Tugas 9 MPKL

METODE PERALATAN DAN KONSTRUKSI LANJUT
Dr. Ir. Albert Eddy Husin, MT.
TUGAS 9
PENGGUNAAN TRUCKS DAN HAULING EQUIPMENT PADA
PEKERJAAN LOW-RISE BUILDING
KELOMPOK 3
1. Indriani Eka Widiastuti, S.T NIM : 55719010004

2. Kartika Sri Rahayu, S.T NIM : 55719010009
3. Nella Kusumaningtyas, S.T NIM : 55719010008
UNIVERSITAS MERCUBUANA
PROGRAM STUDI PASCA SARJANA
MAGISTER TEKNIK SIPIL
JAKARTA
2019
Abstract
Hauling trucks are important parts of equipment fleets for large earth moving
operations such as those encountered in dams and highway construction
projects. This paper presents an automated methodology for tracking and
estimating productivity of hauling trucks fleet operations in near-real-time.
Recent advancements in automated site data acquisition technologies made
their use in feasible tracking and monitoring of construction operations.
However, these technologies fail to track hauling truck fleets due to the
change in the cut and fill locations from one cycle to another; making tracking
and progress reporting difficult and inaccurate. In addition, there is very little
work done utilizing sensed data directly from equipment, for example sensing
when the dumping bed truck is raised during the dumping process.
Key : Cut and Fill, Hauling, Truck, Dumping
Abstrak
Truk pengangkut adalah bagian penting dari armada peralatan untuk operasi
pemindahan tanah besar seperti yang ditemui di bendungan dan proyek
konstruksi jalan raya. Makalah ini menyajikan metodologi otomatis untuk
melacak dan memperkirakan produktivitas operasi armada truk angkut dalam
waktu yang hampir bersamaan. Kemajuan terbaru dalam teknologi akuisisi
data situs otomatis membuat penggunaannya dalam pelacakan dan
pemantauan operasi konstruksi yang layak. Namun, teknologi ini gagal
melacak armada truk pengangkut karena perubahan lokasi Cut and Fill dari
satu siklus ke siklus lainnya; membuat pelacakan dan pelaporan kemajuan
sulit dan tidak akurat. Selain itu, ada sangat sedikit pekerjaan yang dilakukan
dengan menggunakan data penginderaan langsung dari peralatan, misalnya
merasakan ketika truk bed dumping dinaikkan selama proses dumping.
Kunci : Cut and Fill, Pengangkutan, Truck, Dumping
ii

KATA PENGANTAR
Puji syukur saya panjatkan kehadirat Tuhan Yang Maha Esa atas
limpahan rahmat dan hidayahnya, sehingga kami dapat menyelesaikan
makalah ini sesuai dengan yang diharapkan.
Dalam kesempatan ini tidak lupa kami mengucapkan terima kasih kepada
Pak Albert selaku dosen mata kuliah Metode dan Peralatan Konstruksi
serta semua pihak yang telah memberikan saran-saran kepada kami
dalam membuat makalah ini.
Dalam penyusunan makalah dengan judul “Trucks and hauling Equipment
in Low Rise Building”, kami menyadari bahwa makalah yang kami buat
masih jauh dari sempurna, walaupun kami berusaha dengan sekuat
tenaga. Maka, dengan segala kerendahan hati, kami mengharapkan saran
serta kritik yang menuju kearah perbaikan serta penyempurnaan makalah
ini dari para pembaca sekalian.
Semoga makalah ini dapat bermanfaat bagi para pembaca sekalian.
Jakarta,27 Oktober 2019

Penyusun
Kelompok III

iii

Bab 1 - Pendahuluan
BAB I
PENDAHULUAN
1.1. Latar Belakang

Saat ini proyek konstruksi bangunan bertingkat rendah semakin banyak
perkembangan, dalam pelaksanaanya segala sesuatu perlu direncanakan dengan tepat
dan cermat. Salah satunya adalah perencanaan penggunaan peralatan berat untuk
konstruksi yang tepat agar dapat menunjang kelancaran pelaksanaan di lapangan. Dalam
pemilihan alat berat konstruksi yang terpenting adalah mengidentifikasi alat untuk
mengetahui fungsi serta cara pengoperasiannya dan dapat memperkirakan produktifitas
dan efisiensi kerja alat.
Seiring perkembangan zaman, dunia industri khususnya alat berat dari waktu ke waktu
terus mengalami kemajuan yang sangat pesat. Berbagai produk – produk dengan berbagai
design telah banyak dikeluarkan oleh produsen- produsen dan bahkan telah merambah
keseluruh penjuru dunia, tak terkecuali indonesia. Indonesia yang saat ini masih sebagai
negara berkembang jelas sangat membutuhkan alat berat sebagai alat bantu dalam proyek
pengerjaan pembangunan infrastruktur sebagai sarana untuk memepercepat kemajuan
negeri. Truck merupakan salah satu jenis konstruksi alat berat yang berfungsi untuk loading
material lainnya.
Melihat kondisi saat ini dimana alat berat sangat memiliki peranan penting sebagai alat
bantu untuk mempermudah pekerjaan manusia, maka muncullah sebuah ide untuk membuat
simulasi alat sederhana yang dapat menjadi sarana penunjang pembelajaran alat berat bagi
mahasiswa agar lebih mudah memahami mekanisme alat berat. Simulasi ini berjudul
“ Penggunaan truck dan hauling equipment pada bangunan tingkat rendah (Low-rise
bulding) “.
Makalah ini disusun agar dapat mempermudah proses pembelajaran mahasiswa

mengenai alat berat, sehingga mahasiswa lebih mudah mengerti dalam pemahaman terhadap
teori yang didapat serta mampu meningkatkan semangat belajar mahasiswa khususnya alat
berat.
1
Bab 1 - Pendahuluan
1.2. Batasan Masalah

Pada penulisan ini lingkup pembahasan dan masalah yang akan dianalisis dibatasi
dengan: truck and hauling equipment pada proyek low rise building.
1.3. Tujuan
Tujuan dari penulisan ini adalah :
1. Untuk mengetahui low rise building
2. Mengetahui sistem kerja dari truck dan hauling equipment
1.4. Manfaat
Hasil penulisan ini diharapkan mempunyai manfaat antara lain :
1. Sebagai bahan pertimbangan bagi para engineer dibidang teknik sipil untuk
penerapan di lapangan khususnya pondasi pada tanah yang baik dan kurang baik.
2. Menambah ilmu pengetahuan dibidang teknologi khususnya tentang alat berat
3. Dapat mengetahui bagaimana mekanisme kerja truck dan hauling equipment dengan
sistem mekanis secara sederhana
4. Sebagai alat bantu pada proses pembelajaran bagi mahasiswa sehingga mahasiswa
lebih mudah memahami teori yang didapat
1.5 Sistematika penulisan
Adapun sistematika penulisan yang dipakai dalam penulisan laporan ini adalah sebagai
berikut :
1. Bab I Pendahuluan
Membahas tentang latar belakang penulisan, tujuan dan manfaat penulisan,
permasalahan yang diangkat, dan sistematika penulisan.
2. Bab II Tinjauan Pustaka
Membahas tentang pengertian truck dan hauling equipment, kegunaan, bagian – bagian
truck dan hauling equipment, jenis – jenis truck dan hauling equipment, sistem operasi
truck dan hauling equipment.
3. Bab III Pembahasan Jurnal
Membahas uraian tentang pembahasan jurnal
2
Bab 1 - Pendahuluan
4. Bab IV Tugas khusus

Membahas tentang kesimpulan dari hasil analisis dari jurnal dan saran-saran penulis
dalam penggunaan truck dan hauling equipment di low-rise building.
3

Bab 2 – Tinjauan Pustaka
BAB II
TINJAUAN PUSTAKA
2.1 Low-Rise Building

A low-rise building is an enclosed structure whose architectural height is below
35 meters, and which is divided at regular intervals into occupiable levels.
2.1.1 Tahapan Pengerjaan Low-Rise Building
A. Tahapan Perencanaan (Planning)
Semua proyek konsruksi biasanya dimulai dari gagasan atau rencana dan
dibangun berdasarkan kebutuhan (need) pihak yang terlibat dan pemilik.
B. Tahap Studi Kelayakan
Pada tahap ini adalah untuk meyakinkan pemilik proyek bahwa proyek
konstruksi yang diusulkan layak untuk dilaksanakan. Kegiatan yang
dilaksanakan :
• Menyusun rancangan proyek secara kasar dan membuat estimasi biaya
• Meramalkan manfaat yang akan diperoleh
• Menyusun analisis kelayakan proyek
• Menganalisis dampak lingkungan yang akan terjadi
Pihak yang terlibat adalah konsultan studi kelayakan atau konsultan
manajemen konstruksi (MK).
C. Tahap Penjelasan (Briefing)
Ada tahap ini pemilik proyek menjelaskan fungsi proyek dan biaya yang
diijinkan sehingga konsultan perencana dapat dengan tepat menafsirkan
keinginan pemilik. Kegiatan yang dilaksanakan :
• Menyusun rencana kerja dan menunjuk para perencana dan tenaga ahli
• Mempertimbangkan kebutuhan pemakai, keadaan lokasi dan lapangan,
merencanakan rancangan, taksiran biaya, persyaratan mutu.
• Menyiapkan ruang lingkup kerja, jadwal, serta rencana pelaksanaan
• Membuat sketsa dengan skala tertentu sehingga dapat menggambarkan
denah dan batas-batas proyek.
Pihak yang terlibat adalah pemilik dan Konsultan Perencana.
4

D. Tahap Perancangan (Design)

Pada tahap ini adalah melakukan perancangan (design) yang lebih
mendetail sesuai dengan keinginan dari pemilik. Seperti membuat Gambar
rencana, spesifikasi, rencana anggaran biaya (RAB), metoda pelaksanaan, dan
sebagainya. Kegiatan yang dilaksanakan :
§ Mengembangkan ikthisiar proyek menjadi penyelesaian akhir
§ Memeriksa masalah teknis.
§ Meminta persetujuan akhir dari pemilik proyek
Mempersiapkan :
§ Rancangan terinci
§ Gambar kerja, spesifikasi dan jadwal
§ Daftar kuantitas
§ Taksiran biaya akhir
Pihak yang terlibat adalah konsultan perencana, konsultan MK, konsultan
rekayasa nilai dan atau konsultan quantitiy surveyor.
E. Tahap Pengadaan/Pelelangan (Procurement/Tender)
Pada tahap ini bertujuan untuk mendapatkan kontraktor yang akan
mengerjakan proyek konstruksi tersebut, atau bahkan mencari sub
kontraktornya, kegiatan yang dilaksanakan :
• Prakulaifikasi
• Dokumen Kontrak
Pihak yang terlibat adalah pemilik, pelaksana jasa konstruksi (kontraktor),
konsultan MK.
F. Tahap Pelaksanaan (Construction)
Tujuan pada tahap ini adalah mewujudkan bangunan yang dibutuhkan oleh
pemilik proyek yang sudah dirancang oleh konsultan perencana dalam batasan
biaya, waktu yang sudah disepakati, serta dengan mutu yang telah disyaratkan.
Kegiatan yang dilaksanakan adalah merencanakan, mengkoordinasikan,
mengendalikan semua oprasional di lapangan :
• Kegiatan perencanaan dan pengendalian adalah:
• Perencanaan dan pengendalian
• Jadwal waktu pelaksanaan
• Organisasi lapangan
5

• Tenaga kerja
• Peralatan dan material
• Kegiatan Koordinasi
• Mengkoordinasikan seruh kegiatan pembangunan
• Mengkoordinasi para sub kontraktor
Pihak yang terlibat adalah Konsultan Pengawas dan atau Konsultan MK,
kontraktor, Sub Kontraktor, suplier dan instansi terkait.
2.2 EarthMoving
Earthmoving merupakan proses atau metode pemindahan material berupa tanah
atau batu dari 1 loksasi ke lokasi lainnya. Biasanya aktivitas earthmoving terkait
dengan beberapa pekerjaan konstruksi seperti penyiapan lahan, elevasi, kerapatan dan
moisture sebagai konten dari material tanah. Earthmoving terdiri atas beberapa sub
pekerjaan seperti:
• Excavating ( pengerukan tanah )

• Loading
• Hauling
• Placing ( dumping and spreading)
• Compacting
• Grading dan finishing
Perpindahan merupakan hal yang sangat wajar di dunia konstruksi. Mulai dari
material, alat, tenaga kerja, semua melakukan perpindahan dan pergerakan. Tentunya
perpindahan tersebut memiliki maksud tujuan tertentu, salah satu metode perpindahan
material dalam dunia konstruksi disebut Earthmoving. Earthmoving merupakan
proses perpindahan tanah atau batu-batuan dari suatu lokasi ke lokasi lainnya untuk
tujuan tertentu, biasanya untuk memenuhi persyaratan atau kriteria dari lokasi
konstruksi yang diinginkan. Umumnya, berhubungan dengan elevasi tanah, massa
jenis, dan konten dari tanah tersebut. Peralatan yang baik dan berkualitas, serta
metode yang tepat dibutuhkan dalam proses earthmoving untuk menghasilkan
ketepatan dalam berbagai aspek. Memilih peralatan untuk melakukan earthmoving
merupakan hal yang fatal juga jika terjadi kesalahan atau ketidaktepatan pemilihan
alat.
6

Pemilihan alat ini akan sangat berhasil baik jika sudah diketahui tujuan jelas dari
pekerjaan earthmoving mulai dari tahap pertama hingga terakhir, sehingga setiap alat
akan bekerja secara maksimal. Dengan memilih alat-alat berat yang tepat, maka
pekerjaan konstruksi juga akan lebih hemat sekaligus menambah keuntungan, karena
tidak adanya peralatan yang disewa, namun tidak bekerja maksimum. Kehematan
yang besar akan tercapai bila biaya perunit produksi mencapai titik paling
rendah. Perencanaan merupakan bagian penting dari earthwork agar menghasilkan
konstruksi yang produktif dan hemat. Perencanaan ini dimaksudkan untuk; mengerti
tujuan proyek dan alat yang dibutuhkan, mengerti setiap aspek kerja, mengidentifikasi
kebutuhan dan sumberdaya, membuat lokasi konstruksi yang aman, menciptakan
efisiensi, dan mengkoordinasi setiap aktivitas sesuai jadwal yang telah ditetapkan.
2.3 Trucks
Truk adalah kendaraan angkutan jalan raya dengan spesifikasi tertentu yang
dipergunakan untuk mengangkut barang dalam ukuran besar dan berat.
2.3.1 Klasifikasi Truck
n Method of dumping the load
q Rear-dump
q Bottom-dump
q Side-dump
q Articulated dump truck
n Capacity
q Gravimetric: carried load expressed as weight in tons
q Volumetric/struck volume: carried load expressed as volumetric
amount in cubic meter/cubic yard
2.3.2 Jenis-Jenis Truck

Truk mempunyai berbagai macam jenis, ;
• Bottom Dump Truck
• Dump Trucks
• Side Dump Truck
• Articulated Truck
7

Gambar 2.1 Jenis-Jenis Truck

2.3.3 Kapasitas Truck
Tiga metode menilai kapasitas truk:
• Gravimetri: beban yang akan ditanggungnya, dinyatakan sebagai beban.
• Volume yang terjebak: jumlah volumetrik yang akan dibawa, jika bebannya
adalah level air dalam tubuh.
• Volume yang ditumpuk: jumlah volumetrik yang akan dibawanya, jika
bebannya ditumpuk pada kemiringan 2: 1 di atas tubuh.
2.3.4 Ukuran Truck Mempengaruhi Produktivitas

1. Truk Kecil
Keuntungan ;
• Memanfaatkan fleksibilitas, yang mungkin bermanfaat di tempat kerja
yang dibatasi.
• Kecepatan, dapat mencapai kecepatan angkut yang lebih tinggi dan
kembali
• Produksi, dampak kecil jika satu truk mogok
• Neraca armada, jumlah truk yang mudah dicocokkan dengan produksi
excavator
Kerugian
• Jumlahnya, lebih banyak truk meningkatkan bahaya operasional di pit, di
sepanjang jalan angkut dan di tempat pembuangan.
8

• Diperlukan lebih banyak driver, lebih dibutuhkan untuk output yang

diberikan.
• Kendala pemuatan, target kecil untuk bucket excavator.
• Waktu penentuan posisi, total waktu bercak lebih besar karena jumlah
yang diperlukan.
2. Truk Besar
Keuntungan ;
• Jumlah, lebih sedikit yang dibutuhkan untuk output yang diberikan.
• Driver diperlukan, lebih sedikit dibutuhkan untuk output yang diberikan.
• Keuntungan pemuatan, target yang lebih besar untuk bucket excavator.
• Waktu pemosisian, frekuensi truk penarik berkurang
Kerugian ;
• Biaya waktu truk saat pemuatan lebih besar, terutama dengan excavator
kecil.
• Beban lebih berat, kemungkinan kerusakan pada jalan angkut sehingga
meningkatkan biaya pemeliharaan jalan angkut.
• Saldo armada, sulit untuk mencocokkan no. truk untuk produksi
excavator.
• Ukuran, mungkin tidak diizinkan untuk diangkut di jalan TOL.
2.3.5 Estimasi Truck Produktivitas

Menghitung produktivitas ada dua cara meghitung produktivitas. Apabila
hasil perhitungan NTR angka dibulatkan ke bawah maka menggnakan persamaan:
Produktivitas = truck load x NTR x 60 x efisiensi waktu
𝑇𝐶𝑇
Apabila hasil perhitungan NTR angka dibulatkan ke atas

maka menggnakan persamaan:
Produktivitas = truck load x 60 x efisiensi waktu
𝐿𝑇
9


Jika hasil perhitungan selesai maka output yang didapat berupa jumlah truk
yang dibutuhkan, produktivitas truk dalam 1 jam dan dapat dihitung juga dalam 1
hari. Terdapat parameter- parameter yang harus diperhatikan yang akan
mempengaruhi nilai efisiensi peralatan maupun kondisi proyek.
Sebelum melakukan penggalian dan penimbunan, sangat diperlukan proses

Stripping. Stripping merupakan proses penghapusan dan penghilangan material
organic di bagian atas layer tanah. Material organic di tanah dapat berupa vegetasi,
humus, dan tanaman-tanaman beserta akar-akkarnya. Material ini harus dihilangkan
sebelum tanah digunakan, hal ini dilakukan untuk menghindari settlement, yaitu
penurunan tanah, karena tanah humus tersebut tidak merupakan tanah yang baik
untuk konstruksi. Setelah dihilangkan, barulah tanah dapat diangkat dengan
komposisi volume yang sudah tetap.
2.3.6 Truck Safety
• Conduct penilaian bahaya pekerjaan setiap hari, dan memastikan operator
dan pengemudi mengetahui bahaya.
• Pastikan tanggul dibangun dengan memadai.
• Operator harus mengikuti semua sinyal operasi.
• Gunakan spotter saat mendukung dengan blind spot.
• Harus jauh dari jalur perjalanan kendaraan.
• Memakai pakaian keamanan visibilitas tinggi.
10

2.4 Hauling Equipment

Hauling merupakan transportasi atau pemindahan material baik on atau off road
dengan jarak tempuh tertentu. Aktivitas Hauling dilakukan dengan menggunakan
media transportasi berupa truck untuk mengangkut material ke lokasi tujuan.
2.4.1 Faktor yang Mempengaruhi Produktivitas Hauling ;
• Karakteristik tanah yang dipindahkan.
• Payload (rasio volume dengan berat) dalam kondisi dump truck kosong
atau isi.
• Jarak tempuh jalan (hauling – return).
• Efisiensi peralatan dalam 1 jam.
• Efisiensi kondisi pekerjaan.
• Rasio bobot dari material yang diangkut dengan produktivitas
2.4.2 Alat yang digunakan Produksi Hauling ;
Alat Berat yang dipakai untuk mempermudah melakukan pekerjaan
Hauling, ;
1. Dump Truck
Dump Truck adalah alat berat yang berfungsi untuk mengangku atau
memindahkan material pada jarak menengah sampai jarak jauh (> 500m).
Dump Truck dirancang khusus untuk jalan tambang, alat angkut ini
digunakan untuk mengangkut : tanah, endapan bijih, batuan, pasir.
Cara kerja Dump Truck dibagi menjadi 3, ysitu ;
• End Dump (Buang muatan kebelakang)
• Bottom Dump (Buang muatan kebawah)
• Side Dump (Buang muatan kesamping)
Kelebihan menggunakan Dump Truck, yatitu ;
• Mudah dalam loading dan unloading
• Trayek Pendek
• Tidak banyak biaya di jalan
Kekurangan menggunakan Dump Truck, yatitu ;
• Faktor Cuaca
• Trayek berpindah-pindah
• Muatan Berat
• Jam Operasional dibatasi
11

• Biaya perawatan bertambah

Bagian-bagian Dump Truck, yaitu ;
• Dump Body
• Canopy
• Hydrualic
• Cabin
• Diesel Engine
2. Power Scrapper
Scraper adalah alat berat yang berfungsi untuk mengeruk, mengangkut,
dan menabur tanah hasil pengerukan secara berlapis.
Scraper dapat digunakan sebagai alat pengangkutan untuk jarak yang
relatif jauh (±2000 m) pada tanah datar dengan alat penggerak roda ban.
Cara kerja Power Scrapper dibagi menjadi 3, ysitu ;
• Pengerukan
Pengerukan/pemuatan dilakukan disaat bersamaan. Apron scraper terbuka
saat pengerukan, sementara bagian bowl berguna untuk mengeruk
permukaan tanah yang dilewati.
• Pengangkutan
Saat bowl penuh maka apron akan tertutup lalu bagian bowl akan diangkat
sedikit dan menjutempat pembongkaran
• Pembongkaran
Pembongkaran material pada scrapper dilakukan dengan menyepar secara
bertahap. Pada saat pembongkaran , bagian apron dibuka tutup berkali-kali
sampai bagian depan bowl kosong. Setelah itu, bagian ejector akan
mendorong sisi material yang ada di belakang bowl
Kelebihan menggunakan Dump Truck, yatitu ;
• Mengangkut “heavy load”
• Berputar pada radius kecil
• Menyebarkan material secara merata tanpa memerlukan alat lain
• Ekonomis pada pekerjaan pembukaan lahan
Kekurangan menggunakan Dump Truck, yatitu ;
• Kecepatan geraknya lamban
12

Ekonomis tidaknya scraper yang digunakan dalam pekerjaan cut and fill
sangat dipengarui oleh:
• Material yang tersedia yang akan diangkut

