные модели IP могут создавать планы, которые являются хрупкими в изменяющихся условиях. Расширения, такие как стохастическое программирование или надежная оптимизация, могут решить эту проблему, но они увеличивают сложность.

Организационная Buy-In

Инженеры и проектировщики могут скептически относиться к результатам оптимизации «черного ящика». Успешное развертывание требует сотрудничества между специалистами по исследованиям операций и экспертами в области. Обучение и прозрачная коммуникация о том, как работают модели, необходимы для принятия.

Будущие направления: объединение целочисленного программирования с машинным обучением

Следующий рубеж в управлении инфраструктурными активами включает интеграцию целочисленного программирования с машинным обучением. Модели машинного обучения могут более точно прогнозировать ухудшение активов из исторических данных и потоков датчиков. Эти прогнозы затем могут подаваться в модели IP для создания динамических графиков обслуживания, которые адаптируются по мере поступления новых данных.

Например, прогностическая модель может предсказать, что конкретный мост достигнет критического состояния через 5 лет, раньше, чем предполагают стандартные кривые ухудшения. Модель IP включает в себя этот обновленный прогноз и перепланирует техническое обслуживание для предотвращения сбоев. Эта комбинация приводит к тому, что известно как предписывающая аналитика, выходящая за рамки описательных и прогнозных идей, чтобы рекомендовать лучший курс действий.

Исследовательские группы, такие как INFORMS Analytics Society, активно продвигают эти передовые методы.По мере того, как вычислительная мощность продолжает расти, а сбор данных становится дешевле, мы можем ожидать более широкого использования гибридных систем IP-ML в государственных и частных инфраструктурных организациях.

Заключение

Целое программирование обеспечивает строгую основу для максимизации срока службы инфраструктурных активов посредством оптимизированных стратегий обслуживания и замены. Путем моделирования дискретных решений, ограничений ресурсов и целей жизненного цикла лица, принимающие решения, могут достичь значительного повышения эффективности и долговечности активов. Однако успешное применение требует высококачественных данных, соответствующих вычислительных ресурсов и организационных обязательств. Поскольку построенная среда стареет и бюджеты остаются жесткими, принятие передовых методов оптимизации, таких как целое программирование, станет все более важным. Будущее имеет еще большие перспективы с интеграцией машинного обучения, что позволяет действительно адаптивное и интеллектуальное управление инфраструктурой.