На сегодняшний день в большинстве случаев, на промышленных предприятиях в распределительных устройствах электроэнергии используется устаревшее оборудование, в случае выхода, из строя которого зачастую затрачивается достаточно много времени на выявления причин неисправностей, что в свою очередь приводит к «простаиванию», исполнительных механизму и значительным экономическим убыткам. [1]
В настоящий момент появилось достаточно большое множество современных систем позволяющих следить за состоянием коммутационных аппаратов, управлять ими, вести журнал событий, производить сбор данных о потреблении и качестве электроэнергии. На территории дальнего востока, технические системы такого рода очень плохо развиты. Во многом данная проблема связана с недостаточным уровнем знаний о методах современной автоматизации, или мнения о том, что реализация таких систем весьма затратна и чрезмерно сложна в плане технической реализации.
Превосходство современных средств автоматизации, над существующими техническими ращениями и их фактическую необходимость можно обосновать на примере распределительных устройств фирмы Schneider Electric - «Умный Щит».
«Умные Щит» устройства, сочетающие в себе передовые аппаратные средства и программное обеспечение, с уникальной простотой монтажа и использования позволяют заранее определить проблемные точки системы электроснабжения и потери энергии, принять обоснованные решения для снижения бессмысленных расходов и, наконец, перестать тратить время на определение и устранение аварийных ситуаций. [2]
«Умные Щиты» - это щиты распределения энергии с цифровой поддержкой, обеспечивающие отображение происходящего на уровне веб-страниц, доступ к информации с помощью обычного планшетного компьютера или смартфона и одновременность доступа для различных систем и пользователей. Щиты позволяют отслеживать потребление электроэнергии, ее качество и состояние оборудования.
На сегодняшний день подобные решения, технически не уступающие «Умному Щиту» фирмы Schneider Electric предлагают такие фирмы как Legrand, ABB, LS Industrial и т.д.
Вышеперечисленные возможности автоматизации распределительных устройств электроэнергии, могут значительно упростить работу обслуживающего персонала и значительно снизить экономические затраты. Поэтому с полной уверенностью можно сказать о необходимости внедрения современных способов автоматизации в распределительных устройствах электроэнергии.
Список литературы
1. Шабад М.А. Автоматизация распределительных электрических сетей с использованием цифровых реле, 2015. № 2 (42). С. 99-101.
2. «Умный Щит» [Электронный ресурс]. 2018. Режим доступа: https://www.schneider-electric.ru/ru/work/products/product-launch/smart-panels/overview.jsp/ (дата обращения 28.05.2018).
ТЕХНИКО-ЭКОНОМИЧЕСКОЕ СРАВНЕНИЕ МОНОЛИТНО-КАРКАСНОГО И СБОРНО-МОНОЛИТНОГО СТРОИТЕЛЬСТВА
Гарасюта А.В.
Гарасюта Анастасия Владимировна — магистрант, кафедра автомобильных дорог и технологии строительного производства, Уфимский государственный нефтяной технический университет, г. Уфа
Аннотация: в статье анализируются основные сборно-монолитные каркасы, а также монолитный безригельный каркас, сравниваются их материалоемкость, стоимость и трудозатраты. Ключевые слова: сборно-монолитный каркас, сравнение, трудозатраты, строительство.
В практике отечественного строительства распространен монолитный безригельный каркас, по которому в настоящее время возводится более 80% всего объема. Сборный вариант данного каркаса КУБ 2,5, а также 3 системы сборно-монолитного каркаса - французская система «САРЕТ» у нас известная как Чебоксарская; белорусская система АРКОС и Универсальная домостроительная система.
Монолитный безригельный каркас не требует квалифицированной рабочей силы, однако, очень материалоемкий, особенно при пролетах более 6 метров (при увеличении пролета 6-7,2 м металлоемкость каркаса увеличивается со 100-150 кг/м3), к тому же на темпы строительства очень сильно влияет сезонный фактор.