• Panjang rute pangangkutan
• Keadaan rute pengangkutan
• Peralatan pembantu lain yang digunakan
Scraper terdiri dari beberapa bagian dengan masing-masing fungsinya.
Bagian-bagian tersebut adalah bowl, apron, dan tail gate. Bowl adalah bak
penampung muatan yang terletak di antara ban belakang. Bowl mempunyai
sisi yang kaku dengan bagian depan dan belakang yang dapat digerakan
(ejector dan apron). Bagian depan bowl dapat digerakan kebawah untuk
operasi pengerukan dan pembongkaran muatan. Pada bagian sisi depan bowl
yang bergerak ke bawah terdapat cutting edge. Kapasitas penuh bowl
berkisar antara 3 sampai 38 m 3. Apron adalah dinding lengkung bowl di
bagian depan yang dapat diangkat pada saat pengerukan dan pembongkaran.
Pengangkatan apron dilakukan secara hidrolis. Apron dapat menutup
kembali pada saat pengangkutan material. Fungsi dari apron adalah mengatur
aliran material masuk dan keluar bowl. Dalam keadan tertutup, apron berada
di atas cutting edge. Beberapa model scraper memilki apron yang dapat
mengangkut material sepertiga dari material di bowl. Tail gate atau ejector
merupakan dinding belakang bowl. Pada saat pemuatan dan pengangkutan
material dinding ini tidak bergerak, namun pada saat pembongkaran muatan
ejector bergerak maju untuk mendorong material keluar dari bowl. Alat ini
pun digerakan secara hidrolis. Cutting edge adalah pisau dari baja yang
terdapat di bagian depan dasar bowl. Fungsi dari pisau ini adalah untuk
melakukan penetrasi ke dalam tanah. Karena fungsinya maka cutting edge
dapat mengalami kerusakan jika mengenai benda keras dalam tanah. Cutting
edge yang rusak sebaiknya diganti agar tidak merusak bowl.
Secara umum beberapa cara yang dapat dilakukan untuk meningkatkan
produksi scraper dalam operasinya antara lain:
1. Pertama dengan menggemburkan tanah yang akan dimuat ke dalam
bowl. Dengan demikian, waktu muat akan berkurang. Kedalaman
13

penetrasi dari ripper harus lebih besar dari kedalaman penetrasi

cutting edge.
2. Cara kedua adalah dengan membasahi tanah yang akan diangkut. Ada
beberapa jenis tanah yang dapat dimuat dengan lebih mudah bila
dalam kondisi basah. Pembasahan tanah ini dilakukan sebelum tanah
dimuat ke dalam bowl.
3. Pengaturan pergerakan scraper seperti menghindari terlalu banyak
gerakan memutar dan jika memungkinkan, jalan gerak antar scraper
berbeda.
3. Underground Truck
Underground Truck merupakan salah satu jenis alat angkut yang
digunakan untuk mengangkut material tambang pada tambang bawah tanah.
Jenis dan mekanisme kerja hampir sama dengan truk tambang terbuka tapi
dalam bentuk yang lebih kecil karena disesuaikan dengan daerah operasinya.
Kelebihan menggunakan Underground Truck, yatitu ;
• Jarak angkut bias mencapai 2 km
• Fleksibel dalam menambah alat tanpa mengganggu produksi
• Kecepatan relative tinggi
Kekurangan menggunakan Underground Truck, yatitu ;
• Kondisi jalan harus baik dan tidak licin
• Jumlah operator banyak
• Ventialasi harus baik
• Jalan harus lebar dan tidak boleh menyudut
14
Bab 3 – Hasil dan Pembahasan
BAB III
HASIL DAN PEMBAHASAN

.
A. Review Jurnal 1
Judul : Interaction analysis for vision-based activity
identification of earthmoving excavators and dump
trucks
Jurnal : Automation in Construction
Volume/Halaman : 87/297-308
Penerbit : Elsevier
Penulis : Jinwoo Kim, Seokho Chi and Jongwon Seo
1. Latar Belakang
Identifikasi aktivitas adalah langkah penting untuk mengukur dan memantau
kinerja operasi pemindahan tanah. Banyak metode berbasis visi yang secara
otomatis menangkap dan menjelaskan informasi aktivitas dari data gambar telah
dikembangkan dengan keunggulan ekonomi dan efisiensi analisis. Namun, metode
sebelumnya gagal untuk mempertimbangkan operasi interaktif di antara peralatan,
dan karenanya membatasi penerapan estimasi waktu operasi untuk analisis
produktivitas.
Previous Research
Methode Authors Kekurangan
Manual - M. Golparvar-Fard, A. mahal dan memakan waktu,
Heydarian, J.C. Niebles dan cenderung menghasilkan
set data yang tidak konsisten.
Radio Based - J.-W. Park, K. Kim, sinyal radio sering
Y.K. Cho mengalami kesulitan
- T. Omar, M.L. Nehdi mengidentifikasi jenis
- C. Zhang, A. Hammad, kegiatan secara tepat
S. Rodriguez
installment of - Z. Zhu, X. Ren, Z. Chen membuat pendekatan
15
CCTV on - S. Chi, C.H. Caldas, berbasis visi lebih praktis

construction sites dan layak.
Activity indentifity - M. Bugler, G. berfokus pada kualitas
Ogunmakin, P.A. Vela, interaksi tertentu yang
A. Borrmann, J. Teizer membatasi penelitian dalam
- E.R. Azar, S. Dickinson, penjelasan komprehensif
B. McCabe, tentang interaksi kompleks
antara beberapa peralatan.
2. Tujuan
Penelitian ini bertujuan untuk mengisi kesenjangan pengetahuan yang ada ini.
a. studi ini mengkaji dan mengidentifikasi elemen-elemen penting untuk
memahami operasi interaktif excavator dan dump truck.
b. mengusulkan kerangka kerja berbasis visi untuk analisis aktivitas otomatis dari
alat berat melalui pertimbangan lebih lanjut dari elemen yang diidentifikasi.
c. kerangka kerja ini dapat memberikan informasi terus menerus untuk jenis
operasi peralatan, yang merupakan data dasar untuk menghitung waktu siklus
dan mengukur produktivitas peralatan.
Akhirnya, pendekatan ini diharapkan dapat meningkatkan kepraktisan analisis
aktivitas berbasis visi di lokasi pemindahan tanah yang sebenarnya.
3. Metode
Untuk mengatasi kelemahannya, penelitian ini mengembangkan kerangka
kerja identifikasi aktivitas berbasis visi yang mempertimbangkan operasi interaktif
peralatan pemindahan tanah. Gambar 1 mengilustrasikan konsep interaksi. Sebuah
excavator dan dump truck di sisi kanan Gambar. 1 bekerja bersama dengan
memuat dan membongkar tanah satu sama lain, meskipun dump truck ‘berhenti ’.
Jika tempat pembuangan lain tiba di area kerja seperti yang ditunjukkan di sisi kiri,
aktivitasnya harus dikategorikan sebagai 'indling', sesuai dengan status kerja
mereka secara bersamaan. Ini menunjukkan bahwa status aktivitas peralatan dapat
mempengaruhi dan dipengaruhi oleh peralatan lain.
16
Gambar 1 Aktivitas earthmoving and hauling
Pada penelitian ini, kerangka kerja berbasis visi digunakan untuk analisis aktivitas
otomatis dari alat berat melalui pertimbangan lebih lanjut dari elemen yang diidentifikasi.
Pertama, lokasi ekskavator dan dump truck dilacak dari waktu ke waktu untuk
mengumpulkan dua jenis data: jenis peralatan dan lintasannya. Kedua, aksi individu dari
objek yang dilacak diakui menggunakan penalaran spatio-temporal dan teknik pembedaan
gambar. Ketiga, interaksi antara excavator dan dump truck kemudian dianalisis berdasarkan
faktor-faktor seperti koeksistensi, kedekatan, dan konsistensi aksi. Akhirnya, post-
processing dilakukan untuk mengurangi kesalahan pengakuan dengan mempertimbangkan
kontinuitas kegiatan peralatan. Rincian setiap modul dijelaskan di bagian ini.
17
Tujuan modul ini adalah untuk mendapatkan informasi tentang jenis dan lintasan
peralatan. Versi diperpanjang TLD (Tracking Learning-Detection), yang dikembangkan oleh
[59,60], diadaptasi dan disesuaikan dalam penelitian ini untuk melacak beberapa peralatan
konstruksi dalam jangka panjang. TLD terdiri dari dua proses utama: integrasi fungsional
dan pembelajaran online [61]. Gambar. 4 mengilustrasikan metodologi TLD yang
diadaptasi.
Singkatnya, integrasi fungsional meningkatkan kinerja deteksi dan pelacakan dengan

mengkompensasi kelemahan detektor dan pelacak. Pembelajaran online melatih dan
menyesuaikan detektor, serta mengembangkan dan memperbarui data pelatihan secara real
time tanpa pekerjaan awal. Berdasarkan pada dua proses, TLD mampu mengenali dan
melacak peralatan konstruksi yang memiliki perubahan gerak dinamis dan berbagai
karakteristik (mis., Bentuk, warna, dan tekstur). Karena awalnya dikembangkan untuk objek
datar seperti mata manusia atau plat nomor di lingkungan yang kurang berubah, penulis
menyesuaikannya untuk meningkatkan penerapan praktisnya ke lokasi konstruksi.
18
4. Hasil Percobaan
a. Data collection and description
Para penulis mengumpulkan data aliran video dari lima situs pemindahan
bumi dengan menggunakan CCTV dan smartphone. Data yang dikumpulkan
termasuk tidak hanya operasi interaktif antara dump truck dan excavator tetapi
juga operasi dalam kelompok beberapa dump truck yang bekerja secara
bersamaan (Gbr. 9). Untuk mewakili berbagai tampilan, aksi, dan aktivitas
peralatan konstruksi, kamera stasioner dipasang pada jarak 10 hingga 30 m,
ketinggian 0 hingga 3 m, dan sudut pandang yang berbeda (yaitu, depan,
belakang, samping, dan diagonal), 11 posisi berbeda secara keseluruhan. Total
11.513 bingkai foto, sekitar 150 menit operasi, dikumpulkan dengan 720 × 1280
dan 1080 × 1920 piksel. Data video juga termasuk beragam peralatan dengan
berbagai bentuk, warna, atau penampilan yang diproduksi oleh banyak
perusahaan seperti Caterpillar, Doosan, Hyundai, Scania, dan Volvo.
b. Performance metrics
Untuk mengukur kinerja identifikasi aktivitas, dua metrik dievaluasi: tingkat
presisi dan daya ingat. Ketepatan menunjukkan keandalan prediksi dan dihitung
oleh Persamaan. (6) Namun, meskipun hasil algoritma yang paling diprediksi
adalah benar (presisi tinggi), mungkin ada beberapa kejadian objek atau
aktivitas yang dihilangkan. Dengan demikian, penelitian ini juga mengevaluasi
19
tingkat penarikan (Persamaan (7)) untuk memeriksa stabilitas kerangka yang

diusulkan. Selain itu, perkiraan waktu kerja, perjalanan, dan waktu idle
dibandingkan dengan waktu operasi aktual.
c. Implementation and experimental setup

Bahasa pemrograman C ++ dengan Visual Studio 2012 digunakan untuk
pengembangan modul 1 dan MATLAB 2014b diimplementasikan untuk
pengembangan modul 2, 3, dan 4. Komputer desktop [Intel i7-4790 CPU @
3,60 GHz, RAM 32,0 GB, Windows 7, 64 bit] digunakan untuk serangkaian
percobaan. Dua percobaan utama dengan dan tanpa analisis interaksi dilakukan
untuk menyelidiki kemajuan solusi yang diusulkan. Selain itu, pengakuan
tindakan individu dan dampak pasca pemrosesan juga dianalisis.
d. Performance of the developed framework
Gambar berikut menunjukkan contoh jenis aktivitas untuk semua objek
yang dilacak.
20
e. Performance without the interaction analysis

Selain validitas, dampak signifikan dari operasi interaktif juga diamati.
Untuk mewakili klasifikasi tanpa analisis interaksi, modul 3 dipilih dari
kerangka kerja. Dalam hal ini, ‘berhenti ’dump truck dianggap sebagai‘ idling
’(Gbr. 11). Tanpa analisis interaksi, presisi rata-rata adalah 75,68% turun
15,59%, sedangkan tingkat penarikan rata-rata adalah 74,72% menurun sebesar
17,70% (Tabel 2). Kehilangan kinerja menonjol dengan dump truck; kesalahan
interpretasi 'idling' meningkat luar biasa untuk dump truck. Oleh karena itu,
tingkat penarikan untuk dump truck dijatuhkan sebesar 38,91% dan waktu
‘idling’ diperkirakan dengan tingkat kesalahan 41%. Di sisi lain, tingkat
precision dan recall tidak menurun untuk excavator.
f. Performance of the equipment tracking and individual action recognition

Karena tindakan individu adalah salah satu faktor penting untuk identifikasi
kegiatan, akurasinya penting untuk menentukan kinerja klasifikasi jenis operasi.
Tabel 3 menunjukkan hasil eksperimen untuk modul 2: 91,58% dari presisi rata-
rata dan 93,39% dari tingkat penarikan rata-rata. Hasilnya menyiratkan bahwa
modul bekerja dengan baik untuk mengenali tindakan individu. Juga diamati
bahwa precision untuk dump truck lebih besar daripada excavator. Ini konsisten
21
dengan kerumitan tindakan individu karena dump truck memiliki kasus biner
sementara excavator memiliki satu tindakan individu lagi. Mengenai masalah ini,
kerangka kerja kadang-kadang mengalami kesulitan untuk lebih lanjut
mengklasifikasikan 'menyendok / memutar / menjatuhkan' dan 'berhenti'. Dapat
dijelaskan dengan efek dari teknik differencing gambar. Teknik ini mampu
mendeteksi perubahan dalam dua frame gambar berturut-turut dengan
mempertimbangkan ‘nilai piksel yang diubah’. Namun, semua piksel yang
berubah tidak dapat sepenuhnya dipertimbangkan jika bucket excavator tidak
dilacak. Itu terjadi ketika kotak pembatas objek excavator tidak menutupi lokasi
ember. Sebaliknya, noise (mis., Latar belakang clutters dan objek non-target)
juga memengaruhi kinerja pengenalan dengan perubahan gambar yang kurang
signifikan; misalnya, truk pengangkut bergerak di dalam kotak 'excavator' yang
berhenti. Meskipun ada keterbatasan teknis seperti itu, metode ini masih efektif
dalam mengenali tindakan individu. TLD berhasil melacak peralatan dengan
90,96% dan 92,23% dari rata-rata precision dan tingkat penarikan. Dengan
demikian, itu dapat mengurangi jumlah kotak pembatas yang berisik dan juga
untuk mendukung deteksi bentuk untuk excavator ‘scooping / rotating / dropping
'.
g. Performance of the post-processing

Akhirnya, post-processing efektif menyaring klasifikasi berisik hasil.
Modul 4 meningkatkan precision dan tingkat recall sebesar 3,88% dan 4,15%
dibandingkan dengan klasifikasi tanpa postprocessing (Tabel 2). Kinerja
penyaringan bervariasi tergantung pada durasi interval untuk pemungutan suara
mayoritas. Hasil penelitian menunjukkan bahwa 5 s adalah temuan optimal
22
untuk 11.513 gambar yang diterapkan. Kasus dengan lebih dari 5 detik
menunjukkan kinerja yang buruk karena efek pencitraan yang melekat ketika
aktivitas A sudah beralih ke aktivitas lain B (mis., Status 'idling' terus dipantau
selama beberapa detik meskipun sudah mulai 'berfungsi'). Dengan demikian,
post-processing 5 memainkan peran penting untuk identifikasi aktivitas.
1. Kesimpulan
a. Hasil
• Hasil percobaan (sekitar 91,27% dari precision dan 92,42% dari tingkat
recall) mendukung tidak hanya kelayakan dari metode yang diusulkan
tetapi juga signifikansi statistik dari analisis interaksi.
• Berdasarkan hasil eksperimen dengan dan tanpa analisis interaksi,
tingkat precision dan recall meningkat masing-masing sebesar 5,59%
→ 16%, 17,70% → 18% ketika operasi interaktif terintegrasi.
b. Kelebihan
Studi ini memberikan kontribusi pada bidang teknologi yang ada dan
manajemen konstruksi.
1. mengidentifikasi elemen kritis dari operasi interaktif (mis.,
Koeksistensi, kedekatan, dan konsistensi tindakan).
2. Kerangka teknis untuk mendeteksi, mengklasifikasikan, dan
menganalisis fitur-fitur penting dari aliran video 2D.
3. Kerangka kerja jenis aktivitas yang diklasifikasi untuk mengukur
indikator kinerja (mis., Tingkat kerja langsung dan durasi siklus) alat
berat.
4. Mengembangkan kerangka kerja yang dapat meningkatkan praktisitas
dari identifikasi aktivitas otomatis pada situs pemindahan tanah yang
sebenarnya.
c. Kekurangan
1. kesalahan analisis interaksi. Dump truck mengambil tindakan 'berhenti'
dan ekskavator itu 'menyendok' tanah, yang berarti bahwa koeksistensi
dan konsistensi aksi terpenuhi. Selain itu, kedekatan mereka lebih
rendah dari nilai ambang jarak efektif. Kemungkinan efek samping ini
23
dapat dikurangi dengan mempertimbangkan durasi pengisian tanah

maksimum; misalnya, lamanya interaksi excavator-ke-dump truck tidak
boleh lebih dari 5 menit per setiap kedatangan.
2. Kedua, kesalahan identifikasi aktivitas kadang-kadang terjadi ketika
hasil pelacakan tidak menghasilkan signifikan secara statistik. Pencilan
atau kotak pembatas kebisingan objek target menghasilkan perubahan
centroid yang tiba-tiba; akibatnya, beberapa tindakan 'bergerak'
diklasifikasikan sebagai 'tidak bergerak'.
d. Keterbaruan
perubahan bentuk excavator tidak terdeteksi selama 'menyendok / memutar
/ menjatuhkan'. Dalam hal ini, dump truck juga ditentukan sebagai 'idling'
karena excavator 'idling'. Keterbatasan ini diharapkan akan dilengkapi
dengan menggunakan algoritma pelacakan berdasarkan CNN
(Convolutional Neural Networks) dalam studi lebih lanjut. Dalam
penelitian terbaru, pelacak berbasis CNN mengungguli untuk melokalkan
segala jenis objek yang memiliki variasi intraclass / interclass yang tinggi.
24
B. Review Jurnal 2
Judul : Identification of Invariant Average Weighted Haul
Distance to Simplify Earthmoving Simulation
Modeling in Planning Site Grading Operation
Jurnal : Construction Engineering and Management
Volume/Issue : 140/12
Penerbit : ASCE 2014
Penulis : David Morley, Ming Lu, Simaan AbouRizk
Latar Belakang
Selama bertahun tahun, berbagai metodologi telah berbeda diterapkan untuk
memberikan dukungan keputusan untuk operasi pemindahan tanah, Teori antrian
(Touran dan Taher 1988), sistem pakar (Christian dan Xie 1996), model
deterministik berdasarkan data dunia nyata (Gransberg 1996), jaringan saraf (Shi
1999; Schabowicz dan Hola 2007), regresi linier (Smith 1999), pengalaman
database (Kannan dan Vorster 2000), optimasi objektif tunggal menggunakan
algoritma genetika (Marzouk dan Moselhi 2002a; Tam et al. 2007; Limsiri 2011),
optimalisasi objektif tunggal menggunakan berbasis kendala algoritma genetika
(Marzouk dan Moselhi 2003a), multiobjective optimasi (Marzouk dan Moselhi
2004a), logika fuzzy (Marzouk dan Moselhi 2004b), aplikasi spreadsheet (Eldin
dan Mayfield 2005), regresi berganda (Han et al. 2008), optimasi kerumunan
partikel (Zhang 2008), gabungan algoritma genetika dan optimasi pemrograman
linier (Moselhi dan Alshibani 2009), efisien analisis perbatasan (Alshibani dan
Moselhi 2012), faktor pencocokan (Burt dan Caccetta 2007), metode heuristik
(Karshenas 1989), pakar sistem (Kirmanli dan Ercelebi 2009), dan simulasi (Shi
dan AbouRizk 1994; Smith et al. 1995; Hajjar dan AbouRizk 1997; Martinez 1998;
Shi dan AbouRizk 1998; Marzouk dan Moselhi 2002b, 2003b, 2004a; Cheng et al.
2011; Alshibani dan Moselhi 2012) semuanya telah diterapkan pada masalah
earthmoving.
Pada kenyataannya, heuristik masih digunakan untuk pengambilan keputusan
mendukung para praktisi yang bekerja di tempat yang rumit, bergerak cepat bidang
konstruksi. Heuristik sering diberikan dalam bentuk aturan digeneralisasi dari
25
kebijaksanaan umum para ahli domain, pinjaman langsung, panduan berbasis

pengalaman dalam pemecahan masalah. Misalnya, ketika menelusuri buku
pegangan dari produsen peralatan atau menelusuri buku teks klasik, satu disajikan
dengan aturan praktis bahwa untuk hasil terbaik, mempertimbangkan output dan
ekonomi, unit pengangkutan harus dipilih untuk diisi “empat hingga six pass ”dari
excavator (Peurifoy dan Oberlender 2004).
Ketika meninjau penelitian sebelumnya, popularitas, kesuksesan, dan umur
panjang menggunakan simulasi untuk membantu dalam proses dukungan keputusan
untuk operasi earthmoving jelas. Ini dapat dikaitkan dengan fakta bahwa semua
metode lain gagal untuk mempertimbangkan ketidakpastian dalam jangka waktu
waktu aktivitas, dan, dengan demikian, hasil yang diperoleh melalui penggunaan
simulasi memiliki kredibilitas paling tinggi di dunia nyata (El-Moslmani et al.
2002). Sebagai hasilnya, simulasi secara jelas diidentifikasi sebagai alat yang
berharga untuk menganalisis kegiatan yang berulang sering dialami dalam
pemindahan tanah operasi (Kannan 2011).
Mengingat kompleksitas dan perubahan konstan dalam operasi lapangan,
para peneliti mengidentifikasi satu hambatan utama untuk mengadopsi pemodelan
simulasi di bidang konstruksi sipil dan berat: jarang ditemukan personil di industri
ini yang memiliki kedua simulasi pengetahuan dan pengalaman lapangan yang
dibutuhkan, dan yang juga punya waktu yang cukup untuk mengimplementasikan
pemodelan simulasi sebagai pendukung keputusan yang efektif dalam periode
waktu terbatas yang tersedia untuk diperkirakan dan merencanakan operasi
pemindahan tanah. Ini menjelaskan pengamatan peneliti bahwa simulasi sangat
diinginkan tetapi tidak sering diterapkan di lapangan.
Penelitian ini dimaksudkan untuk menyajikan aturan meta-level baru untuk
membantu dalam mensimulasikan operasi earthmoving berdasarkan data terbatas
dan informasi yang tersedia di desain penilaian situs atau proyek awal tahap
perencanaan. Kontribusi yang signifikan dan unik yang dimiliki yang dibuat dalam
penelitian ini adalah perubahan dari penggunaan multiple haul jarak sebagai input;
alih-alih, mereka diganti dengan turunan jarak angkut tertimbang rata-rata. Jelas
ditunjukkan bahwa rata-rata jarak angkut tertimbang dapat digunakan sebagai input
kritis untuk membangun model simulasi yang disederhanakan untuk menggantikan
26
simulasi yang terperinci model yang mempertimbangkan pola gerakan bumi

tertentu, sementara masih menghasilkan output dengan akurasi yang sebanding. Ini
memungkinkan manfaatnya simulasi yang akan dicapai tanpa menimbulkan
pemodelan panjang waktu dan biaya aplikasi tinggi yang umumnya terkait dengan
pengembangan model simulasi terperinci.
1. Pertimbangan Rata-rata Jarak Pengakutan

a. Definisi Upaya Pengakutan
Durasi dan persyaratan sumber daya untuk operasi pekerjaan tanah
tergantung terutama pada dua faktor: volume material yang perlu untuk
dipindahkan dan jarak yang perlu volume spesifik. Jenis sumber daya,
pengikis versus truk, misalnya, harus ditentukan sepadan dengan volume
dan jarak angkut, sementara juga mempertimbangkan faktor-faktor seperti
kondisi jalan, kondisi peralatan, dan kemampuan peralatan. Keduany faktor,
jarak angkut dan volume, dapat digabungkan untuk membuat faktor tunggal:
upaya angkut (Son et al. 2005), yang umumnya dinyatakan dalam ton-
kilometer, tetapi di sini didefinisikan sebagai volume yang dipindahkan
dikalikan dengan jarak perpindahan volume, ditunjukkan dalam Persamaan.
(1)
di mana Heffort = upaya total pengangkutan (meter ke kekuatan keempat);

Vij = volume bergerak antara sel ke-i dan ke-j (meter kubik); dan Dij =
jarak antara sel ke-i dan ke-j (meter). Praktek industri saat ini adalah untuk
memastikan bahwa, jika mungkin, volumenya dipindahkan di situs
seimbang, diberikan permukaan tanah yang diusulkan dan ada permukaan
tanah yang dilucuti, di mana jumlah total dipotong volume sama dengan
jumlah total volume pengisian, untuk menghindari biaya yang terkait
dengan mengimpor atau mengekspor bahan. Itu harus diklarifikasi bahwa
dalam keadaan tertentu, jumlah terbatas impor bersih atau ekspor neto
material bumi diperlukan karena persyaratan elevasi desain yang praktis.
Perlu dicatat penanganan itu pinjaman bersih atau ekspor bahan antara situs
27
saat ini dan lokasi eksternal tidak dipertimbangkan dalam analisis yang
diusulkan upaya angkut dan jarak angkut rata-rata. Dengan demikian, dalam
hal bersih meminjam, pada awal operasi, volume pinjaman bersih
diasumsikan untuk ditimbun dalam sel tertentu di kisi situs dekat titik akses
situs. Sejauh menyangkut volume ekspor bersih, pada akhirnya operasi
volume ekspor bersih harus diasumsikan ditimbun dalam sel-sel tertentu
dalam kotak situs. Untuk spesifik yang diusulkan permukaan tanah dilapis
khusus yang dilucuti permukaan tanah, volume total yang akan dipindahkan
di situs yang seimbang dinyatakan sebagai Persamaan. (2)
di mana V = total volume yang akan dipindahkan (bank cubic meter); Ck =

memotong volume dalam sel k (bank cubic meter); dan Fl = isi volume
dalam sel l (meter kubik bank). Ini memungkinkan rata-rata jarak angkut
tertimbang untuk dihitung sebagai Persamaan. (3)
dan dapat dinyatakan sebagai Persamaan. (4)
di mana D = jarak angkut rata-rata tertimbang (meter). Upaya angkut telah

lama diterapkan oleh praktisi konstruksi ketika menganalisis operasi dalam
pekerjaan tanah linear, seperti konstruksi jalan (Peurifoy dan Oberlender
2004). Pada operasi pengerjaan tanah linier seperti itu, diagram massa
angkut yang ditunjukkan pada Gambar. 1 dapat dengan mudah diterapkan
tentukan total potongan dan isi volume, jumlah bumi yang dipindahkan dan
jarak angkut rata-rata di mana jumlah tertentu perjalanan material tertentu.
28
b. Perbandingan dengan pusat massa

Untuk sistem partikel, masing-masing dengan mi massa dan posisi ri, itu
Koordinat R dari pusat massa dapat diperbaiki dengan mengikuti
Persamaan. (5):
M dalam Persamaan. (5) adalah jumlah massa semua partikel. Persamaan

ini memiliki bentuk yang sama dengan Persamaan. (4), yang mendefinisikan
rata-rata jarak angkut tertimbang, D. Untuk tubuh kaku, pusat massa
diperbaiki (Taylor 2005), dengan demikian, R adalah konstan, dan,
karenanya, untuk tetap, rencana penilaian situs seimbang, dapat disimpulkan
bahwa D bias diperkirakan sebagai konstan juga. Diberi situs yang tetap dan
seimbang, elevasi tanah asli diketahui dan desain yang diusulkan ketinggian
telah ditetapkan; dengan demikian, area potong / isian spesifik dan tetap
distribusi massa dapat dihitung, yang menghasilkan jaring nol impor /
ekspor bahan. Praktik umum dalam industri adalah meminimalkan impor /
ekspor bahan, karena biaya pengangkutan material yang berlebihan dapat
menambah jumlah yang signifikan terhadap total biaya proyek. Kesimpulan
ini selanjutnya dikuatkan melalui percobaan simulasi pada kasus uji, yang
ditunjukkan dan dibahas dalam bagian selanjutnya. Karena itu, penerapan
pendekatan heuristic yang menghitung hanya satu pola pergerakan material
tertentu dibenarkan, karena terlepas dari titik awal yang dipilih atau tertentu
pola gerakan potong-untuk-mengisi antara sel-sel individual, yang
29
dikembalikan rata-rata jarak angkut tertimbang tetap konstan.

c. Algoritma Heuristik untuk Menentukan Upaya Pengangkutan
Kontraktor pekerjaan tanah menuntut adanya sistematika, terstruktur, dan
pendekatan praktis untuk merencanakan dan menilai situs bukannya secara
acak melompat dari satu sel ke sel lainnya di kisi situs. Untuk mengatasinya
perhatian dan untuk menghasilkan rencana pergerakan material yang wajar,
Algoritma heuristik, yang terinspirasi oleh game komputer Minesweeper,
pertama kali diusulkan dan kemudian diimplementasikan dalam eksperimen
simulasi pada kasus uji. Algoritme menerapkan pendekatan searah untuk
memilih tujuan sel fill yang paling sesuai untuk bahan tersebut digali dari
sel cut saat ini, sesuai dengan penilaian situs seimbang Desain.
Sebagai input, algoritma mengambil matriks volume, dibuat dari matriks
elevasi yang diusulkan (P) dan matriks elevasi yang ada (E) dihitung dengan
Persamaan. (6), dari Yi and Chelberg (1993)
dimana Vi,j = volume (meter kubik) antara P dan E untuk sel (i, j); G =
ukuran jarak kisi (meter); Ei,j = ketinggian permukaan tanah yang ada pada
titik (i, j); dan Pi,j = permukaan tanah yang diusulkan elevasi pada titik (i, j).
Algoritma memilih awal yang ditentukan titik, dimulai dengan mencari sel
isi terdekat, dan kemudian mengidentifikasi sel potong terdekat yang
tersedia terkait dengan sel isian yang diberikan. Jarak antara sel isi dan sel
potong dihitung sebagai Persamaan. (7)
di mana G = ukuran jarak grid (meter); xf = xkoordinat sel isi; xc =

koordinat-x dari sel potong; yf = koordinat y dari sel isian; dan yc = y-
koordinat dari sel pemotongan. Ini adalah pendekatan yang digunakan
dalam makalah ini; Namun, saat bepergian langsung melintasi sel di situs
tidak diizinkan, jaraknya antara sel isi dan sel potong juga dapat dihitung
sebagai perjalanan jarak di kedua arah, seperti dalam Persamaan. (8), yang
30
lebih panjang dari jarak diagonal
Rumus juga bisa disempurnakan untuk menghitung jarak dari sel pengisi ke
sel potong, ketika jalur pengangkutan harus lewat melalui koordinat
tertentu, atau bahkan dapat mempertimbangkan kelas dan rolling resistance.
Jika beberapa sel yang terpotong sama jauhnya dari sel pengisi, algoritme
memilih sel yang terpotong dengan yang paling sedikit jumlah konflik.
Konflik primer didefinisikan sebagai jumlah mengisi sel yang terletak tepat
di samping sel yang terpotong, dan konflik sekunder didefinisikan sebagai
jumlah sel pengisi yang terletak langsung diagonal ke sel yang dipotong.
Jika volume sel yang dipotong lebih besar dari volume diperlukan oleh sel
isi, volume sel isi diperbarui ke nol dan volume sel yang dipotong
diperbarui ke volume asli minus volume dipindahkan ke sel isi. Sel isian
baru kemudian dipilih, bergerak ke arah yang ditentukan pengguna. Jika
volume sel yang dipotong lebih kecil dari volume yang dibutuhkan oleh sel
isian, volume sel potong diperbarui ke nol dan volume sel isi diperbarui ke
volume asli dikurangi volume pindah ke sel. Sel potong terbaik berikutnya
kemudian dipilih untuk diisi sel, dan proses berulang. Pada setiap langkah,
upaya angkut untuk itu pergerakan dihitung dan ditambahkan ke total upaya
angkut. Gambaran dari heuristik yang diusulkan diberikan pada Gambar. 2,
dengan detail untuk blok Inisialisasi & Persiapan, Loop Periksa Blok logika,
Pemilihan Cell Cut Current i, Fill Cell j block, dan Volume Pemrosesan
Volume Pemutakhiran & Upaya Pengangkutan Blok status diuraikan dalam
Gambar. 3–6, masing-masing.
31
Verifikasi dengan Menggunakan Case Test

Untuk mengilustrasikan dan memverifikasi stabilitas relatif dari pengangkutan
rata-rata jarak dan metode pemodelan simulasi disederhanakan menjadi diusulkan,
700-m-oleh-600-m uji dipilih.
32
33
Jarak grid adalah 100 m kali 100 m. Pada Gambar. 7, ketinggian sudut kiri atas titik
masing-masing sel diberikan dalam sel, dengan nomor atas menunjukkan tanah
yang ada, dan angka dalam tanda kurung menunjukkan desain yang diusulkan.
Angka tebal di setiap sel mewakili volume pekerjaan tanah yang terkait dengan
34
setiap sel, dihitung menggunakan Persamaan. (6), dengan tanda negatif yang
menunjukkan pemotongan (diukur di bank meter kubik), dan tanda positif
menunjukkan isi (diukur dalam meter kubik dipadatkan). Perhatikan volume potong
dan isi menjadi dipindahkan di situs sudah seimbang, menghasilkan volume nol
bersih dipinjam atau diekspor di situs ke yang dipinjam atau diekspor materi di
situs yang akan dinilai.
Volume pemotongan umumnya diukur dalam meter kubik bank sedangkan
volume pengisian diukur dalam meter kubik bank yang dipadatkan. Untuk
menyeimbangkan volume pemotongan terhadap volume pengisian, atau untuk
menentukan pinjaman bersih atau volume ekspor, unit ukuran yang berbeda dapat
disatukan sebagai meter kubik bank dengan memfaktorkan persentase penyusutan
tanah, per Persamaan. (9) Perhatikan volume pemuatan truk secara umum diukur
dalam meter kubik longgar; Atau, volume yang dipotong dan volume isian juga
dapat dikonversi menjadi ukuran tanah yang longgar volume (longgar meter kubik).
Ketika volume isi yang dihitung awalnya dihitung dalam meter kubik yang
dipadatkan, maka mereka dapat diperbarui sebagai bank meter kubik (bm3) dengan
menerapkan persentase penyusutan 5%, per Persamaan. (9) (Peurifoy dan
Oberlender 2004)
di mana S = persentase penyusutan; B = volume tanah yang tidak terganggu (meter

kubik bank); dan C = volume tanah yang dipadatkan (dipadatkan meter kubik).
Algoritma heuristik yang dijelaskan sebelumnya (Gambar 2) dieksekusi dan hasil
berikut dikembalikan. Dalam Tabel 1, kolom Cut menunjukkan lokasi x, y tempat
bahan diambil, dan Isi kolom menunjukkan lokasi x, y tempat materi tersebut
berada ditempatkan.
Total volume yang akan dipindahkan adalah 402.942 bm3, dan total angkut
upaya yang dihitung adalah 166.894.964 bm4. Hasil tangkapan rata-rata tertimbang
jarak kemudian dapat ditentukan sebagai Persamaan. (10)
35
Dalam praktik penilaian situs, lebar kisi umumnya ditetapkan untuk mewakili
kompleksitas profil tanah yang ada dan desain penilaian situs. Dalam studi kasus,
situs dapat memadai diprofilkan menggunakan lebar kotak 100-m; di setiap kotak
100 × 100 m, bahan tanah yang akan ditangani diasumsikan berkonsentrasi di
tengah dari grid untuk menyederhanakan estimasi jarak angkut antara dua kisi yang
relevan. Berbeda dengan pusat massa analisis, tidak praktis untuk menerapkan grid
kecil tanpa batas memetakan area situs dan menentukan upaya angkut dengan
mengintegrasikan pekerjaan tanah. Jadi, variasi marginal pada rata-rata yang
dihasilkan jarak angkut yang mencerminkan ketepatan grid tidak dapat dihindari.
Menumpahkan pada stabilitas relatif jarak angkut rata-rata, yang para peneliti
membagi masing-masing sel 100 × 100 m menjadi empat subksel 50 × 50 m.
Volume bumi yang akan diproses di setiap sel 100 × 100 m juga terdistribusi secara
merata dalam empat subkunci. Operasi pemindahan tanah masih mengikuti
kombinasi sel isian yang identik seperti yang ditentukan sebelumnya untuk kasing
saat ini menggunakan lebar kisi 100 m. Catatan, jarak angkut ditentukan dengan
36
menghubungkan pusat dari dua subel yang terlibat. Total volume bumi yang
diproses tetap 402.941 bm3. Upaya total pengangkutan ditentukan sebagai
165.805.946 bm4, menghasilkan jarak angkut rata-rata tertimbang dari 411,5 m.
Dibandingkan dengan hasil yang diperoleh dalam kasus yang sama menerapkan
lebar grid 100 m, yaitu 413 m, perbedaan 1,5 m (atau 0,36 persen) diamati dalam
jarak angkut rata-rata. Perbedaan marjinal ini dapat dikaitkan dengan penggunaan
yang berbeda nilai jarak tempuh antara sel potong dan isi sebagai akibat dari
membagi kembali sel. Detail jarak angkut dan volume data bersama dengan
perhitungan angkut upaya diberikan dalam lampiran.
Variasi Jarak Haul Rata-Rata Tertimbang

Untuk lebih menguatkan analogi peneliti terkait rata-rata jarak angkut
tertimbang ke pusat massa yang tidak berubah, kode simulasi Monte-Carlo kustom
ditulis dalam MATLAB. Perhatikan bahwa untuk menarik kesimpulan umum,
algoritma heuristik yang dijelaskan pada bagian sebelumnya tidak diterapkan untuk
menentukan pola pemindahan tanah antara sel yang dipotong dan diisi. Simulasi
dilaksanakan dengan mengikuti diagram alur yang sama seperti yang ditunjukkan
pada Gambar. 2–6, kecuali untuk satu perbedaan penting: algoritma heuristic untuk
memilih sel yang saya potong saat ini dan mengisi sel j sebelum memprosesnya
pekerjaan earthmoving (seperti yang ditunjukkan pada Gambar. 4) tidak dieksekusi
dalam simulasi; sebaliknya, program simulasi secara acak memilih sel yang
dipotong dan mengisi sel, dan menentukan upaya angkut masing-masing bahan
gerakan. Simulasi dijalankan selama 100 kali dan hasil berikut dikembalikan: (1)
nilai rata-rata, maksimum, dan minimum untuk total upaya angkut (dalam jutaan
meter bank ke kekuatan keempat) adalah 173.79, 181.231, dan 166.743, masing-
masing; dan (2) rerata, nilai maksimum, dan minimum untuk jarak angkut rata-rata
tertimbang (dalam meter) masing-masing adalah 431, 450, dan 413.
37
Variasi pada total upaya angkut, dan, pada gilirannya, rata-rata jarak angkut
tertimbang dalam 100 simulasi termasuk dalam rentang yang dikenakan oleh batas
presisi dari data yang dimasukkan, seperti yang ditunjukkan dalam Gambar. 8 dan
9. Karena permukaan tanah asli dibangun menggunakan 100 m grid, presisi
maksimum dari setiap jarak yang dihitung adalah 50 m. Oleh karena itu, variasi
pada jarak angkut rata-rata tertimbang berdasarkan percobaan simulasi terbatas
pada kisaran (413, 450 m) (Gbr. 9). Perhatikan bahwa 414 m yang dikembalikan
dari menjalankan algoritma heuristik yang diusulkan pada grid 100-m termasuk
dalam kisaran ini dan dekat dengan ujung bawah. Ini selanjutnya menguatkan
fakta-fakta berikut: (1) kinerja algoritma heuristik yang diusulkan memuaskan
dengan menghasilkan jarak angkut rata-rata yang lebih pendek; dan (2) argumen
kuantitatif yang dibuat sebelumnya rata-rata jarak angkut tertimbang untuk rencana
penilaian situs seimbang, seperti pusat massa untuk tubuh yang kaku, menunjukkan
variasi yang tidak signifikan dan dapat dianggap relatif stabil atau hampir tidak
berubah.
38
Pemilihan Armada
Saat memperkirakan dan merencanakan proyek pemindahan tanah, berbagai
bagan tersedia untuk membantu pemilihan peralatan yang paling tepat untuk jarak
pengangkutan (Caterpillar Inc. 2011). Setelah mengidentifikasi konfigurasi
peralatan praktis, perlu dipertimbangkan apakah melakukan semua operasi di
tempat dengan satu armada, atau memecah proyek menjadi subhaul terpisah
dengan beberapa armada, adalah lebih hemat biaya dan hemat waktu. Keputusan ini
dapat didukung dengan memeriksa Gambar. 10.
Gambar. 10 dikonstruksi dengan memeriksa setiap gerakan spesifik bumi, yang

sesuai dengan baris pada Tabel 1. Frekuensi kemunculan untuk setiap jarak yang
dilaporkan hanya menghitung volume pemindahan. Misalnya, baris pertama dari
39
Tabel 1 menunjukkan itu 17.496 m3 material dipindahkan lebih dari 200 m.

Frekuensi dengan 200 m adalah 17.496. Ini dilakukan untuk semua baris pada
Tabel 1, dan histogram dihasilkan.
Dalam mengamati histogram, jelas bahwa jarak angkut rata-rata untuk skenario
ini dapat dianggap unimodal, atau tunggal berpuncak runcing. Akibatnya, adalah
tepat untuk memperkirakan berdasarkan proyek menggunakan satu armada untuk
menangani semua operasi lapangan. Ini bukan untuk mengatakan dua atau lebih
armada tidak dapat dipilih untuk mempersingkat proyek durasi; Namun,
pengawasan lapangan dan manajemen proyek upaya akan meningkat secara
substansial ketika beberapa armada dikerahkan. Ini juga berpotensi meningkatkan
biaya tidak langsung lainnya seperti sebagai mobilisasi / demobilisasi dan
menambah risiko timbulnya pemanfaatan yang jauh lebih rendah dari peralatan
yang dipilih. Armada tunggal truk dan excavator telah diidentifikasi sebagai
peralatan untuk digunakan untuk melakukan operasi untuk kasus uji saat ini.
Simulasi Durasi Proyek

Kasus uji ini harus dilakukan menggunakan satu excavator bucket 2-bm3
dengan nilai rata-rata, maksimum, dan minimum untuk memuat waktu siklus
(dalam menit) masing-masing menjadi 0,17, 0,30, dan 0,40. Untuk truk
berkapasitas 8-bm3, rata-rata, maksimum, dan minimum nilai untuk kecepatan
perjalanan (dalam kilometer per jam) adalah 24, 43, dan 48, masing-masing.
Tiga kasus dipertimbangkan: menggunakan satu truk, menggunakan dua truk,
dan menggunakan tiga truk, semuanya dengan satu excavator. Dua model simulasi
dikembangkan: satu model rinci mempertimbangkan semua individu gerakan
material, seperti yang disajikan pada Tabel 1, menggunakan kode khusus ditulis
dalam MATLAB (MATLAB 7.14.0); model sederhana lainnya dikembangkan
dalam templat tujuan umum Simphony (Simphony.NET 4.0.0.106), dan faktor-
faktor hanya dalam rata-rata bobot tertimbang jarak 414 m dan total volume yang
akan dipindahkan, 402.942 bm3. Kedua model memasukkan waktu dumping dalam
waktu pengangkutan distribusi.
Model terperinci yang diterapkan dalam MATLAB terlalu kompleks untuk
ditampilkan dalam diagram sederhana. Kode dapat ditemukan di Lampiran S1.
40
Untuk setiap kasus, durasi proyek dalam jam kerja lebih dari 10 simulasi berjalan.
Hasilnya disajikan dalam Tabel 2.
Karena sifat operasi pemindahan tanah, perbedaan kurang dari 4% pada rata-
rata durasi proyek dianggap tidak signifikan. Karena itu dapat disimpulkan bahwa
durasi proyek disediakan oleh model yang disederhanakan, hanya menggunakan
jarak angkut tertimbang rata-rata dan total volume pemotongan sebagai input,
adalah, untuk semua maksud dan tujuan, setara dengan durasi proyek yang
dihasilkan dari mitra model simulasi terperinci. Model simulasi terperinci,
sementara efektif untuk kasus ini, tidak fleksibel untuk disesuaikan dengan
skenario baru oleh seorang insinyur konstruksi yang tidak berpengalaman dalam
pengkodean tertentu bahasa atau alat simulasi. Selain itu, sebagai ukuran proyek
meningkat (lebih banyak gerakan), baik waktu pembuatan model dan simulasi run
time untuk simulasi detail akan meningkat secara substansial, sedangkan model
sederhana tetap relatif konstan. Biaya dengan cepat melebihi manfaatnya, yang
sebagian menyumbang mengapa itu menjadi tidak praktis, mahal, dan tidak realistis
untuk dilakukan simulasi terperinci dalam praktik. Meskipun demikian, yang
disederhanakan model simulasi berdasarkan penentuan bobot rata-rata jarak angkut
dapat mengatasi rintangan praktis seperti itu dalam waktu aplikasi dan biaya,
sambil tetap memberikan manfaat serupa.
Menggunakan Satu atau Lebih Armada

Seandainya histogram jarak angkut asli menunjukkan frekuensi yang lebih besar
antara 250 dan 300 m pada Gambar 9, distribusi akan menjadi bimodal, atau ganda
memuncak. Dalam kasus seperti itu, proyek dapat dipecah menjadi dua operasi
terpisah untuk menangani yang berbeda jarak angkut, satu untuk nilai puncak yang
lebih kecil, dan lainnya untuk nilai puncak yang lebih besar. Seseorang akan secara
terpisah menghitung rata-rata jarak angkut tertimbang untuk kedua operasi. Dengan
demikian, yang diusulkan Metode kemudian dapat diterapkan untuk setiap operasi
secara independen untuk menyederhanakan pencocokan armada. Misalnya, akan
lebih baik gunakan ekskavator dan pengangkut kaku untuk puncak kedua, yang
memiliki jarak rata-rata yang lebih panjang, sambil menggunakan dozer untuk
langsung dorong material untuk puncak pertama terkait dengan rata-rata yang lebih
41
pendek jarak angkut. Mengingat varians besar dalam jarak angkut, memanfaatkan
solusi armada tunggal akan menjadi kompromi di antaranya dua mode jarak angkut
atau ideal untuk satu mode tetapi tidak cocok ntuk yang lainnya. Dalam kedua
kasus, efisiensi pemindahan tanah operasi kemungkinan akan menderita.
Studi Kasus Dunia Nyata