Система КУБ 2,5 - единственный полностью сборный вариант безригельного каркаса, поэтому главным и единственным его преимуществом является отсутствие мокрых процессов, следовательно, круглогодичность строительства.
Однако, по материалоемкости и тем более стоимости он уступает даже монолитному каркасу (уменьшение толщины плиты с 20 до 16 см не компенсирует увеличение затрат при устаревшей технологии их производства на жбз (конвейерная, поточная, агрегатно-поточная) [1, с. 35]
Белорусская система АРКОС обладает существенно меньшей материалоемкостью, чем предыдущие варианты, обеспечивает свободную планировку без выступающих ригелей. Однако, устройство монолитных ригелей трудоемко и снижает темпы возведения зданий.
Недостатки данной системы: высокое узловое насыщение арматурой в важных опорных сечениях колонн и перекрестных несущих и связевых ригелей; дорогостоящая опалубка монолитных ригелей; арматура ригелей без предварительного напряжения; высокая трудоемкость стыков колонн.
Французская система САРЕТ (в РФ - Чебоксарский каркас) в отечественной практике используется почти 20 лет, при этом все основные элементы сборные, а монолитные работы (омоноличивание верхнего слоя по плитам перекрытий) не требует дополнительной опалубки. Имеется один существенный недостаток - повышенная материалоемкость и длительность технологических процессов (до набора прочности бетона)
Во многом данных недостатков лишена система УДС, которая вошла в практику отечественного строительства в течении последних 10 лет.
Объем бетона замоноличивания минимален, возможность строить с повышенной сеткой колонн (до 7,5х7,5 и более) и как показала практика имеется только одна проблема: обеспечение качества работ по замоноличиванию сопряжения плиты с ригелями (армирование в стесненных условиях, скорость бетонирования прогрев и др)
Названные факторы сведены в сравнительную таблицу данных индустриальных систем каркасного домостроения, где отмечены все основные технико-экономические показатели.
Таблица 1. Сравнительная таблица индустриальных систем каркасного домостроения
Критерий КУБ УДС АРКОС САРЕТ
Средний расход ж/б конструкций м3/м2 пл. зд. 0,28 0,17-0,27 0,24-0,28 0,2-0,28
Средняя металлоемкость ж/б конструкций, кг/м3 117 62 80 71
Средняя металлоемкость строительства, кг/м3 21 13 17 15
Коэффициент полносборности 0,6 0,7-0,9 0,6 0,8
Себестоимость каркаса с монтажом, тыс. руб./м2 12,9 3,6 5,5 4,5
Технико-экономический исследование велись по основным показателям: трудоёмкости, стоимости возведения и скорости возведения каркаса. [2, с. 37] С целью подсчета данных показателей был запроектирован каркас секции жилого дома с размерами в плане 27х15 м. Принимая во внимание тот факт, что лестничные клетки и шахты лифтов возводятся в исследуемых каркасах аналогично, работами по их возведению решено пренебречь. Согласно указаниям к проектированию рассматриваемых конструкций, диафрагмы жесткости принимаются в виде панелей в системе «Аркос» [3, с. 24]. В системах «Сарет» и «УДС» диафрагмы жесткости принимаются в виде монолитных перегородок толщиной 160 мм. Для вентиляционных каналов и систем водоснабжения во всех системах запроектированы монолитные участки в перекрытии. [4, с. 10].
Проведенные расчеты трудозатрат времени строительства и сметной стоимости возведения типовой секции каркаса жилого здания для всех типов данных систем подтвердили правильность выдвинутых предположений.
По проделанной работе можно сделать следующие выводы:
1. Сравнительный анализ индустриальных систем сборно-монолитного и монолитного каркасного домостроения выявил, что сборно-монолитный каркас позволяет существенно снизить материалоемкость и металлоемкость строительства жилых и гражданских зданий (до 1,8-2 раза сокращение расхода бетона, до 2-3 раз сокращение расхода металла в зависимости от используемой системы).