Untuk menunjukkan penerapan metode yang diusulkan, masalah peringkat situs
dunia nyata, yang terletak di dekat Edmonton, Alberta, adalah dipertimbangkan.
Ukuran situs sekitar 400 m kali 400 m. Titik ketinggian survei asli diekspor dari
AutoCAD ke Microsoft Excel dan mengoordinasikan transformasi dari global arah
timur, arah utara ke situs lokal x, y dilakukan. Dari mengubah data survei, fungsi
griddata bawaan MATLAB digunakan untuk membuat profil permukaan tanah
yang ada. Pengangkutan dan analisis pengisian perimbangan telah menghasilkan
model permukaan tanah yang dirancang, dengan memperhitungkan (1) persyaratan
penilaian agar efektif drainase dan pencegahan erosi (18 lereng dipertimbangkan),
dan (2) kendala teknis untuk penentuan posisi geoteknik yang berbeda struktur di
lokasi berbeda di lokasi (mis., ketinggian pelat lantai). Karena topologi lebih
kompleks daripada tes sebelumnya case, 5-m grid spacing diaplikasikan untuk
desain pekerjaan tanah sementara Lebar kotak 50 m digunakan untuk menghitung
volume tanah dan menentukan jarak angkut rata-rata. Total volume bumi bergerak
(dari cut to fill) adalah 81.632 bm3. Dengan menerapkan pendekatan yang
diusulkan, jarak angkut rata-rata ditentukan sebagai 192,29 m. Memanfaatkan jarak
angkut rata-rata dan yang paling mungkin data waktu siklus dari peralatan terkait
yang ditemukan di Caterpillar Performance Handbook Ed. 41 (Caterpillar Inc.
2011), disederhanakan model simulasi dibangun dan dieksekusi dengan cepat.
Mungkin skenario penyediaan armada tunggal dievaluasi berdasarkan simulasi
hasil (Tabel 3).
42
Armada terbaik untuk kasus ini diidentifikasi sebagai delapan truk kerikil
ditambah empat excavator CAT 336, yang menghasilkan biaya terendah $ 232.410
dan durasi proyek 75,34 jam. Selanjutnya, durasi proyek untuk konfigurasi armada
optimal lebih lanjut diverifikasi menggunakan kode simulasi terperinci yang ditulis
dalam MATLAB, yang mempertimbangkan jarak grid-ke-grid yang tepat untuk
menentukan jarak perjalanan dan waktu sebuah truk di setiap earthmoving
pekerjaan. Model simulasi terperinci dijalankan selama 10 kali, menghasilkan
durasi rata-rata 74,68 jam dengan standar deviasi 0,0306 jam. Di singkatnya, durasi
proyek yang dihasilkan dari pemodelan yang disederhanakan pendekatan
berdasarkan jarak angkut rata-rata (mis., 75,34 jam) erat kecocokan yang diperoleh
dari model simulasi terperinci (74,68 jam).
Validasi Model
Penelitian ini dimaksudkan untuk menghasilkan yang relevan dan kuantitatif
dukungan keputusan berdasarkan data dan informasi terbatas yang tersedia pada
desain penilaian situs atau tahap perencanaan proyek awal. Sebenarnya survei tanah
dan data desain umumnya tersedia, menyediakan masukan informasi untuk
menentukan jumlah pemindahan tanah bekerja dan memperbaiki posisi sumber
(potong) dan tujuan (isi) untuk pekerjaan earthmoving. Meskipun demikian, banyak
faktor lapangan yang sebenarnya belum diketahui secara jelas dalam fase ini,
misalnya armada yang sebenarnya alat berat yang tersedia di lapangan, dan
pengangkutan sementara jalan yang benar-benar akan ditata di lapangan. Adapun
armada, seperti dipraktikkan dalam estimasi sipil yang berat, Kinerja Caterpillar
43
Handbook (Caterpillar Inc. 2011) secara umum menyediakan data yang dapat
diandalkan untuk kapasitas peralatan dan waktu siklus. Adapun jalan angkut, yang
asumsi yang dibuat dalam penelitian ini adalah untuk mengambil centroid-to-
centroid jarak garis lurus antara sel yang dipotong dan sel isi sebagai jaraknya jarak
untuk pekerjaan pemindahan tanah tertentu. Dengan demikian, data armada dan
desain jalan angkut yang dipertimbangkan dalam studi kasus mungkin berbeda
dari operasi lapangan yang sebenarnya.
Alih-alih perbandingan dengan durasi proyek aktual sebagai validasi silang,
penelitian ini kontras dengan pendekatan yang disederhanakan berdasarkan jarak
angkut rata-rata yang invarian terhadap pendekatan simulasi operasi terperinci yang
biasa diterapkan dalam penelitian operasi earthmoving. Kedua pendekatan tersebut
menerapkan peristiwa diskrit yang sama metodologi simulasi untuk memodelkan
operasi armada pada situs untuk menangani beberapa pekerjaan pemindahan tanah,
masing-masing memiliki jarak angkut tertentu. Perlu dicatat bahwa yang signifikan
dan unik perbedaan model simulasi yang dihasilkan dari yang disederhanakan
pendekatan yang diusulkan adalah bahwa ia menggantikan satu rata-rata yang unik
jarak angkut tertimbang untuk jarak angkut multipel antara banyak sel potong dan
isi dalam sistem grid situs sebagai input. Armada yang sama peralatan diterapkan
untuk keduanya. Jadi, pertanyaan validasi menyangkut apakah model yang
disederhanakan masih mempertahankan akurasi dari model rinci.
Desain Jarak Grid
Untuk mengatasi variasi dan kompleksitas topologi dalam desain teknik pekerjaan
tanah, jarak grid yang besar (seperti 100 m) adalah tidak cukup dan harus
dikurangi (seperti 5 × 5 m, atau bahkan 1 × 1 m). Ini dapat dengan mudah
diotomatisasi oleh desain sipil utama perangkat lunak, yang menerapkan algoritma
interpolasi canggih. Spasi kotak kecil juga meningkatkan akurasi dan kuantitas
desain akurasi lepas landas.
Meskipun demikian, perlu dicatat bahwa desain spasi grid yang tepat tergantung
pada tujuan aplikasi tertentu. Yang diusulkan penelitian dimaksudkan untuk
mencapai efektivitas dan efisiensi biaya operasi konstruksi sehubungan dengan
terwujudnya Desain. Mempertimbangkan ukuran dan pergerakan alat berat biasa
digunakan di lapangan (mis., truk CAT 775, di antaranya kapasitas volume sekitar
44
45,8 m3, mengangkut tanah dari sel yang dipotong ke sel fill), disarankan untuk
menerapkan jarak grid tidak kurang dari 50 m, untuk memperkirakan secara wajar
jarak angkut truk antara dua sel yang relevan.
Jika situs rumit dengan perubahan ketinggian yang tajam, lebih kecil penempatan
grid (mis., 5 × 5 m) harus diterapkan untuk mendesain pekerjaan tanah. Meskipun
demikian, disarankan sistem desain grid dengan spasi grid kecil (mis., 5 × 5 m)
diganti dengan sistem grid konstruksi di mana jarak grid jauh lebih besar (mis., 50
× 50 m), sedangkan volume material di setiap sel desain sistem grid dikumpulkan
untuk mendapatkan volume di setiap sel dari sistem grid konstruksi. Ini
memfasilitasi analisis jarak angkut rata-rata dan desain operasi armada yang efisien
secara praktis mode. Transformasi grid antara dua sistem yang berbeda juga bisa
mudah diotomatisasi oleh perangkat lunak desain sipil utama. Pendeknya,
pendekatan yang diusulkan juga berlaku untuk proyek yang lebih rumit asalkan
jarak grid yang sesuai dikenakan untuk pekerjaan tanah desain dan konstruksi,
masing-masing.
Kesimpulan
Dalam meninjau penelitian sebelumnya, popularitas, kesuksesan, dan umur
panjang menggunakan simulasi untuk membantu dalam proses dukungan keputusan
untuk operasi pemindahan tanah sudah jelas. Untuk menerapkan uang muka pada
optimisasi simulasi dikembangkan di dunia akademik ke industri pengerjaan tanah,
perbaikan diperlukan untuk merampingkan tuntutan sumber daya, baik dalam
waktu dan keahlian, dari simulasi saat praktek ini, sambil mempertahankan akurasi.
Mengingat kompleksitas dan perubahan konstan dalam operasi lapangan, para
peneliti mengidentifikasi satu hambatan utama untuk mengadopsi pemodelan
simulasi dalam berat dan bidang konstruksi sipil: jarang menemukan personil di
industri ini yang memiliki pengetahuan simulasi dan yang diperlukan pengalaman
lapangan, yang juga memiliki waktu yang cukup untuk mengimplementasikan
pemodelan simulasi sebagai alat pendukung keputusan yang efektif diberikan
periode waktu terbatas yang tersedia untuk memperkirakan dan merencanakan
operasi pemindahan tanah. Ini menjelaskan pengamatan para peneliti simulasi itu
sangat diinginkan tetapi tidak sering diterapkan di lapangan.
Makalah ini menyajikan aturan meta-level baru untuk membantu dalam
45
simulasi operasi pemindahan tanah. Jelas ditunjukkan bahwa rata-rata jarak angkut
tertimbang dapat digunakan sebagai input penting untuk bangunan model simulasi
yang disederhanakan, sebagai pengganti simulasi yang terperinci model yang
mempertimbangkan pola gerakan bumi tertentu, sementara masih menghasilkan
output dengan akurasi yang sebanding. Rata-rata tertimbang jarak angkut
ditunjukkan dengan bentuk yang sama dengan pusat massa untuk seperangkat
partikel yang kaku, dan dipastikan tidak invarian untuk diberikan ketinggian tanah
yang ada dan yang diusulkan berdasarkan simulasi percobaan pada kasus uji. Selain
itu, jarak angkut rata-rata dapat digunakan untuk memberikan dukungan keputusan
dalam menentukan apakah untuk melakukan semua operasi pekerjaan tanah dengan
satu armada, atau apakah bagi proyek akan menjadi subhaul dengan beberapa
armada unik. Ini memungkinkan manfaat simulasi dicapai tanpa menimbulkan
waktu pemodelan yang panjang dan biaya aplikasi yang tinggi terkait dengan
pembangunan model simulasi terperinci.
Teknologi GPS dan pengumpulan data waktu-nyata adalah alat yang berharga
untuk operasi pemindahan tanah. Dalam tahap perencanaan dan estimasi dari
proyek pemindahan tanah, praktik saat ini umumnya mengumpulkan data
ketinggian tanah asli yang digunakan untuk desain perataan lokasi dengan
memanfaatkan teknologi survei GPS kinematika waktu-nyata. Teknologi ini
menyediakan titik koordinat pada tata letak kisi situs untuk desain berikutnya dan
analisis konstruksi. Pendekatan baru yang diusulkan dimaksudkan untuk
menambah teknologi survei GPS dengan analisis terintegrasi desain situs dan
desain metode, membantu insinyur konstruksi di analisis konstruksi dan penentuan
pemilihan armada, perencanaan pelaksanaan proyek, durasi proyek, atau biaya
proyek.
Penggunaan jarak angkut tertimbang rata-rata dapat dipandang sebagai langkah
menuju meta-modelling untuk operasi pemindahan tanah. Seperti yang ditunjukkan
dalam kasus uji dan kasus dunia nyata, kekuatan simulasi lebih mudah diakses dan
metode yang diusulkan memungkinkan lebih banyak aplikasi yang cepat dan
mudah, sebagai kebutuhan untuk spesifik simulasi pengetahuan dan pelatihan
menjadi lebih sedikit hambatan kepada personil industri. Biaya melakukan simulasi
berkurang sedangkan manfaat yang diberikannya sebagian besar dipertahankan.
46
Bab 4 – Kesimpulan
BAB IV
KESIMPULAN
A. Kesimpulan
Studi Jurnal 1 ini memberikan kontribusi pada bidang teknologi yang ada dan
manajemen konstruksi.
1. mengidentifikasi elemen kritis dari operasi interaktif (mis., Koeksistensi,

kedekatan, dan konsistensi tindakan).
2. Kerangka teknis untuk mendeteksi, mengklasifikasikan, dan menganalisis fitur-

fitur penting dari aliran video 2D.
3. Kerangka kerja jenis aktivitas yang diklasifikasi untuk mengukur indikator

kinerja (mis., Tingkat kerja langsung dan durasi siklus) alat berat.
4. Mengembangkan kerangka kerja yang dapat meningkatkan praktisitas dari

identifikasi aktivitas otomatis pada situs pemindahan tanah yang sebenarnya.
Studi Jurnal 2 ini memberikan kontribusi pada bidang konstruksi.
1. Dalam meninjau penelitian sebelumnya, popularitas, kesuksesan, dan umur

panjang menggunakan simulasi untuk membantu dalam proses dukungan
keputusan untuk operasi pemindahan tanah sudah jelas.
2. Ditunjukkan bahwa rata-rata jarak angkut tertimbang dapat digunakan sebagai

input penting untuk bangunan model simulasi yang disederhanakan, sebagai
pengganti simulasi yang terperinci model yang mempertimbangkan pola gerakan
bumi tertentu, sementara masih menghasilkan output dengan akurasi yang
sebanding.
3. Teknologi GPS dan pengumpulan data waktu-nyata adalah alat yang berharga
untuk operasi pemindahan tanah. Dalam tahap perencanaan dan estimasi dari
proyek pemindahan tanah, praktik saat ini umumnya mengumpulkan data
ketinggian tanah asli yang digunakan untuk desain perataan lokasi dengan
memanfaatkan teknologi survei GPS kinematika waktu-nyata.
4. Penggunaan jarak angkut tertimbang rata-rata dapat dipandang sebagai langkah

menuju meta-modelling untuk operasi pemindahan tanah. Seperti yang
47
Bab 4 – Kesimpulan
ditunjukkan dalam kasus uji dan kasus dunia nyata, kekuatan simulasi lebih
mudah diakses dan metode yang diusulkan memungkinkan lebih banyak aplikasi
yang cepat dan mudah, sebagai kebutuhan untuk spesifik simulasi pengetahuan
dan pelatihan.
48
DAFTAR PUSTAKA
Alkass, S. and Harris, F., “Expert System for Earthmoving Equipment Selection in Road
Construction”, Journal of Construction Engineering and Management, ASCE, Vol.
114(3), pp. 426–440, 1988.
Alshibani, A. and Moselhi, O., “Least Cost Optimization of Scraper–Pusher Fleet

Operations”, Canadian Journal of Civil Engineering, Vol. 39, pp. 313–322, 2012.
Grau, D. and Caldas, C., “Methodology for Automating the Identification and
Localization of Construction Components on Industrial Projects”, Journal of
Computing in Civil Engineering, ASCE, Vol. 23(1), pp. 3- 13, 2009.
Hajjar, D., and AbouRizk, S., “Symphony: an Environment for Building Special Purpose
Simulation”, 31st Winter Simulation Conference, ASCE, Phoenix, AZ, USA, pp. 998–
1006, 1999.
Marzouk, M. and Moselhi, O., “Multi-Objective Optimization of Earthmoving

Operations”, Journal of Construction Engineering and Management, ASCE, Vol.
130(1), pp. 105–113, 2004.
Marzouk, M., and Moselhi, O. “Object-oriented Simulation Model for Earthmoving

Operations”, Journal of Construction Engineering and Management, ASCE, Vol. 129
(2), pp. 173-181, 2003.
Montaser, A. and Moselhi, O. “RFID + For Tracking Earthmoving Operations”,

Construction Research Congress (CRC 2012) Construction Institute and Construction
Engineering and Management, ASCE, West Lafayette, Indiana, USA, pp. 1011-1020,
2012.
Montaser, A., Bakry, I., Alshibani, A. and Moselhi, O., “Estimating Productivity of
Earthmoving Operations Using Spatial Technologies”, 3rd International/9th
Construction Specialty Conference, Ottawa, Ontario, Canada, June 14-17, Vol. 3, pp.
2318-2327, 2011.
Montaser, A., Bakry, I., Alshibani, A. and Moselhi, O., “Estimating Productivity of
Earthmoving Operations Using Spatial Technologies”, Canadian Journal of Civil
Engineering, Vol. 39, pp.1072–1082, 2012.
Moselhi, O., and Alshibani, A. “Optimization of Earthmoving Operations in Heavy Civil

Engineering Projects”, Journal of Construction Engineering and Management, ASCE,
Vol. 135(10), pp. 948– 954, 2009.
49
Oglesby, H., Parker, W. and Howell, A., Productivity Improvement in Construction,
McGraw Hill Companies, New York, NY, USA, 1989.
Rezazadeh Azar, E. and McCabe, B., “Automated Visual Recognition of Dump Trucks in
Construction Videos”, Journal of Computing in Civil Engineering, Vol. 26(6), pp.
769–781, 2012.
Shi, J., and AbouRizk, S., “An Optimization Method for Simulating Large Complex
System”, Engineering Optimization, Vol. 25(3), pp. 213-229, 1995
50
Automation in Construction 87 (2018) 297–308
Contents lists available at ScienceDirect
Automation in Construction
journal homepage: www.elsevier.com/locate/autcon
Interaction analysis for vision-based activity identification of earthmoving T

excavators and dump trucks
⁎
Jinwoo Kima, Seokho Chia,b, , Jongwon Seoc
a
Department of Civil and Environmental Engineering, Seoul National University, 1 Gwanak-Ro, Gwanak-Gu, Seoul, Republic of Korea
b
The Institute of Construction and Environmental Engineering (ICEE), 1 Gwanak-Ro, Gwanak-Gu, Seoul, Republic of Korea
c
Department of Civil and Environmental Engineering, Hanyang University, 222 Wangsimni-Ro, Seongdong-Gu, Seoul, Republic of Korea
A R T I C L E I N F O A B S T R A C T
Keywords: Activity identification is an essential step to measure and monitor the performance of earthmoving operations.
Vision-based Many vision-based methods that automatically capture and explain activity information from image data have
Activity identification been developed with economic advantages and analysis efficiency. However, the previous methods failed to
Interaction consider the interactive operations among equipment, and thus limited the applicability to the operation time
Earthmoving operatrion
estimation for productivity analysis. To address the drawback, this research developed a vision-based activity
Excavator
identification framework that incorporates interactive aspects of earthmoving equipment's operation. This fra-
Dump truck
mework included four main processes: equipment tracking, action recognition of individual equipment, inter-
action analysis, and post-processing. The interactions between excavators and dump trucks were examined due
to its significant impacts on earthmoving operations. TLD (Tracking-Learning-Detection) was adapted to track
the heavy equipment. Spatio-temporal reasoning and image differencing techniques were then implemented to
categorize individual actions. Third, interactions were interpreted based on a knowledge-based system that
evaluates equipment actions and proximity between operating equipment. Lastly, outliers or noisy results were
filtered out considering work continuity. To validate the proposed framework, two experiments were performed:
one with the interaction analysis and the other without the analysis. 11,513 image frames from actual earth-
moving sites in total were tested. The consequent average precision of activity analysis was enhanced from
75.68% to 91.27% after the interaction analysis was applied. In conclusion, this research contributes to iden-
tifying critical elements that explain interactive operations, characterize the vision-based activity identification
framework, and improve the applicability of the vision-based method for the automated equipment operations
analysis.
1. Introduction performed manually. However, such human-dependent approach has

several salient shortcomings; they are expensive and time-consuming,
Activity identification classifies types of equipment operations such and thus prone to yield an inconsistent set of data [5]. To overcome
as working, traveling, and idling. It is vital to monitor the performance such limitations, automated activity identification systems have been
of on-site earthmoving operations, as sequential information of equip- introduced [11–12]. One of the most popular systems is a radio-based
ment's actions can serve as indicators to calculate direct work rates and method that obtains on-site data using RFID (Radio Frequency Identi-
cycle durations [1–4]. Based on the information gained from activity fication), GPS (Global Positioning System), UWB (Ultra-Wideband), and
identification, site managers can perform project-related decision BLE (Bluetooth Low Energy) [13–15]. The radio-based method cate-
makings (e.g., resource allocation, path planning, scheduling, and site gorizes equipment activities based on equipment types, locations, and
layout analysis) to be more efficient and operative [5–9]. Such insight movements (i.e., acceleration, velocity, orientation). On the other hand,
can also be utilized to assess productivity and reduce idling time of the many researchers also pay attention to a vision-based method that
earthmoving equipment; slight reduction of the operation cycle has capture and explain activity information from dataset in forms of
significant impacts on the productivity as the operations are normally images [16–22]. Image data contains detailed information about the
repetitive by nature [10]. equipment's action as well as types and locations [23]. The action in-
In the past, activity identification and analysis have commonly been formation is a critical cue for classifying operation types. That is the
⁎
Corresponding author at: Department of Civil and Environmental Engineering, Seoul National University, 1 Gwanak-Ro, Gwanak-Gu, Seoul, Republic of Korea.
E-mail addresses: jinwoo92@snu.ac.kr (J. Kim), shchi@snu.ac.kr (S. Chi), jseo@hanyang.ac.kr (J. Seo).
https://doi.org/10.1016/j.autcon.2017.12.016
Received 9 May 2017; Received in revised form 5 November 2017; Accepted 7 December 2017
Available online 02 January 2018
0926-5805/ © 2017 The Authors. Published by Elsevier B.V. This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/BY-NC-ND/4.0/).
J. Kim et al. Automation in Construction 87 (2018) 297–308
activity identification methods [10,25]. However, previous studies fo-

Work cused on certain qualities of interactions (e.g., interactions based on the
equipment's proximity) under controlled environments (e.g., the fixed
number of equipment in the image frame). It limited their research
findings from providing comprehensive explanation about the complex
Idle interactions between multiple equipment. The present study aims to fill
these existing knowledge gaps. First, this study reviews and identifies
critical elements for understanding interactive operations of excavators
and dump trucks. Second, it proposes the vision-based framework for
automated activity analysis of the heavy equipment through further
Work considerations of identified elements. Third, this framework can pro-
vide continuous information for the types of equipment operations,
which is fundamental data for calculating the cycle time and measuring
Fig. 1. Examples of interactions between earthmoving equipment.
the equipment productivity. Finally, these approaches are expected to
improve the practicality of vision-based activity analysis on actual
information that the radio signal is difficult to provide; the radio signal earthmoving sites.
often has difficulty identifying activity types precisely when equipment
is located on the same position but performs different operations such 2. Theoretical background and related works
as waiting for soil loading in case of dump trucks or excavators' rotating
without center of gravity changes. Furthermore, increased accessibility 2.1. Earthmoving operations
to image data, in the line with the installment of CCTVs on construction
sites for monitoring purposes [9,23], makes vision based approaches Earthmoving operations are fundamental construction processes to
more practical and feasible. For instance, it is legalized to install cam- relocate soil from one site to the other [26–27]. A single earthmoving
eras on construction sites for on-site monitoring in Korea according to event involves series of specific activities such as excavating, loading,
[24]. hauling, and dumping the soil. In order to successfully perform such
Due to such aforementioned increased attention and inherent ad- earthmoving operations, excavators and dump trucks are essential input
vantages, a range of vision-based methods have been developed and resources.
they showed promising performance. However, the previous methods Excavators are assigned to the construction site to cut soil and hand
did not fully investigate interactive operations among equipment, it over to dump trucks. During the operational process, excavators can
which is crucial for real-world activity identification and productivity carry out one out of three types of activities as illustrated in Fig. 2; they
analysis. To address the drawbacks, this research developed a vision- are ‘working’, ‘traveling’, and ‘idling’ [28–31]. Excavators are ‘working’
based activity identification framework that considers interactive op- under the cycle of swinging, loading, hauling, and unloading; within
erations of earthmoving equipment. Fig. 1 illustrates the concept of this cycle, excavators go over specific individual actions, including
interaction. An excavator and a dump truck on the right hand side of ‘scooping’, ‘rotating’, and ‘dropping’ [32]. These sets of individual ac-
Fig. 1 work together by loading and unloading soils from each other, tions mean that excavators can either work alone (e.g., soil preparation
even though the dump truck ‘stops’. If the other dump arrives at the and excavation) or interact with dump trucks (i.e., soil-loading). ‘Tra-
working area as shown in the left hand side, its activity should be ca- veling’ activity indicates that excavators are ‘moving’ to other positions,
tegorized as ‘idling’, according to their concurrent working status. It such as working areas or parking stations [33]. When excavators are
indicates that the activity states of equipment can influence and be neither ‘working’ nor ‘traveling’, it can be interpreted that they are
influenced by other equipment. ‘idling’ with ‘stopping’ actions [34].
Many researchers also perceived the importance of interactive op- In the meantime, dump trucks mainly move to deliver soil from one
erations and several studies made efforts to develop vision-based site to the other [31]. Two types of activities are involved; one is
Work Idle Fig. 2. Earthmoving activities and actions of

earthmoving equipment.
(Scoop/Rotate/Drop) (Stop)
Wait for
Load soil Haul soil dump truck
Excavator
Unload soil to
Swing bucket Move to
dump truck
other sites
Travel
One-to-one interaction (Move)
Work Idle
(Move & Stop) (Stop)
Fill soil Travel to
Dump truck
from excavator dumping area

Stay in queue and wait Other working
for the next soil filling excavator and dump
order Group truck
Return to interaction
Dump soil
working area
Activity: work, travel, and idle

Action: move, scoop/rotate/drop, and stop
298
‘working’ and the other is ‘idling’. One crucial nature of dump trucks' value color spaces. Kinematic features were also used to identify ex-
operational move is that their ‘working’ status can be both sedentary cavator's activities by representing articulated shapes of the excavator
and mobile. Unlike excavators, traveling of dump trucks falls under [28]. The study determined activity types by analyzing distance and
‘working’ category since dump trucks travel to relocate loads of soil elevation changes of the detected parts (e.g., bucket, body, and joint) of
[35]. The working process of dump trucks is composed of specific ac- the excavator. Gong and Caldas [56] analyzed cycle time of concrete
tions such as filling, traveling, and dumping [5,30–31,36]. In case of placement operations by detecting a concrete bucket and tracking its
filling and dumping, trucks are ‘stopping’. In other words, when they movement. Working cycle of tower crane was also investigated by [57],
are ‘working’, it can either be ‘moving’ (for traveling) or ‘stopping’ (for through tracking three dimensional locations of its jibs and body. On
filling and dumping) [37]. However, dump trucks also may take the other hand, machine learning based methods (e.g., Bags-of-Fea-
‘stopping’ actions when its activity status shifts to ‘idling’ [38]; this tures) were implemented by [58,5] for the purpose of recognizing
could happen when they wait for the next soil filling order, when other equipment's individual actions. The methods, however, required a large
excavators and dump trucks are busy (Figs. 1, 2). This implies that amount of training datasets in order to learn robust action recognizers
dump trucks' ‘stopping’ motion may occasionally indicate ‘idling’ status for various operation types. For analyzing the interactions between
instead of ‘working’. heavy machinery, Azar et al. [10] developed a vision-based approach to
Actions and activities of excavators and dump trucks also imply that estimate the dirt-loading cycle of an excavator and a dump truck by
there are significant amount of interactions between those two types of detecting one-to-one interactions. However, they faced difficulties not
equipment. When excavators are ‘working’, particularly interacting only in continuously identifying the types of equipment operations but
with dump trucks, they unload soil to dump trucks. Likewise, dump also in recognizing group interactions between multiple equipment.
trucks also fill soil from excavators when they are ‘working’. Both Recently, Bugler et al. [25] proposed an automated productivity as-
equipment is able to fully perform their tasks with those one-to-one sessment method of earthmoving operations through photogrammetry
interactions [39–40]. In case that excavators and dump trucks co-exist, and video analysis. It determined activity types by considering the
their individual actions are also consistent that the excavator is proximity between equipment and their actions; nonetheless, ex-
‘scooping/rotating/dropping’ and the dump truck is ‘stopping’; to put it cavator's ‘scooping/rotating/dropping’ actions, which are fundamental
differently, action consistency between equipment needs to be met in information for classifying ‘working’ excavators even though their
this case for explaining filling operations. When action inconsistency center of gravity is in the fixed position, were not able to be explained.
happens, (e.g., both excavator and dump truck are stopping), this action The aforementioned research showed promising results for the
is classified as ‘idling’. In addition to the consistency factor, another key construction applications and built up strong foundations for auto-
concept to illustrate the interaction is the proximity between equip- mated activity analysis based on vision techniques. In the early stage,
ment. This means that excavators and dump trucks should stand within the researchers had attention to identifying actions of single equipment
the effective distance of excavators to hand over soil (i.e., arm's length). such as excavators and tower cranes. Currently, many researchers have
This aspect enables to filter out the unrealistic case; for example, made efforts to analyze site productivity based on the identified in-
‘stopping’ dump trucks are 30 m apart from ‘scooping/rotating/drop- formation of equipment's actions. However, challenging issues still re-
ping’ excavators although their actions are consistent. In addition to main on the classification of equipment operations in complex, real-
these one-to-one interactions, group interactions can also occur among world working environments. One major issue is that most previous
more than three equipment involved in the operation process. When studies mainly focused on individual characteristics (e.g., equipment
two dump trucks keep ‘stopping’ nearby an excavator, one of them is shapes, orientations, and locations) of single equipment, but did not
normally filled with soil. In this case, the two dump trucks take same fully consider the interactions among earthmoving equipment for the
actions (‘stopping’); however, their activities are different (‘working’ analysis. This issue limits the applicability of the previous findings to
and ‘idling’) as shown in Fig. 1. the actual construction context, since interactive aspects (e.g., co-ex-
To summarize, excavators perform three operation types of istence, proximity, and action consistency between equipment) as well
‘working’, ‘idling’, and ‘traveling’, while dump trucks performs two as individual features (e.g., object types, locations, and actions) col-
operation types of ‘working’ and ‘idling’. Those activities for each lectively function as significant cues for activity identification. For in-
equipment type are performed through diverse individual actions and stance, without the interaction analysis, it is difficult to explain whether
through one-to-one or group interactions within the working area a ‘stopped’ dump truck is ‘working’ (filling soil from an excavator) or
[36,41–44]. Under the interactive operations, types of equipment ac- ‘idling’ (waiting for the next soil filling order due to excavator-to-dump
tivities can be effectively inferred using both individual aspects (i.e., truck interaction). Such limitations have led previous studies to make
object type, location, and individual action) and interactive character- only partial technical advancements.
istics (i.e., co-existence, proximity, and action consistency).
2.2. Related works and limitations 3. Research framework
Numerous computer vision techniques have been developed in The research framework in Fig. 3 highlights the interaction analysis
order to accurately recognize target object's actions and activities. to classify types of equipment activities. The framework includes four
There are three main categories: space-time, shape-based, and rule- main modules: equipment tracking, action recognition of individual
based approaches [45]. Space-time approaches recognize actions by equipment, interaction analysis, and post-processing. First, the loca-
using spatio-temporal features such as optical flows and trajectory tions of excavators and dump trucks are tracked over time to collect two
changes within consecutive image frames [46–48]. Shape-based ap- types of data: equipment types and their trajectories. Second, individual
proaches determine actions by applying gesture/appearance-based actions of the tracked objects are recognized using the spatio-temporal
features such as oriented histogram, bags-of-rectangles, and skeleton reasoning and the image differencing technique. Third, interactions of
models [49–53]. Lastly, rule-based approaches utilize pre-defined excavators and dump trucks are then analyzed based on the factors such
knowledge of behaviors (i.e., a set of if-then rules) and recognize ac- as co-existence, proximity, and action consistency. Finally, post-pro-
tions [54–55]. cessing is conducted to reduce recognition errors by considering con-
Many researchers have made efforts to apply such computer vision tinuity of equipment activities. Details of each module are described in
approaches to construction sites, especially for equipment action and this section.
activity recognition. Zou and Kim [33], for instance, proposed a method
to calculate hydraulic excavator's idle time using hue, saturation, and
299
Action Recognition of
Equipment Tracking Interaction Analysis Post-processing
Individual Equipment
Tracking Detection Co-existence
&
Online
Learning Proximity
Tracking Detection
Results Results
Functional &
Integration Positive Negative
- = Action consistency
Exc. Drop Work
Truck Stop Work

Individual Action =
{‘scooping/rotating/dropping’, Activity =
ID, Type, Location Activity type at every t
‘moving’, ‘stopping’} {‘idling’, ‘traveling’, ‘working’}
Fig. 3. Research framework with interactive operations.
3.1. Construction equipment tracking impacts to recognition; hence, the tracker can easily miss target objects
without re-tracking. Such failures can be counterbalanced with the
The purpose of this module is to obtain information of equipment detector's strengths which are robustness to abrupt changes and dy-
types and trajectories. An extended version of TLD (Tracking-Learning- namic movements.
Detection), developed by [59,60], was adapted and customized in this Along with functional integration, online learning is also a key
research to track multiple construction equipment in the long term. TLD process for long-term tracking of construction equipment [61]. It is one
consists of two main processes: functional integration and online of potential machine learning techniques to generate and reinforce a
learning [61]. Fig. 4 illustrates the methodology of the adapted TLD. detector with sequentially updated training data [66–67]. To track
Functional integration localizes target objects using both a pre- construction objects using a detector, major challenging issue is to
trained detector and a tracker that analyzes sequential images. This collect high quality training datasets that covers high interclass/in-
aspect enables to track construction equipment with dynamic move- traclass variations [61]. In this study, the training data was newly
ments and high interclass/intraclass variations. The detector learned generated on site through the functional integration process, in attempt
from a well-developed training data enables to manage sudden changes to address this challenge. To be specific, false positive and false nega-
of objects and environments, since it independently detects and tracks tive errors of the detector were added onto training data as negative
target objects in each frame [62–64]. Therefore, long-term tracking of samples to prevent the occurrence of similar errors. On the other hand,
equipment becomes possible even though construction equipment in- true positive results were added as positive samples with higher weights
volves series of abrupt characteristic changes in terms of colors, shapes, for recognition.
orientations, and velocities. However, it is very difficult to pre-develop In sum, the functional integration enhances the detection and
high quality training datasets [65]. Once new or unexpected events that tracking performance by compensating weaknesses of a detector and a
are not part of a training data arise, detection errors may occur. On the tracker. The online learning trains and customizes a detector, and de-
other hand, the tracker analyzing sequential image frames can com- velops and updates training data in real time without pre-works. Based
pensate such detector errors since the sequential analysis localizes the on the two processes, TLD is able to recognize and track construction
most similar region among the consecutive motion-based and feature- equipment that has dynamic motion changes and various character-
representation-based images. In this way, the tracker is able to adapt to istics (e.g., shapes, colors, and textures). Since it was originally devel-
gradual changes of object characteristics; hence, possible detection oped for flat objects such as human eyes or license plates in less
failures can be prevented by the adaptation of the tracker. Reversely, changeable environments, the authors customized it to improve its
the tracker has also shortcomings that can be mediated by the detector; practical applicability to the construction site. The technical details of
it is sensitive to sudden changes of object's movements and shapes. the customization can be found from the authors' other publication:
Since the sequential analysis is based on similarity of object's motion Kim and Chi [61].
and representation, noise (e.g., background shadow) brings negative
Fig. 4. Equipment tracking methodology.

Functional Integration Online Learning
Learning
Tracker Detector
Positive Negative
Tracking Results Detection Results
Integrated Results
Training Datasets
300
Fig. 5. Methodology for action recognition of

(ID, type, (x,y))
individual equipment.
Object type?
Excavator Dump truck
Calculate the Calculate the

centroid change centroid change
Centroid change > threshold? Centroid change < threshold?
No
Perform image
differencing
Yes Calculate the sum Yes No

of absolute value
of pixel changes
Pixel change < threshold?
Yes No
Scoop/
Move Stop Rotate/ Stop Move
Drop
3.2. Action recognition of individual equipment relationship between the global coordination and the local (image)
coordination (Eq. (2.1)).
This module recognizes individual actions of construction equip-
ment using spatio-temporal reasoning and image differencing (Fig. 5). x ⎡X⎤
⎡ ⎤ Y
For spatio-temporal reasoning, object's centroid is compared within s ⎢ y⎥ = T ⎢ ⎥
⎢Z⎥
sequential images to classify ‘moving’ or ‘non-moving’ actions. Image ⎣1⎦ ⎢
⎣1⎥ ⎦ (2.1)
differencing is then performed to detect shape changes of excavators
and classify ‘non-moving’ actions further into sub-action categories: where,
‘scooping/rotating/dropping’ and ‘stopping’.
The centroid change between image frames can be calculated based s: scale factor; T: transformation matrix; [x, y]: pixel coordination;
on the tracking results (locations over times). The centroid indicates [X, Y, Z]: world coordination.
that the center point of a 2D bounding box of an object and its change
ratio is calculated by Eq. (1) to consider bi-directional movements. The equation explains that 3D global point P(X, Y, Z) can be
Additionally, in order to reduce the scale dependency on the equip- transformed to the point p(x, y) in the image plane by the transfor-
ment-to-camera distances, the centroid's coordination change is divided mation matrix T. With the decomposition of T, Eq. (2.1) can be for-
by the diagonal length of the bounding box for tracking (Eq. (1)). mulated as below (Eq. (2.2)).
r r12 r13 tx
2 (x i + 1 − x i )2 + (yi + 1 − yi )2 x ⎡ X ⎤ ⎡ fx 0 cx ⎤ 1 0 0 0 ⎡ 11 ty
⎤⎡ X ⎤
Centroid change ratio = ⎡ y⎤ ⎢ Y⎥ ⎢ ⎡ ⎤ ⎢ r21 r22 r23 ⎥⎢Y ⎥
s ⎢ ⎥ = KTpers (1)[R | t ] = 0 fy cy ⎥ ⎢0 1 0 0 ⎥ ⎢ r r32 r33 ⎥⎢ Z ⎥
Li (1) ⎢Z⎥ ⎢ ⎥ ⎢ 0 0 1 0 ⎥ ⎢ 31 tz
⎣1⎦ ⎢ ⎣ ⎦ 0 ⎥⎢ ⎥
⎣1⎥ ⎦ ⎣0 0 1⎦ ⎢
⎣
0 0 1 1
⎦⎣ ⎦
⎥
where,
(2.2)
xi: the x-axis position of centroid at i-th tracking result; yi: the y-axis where,
position of centroid at i-th tracking result; Li: the diagonal length of
i-th tracking result. [R| t]: rigid project matrix; Tpers(1): normalization matrix;
K: transformation matrix of normalized coordination to pixel co-
Pre-defined threshold value then determines whether the tracked ordination.
object is ‘moving’ or ‘non-moving’ by comparing calculated centroid fx, fy: focal length at each direction; cx,cy: principal point at each
change ratio. The threshold value is defined based on the geometric direction;
301
rij: rotated angle at i-j direction; tx, ty, tz: translation at each direc- 3.3. Interaction analysis
tion.
Using the extracted information of object types, locations, and in-
By integrating Tpers(1) and [R | t], Eq. (2.2) is expressed as Eq. (2.3). dividual actions, this module analyzes interactions among equipment.
The knowledge (rule)-based decision making was used to analyze both
x ⎡X⎤ one-to-one and group interactions. In recognition of such interactive
⎡ y⎤ Y
s ⎢ ⎥ = K [R | t ] ⎢ ⎥ nature, factors such as the co-existence, proximity, and action con-
⎢ Z⎥
⎣1⎦ ⎢ sistency between excavators and dump trucks were investigated and
⎣1⎥ ⎦ (2.3)
adopted during the classification of equipment activity types. As a re-
where, sult, more precise performance indicators (e.g., cycle time and direct
work rates) can be obtained; for instance, interaction information can
K: intrinsic parameter; [R| t]: extrinsic parameter. clearly distinguish whether excavators work ‘alone’ or ‘together’ with
dump trucks.
Finally, 3D global coordination is transformed to the local image Fig. 7 illustrates the process of activity recognition. In case of
coordination using camera's intrinsic and extrinsic parameters, which ‘moving’ and ‘stopping’ of an excavator, it is defined as ‘traveling’ and
can be obtained during calibration. According to the official equipment ‘idling’ respectively (Fig. 7); it is because excavators' individual action
specifications of Hyundai, Volvo, and Doosan manufacturers, the ex- varies according to each activity. However, for actions such as
cavator's minimum moving speed and average diagonal length are as- ‘scooping/rotating/dropping’, the interaction analysis enables an ac-
sumed as 3 km/h and 4–7 m; the range of threshold value can be cal- tivity identification system to decide whether the excavators are
culated by using Eqs. (1) and (2.3). The 10% per frame was finally ‘working’ alone (e.g., soil preparation and excavation) or together (i.e.,
optimized after the experiment with 11,513 images, given two frames loading soil to dump trucks). When the excavators and the dump trucks
per second. This frame rate suits well not only for tracking actions of are ‘working’ together, they should both be placed within the operating
the excavator (e.g., moving and non-moving) working with the velocity boundary of the excavators (i.e., arm's length). If there exists at least
of 3 km/h but also for increasing computational efficiency for the real- one dump truck within the same image frame, the distances between
time processing. After the spatio-temporal reasoning, image differen- centroids of the excavator and all the dump truck are computed (Eq.
cing is applied to further classify ‘non-moving’ into ‘scooping/rotating/ (4)). Based on the distances, the nearest dump truck to the excavator is
dropping’ or ‘stopping’. The shapes of excavators are changing during selected.
‘scooping/rotating/dropping’ while the shapes do not change in case of
‘stopping’. The image differencing can detect such shape changes be- Distance = 2 (x exc . − x dump )2 + (yexc . − ydump )2 (4)
tween consecutive image frames by calculating the sum of pixel value
differences from the absolute differences (Eq. (3)). Fig. 6 also explains where,
this calculation process. To eliminate effects of different scales, the size
of each image is resized to the size of previous image first. xobject type: the x-axis position of centroids of each object type;
yobject type: the y-axis position of centroids of each object type.
i+1 i
∑j ∑k pjk − pjk
The threshold proximity was optimized as 150 and 200 pixels after
Sum ratio of absolute diffrences = the experiments with 11,513 images. The previous Eqs. (2.1)–(2.3) also
Ai (3)
required the threshold values for the camera's intrinsic and extrinsic
where, parameters and the average length of excavator's arms were between 8
and 15 m. The action consistency should also be considered since the
pjki: the pixel value at j row and k column in bounding box for i-th co-existence and proximity alone are insufficient evidence to guarantee
tracking image; Ai: the area of bounding box at i-th tracking result. the interactions. Even if excavators are ‘scooping/rotating/dropping’,
dump trucks can ‘move’; in this case, no interaction took place between
Dump trucks have two individual action types: ‘moving’ and ‘stop- two equipment. Excavators and dump trucks are ‘working’ together
ping’. In this study, it was assumed that there is no critical shape change only when they show action consistency for filling soil within the ef-
of the dump truck during ‘stopping’, thus the analysis focused on the fective distance; in other words, excavators are ‘scooping/rotating/
spatio-temporal reasoning. The centroid change rate is calculated and dropping’ while dump trucks are ‘stopping’ for interaction. Based on
compared to the pre-defined threshold value of 20% per frame for two this principle, the proposed framework can confidently decide whether
frames per second (Eqs. (1) and (2.3)) under the consideration of dump ‘scooping/rotating/dropping’ excavator is interacting with a dump
truck's velocity (6 km/h). truck or working alone (e.g., soil preparation).
‘Moving’ dump trucks can be classified as ‘working’. Yet, ‘stopping’
dump trucks can either be classified as ‘working’ or ‘idling’ according to
the interaction with excavators. Similar to the interaction analysis of
excavators, the co-existence, proximity, and action consistency are ex-
amined in order. When an excavator is not captured in the same image,
‘stopping’ dump trucks should be ‘idling’. Otherwise, the distances be-
tween the dump trucks and existing excavators are calculated in 2D
images (Eq. (4)). The distances are used to select the nearest dump
truck within the operating boundary of each excavator. Only after se-
lecting nearest and ‘stopping’ dump truck, excavators' individual ac-
tions can be accurately confirmed. If all the conditions are met, the
‘stopping’ dump trucks are then classified as ‘working’ and vice versa.
- = These processes enable the research framework to identify ‘working’
dump trucks interacting with excavators (one-to-one interactions) and
‘idling’ dump trucks waiting for its filling order due to the already in-
Fig. 6. Image differencing processes.
teracting couple (group interactions).
302
(ID, type, (x,y), action)
Travel Object type?
Move Excavator Dump truck
Individual Individual Work

action? action? (travel)
Move
Stop
Idle Scoop/rotate/drop Stop
Dump trucks exist? Excavators exist?
Yes Yes
Calculate the proximity Calculate the proximity

with all dump trucks with all excavators
Yes Yes
Select the nearest

Nearest to an excavator?
dump trucks
Yes Yes
Proximity < Proximity <

operating boundary? operating boundary?
Yes Yes
The excavator is
The dump truck is
scooping/rotating/dropping?
stopping?
No No
Yes
Work Work
(alone) (inter- Idle
acting)
Fig. 7. Interaction analysis methodology.
3.4. Post-processing 4. Experimental results
The post-processing is designed to filter out noise or other kinds of 4.1. Data collection and description
outliers from the analyzed results. The activities at each frame are
classified independently by the previous modules. However, it is ob- The authors collected video stream data from five earthmoving sites
vious that construction equipment works continuously over time, which by using CCTVs and smartphones. The collected data included not only
means that one activity takes place for certain duration. Majority voting interactive operations among dump trucks and excavators but also
of classified activity types (Eq. (5)) was applied every 5 s to compensate operations in a group of multiple dump trucks working simultaneously
misclassification errors due to real-time discrete analysis and optimize (Fig. 9). To represent various appearances, actions, and activities of
classification results (Fig. 8). construction equipment, the stationary cameras were installed at 10 to
30 m distances, 0 to 3 m heights, and different viewpoints (i.e., front,
Post S = mode (S, t ) (5)
back, side, and diagonal), 11 different positions in total. The total of
where 11,513 image frames, approximately 150 min of operation, was col-
lected with 720 × 1280 and 1080 × 1920 pixels. The video data also
S: pre-classified activity state for all frames; t: time interval for post- included diverse equipment with different shapes, colors, or appear-
processing. ances manufactured by multiple corporations such as Caterpillar,
Doosan, Hyundai, Scania, and Volvo.
4.2. Performance metrics

Work Work Idle Work Work Work
( ,5 ) To quantify the performance of activity identification, two metrics

were evaluated: precision and recall rate. The precision indicates the
Work (work=6, idle=0) reliability of predictions and is calculated by Eq. (6). However, even
though the most predicted results of algorithm are correct (high pre-
Fig. 8. Concept for post-processing.
cision), there can be occasions of omitted objects or activities. Thus, this
303
Fig. 9. Examples of the collected data from actual earthmoving sites.
study also evaluated the recall rate (Eq. (7)) to check the stability of the the development of module 1 and MATLAB 2014b was implemented for
proposed framework. Furthermore, the estimated working, traveling, the development of module 2, 3, and 4. A desktop computer [Intel i7-
and idling times were compared with the actual operation time. 4790 CPU @ 3.60 GHz, 32.0 GB RAM, Windows 7, 64 bit] was used for
True Positive the series of experiments. Two main experiments with and without the
Precision = interaction analysis were performed to investigate the advancement of
True Positive + False Positive (6)
the proposed solution. Additionally, individual action recognition and
True Positive post-processing impacts were also analyzed.
Recall rate =
True Positive + False Negative (7)
4.4. Experimental results and analysis