2. Оценка стоимости, трудоемкости и уровня механизации строительных процессов при возведении зданий по монолитно-каркасной технологии выявила наиболее эффективную систему монолитно-каркасного домостроения «УДС» - универсальная домостроительная система среди всех присутствующих аналогичных систем в отечественном жилищно-гражданском строительстве:
34
«Аркос» разработанный белорусским институтом «БелНИИС», французский сборно-монолитный каркас «Сарет».
3. Отечественная система сметной документации в отечественном строительстве (основанное на базисном или нормативном подходе с учетом единого коэффициента индексации), к сожалению, не учитывает рыночных реалий, поэтому реальная эффективность от внедрения сборно-монолитного каркасного домостроения определенная с учетом ресурсного метода определения сметной стоимости, по-моему, мнению, будет существенно выше.
Список литературы
1. Шембаков В.А. Сборно-монолитное каркасное домостроение: руководство к принятию решений / В.А. Шембаков. Чебоксары: Яблоня, 2005. 119.
2. ЕНиР. Сборник 4. Монтаж сборных и устройство монолитных железобетонных и бетонных конструкций. Выпуск 1. Здания и промышленные сооружения. /М.: Стройиздат, 1987. 64.
3. Сборно-монолитная каркасная система МВБ-01 с плоскими перекрытиями для зданий различного назначения. Выпуск 0-1. Указания по проектированию каркаса /Минск: БелНИИС, 1999. 21.
4. Великжанин Г.М. Домостроительная система КУБ-3V / Г.М. Великжанин. Нижний Новогород: Система-Строй, 2010. 119.
БОЛЬШИЕ ДАННЫЕ И ГЛУБОКОЕ МАШИННОЕ ОБУЧЕНИЕ В ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЯХ Тихонов А.А.
Тихонов Алексей Анатольевич — бакалавр, Институт математики, физики и информатики, Красноярский государственный педагогический университет им. В.П. Астафьева, г. Красноярск
Аннотация: в статье раскрываются понятия Больших данных и глубокого машинного обучения искусственных нейронных сетей, а также описание областей их применения. Затрагивается проблема необходимости эволюции нейронных сетей посредством изменения их архитектуры и принципа работы.
Ключевые слова: анализ, большие данные, глубокое машинное обучение, визуализация, нейронная сеть.
Под большими данными (англ. Big Data) подразумевают технологии обработки структурированных и неструктурированных данных, которые имеют постоянный прирост. В последнее время сформировалось отличие между обычными структурированными базами данных с чёткими и понятными обработками и большими данными, которые могут не иметь большой объём информации на начальном этапе, но обладают главной отличительной чертой - умение приспосабливаться под задачу в результате использования «машинного обучения». Вообще определяющими характеристиками больших данных являются объём, вариативность, скорость и ценность [1].
Большой объём данных (от 100 Тбайт) позволяет более точно находить различные связи для дальнейшего представления аналитики в агрегированном, понятном для чтения виде. В современных условиях объём информации может достигать сотен петабайт и даже эксабайт [1].
Вариативность данных позволяет выявить зависимости там, где на первый взгляд их не стоит искать. Например, зависимость активности покупателей от погоды или зависимость продолжительности сна от потребления лекарств.
Скорость обработки информации в больших данных близка к реальному времени.
Широкое распространение использования больших данных получили Интернет-ресурсы, занимающиеся продажей товаров и услуг. Прежде всего, это вызвано возможностью получения большого объёма информации о действиях пользователей на этих ресурсах. Рекомендованные к просмотру фильмы, к прослушиванию музыкальные композиции, к чтению книги и статьи, контекстная реклама и СПАМ-фильтры в почте, сайты знакомств [2, 3].
Данная технология использоваться в медицине, банковской и военной сферах, полиции, экономике государств, изучении социальных явлений и для управления большими и малыми социальными группами. На мой взгляд, большие данные являются относительно новым витком в