4.3. Implementation and experimental setup
4.4.1. Performance of the developed framework
C++ programming language with Visual Studio 2012 was used for Fig. 10 shows examples of the classified activity types for all tracked
Fig. 10. Examples of experimental results. (a) Continuous

T = 248 T = 308 classification over time. (b) One-to-one interactions. (c)
Group interactions.
(a)
(b)
T=9 T = 103
(c)
304
Table 1
Experimental results for performance metrics.
(%) The proposed method Without interaction analysis Without post-processing

(with interaction analysis)
Excavator Dump truck Excavator Dump truck Excavator Dump truck
Precision Recall rate Precision Recall rate Precision Recall rate Precision Recall rate Precision Recall rate Precision Recall rate
Idling 86.70 93.87 88.49 93.10 86.70 93.89 38.91 91.03 85.50 92.18 85.72 88.38
Traveling 93.12 89.97 – 93.12 89.97 – 83.82 83.36 –
Working 88.26 92.05 97.88 92.64 88.26 92.05 85.10 23.92 83.91 87.19 95.03 89.56
Average 89.36 91.96 93.19 92.87 89.36 91.96 62.01 57.48 84.41 87.58 90.38 88.97
Table 3
Table 2 Experimental results for individual action recognition.
Performance evaluation of each module.
(%) Action recognition of individual equipment
(%) The proposed Without interaction Without post-processing
framework analysis Excavator Dump truck
(A)
Performance A–B Performance (C) A–C Precision Recall rate Precision Recall rate
(B)
Stopping 86.70 93.87 93.29 97.47
Precision 91.27 75.68 15.59 87.39 3.88 Moving 93.12 89.97 94.3 92.18
Recall rate 92.42 74.72 17.70 88.27 4.15 Scooping/rotating/dropping 88.26 92.05 –
Average 89.36 91.96 93.80 94.83
object. The responses were displayed for each bounding box. The per-
formance metrics were discovered with the average precisions and re- 4.4.3. Performance of the equipment tracking and individual action
call rates of 91.27% and 92.42% respectively (Tables 1, 2). The preci- recognition
sion results indicated that 91 classifications out of 100 responses were Since individual actions are one of vital factors for activity identifi-
correct. Besides, the results of the recall rates meant that the im- cation, its accuracy is important to determine the classification perfor-
plemented framework accurately classified 92 cases out of 100 actual mance of operation types. Table 3 shows the experimental results for
occurrences for each activity type. Considering that the average pro- module 2: 91.58% of the average precision and 93.39% of the average
cessing time required for single frame analysis was 0.1 to 0.3 s while recall rate. The results implied that the module worked properly for re-
satisfying real-time applications. Moreover, the average error rate of cognizing individual actions. It was also observed that the precisions for
estimated time for each activity was 5.4% compared to the original dump trucks were larger than those of excavators. This was consistent with
operation time; in other words, the model estimated 94.6 min as the complicatedness of individual actions since dump trucks had binary
‘working’ and 5.4 min as ‘idling’ when the equipment were actually cases while excavators had one more individual action. Regarding to this
‘working’ for 100 min. issue, the framework occasionally experienced a difficulty to further
classify ‘scooping/rotating/dropping’ and ‘stopping’. It can be explained
with the effects of the image differencing technique. The technique was
4.4.2. Performance without the interaction analysis able to detect change in two consecutive image frames by considering the
In addition to the validity, significant impacts of the interactive ‘changed pixel values’. However, all changing pixels were not able to be
operations were also observed. For representing the classification fully considered if the excavator's bucket was not tracked. It occurred
without the interaction analysis, module 3 was opted out from the when the bounding box of the excavator object did not cover the location
framework. In this case, ‘stopping’ dump trucks are regarded as ‘idling’ of the bucket. Reversely, noise (e.g., background clutters and non-target
(Fig. 11). Without the interaction analysis, the average precision was objects) also affected the recognition performance with less significant
75.68% dropped by 15.59%, whereas the average recall rate was change in image; for instance, dump trucks moved within the bounding
74.72% decreased by 17.70% (Table 2). The performance loss was box of ‘stopping’ excavators. Despite such technical limitations, the
salient with dump trucks; the interpretation errors of ‘idling’ increased method was still effective in recognizing individual actions. TLD success-
remarkably for the dump trucks. Therefore, the recall rates for dump fully tracked equipment with 90.96% and 92.23% of the average preci-
trucks were dropped by 38.91% and the ‘idling’ time was estimated sions and recall rates. Thus, it was able to reduce the number of noisy
with 41% error rates. On the other hand, the precisions and recall rates bounding boxes and also to support the shape detections for the ‘scooping/
were not decreased for excavators. rotating/dropping’ excavators.
4.4.4. Performance of the post-processing

Finally, the post-processing effectively filtered out noisy classifica-
tion results. Module 4 increased the precisions and recall rates by
3.88% and 4.15% compared to the classification without the post-
processing (Table 2). The filtering performance varied depending on
interval durations for majority voting. The results revealed that 5 s was
optimum finding for the applied 11,513 images. The cases with the
longer than 5 s showed poor performance due to the lingering imagery
effects when activity A is already switched to another activity B (e.g.,
‘idling’ states were kept monitoring for several seconds although it al-
Fig. 11. Predictions with (left) and without (right) the interaction analysis for the same ready started to ‘work’). Thus, the post-processing of 5 s played a sub-
image frame.
stantial role for the activity identification.
305
5. Results and discussion
The experimental results supported the feasibility and applicability

of the developed method with the acceptable performance criteria. It
identified different types of equipment operations with 91.27% preci-
sions and 92.42% recall rates, and then estimated ‘working’, ‘traveling’,
and ‘idling’ durations with 5.4% error rates on the average. The results
also showed the significant impacts of interaction analysis on the ac-
tivity identification. Fig. 10 displays that the proposed framework (with
the interaction analysis) has an ability to successfully classify activity
types of ‘stopping’ dump trucks, which is crucial for operation time
estimation. As shown in Fig. 10(a), activity types of equipment were
continuously identified correct from the image frame T = 248 to
T = 308. Based on the co-existence, proximity, and action consistency
conditions, the framework classified some of ‘stopping’ dump trucks as
‘working’ (Fig. 10(b)). It was also possible to determine whether ex-
cavators ‘work’ alone or together. This insight can be used for match-
factor (the ratio of truck arrivals to available excavator service rates)
calculation and resource allocations. Moreover, Fig. 11 illustrates the
advantage of considering the interactive operations between two
equipment. While the ‘stopping’ dump truck for loading was correctly
classified as ‘working’ (filling soil from the excavator) with the inter-
action analysis, the dump truck was incorrectly classified as ‘idling’
when the module 3 was opted out. The results denoted that the de-
veloped framework was capable of interpreting the one-to-one inter-
actions and enhancing the performance with the interaction analysis.
The group interactions can be also successfully analyzed with the
developed approach. Fig. 10(c) displays that the approach correctly
identified both one-to-one interactions and group interactions. At the
image frame T = 9, the excavator in the left-hand side handed soil over
to the dump truck located within the operating proximity and their
activity types were determined as ‘working’. The other excavator and its
nearest dump truck co-existed within the pre-defined proximity; how-
Fig. 12. Errors examples. (a) Errors of interaction analysis. (b) Effects of bounding box.
ever, they were ‘idling’ since the individual action of excavator was
‘stopping’. Based on the identified interactions, although the dump
truck arrived at the operating zone at the image frame T = 103, the also determined as ‘idling’ since the excavator was ‘idling’. This lim-
proposed method classified its operation type as ‘idling’. The results itation is expected to be complemented by using tracking algorithms
showed that the group interactions among multiple equipment can be based on CNN (Convolutional Neural Networks) in further study. In
effectively handled by the module 3. Through these processes, the op- recent research, a CNN-based tracker outperforms to localize any types
eration types were correctly determined with 91.27% of precisions and of objects that have high intraclass/interclass variations. However, to
92.42% of recall rates. These results meant that the method was able to ensure powerful performance of CNN, numerous training data needs to
differentiate the nearest one from multiple dump trucks within the ef- be collected and labeled: very human-intensive. Thus, more cost and
fective distance. As a result, ‘working’ and ‘idling’ of dump trucks were time effective approaches such as crowdsourcing labeling technique
classified even though the criteria of co-existence, proximity and action [68] need to be investigated. Last, in case of occlusions, the developed
consistency were all met. method inevitably missed target equipment and had difficulty to con-
Despite the promising performance of the developed approach, tinuously identify operation types. When earthmoving equipment was
three cases of errors were inevitably observed. Fig. 12(a) illustrates the occluded in a short time, the post-processing could compensate the
first case: errors of interaction analysis. The dump truck took actions of missed information by considering work continuity. For instance, even
‘stopping’ and the excavator was ‘scooping’ the soil, which meant that though ‘working’ excavators were missed for 2 s, the post-processing
both the co-existence and action consistency were met. Besides, their reasonably interpreted this short-term occlusion as ‘working’ time.
proximity was lower than the threshold value of effective distance. In However, the post-processing was insufficient to handle the long-term
this case, the framework determined they were ‘working’ with inter- occlusions. When equipment disappeared for longer than the post-
action. In the figure, however, the excavator was preparing to load soil processing interval (5 s), it was difficult to classify types of equipment
to another dump truck, not with the tracked dump truck in the frame operations. Although the previous studies made efforts to effectively
that was already filled with soil. These possible side effects can be re- handle such occlusions [6,9,61], they primarily focused on detection
duced by considering the maximum soil filling durations; for instance, and tracking of construction equipment, rather than activity identifi-
the duration of excavator-to-dump truck interactions cannot be longer cation. The advanced reasoning processes (e.g., processes integrated
than 5 min per each arrival. Second, activity identification errors oc- with GPS) should be further studied to identify operation types con-
casionally occurred when tracking results did not yield statistically tinuously in case of occlusions.
significant. Outliers or noise bounding boxes of the target objects re-
sulted in both abrupt changes of centroids; as a result, some ‘moving’ 6. Conclusions
actions were classified as ‘non-moving’. Image differencing was also
affected as previously discussed; bounding boxes were not able to fully This research developed the vision-based activity identification
cover all parts of excavators (e.g., bucket, arm, and main body) framework that focused on the interactive operations between ex-
(Fig. 12(b)). Then, the shape changes of excavators were not detected cavators and dump trucks. This additional consideration had significant
during ‘scooping/rotating/dropping’. In this case, the dump truck was impacts on both identification credential and the level of information
306
details. The framework consisted of four main modules: equipment [3] J. Seo, S. Han, S. Lee, H. Kim, Computer vision techniques for construction safety
tracking, action recognition of individual equipment, interaction ana- and health monitoring, Autom. Constr. 29 (2015) 239–251, http://dx.doi.org/10.
1016/j.aei.2015.02.001.
lysis, and post-processing. The experimental results (approximately [4] J. Teizer, P.A. Vela, Personnel tracking on construction sites using video cameras,
91.27% of precisions and 92.42% of recall rates) supported not only the Adv. Eng. Inform. 23 (2009) 452–462, http://dx.doi.org/10.1016/j.aei.2009.06.
feasibility of the proposed method but also the statistical significance of 011.
[5] M. Golparvar-Fard, A. Heydarian, J.C. Niebles, Vision-based action recognition of
the interaction analysis. Based on the experimental results with and earthmoving equipment using spatio-temporal features and support vector machine
without the interaction analysis, the precisions and recall rates were classifiers, Adv. Eng. Inform. 27 (2013) 652–663, http://dx.doi.org/10.1016/j.aei.
increased by 5.59% → 16%, 17.70% → 18% respectively when inter- 2013.09.001.
[6] M.-W. Park, I. Brilakis, Continuous localization of construction workers via in-
active operations were integrated. The present study made contribu- tegration of detection and tracking, Autom. Constr. 72 (2016) 129–142, http://dx.
tions to the existing technology field and construction management. doi.org/10.1016/j.autcon.2016.08.039.
First, it identified the critical elements of interactive operations (i.e., co- [7] M.-W. Park, A. Makhmalbaf, I. Brilakis, Comparative study of vision tracking
methods for tracking of construction site resources, Autom. Constr. 20 (2011)
existence, proximity, and action consistency). Second, it then char-
905–915, http://dx.doi.org/10.1016/j.autcon.2011.03.007.
acterized the technical framework in order to detect, classify, and [8] F. Pena-Mora, S. Han, S. Lee, M. Park, Strategic-Operational Construction
analyze the notable features from 2D video streams. Third, the frame- Management: Hybrid System Dynamics and Discrete Event Approach, J. Constr.
work classified activity types enabled to measure performance in- Eng. Manag. 134 (9) (2008) 701–710, http://dx.doi.org/10.1061/(ASCE)0733-
9364(2008)134:9(701).
dicators (e.g., direct work rate and cycle durations) of heavy equip- [9] Z. Zhu, X. Ren, Z. Chen, Visual Tracking of Construction Jobsites Workforce and
ment. Last, it developed the framework that can enhance the Equipment with Particle Filtering, J. Comput. Civ. Eng. 04016023 (2016), http://
practicality of the automated activity identification on actual earth- dx.doi.org/10.1061/(ASCE)CP.1943-5487.0000573.
[10] E.R. Azar, S. Dickinson, B. McCabe, Server-Customer Interaction Tracker: Computer
moving sites. Vision-Based System to Estimate Dirt-Loading Cycles, J. Constr. Eng. Manag. 139
When considering on-site applications of these findings, however, (7) (2013) 785–794, http://dx.doi.org/10.1061/(ASCE)CO.1943-7862.0000652.
subtle limitations still remain to exist. For instance, the CNN-based [11] I. Brilakis, M.-W. Park, G. Jog, Automated vision tracking of project related entities,
Adv. Eng. Inform. 25 (2011) 713–724, http://dx.doi.org/10.1016/j.aei.2011.01.
tracker is expected to remarkably upgrade tracking performance and it 003.
can also promote the quality of action recognition of individual [12] J. Gong, C.H. Caldas, An object recognition, tracking, and contextual reasoning-
equipment. For module 2, using 3D information instead of 2D enables based video interpretation method for rapid productivity analysis of construction
operations, Autom. Constr. 20 (2011) 1211–1226, http://dx.doi.org/10.1016/j.
one to handle omni-directional movements of equipment. With the 3D autcon.2011.05.005.
global locations, the proximity condition in the excavator-to-dump [13] J.-W. Park, K. Kim, Y.K. Cho, Framework of Automated Construction-Safety
truck interaction analysis (module 3) can become robust to viewpoint Monitoring Using Cloud-Enabled BIM and BLE Mobile Tracking Sensors, J. Constr.
Eng. Manag. 05016019 (2016), http://dx.doi.org/10.1061/(ASCE)CO.1943-7862.
variations. To compensate the intrinsic shortcoming of vision-based
0001223.
monitoring, integration with the radio-based methods is also a neces- [14] T. Omar, M.L. Nehdi, Data acquisition technologies for construction progress
sary future research topic. Especially for analyzing dump trucks' op- tracking, Autom. Constr. 70 (2016) 143–155, http://dx.doi.org/10.1016/j.autcon.
erations, GPS can compensate activity identification performance since 2016.06.016.
[15] C. Zhang, A. Hammad, S. Rodriguez, Crane Pose Estimation Using UWB Real-Time
dump trucks generally travel out of earthmoving sites as well as cam- Location System, J. Comput. Civ. Eng. 26 (5) (2012) 625–637, http://dx.doi.org/
era's field of view. Besides, brightness is a crucial variable to vision- 10.1061/(ASCE)CP.1943-5487.0000172.
based analysis. It is required to customize vision-based systems to night- [16] E.R. Azar, B. McCabe, Part based model and spatial-temporal reasoning to recognize
hydraulic excavators in construction images and videos, Autom. Constr. 24 (2012)
time environments (e.g., darkness) for extending the applicability al- 194–202, http://dx.doi.org/10.1016/j.autcon.2012.03.003.
though construction operations usually performed during the daytime. [17] S. Chi, C.H. Caldas, Automated Object Identification Using Optical Video Cameras
Apart from those technical advancements, the future research also on Construction Sites, Computer-Aided Civil and Infrastructure Engineering 26
(2011) 368–380, http://dx.doi.org/10.1111/j.1467-8667.2010.00690.x.
thoroughly considers and examines on the practical applicability to [18] S. Chi, C.H. Caldas, Image-Based Safety Assessment: Automated Spatial Safety Risk
actual construction sites. Using the work amount and time-log data Identification of Earthmoving and Surface Mining Activities, J. Constr. Eng. Manag.
(e.g., ‘working’, ‘idling’, and ‘traveling’) provided by this research, 138 (3) (2012) 341–351, http://dx.doi.org/10.1061/(ASCE)CO.1943-7862.
0000438.
equipment productivity and operational efficiency can be automatically
[19] S. Chi, C.H. Caldas, D.Y. Kim, A Methodology for Object Identification and Tracking
analyzed with the further integration of operating conditions such as in Construction Based on Spatial Modeling and Image Matching Techniques,
soil type, soil volume, driver's skill, and equipment specification. Based Computer-Aided Civil and Infrastructure Engineering 24 (2009) 199–211, http://
dx.doi.org/10.1111/j.1467-8667.2008.00580.x.
on such information, site managers can make proper decisions on
[20] H. Kim, K. Kim, H. Kim, Vision-Based Object-Centric Safety Assessment Using Fuzzy
equipment allocation. With further achievement, it is expected that the Inference: Monitoring Struck-By-Accidents with Moving Objects, J. Comput. Civ.
automated activity identification can be realized for productivity ana- Eng. 30 (4) (2016) 04015075, , http://dx.doi.org/10.1061/(ASCE)CP.1943-5487.
lysis of earthmoving operations. 0000562.
[21] M.-W. Park, I. Brilakis, Construction worker detection in video frames for in-
itializing vision trackers, Autom. Constr. 28 (2012) 15–25, http://dx.doi.org/10.
Acknowledgements 1016/j.autcon.2012.06.001.
[22] C. Yuan, S. Li, H. Cai, Vision-Based Excavator Detection and Tracking Using Hybrid
Kinematic Shapes and Key Nodes, J. Comput. Civ. Eng. 31 (1) (2017) 04016038, ,
This research was supported by a grant (14SCIP-B079691-01) from http://dx.doi.org/10.1061/(ASCE)CP.1943-5487.0000602.
the Smart Civil Infrastructure Research Program and a grant (16CTAP- [23] M. Memarzadeh, M. Golparvar-Fard, J.C. Niebles, Automated 2D detection of
C114956-01) from the Technology Advancement Research Program, construction equipment and workers from site video streams using histograms of
oriented gradients and colors, Autom. Constr. 32 (2013) 24–37, http://dx.doi.org/
funded by Ministry of Land, Infrastructure and Transport (MOLIT) of 10.1016/j.autcon.2012.12.002.
the Korean Government and the Korea Agency for Infrastructure [24] Korea Construction Technology Promotion Act, Enforcement decree article 98 and
Technology Advancement (KAIA), and Seoul National University Big 99, statutes of the Republic of Korea, Republic of Korea 2016, Available at http://
www.law.go.kr/ , Accessed date: 10 December 2017.
Data Institute through the Data Science Research Project 2017.
[25] M. Bugler, G. Ogunmakin, P.A. Vela, A. Borrmann, J. Teizer, Fusion of
Photogrammetry and Video Analysis for Productivity Assessment of Earthwork
References Processes, Comput. Aided Civ. Inf. Eng. 32 (2017) 107–123, http://dx.doi.org/10.
1111/mice.12235.
[26] J. Fu, Logistics of earthmoving operations—simulation and optimization,
[1] J.S. Bohn, J. Teizer, Benefits of Barriers of Construction Project Monitoring Using Department of Transport Science, KTH, Stockholm, Sweden, 978-91-87353-05-5,
High-Resolution Automated Cameras, J. Constr. Eng. Manag. 136 (6) (2010) 2013.
632–640, http://dx.doi.org/10.1061/(ASCE)CO.1943-7862.0000164. [27] S. Han, Productivity analysis comparison of different types of earthmoving opera-
[2] T. Cheng, J. Teizer, G.C. Migliaccio, U.C. Gatti, Automated task-level activity tions by means of various productivity measurements, J. Asian Archit. Build. Eng. 9
analysis through fusion of real time location sensors and worker’s thoracic posture (1) (2010) 185–192, http://dx.doi.org/10.3130/jaabe.9.185.
data, Autom. Constr. 29 (2013) 24–39, http://dx.doi.org/10.1016/j.autcon.2012. [28] R. Bao, M.A. Sadeghi, M. Golparvar-Fard, Characterizing Construction Equipment
08.003. Activities in Long Video Sequence of Earthmoving Operations via Kinematic
307
Features, Construction Research Congress, 2016, pp. 849–858, , http://dx.doi.org/ [49] Y. Du, W. Wang, L. Wang, Hierarchical recurrent neural network for skeleton based
10.1061/9780784479827.086. action recognition, Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit.
[29] M. Marzouk, O. Moselhi, Simulation optimization for earthmoving operations using (2015) 1110–1118, http://dx.doi.org/10.1109/CVPR.2015.7298714.
genetic algorithms, Constr. Manag. Econ. 20 (6) (2002) 535–543, http://dx.doi. [50] D.F. Fouhey, V. Delaitre, A. Gupta, A.A. Efros, I. Laptev, J. Sivic, People watching:
org/10.1080/01446190210156064. human actions as a cure for single view geometry, Proceedings of the 12th
[30] M. Marzouk, O. Moselhi, Object-oriented Simulation Model for Earthmoving European Conference on Computer Vision, 2012, pp. 732–745, , http://dx.doi.org/
Operations, J. Constr. Eng. Manag. 129 (2) (2003) 173–181, http://dx.doi.org/10. 10.1007/978-3-642-33715-4_53.
1061/(ASCE)0733-9364(2003)129:2(173). [51] N. Ikizler, P. Duygulu, Human action recognition using distribution of oriented
[31] R.L. Peurifoy, C.J. Schexnayder, A. Shapira, R. Schimitt, Construction planning, rectangular patches, Proceedings of Conference on Human Motion: Understanding,
equipment, and methods, 8th edition, McGraw-Hill, New York, 978-0073401126, Modeling, Capture and Animation, 2007 978-3-540-75703-0, pp. 271–284.
2010. [52] B.X. Nie, C. Xiong, S.-C. Zhu, Joint Action Recognition and Pose Estimation From
[32] J. Yoon, J. Kim, J. Seo, S. Suh, Spatial factors affecting the loading efficiency of Video, Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. (2015)
excavators, Autom. Constr. 48 (2014) 97–106, http://dx.doi.org/10.1016/j.autcon. 1293–1301, http://dx.doi.org/10.1109/CVPR.2015.7298734.
2014.08.002. [53] B. Yao, L. Fei-Fei, Modeling mutual context of object and human pose in human-
[33] J. Zou, H. Kim, Using Hue, Saturation, and Value Color Space for Hydraulic object interaction activities, Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern
Excavator Idle Time Analysis, J. Comput. Civ. Eng. 21 (4) (2007) 238–246, http:// Recognit. (2010) 17–24, http://dx.doi.org/10.1109/CVPR.2010.5540235.
dx.doi.org/10.1061/(ASCE)0887-3801(2007)21:4(238). [54] H. Kuehne, A. Arslan, T. Serre, The language of acitons: recovering the syntax and
[34] R. Akhavian, A.H. Behzadan, Construction equipment activity recognition for si- semantics of goal-directed human activities, Proc. IEEE Comput. Soc. Conf. Comput.
mulation input modeling using mobile sensors and machine learning classifiers, Vis. Pattern Recognit. (2014) 780–787, http://dx.doi.org/10.1109/CVPR.2014.
Adv. Eng. Inform. 29 (4) (2015) 867–877, http://dx.doi.org/10.1016/j.aei.2015. 105.
03.001. [55] V.I. Morariu, L.S. Davis, Multi-agent event recognition in structured scenarios, Proc.
[35] A. Montaser, O. Moselhi, Truck + for earthmoving operations, J. Inf. Technol. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. (2011) 3289–3296, http://
Constr. 19 (2014) 412–433 http://www.itcon.org/paper/2014/25. dx.doi.org/10.1109/CVPR.2011.5995386.
[36] M. Marzouk, O. Moselhi, Multiobjective Optimization of Earthmoving Operations, [56] J. Gong, C.H. Caldas, Computer Vision-Based Video Interpretation Model for
J. Constr. Eng. Manag. 130 (1) (2004) 105–113, http://dx.doi.org/10.1061/(ASCE) Automated Productivity Analysis of Construction Operations, J. Comput. Civ. Eng.
0733-9364(2004)130:1(105). 24 (3) (2010) 252–263, http://dx.doi.org/10.1061/(ASCE)CP.1943-5487.0000027.
[37] F. Vahdatikhaki, A. Hammad, Framework for near real-time simulation of earth- [57] J. Yang, P. Vela, J. Teizer, Z. Shi, Vision-Based Tower Crane Tracking for
moving projects using location tracking technologies, Autom. Constr. 42 (2014) Understanding Construction Activity, J. Comput. Civ. Eng. 28 (1) (2014) 103–112,
50–67, http://dx.doi.org/10.1016/j.autcon.2014.02.018. http://dx.doi.org/10.1061/(ASCE)CP.1943-5487.0000242.
[38] M. Ibrahim, O. Moselhi, Automated productivity assessment of earthmoving op- [58] J. Gong, C.H. Caldas, C. Gordon, Learning and classifying actions of construction
erations, J. Inf. Technol. Constr. 19 (2014) 169–184 http://www.itcon.org/paper/ workers and equipment using Bag-of-Video-Feature-Words and Bayesian network
2014/9. models, Adv. Eng. Inform. 25 (2011) 771–782, http://dx.doi.org/10.1016/j.aei.
[39] K. El-Rayes, O. Moselhi, Resource-driven scheduling of repetitive activities, Constr. 2011.06.002.
Manag. Econ. 16 (4) (1998) 433–446, http://dx.doi.org/10.1080/ [59] Z. Kalal, K. Mikolajczyk, J. Matas, Tracking-Learning-Detection, IEEE Trans. Pattern
014461998372213. Anal. Mach. Intell. 34 (7) (2012) 1409–1422, http://dx.doi.org/10.1109/TPAMI.
[40] J.J. Shi, Activity-Based Construction (ABC) Modeling and Simulation Method, J. 2011.239.
Constr. Eng. Manag. 125 (5) (1999) 354–360, http://dx.doi.org/10.1061/(ASCE) [60] TLD Vision cooperation, Available at http://www.tldvision.com , Accessed date: 10
0733-9364(1999)125:5(354). December 2017.
[41] R. Akhavian, A.H. Behzadan, Knowledge-Based Simulation Modeling of [61] J. Kim, S. Chi, Adaptive Detector and Tracker on Construction Sites Using
Construction Fleet Operations Using Multimodal-Process Data Mining, J. Constr. Functional Integration and Online Learning, J. Comput. Civ. Eng. 041017026
Eng. Manag. 139 (11) (2013) 04014021, , http://dx.doi.org/10.1061/(ASCE)CO. (2017), http://dx.doi.org/10.1061/(ASCE)CP.1943-5487.0000677.
1943-7862.0000775. [62] N. Dalal, B. Triggs, Histograms of oriented gradients for human detection, Proc.
[42] G. Kannan, M. Vorster, Devleopment of an Experience Database for Truck Loading Comput. Vis. Pattern Recognit. (2005) 886–893, http://dx.doi.org/10.1109/CVPR.
Operations, J. Constr. Eng. Manag. 126 (3) (2000) 201–209, http://dx.doi.org/10. 2005.177.
1061/(ASCE)0733-9364(2000)126:3(201). [63] P. Dollar, Z. Tu, P. Perona, S. Belongie, Integral channel features, Proceedings of the
[43] K. Kim, K.J. Kim, Multi-agent-based simulation system for construction operations 20th British Machine Vision Conference, 2009, pp. 1–11, , http://dx.doi.org/10.
with congested flows, Autom. Constr. 19 (2010) 867–874, http://dx.doi.org/10. 5244/C.23.91.
1016/j.autcon.2010.05.005. [64] P.F. Felzenszwalb, R.B. Girshick, D. McAllester, D. Ramanan, Object detection with
[44] N. Pradhananga, J. Teizer, Cell-based construction site simulation model for discriminatively trained part based models, IEEE Trans. Pattern Anal. Mach. Intell.
earthmoving operations using real-time equipment location data, Vis. Eng. 3 (12) 32 (9) (2010) 1627–1645, http://dx.doi.org/10.1109/TPAMI.2009.167.
(2015) 1–16, http://dx.doi.org/10.1186/s40327-015-0025-3. [65] H. Kim, K. Kim, H. Kim, Data-driven scene parsing method for recognizing con-
[45] M. Vrigkas, C. Nikou, I.A. Kakadiaris, A Review of Human Activity Recognition struction site objects in the whole image, Autom. Constr. 71 (2016) 271–282,
Methods, Front. Robot. AI 2 (28) (2015) 1–28, http://dx.doi.org/10.3389/frobt. http://dx.doi.org/10.1016/j.autcon.2016.08.018.
2015.00028. [66] O. Dekel, From online to batch learning with cutoff-averaging, Proceedings of the
[46] A.A. Efros, A.C. Berg, G. Mori, J. Malik, Recognizing Action at a Distance, Proc. 21st International Conference on Neural Information Processing Systems, 2008 978-
IEEE Int. Conf. Comput. Vis. 2 (2003) 726–733, http://dx.doi.org/10.1109/ICCV. 1-6056-0-949-2, pp. 1769–1776.
2003.1238420. [67] S. Shalev-Shwartz, Online learning: Theory, algorithms, and applications (Ph.D.
[47] A. Fathi, G. Mori, Action recognition by learning mid-level motion features, Proc. thesis), Hebrew Univ., Jerusalem, 2007 Available at: https://www.cs.huji.ac.il/
IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. (2008) 1–8, http://dx.doi. ~shais/papers/ShalevThesis07.pdf , Accessed date: 10 December 2017.
org/10.1109/CVPR.2008.4587735. [68] K. Liu, M. Golparvar-Fard, Crowdsourcing construction activity analysis from job-
[48] Y. Wang, G. Mori, Hidden part models for human action recognition: probabilistic site Video Streams, J. Constr. Eng. Manag. 141 (11) (2015) 04015035, , http://dx.
versus max margin, IEEE Trans. Pattern Anal. Mach. Intell. 33 (2011) 1310–1323, doi.org/10.1061/(ASCE)CO.1943-7862.0001010.
http://dx.doi.org/10.1109/TPAMI.2010.214.
308
Identification of Invariant Average Weighted Haul Distance
to Simplify Earthmoving Simulation Modeling in Planning
Site Grading Operations
David Morley 1; Ming Lu, M.ASCE 2; and Simaan AbouRizk, M.ASCE 3
Downloaded from ascelibrary.org by New York University on 05/16/15. Copyright ASCE. For personal use only; all rights reserved.
Abstract: This research is intended to generate relevant and quantitative decision support based on limited data and information available in
the context of planning earthmoving operations at the site-grading design or early project planning stage. The researchers apply and extend
the concept of haul effort in a two-axis grid. This enables calculation of the average weighted haul distance, which is shown to be invariant by
conducting simulation experiments using a heuristic algorithm and making a quantitative comparison to the center of mass for a rigid body.
This research applies the discrete event simulation approach commonly used to model the handling of multiple earthmoving jobs in a grading
site, each job having a particular haul distance. The significant and unique contribution that has been made in this research is to substitute one
unique average weighted haul distance for multiple haul distances between numerous cut and fill cells in the site grid system as simulation
modeling input. When the same fleet is applied in both detailed and simplified simulation models, the question of validation concerns whether
the simplified model still maintains the accuracy of the detailed model. Using a simple test problem and a real-world case, the researchers
validate the proposed method and demonstrate the benefits of applying simulation for construction planning without incurring the previously
necessary and prohibitively high cost associated with constructing detailed simulation models. DOI: 10.1061/(ASCE)CO.1943-7862
.0000907. © 2014 American Society of Civil Engineers.
Author keywords: Earthmoving; Earthwork; Simulation; Estimation; Planning; Simulation models; Project planning and design.
Introduction 2002b, 2003b, 2004a; Cheng et al. 2011; Alshibani and Moselhi
2012) have all been applied to the earthmoving problem.
Throughout the years, numerous different methodologies have been In reality, heuristics are still predominantly used for decision
applied to provide decision support to earthmoving operations. support to practitioners working in the complicated, fast-moving
Queuing theory (Touran and Taher 1988), expert systems (Christian construction field. Heuristics are often given in the form of rules
and Xie 1996), deterministic models based on real-world data generalized from the common wisdom of domain experts, lending
(Gransberg 1996), neural networks (Shi 1999; Schabowicz and straightforward, experience-based guidance in problem solving.
Hola 2007), linear regression (Smith 1999), experience databases For example, when browsing handbooks from equipment manufac-
(Kannan and Vorster 2000), single objective optimization using turers or browsing classical textbooks, one is presented with the
genetic algorithms (Marzouk and Moselhi 2002a; Tam et al. 2007; rule of thumb that for best results, considering output and economy,
Limsiri 2011), single objective optimization using constraint-based the hauling unit should be selected in order to be filled in “four to
genetic algorithms (Marzouk and Moselhi 2003a), multiobjective six passes” of the excavator (Peurifoy and Oberlender 2004).
optimization (Marzouk and Moselhi 2004a), fuzzy logic (Marzouk Discrete-event simulation is a powerful method to imitate the
and Moselhi 2004b), spreadsheet applications (Eldin and Mayfield behavior of a real-world system over time by modeling repetitive
2005), multiple regression (Han et al. 2008), particle swarm opti- processes in which durations of operations are stochastic and many
mization (Zhang 2008), combined genetic algorithm and linear pro- resources interact (Law and Kelton 2000). Simulation keeps track
gramming optimization (Moselhi and Alshibani 2009), efficient of the changes of the state of a system occurring at discrete points of
frontier analysis (Alshibani and Moselhi 2012), match factor (Burt time and builds a logical model of a system for experimenting on a
and Caccetta 2007), heuristic methods (Karshenas 1989), expert computer (Pritsker 1986). The statistical data generated from the
systems (Kirmanli and Ercelebi 2009), and simulation (Shi and experiments provide modelers with insight into system’s resource
AbouRizk 1994; Smith et al. 1995; Hajjar and AbouRizk 1997; application, interactions, and constraints. The simulation method-
Martinez 1998; Shi and AbouRizk 1998; Marzouk and Moselhi ology of activity cycle diagrams (ACD) lends itself well to model-
ing construction operations. ACD-based construction simulation
1
M.Sc. Student, Dept. of Civil and Environmental Engineering, Univ. of tools have evolved from the original CYCLONE methodology
Alberta, Edmonton, AB, Canada T6G 2W2. E-mail: dmorley@ualberta.ca (Halpin 1977) to the programmable STROBOSCOPE (Martinez
2
Associate Professor, Dept. of Civil and Environmental Engineering, 1996). However, the use of simulation in construction practices
Univ. of Alberta, Edmonton, AB, Canada T6G 2W2 (corresponding has generally been random and sporadic, and numerous attempts
author). E-mail: mlu6@ualberta.ca to interest major construction companies in simulation as a produc-
3
Professor, Dept. of Civil and Environmental Engineering, Univ. of
tivity-enhancing means have proved unsuccessful (Halpin 1998).
Alberta, Edmonton, AB, Canada T6G 2W2. E-mail: abourizk@ualberta.ca
Note. This manuscript was submitted on June 21, 2013; approved on When reviewing past research, the popularity, success, and lon-
June 6, 2014; published online on July 7, 2014. Discussion period open gevity of using simulation to aid in the decision support process for
until December 7, 2014; separate discussions must be submitted for indi- earthmoving operations is obvious. This can be attributed to the fact
vidual papers. This paper is part of the Journal of Construction Engineer- that all other methods fail to consider uncertainty in the duration of
ing and Management, © ASCE, ISSN 0733-9364/04014057(11)/$25.00. activity times, and, thus, results obtained through use of simulation
© ASCE 04014057-1 J. Constr. Eng. Manage.
J. Constr. Eng. Manage. 2014.140.

have the most credibility in the real world (El-Moslmani et al. construction analysis. The proposed new approach is intended to
2002). As a result, simulation is clearly identified as a valuable tool augment the GPS survey technology with integrated analysis of
for analyzing repeated activities often experienced in earthmoving site design and method design, lending relevant decision support
operations (Kannan 2011). to construction engineers in constructability analysis and determi-
Simulation, however, can be limited by the fact that the output of nation of fleet selection, project execution planning, project dura-
the program depends on the quality of the input (Kannan et al. tion, or project cost.
2000). Most simulation programs use distributions of activity times The remainder of this paper starts with definitions of haul effort
taken from historical databases, which may not be reasonable to use and average weighted haul distance. Then, the researchers establish
when facing new scenarios. Recent advances in global positioning that average weighted haul distance can be taken invariant by mak-
system (GPS)-based equipment tracking technology have allowed ing a quantitative comparison to the center of mass for a rigid body
for near real-time inputs to be constructed (Alshibani and Moselhi and conducting simulation experiments using a heuristic algorithm.
2012), but this does not aid in extrapolating the simulation model to Next, the researchers validate the proposed method and demon-
other projects. As most simulation models for construction are only strate the benefits of applying simulation for construction planning
used once or twice, most simulation programs focus on breadth of using a simple test problem and a real-world case.
application rather than depth (Kannan et al. 2000). This can be

attributed to a lack of resources, both in time and expertise, in
the construction industry, and as a result, detailed macrolevel sim- Invariant Average Weighted Haul Distance
ulation (system level) models and certainly microlevel (individual
entity) simulation models are not often developed. Simple generic
Definition of Haul Effort
models may be developed and used for multiple projects; however,
they do not achieve the accuracy of their simulation counterparts. In The duration and resource requirements for earthwork operations
order to apply the advances in simulation optimization developed in depend primarily on two factors: the volume of material that needs
the academic world to the earthmoving industry, improvements are to be moved and the distance that the specific volume needs to be
needed to simplify the resource demands, both in time and exper- moved. The types of resources, scrapers versus trucks, for example,
tise, of current simulation practices, while maintaining accuracy. should be determined to be commensurate with the volume and
Kannan et al. (2000) defined meta-level simulation as “the model- the haul distance, while also considering factors such as road con-
ing of domain specific requirements through rules.” By establishing ditions, equipment conditions, and equipment capabilities. The two
rules, equivalently, joining inputs and outputs of the simulation factors, haul distance and volume, can be combined to create a
such as the load time and final payload, as in Kannan et al. single factor: haul effort (Son et al. 2005), which is commonly ex-
(1999), portions of the macrolevel simulation may not be required pressed in ton-kilometers, but is here defined as the volume moved
to be constructed in great detail, or can be omitted altogether, multiplied by the distance over which the volume is moved, shown
offering the possibility of simplification of the input modeling in Eq. (1)
required. X
m X
n
Given the complexities and constant changes in field operations, Heffort ¼ V ij Dij ð1Þ
the researchers identify one major bottleneck to adopting simula- i¼1 j¼1
tion modeling in the heavy and civil construction field: it is rare to
find personnel in this industry who possess both the simulation where H effort = total haul effort (meters to the fourth power);
knowledge and the field experience required, and who also have V ij = volume moved between the ith and jth cells (cubic meters);
sufficient time to implement simulation modeling as effective de- and Dij = distance between the ith and jth cells (meters).
cision support in the limited time period available for estimating Current industry practice is to ensure that, if possible, the volume
and planning earthmoving operations. This accounts for the re- moved on site is balanced, given a proposed ground surface and the
searchers’ observation that simulation is much desired but not often existing stripped ground surface, where the sum of the total cut
applied in the field. volume is equal to the sum of the total fill volume, in order to avoid
This research is intended to present a new meta-level rule to aid the cost associated with importing or exporting material. It should
in simulating earthmoving operations based on limited data and be clarified that under particular circumstances, a limited quantity
information available at the site-grading design or early project of net import or net export of earth material is required due to prac-
planning stage. The significant and unique contribution that has tical design elevation requirements. It should be noted that handling
been made in this research is the change from using multiple haul the net borrow or export material between the current site and the
distances as an input; instead, they are replaced with the derived external location is not considered in the proposed analysis of
average weighted haul distance. It is clearly shown that the average the haul effort and average haul distance. As such, in case of net
weighted haul distance can be used as a critical input to build a borrow, at the start of operations, the net borrow volume is assumed
simplified simulation model to substitute for a detailed simulation to be stockpiled in a particular cell in the site grid near the site ac-
model that considers specific earth-movement patterns, while still cess point. As far as the net export volume is concerned, at the end
producing outputs of comparable accuracy. This allows the benefits of operations the net export volume should be assumed to be stock-
of simulation to be achieved without incurring the long modeling piled in particular cells in the site grid. For the specific proposed
time and high application cost commonly associated with develop- ground surface overlaid against the specific existing stripped
ing a detailed simulation model. ground surface, the total volume to be moved on a balanced site
Additionally, GPS technologies are valuable tools for data is expressed as Eq. (2)
collection in earthmoving operations; however, this paper focuses
X
q X
p
on the planning and estimation stages of an earthmoving project. V¼ Ck ¼ Fl ð2Þ
Current practice generally collects original ground elevation data k¼1 l¼1
used for site-grading design by resorting to real-time kinematics
(RTK) GPS survey technology. This technology provides point co- where V = total volume to be moved (bank cubic meters);
ordinates on a site grid layout as input data for ensuing design and Ck = cut volume in cell k (bank cubic meters); and Fl = fill

Heuristic Algorithm for Determining the Haul Effort
Mass-haul curve
Distance = 1400m An earthwork contractor calls for a systematic, structured, and
practical approach to plan and grade a site instead of randomly
Volume
Distance = 2100m
Distance jumping from one cell to another in the site grid. To address this
Distance = 2500m concern and to produce a reasonable material movement plan, a
heuristic algorithm, inspired by the popular computer game Mine-
sweeper, is first proposed and later implemented in simulation ex-
periments on a test case. The algorithm applies a greedy approach
to choose the most appropriate fill cell destination for the material
Fig. 1. Mass-haul diagram excavated from a current cut cell, as per the balanced site-grading
design.
As input, the algorithm takes a volume matrix, created from a
volume in cell l (bank cubic meters). This allows the average proposed elevation matrix (P) and an existing elevation matrix (E)
weighted haul distance to be calculated as Eq. (3) calculated by Eq. (6), from Yi and Chelberg (1993)
Pm Pn G2
H V ij Dij V ði;jÞ ¼ f½Eði;jÞ þ Eðiþ1;jÞ þ Eði;jþ1Þ þ Eðiþ1;jþ1Þ
D ¼ effort ¼
i¼1 j¼1
ð3Þ 4
V V − ½Pði;jÞ þ Pðiþ1;jÞ þ Pði;jþ1Þ þ Pðiþ1;jþ1Þ g ð6Þ
and can be expressed as Eq. (4) where V ði;jÞ = volume (cubic meters) between P and E for cell (i, j);
G = size of the grid spacing (meters); Eði;jÞ = existing ground sur-
1Xmn face elevation at point (i, j); and Pði;jÞ = proposed ground surface
D¼ V D ð4Þ elevation at point (i, j). The algorithm selects a specified starting
V α¼1 α α
point, begins with searching the closest fill cell, and then identifies
the closest available cut cell(s) in relation to the given fill cell.
where D = average weighted haul distance (meters). Haul effort The distance between a fill cell and a cut cell is calculated as
has been long applied by construction practitioners when analyzing Eq. (7)
operations in linear earthworks, such as road construction (Peurifoy qffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi
and Oberlender 2004). On such linear earthwork operations, the D ¼ G ðxf − xc Þ2 þ ðyf − yc Þ2 ð7Þ
mass-haul diagram shown in Fig. 1 can be readily applied to
determine the total cut and fill volumes, the amount of earth moved
where G = size of the grid spacing (meters); xf = x-
and the average haul distance over which a certain amount of
coordinate of the fill cell; xc = x-coordinate of the cut cell; yf =
specific material travels.
y-coordinate of the fill cell; and yc = y-coordinate of the cut cell.
This is the approach used in this paper; however, where traveling
Comparison to the Center of Mass directly across the cell on site is not permissible, the distance
between a fill cell and a cut cell can also be calculated as the travel
For a system of particles, each with mass mi and position ri , the distance in both directions, as in Eq. (8), which is longer than the
coordinates R of the center of mass can be fixed by the following diagonal distance
Eq. (5):
D ¼ G½jxf − xc j þ jyf − yc j ð8Þ
1X n
R¼ mr ð5Þ
M i¼1 i i Note the formula can also be refined to calculate the distance
from the fill cell to the cut cell, when the hauling path must pass
through certain coordinates, or can even consider the grade and
M in Eq. (5) is the sum of the masses of all the particles. This equa- rolling resistance in the site space. If multiple cut cells are equidis-
tion has the same form as Eq. (4), which defines the average tant from the fill cell, the algorithm selects the cut cell with the least
weighted haul distance, D. For a rigid body, the center of mass number of conflicts. Primary conflicts are defined as the number of
is fixed (Taylor 2005), thus, R is constant, and, therefore, for a fill cells located directly beside the cut cell, and secondary conflicts
fixed, balanced site-grading plan, it can be inferred that D can are defined as the number of fill cells located directly diagonal to
be approximated as constant as well. Given a fixed, balanced site, the cut cell. If the volume of the cut cell is larger than the volume
the original ground elevation is known and the proposed design required by the fill cell, the volume of the fill cell is updated to zero
elevation has been set; thus, the specific cut/fill areas and a fixed and the volume of the cut cell is updated to the original volume
mass distribution can be calculated, which results in the zero net minus the volume moved to the fill cell. A new fill cell is then
import/export of material. Common practice in industry is to min- chosen, moving in a user-specified direction. If the volume of
imize importation/exportation of material, as the cost of over-the- the cut cell is smaller than the volume required by the fill cell,
road trucking of material can add a significant amount to the total the volume of the cut cell is updated to zero and the volume of
project cost. This inference is further corroborated through simu- the fill cell is updated to the original volume minus the volume
lation experiments on a test case, which is shown and discussed in moved into the cell. The next best cut cell is then chosen to fill
the ensuing sections. Therefore, application of a heuristic approach the cell, and the process repeats. At every step, the haul effort
that calculates only one specific material movement pattern is jus- for that movement is calculated and added to the total haul effort.
tified, because regardless of the selected starting point or particular The overview of the proposed heuristics is given in Fig. 2, with
cut-to-fill movement patterns among individual cells, the returned details for the Initialization & Preparation block, the Check Loop
average weighted haul distance remains constant. Logic block, the Selecting Current Cut Cell i, Fill Cell j block, and

Start
Select all fill cells, cut cells

as per current volume
Identify Nf as fill cells in “current fill set”

Identify Nc as cut cells in “current cut set”
Nc x Nf = 0 Yes Quit
No
Fig. 4. Flowchart for checking loop logic
Fig. 2. Heuristic algorithm overview flowchart
the Processing Cell Volumes Updating Volume & Haul Effort

Status block elaborated in Figs. 3–6, respectively.
Verification by Use of a Test Case
To illustrate and verify the relative stability of the average haul

distance and the simplified simulation modeling method being
proposed, a 700-m-by-600-m test case was chosen. Grid spacing
Start
Set up site grid
Get existing ground elevations (Survey)
Get Proposed Ground elevations (Design)
Get net elevation at each corner of a

Grid (Cut<0;Fill >0)
Takeoff Volume for each cell (Cut<0; Fill

>0; Zero no action)
Determine distances between cut & fill cells
Fig. 5. Flowchart for selecting cut cell and fill cell by proposed
Fig. 3. Initialization and preparation for earthworks processing heuristic algorithm

Fig. 7. 100 × 100 m grid system setup for the test case
cubic meters (bm3 ) by applying a shrinkage percentage of 5%,

per Eq. (9) (Peurifoy and Oberlender 2004)
C
B¼ S
ð9Þ
ð1 − 100 Þ
where S = percentage of shrinkage; B = volume of undisturbed soil

(bank cubic meters); and C = volume of compacted soil (compacted
cubic meters).
The previously described heuristic algorithm (Fig. 2) was then
executed and the following results returned. In Table 1, the column
Cut indicates the x, y location where the material is taken from, and
the column Fill indicates the x, y location where the material is
placed.
Fig. 6. Flowchart for processing selected cell i (cut) and cell j (fill)
The total volume to be moved is 402,942 bm3 , and the total haul
effort calculated is 166,894,964 bm4 . The average weighted haul
distance can then be determined as Eq. (10)
is 100 m by 100 m. In Fig. 7, elevations of the upper-left corner
point of each cell are given in the cell, with the top number denoting H effort ð166,894,964 bm4 Þ
D¼ ¼ ¼ 414 m ð10Þ
the existing ground, and the number in parentheses denoting the V ð402,942 bm3 Þ
proposed design. The bold number in each cell represents the
volume of earthwork associated with each cell, calculated using In site-grading practice, the grid width is generally set to suffi-
Eq. (6), with the negative sign denoting cut (measured in bank ciently represent the complexity of the existing ground profile and
cubic meters), and the positive sign denoting fill (measured in the site-grading design. In the case study, the site can be sufficiently
compacted cubic meters). Note the cut and fill volumes to be profiled using 100-m grid width; in each 100 × 100 m grid, the
moved on site are already balanced, resulting in the net zero volume earth material to be handled is assumed to concentrate on the center
of borrowed or exported on the site to of borrowed or exported of the grid in order to simplify the estimation of the haul distance
material on the site to be graded. between two relevant grids. In contrast with the center of mass
The cut volume is generally measured in bank cubic meters analysis, it is not practical to apply indefinitely small grids to
while the fill volume is measured in compacted bank cubic meters. map out the site area and determine the haul effort by integrating
To balance the cut volume against the fill volume, or to determine the earthworks. Thus, marginal variation on the resulting average
the net borrow or export volume, the different units of measure can haul distance reflecting the grid precision is unavoidable. To shed
be unified as bank cubic meters by factoring the shrinkage percent- light on the relative stability of the average haul distance, the
age of soil, per Eq. (9). Note the truck loading volume is generally researchers divide each 100 × 100 m cell into four 50 × 50 m sub-
measured in loose cubic meters; alternatively, the cut volume and cells. The volume of earth to be processed in each 100 × 100 m cell
the fill volume can also be converted into a loose measure of soil is also equally distributed in four subcells. The earthmoving oper-
volume (loose cubic meters). ations still follow the identical cut-fill cell combinations as previ-
When the calculated fill volumes were originally calculated ously determined for the current case using the 100 m grid width.
in compacted cubic meters, then they can be updated as bank Note, haul distances are determined by connecting the centers of

Table 1. Detailed Material Movements
Cut Fill
Volume Distance Effort
x y x y (bm3 ) (m) (bm4 )
3 1 1 1 17,496 200 3,499,286
3 2 1 1 893 224 199,636
3 2 1 2 5,999 200 1,199,794
4 2 1 2 22,337 300 6,701,211
4 1 1 2 268 316 84,850
4 3 1 3 10,808 300 3,242,310
4 1 1 3 28,855 361 10,403,638
5 4 1 4 9,299 400 3,719,456
5 3 1 4 24,428 412 10,072,046
4 1 1 4 5,269 424 2,235,536
5 2 1 4 12,303 447 5,501,863
5 2 1 5 24,505 500 12,252,710

6 5 1 5 6,115 500 3,057,285
6 4 1 5 24,269 510 12,374,933
6 3 1 5 10,756 539 5,792,536 Fig. 8. Histogram of haul effort for 100 simulation runs
5 1 2 1 1,210 300 362,895
5 1 2 2 10,530 316 3,329,989
5 1 2 3 19,956 361 7,195,350
6 3 2 4 29,692 412 12,242,503 The variation on the total haul effort, and, in turn, the average
5 1 2 4 2,374 424 1,007,224 weighted haul distance in 100 simulations falls well within the
5 1 2 5 14,967 500 7,483,635 range imposed by the precision limit of the inputted data, as shown
6 2 2 5 33,051 500 16,525,745 in Figs. 8 and 9. As the original ground surface is built using a
6 2 3 3 3,014 316 952,975 100-m grid, the maximum precision of any calculated distance
6 2 3 4 16,861 361 6,079,172 is 50 m. Hence, the variation on the average weighted haul dis-
6 2 3 5 1,178 424 499,745 tance based on simulation experiments is limited to the range (413,
6 1 3 5 32,872 500 16,435,900
450 m) (Fig. 9). Note the 414 m returned from executing the
6 1 4 4 3,497 361 1,260,789
6 1 4 5 21,633 447 9,674,701 proposed heuristic algorithm on 100-m grids falls in this range
6 1 5 5 8,506 412 3,507,250 and is close to the lower end. This further corroborates the follow-
ing facts: (1) the performance of the heuristic algorithm being pro-
posed is satisfactory by producing a shorter average haul distance;
two subcells involved. The total volume of earth processed and (2) the quantitative argument made earlier that the average
remains 402,941 bm3 . The total haul effort is determined as weighted haul distance for a balanced site grading plan, like the
165,805,946 bm4 , resulting in the weighted average haul distance center of mass for a rigid body, exhibits insignificant variation
of 411.5 m. Compared with the result obtained in the same case and can be taken as relatively stable or approximately invariant.
applying 100 m grid width, which is 413 m, a difference of
1.5 m (or 0.36 percent) is observed in the average haul distance. Fleet Selection
This marginal difference can be attributed to the use of different
travel distance values between cut and fill cells as a result of When estimating and planning earthmoving projects, various charts
subdividing the cells. The detailed haul distance and volume data are available to aid selection of the most appropriate equipment
along with haul effort calculation are given in the appendix. type for the hauling distance (Caterpillar Inc. 2011). After identi-
fying practical equipment configurations, it is necessary to consider
whether performing all on-site operations with one fleet, or
Variation of Average Weighted Haul Distance
In order to further corroborate the researchers’ analogy relating the
average weighted haul distance to the unchanging center of mass,
custom Monte-Carlo simulation code was written in MATLAB.
Note that in order to draw generic conclusions, the heuristic algo-
rithm described in the previous section is not applied to determine
the earthmoving patterns between cut and fill cells. The simula-
tion is implemented by following the same flowchart shown in
Figs. 2–6, except for one notable difference: the heuristic algorithm
for selecting current cut cell i and fill cell j before processing one
earthmoving job (as shown in Fig. 4) is not executed in the sim-
ulation; instead, the simulation program randomly chooses cut cells
and fill cells, and determines the haul effort of each material
movement.
The simulation was run for 100 runs and the following results
returned: (1) the mean, maximum, and minimum values for total
haul effort (in million bank meters to the fourth power) are
173.79, 181.231, and 166.743, respectively; and (2) the mean,
maximum, and minimum values for weighted average haul distance
Fig. 9. Average weighted haul distance for 100 simulation runs
(in meters) are 431, 450, and 413, respectively.

Table 2. Results of Detailed and Simplified Simulation Models
Detailed model Simplified model
Percent
Number of Mean Standard Mean Standard difference
trucks (h) deviation (h) deviation (%)
3 1,130.7 0.2 1,130.1 0.7 0.1
2 1,259.6 0.4 1,217.1 0.6 3.4
1 2,419.1 1.0 2,327.8 1.0 3.8
over 10 simulation runs was kept. The results are presented in

Table 2.
Due to the nature of earthmoving operations, a difference of less
than 4% on mean project duration is deemed insignificant. As such, it

can be concluded that the project durations provided by the
simplified model, using only the average weighted haul distance
Fig. 10. Haul distance histogram and the total cut volume as inputs, are, for all intents and purposes,
equivalent to the project durations resulting from the counterpart of a
detailed simulation model. The detailed simulation model, while
effective for this case, is not flexible to be adapted to a new scenario
breaking the project into separate subhauls with multiple fleets, is
by a construction engineer who is not versed in a particular coding
more cost-effective and time-efficient. This decision can be sup-
language or simulation tool. Additionally, as the size of the project
ported by examining Fig. 10.
increases (more movements), both the model building time and the
Fig. 10 is constructed by examining each specific movement of
simulation run time for the detailed simulation would increase
earth, which corresponds to a row in Table 1. The frequency of
substantially, whereas the simple model remains relatively constant.
occurrence for each distance reported simply counts the volume
The cost quickly outweighs the benefit, which partly accounts for
moved. For example, the first row of Table 1 indicates that
why it becomes impractical, expensive, and unrealistic to perform
17,496 m3 of material was moved over 200 m. The frequency
a detailed simulation in practice. Nonetheless, the simplified
of 200 m is thus 17,496. This is done for all the rows in Table 1,
simulation model based on determination of the average weighted
and the histogram is produced.
haul distance can overcome such practical hurdles in application time
In observing the histogram, it is clear that the average haul dis-
and cost, while still providing similar benefits.
tance for this scenario can be considered unimodal, or single
peaked. As a result, it is appropriate to estimate the project based
on employing one fleet to handle all field operations. This is not to Using One or More Fleets
say two or more fleets cannot be selected in order to shorten project
Had the original haul distance histogram exhibited a larger fre-
duration; however, both field supervision and project management
quency between 250 and 300 m in Fig. 9, the distribution would
efforts would increase substantially when multiple fleets are de-
become bimodal, or double peaked. In such a case, the project
ployed. This also potentially increases other indirect costs such
could be broken into two separate operations to handle different
as mobilization/demobilization and adds to the risk of incurring
haul distances, one for the smaller peak value, and the other for
much lower utilization of the chosen equipment. A single fleet
the larger peak value. One would separately calculate the average
of trucks and excavators has been identified as the equipment to
weighted haul distance for both operations. As such, the proposed
be used to perform the operations for the current test case.
method can then be applied to each operation independently in or-
der to simplify fleet matching. For example, it would be better to
Simulation of Project Duration use excavators and rigid haulers for the second peak, which has a
longer average haul distance, while employing dozers to directly
The test case is to be carried out using one 2-bm3 bucket excavator push the material for the first peak associated with a shorter average
with the mean, maximum, and minimum values for loading haul distance. In light of the large variance in haul distances, uti-
cycle time (in minutes) being 0.17, 0.30, and 0.40, respectively. lizing a single fleet solution would be either a compromise between
For 8-bm3 capacity trucks, the mean, maximum, and minimum the two haul-distance modes or ideal for one mode but unsuited
values for travel speed (in kilometers per hour) are 24, 43, and 48, for the other. In either case, the efficiency of the earthmoving
respectively. operations would likely suffer.
Three cases were considered: using one truck, using two trucks,
and using three trucks, all with one excavator. Two simulation mod-
els were developed: one detailed model considering all individual Real-World Case Study
material movements, as presented in Table 1, using custom code
written in MATLAB (MATLAB 7.14.0); the other simplified model To demonstrate the application of the proposed method, a real-
was developed in Simphony’s general purpose template (Simpho- world site-grading problem, located near Edmonton, Alberta, was
ny.NET 4.0.0.106), and factors in only the average weighted haul considered. The site size is approximately 400 m by 400 m.
distance of 414 m and the total volume to be moved, 402,942 bm3 . The original survey elevation points were exported from
Both models incorporate dumping time in the hauling time AutoCAD to Microsoft Excel and coordinate transform from global
distributions. easting, northing to the local site x, y was performed. From the
The detailed model implemented in MATLAB is too complex transformed survey data, MATLAB’s built-in griddata function
to be shown in a simple diagram. The code can be found in was used to create the existing ground surface profile. The cut
Appendix S1. For each case, the project duration in working hours and fill balancing analysis had produced the as-designed ground

Table 3. Simulation Results for 13 Excavator-Truck Fleet Matching the haul road design considered in the case study may be different
Scenarios from actual field operations.
Quantity of Type of Quantity of Duration Cost Instead of a comparison with the actual project duration as
Scenario excavators excavator trucks (h) ($) cross-validation, this research contrasts the simplified approach
1 2 320 4 258.2 381,050
based on invariant average haul distance against a detailed opera-
2 3 320 6 171.44 332,550 tions simulation approach commonly applied in earthmoving oper-
3 4 320 8 128.60 338,180 ations research. Both approaches apply the same discrete event
4 2 336 4 150.70 254,720 simulation methodology in order to model fleet operations on
5 3 336 6 100.46 252,690 the site to handle multiple earthmoving jobs, each having a particu-
6 4 336 8 75.34 232,410 lar haul distance. It is noteworthy that the significant and unique
7 5 336 10 60.28 256,530 difference of the simulation model resulting from the simplified
8 2 345 6 115.28 260,480 approach being proposed is that it substitutes one unique average
9 3 345 9 77.27 237,280 weighted haul distance for multiple haul distances between numer-
10 4 345 12 57.63 255,700
ous cut and fill cells in the site grid system as input. The same fleet
11 1 385 3 198.50 292,790

12 2 385 6 97.50 258,810
of equipment is applied to both. Thus, the question of validation
13 3 385 9 65.03 269,980 concerns whether the simplified model still maintains the accuracy
of the detailed model.
surface model, factoring in (1) grading requirements for effective Grid Spacing Design
drainage and erosion prevention (18 slopes were considered), and In order to cope with topological variation and complexity in earth-
(2) engineering constraints for positioning different geotechnical works engineering design, the large grid spacing (such as 100 m) is
structures at different locations on site (e.g., the floor slab eleva- insufficient and should be reduced (such as 5 × 5 m, or even
tion). Because the topology is more complex than the previous test 1 × 1 m). This can be readily automated by mainstream civil design
case, 5-m grid spacing was applied for earthworks design while software, which applies sophisticated interpolation algorithms.
50-m grid width was used for calculating earth volumes and deter- Small grid spacing also enhances design accuracy and quantity
mining the average haul distance. The total volume of earth moved takeoff accuracy.
(from cut to fill) is 81,632 bm3 . By applying the proposed ap- Nonetheless, it should be noted that proper design of grid spac-
proach, the average haul distance is determined as 192.29 m. ing depends on the particular application purpose. The proposed
Utilizing the average haul distance and the most likely research is intended to achieve cost-effectiveness and efficiency
cycle time data of relevant equipment found in the Caterpillar of construction operations in connection with materializing the
Performance Handbook Ed. 41 (Caterpillar Inc. 2011), simplified design. Considering the size and movement of heavy equipment
simulation models were rapidly built and executed. The possible commonly utilized in the field (e.g., a CAT 775 truck, of which
single-fleet provision scenarios were evaluated based on simulation the volume capacity is about 45.8 m3 , hauls the soil from a cut cell
results (Table 3). The best fleet for the present case is identified as to a fill cell), it is advisable to apply grid spacing no less than 50 m,
eight gravel trucks plus four CAT 336 excavators, which yields the in order to reasonably estimate the truck haul distance between two
lowest cost of $232,410 and project duration of 75.34 h. Next, the relevant cells.
project duration for the optimum fleet configuration was further If the site is complicated with sharp elevation changes, smaller
verified using a detailed simulation code written in MATLAB, grid spacing (e.g., 5 × 5 m) should be applied in order to design
which considered the exact grid-to-grid distances in order to deter- the earthworks. Nonetheless, it is advisable a design grid system
mine the travel distance and time of a truck in each earthmoving with a small grid spacing (e.g., 5 × 5 m) be replaced with a
job. The detailed simulation model was run for 10 runs, returning a construction grid system in which the grid spacing is much larger
mean duration of 74.68 h with a standard deviation of 0.0306 h. In (e.g., 50 × 50 m), while the volumes of materials in each cell of the
short, the project duration resulting from the simplified modeling design grid system are aggregated to obtain the volumes in each cell
approach based on the average haul distance (i.e., 75.34 h) closely of the construction grid system. This facilitates average haul dis-
matches that obtained from the detailed simulation model (74.68 h). tance analysis and efficient fleet operations design in a practical
fashion. The grid transform between two different systems can also
Model Validation be readily automated by mainstream civil design software. In short,
the proposed approach is also applicable to more complicated proj-
This research is intended to generate relevant and quantitative ects as long as suitable grid spacing is imposed for earthworks
decision support based on limited data and information available design and construction, respectively.
at the site-grading design or early project planning stage. Actual
ground survey and design data are generally available, providing
input information for determining the quantity of earthmoving Conclusions
work and fixing positions of sources (cut) and destinations (fill)
for earthmoving jobs. Nonetheless, many actual field factors are In reviewing past research, the popularity, success, and longevity of
not yet clearly known in this phase, for example, the actual fleet using simulation to aid in the decision support process for earth-
of heavy equipment available to the field, and the temporary haul moving operations is obvious. In order to apply the advances in
roads that will be actually laid out in the field. As for the fleet, as simulation optimization developed in the academic world to the
practiced in heavy civil estimating, the Caterpillar Performance earthmoving industry, improvements are needed to streamline re-
Handbook (Caterpillar Inc. 2011) in general provides reliable data source demands, both in time and expertise, of current simulation
for equipment capacity and cycle times. As for the haul roads, the practices, while maintaining accuracy. Given the complexities and
assumption made in this research is to take the centroid-to-centroid constant changes in field operations, the researchers identify one
straight-line distance between a cut cell and a fill cell as the haul major bottleneck to adopting simulation modeling in the heavy
distance for a particular earthmoving job. Thus, the fleet data and and civil construction field: it is rare to find personnel in this

industry who possess both simulation knowledge and the necessary Appendix (Continued.)
field experience, who also have sufficient time to implement Cut Fill
Volume Distance
simulation modeling as an effective decision support tool given
x y x y (bm3 ) (m) Effort (bm4 )
the limited time period available for estimating and planning earth-
moving operations. This accounts for the researchers’ observation 1 11 4 4 2,633 380.7887 1,002,616.5
that simulation is much desired but not often applied in the field. 1 11 5 5 753 360.5551 271,498.01
This paper presents a new meta-level rule to aid in simulating 1 11 5 6 753 320.1562 241,077.63
1 11 6 6 753 353.5534 266,225.7
earthmoving operations. It is clearly shown that the average
1 11 6 5 753 390.5125 294,055.9
weighted haul distance can be used as a critical input for building 1 11 7 6 2,241 390.5125 875,138.48
a simplified simulation model, in place of a detailed simulation 1 11 4 4 4,989 380.7887 1,899,754.6
model that considers specific earth-movement patterns, while still 2 12 7 6 1,974 390.5125 770,871.64
producing outputs of comparable accuracy. The average weighted 2 12 3 4 2,633 403.1129 1,061,396.2
haul distance is shown to be of the same form as the center of mass 2 12 9 7 5,408 430.1163 2,326,068.8
for a rigid set of particles, and was confirmed to be invariant for 2 12 8 6 4,215 424.2641 1,788,273
given existing and proposed ground elevations based on simulation 2 12 7 5 2,397 430.1163 1,030,988.7
experiments on a test case. Additionally, the average haul distance 2 11 7 5 1,818 390.5125 709,951.7
2 11 6 4 4,989 403.1129 2,011,130.2
can be used to provide decision support in determining whether
2 11 5 3 4,989 427.2002 2,131,301.7
to perform all earthwork operations with one fleet, or whether to 2 11 10 8 4,831 427.2002 2,063,804.1
divide the project into subhauls with multiple unique fleets. This 3 12 10 8 577 403.1129 232,596.14
allows the benefits of simulation to be achieved without incurring 3 12 10 7 4,437 430.1163 1,908,425.9
the long modeling time and high application cost associated with 3 12 9 6 8,512 424.2641 3,611,335.8
the construction of a detailed simulation model. 3 11 10 7 971 403.1129 391,422.61
GPS technology and real-time data collection are valuable tools 3 11 8 5 4,215 390.5125 1,646,010.1
for earthmoving operations. In the planning and estimation stages 3 11 7 4 8,017 403.1129 3,231,756
of an earthmoving project, current practice generally collects origi- 3 11 6 3 323 427.2002 137,985.66
nal ground elevation data used for site-grading design by utilizing 1 10 4 2 3,065 427.2002 1,309,368.6
1 10 1 2 4,597 400 1,838,800
the real-time kinematics GPS survey technology. This technology
1 10 2 2 4,597 403.1129 1,853,109.9
provides point coordinates on a site grid layout for ensuing design 2 10 3 2 4,086 403.1129 1,647,119.3
and construction analysis. The proposed new approach is intended 2 10 4 2 7,151 412.3106 2,948,432.8
to augment the GPS survey technology with integrated analysis of 2 10 5 2 1,022 427.2002 436,598.59
site design and method design, aiding construction engineers in 4 12 6 3 8,512 460.9772 3,923,838.1
constructability analysis and determination of fleet selection, 4 12 10 6 5,014 424.2641 2,127,260
project execution planning, project duration, or project cost. 4 11 8 4 8,017 403.1129 3,231,756
Use of the average weighted haul distance can be viewed as a 4 11 10 5 5,509 424.2641 2,337,270.8
step toward meta-modeling for earthmoving operations. As demon- 5 12 10 5 3,003 430.1163 1,291,639.1
strated in a test case and a real world case, the power of simulation 5 12 9 4 7,109 447.2136 3,179,241.5
5 11 9 4 4,896 403.1129 1,973,640.7
is more easily accessible and the proposed method allows for more
5 11 7 3 5,216 412.3106 2,150,611.9
rapid, straightforward applications, as the necessity for specific 1 9 5 2 7,593 403.1129 3,060,836.2
simulation knowledge and training becomes less of an obstacle 1 9 6 3 4,666 390.5125 1,822,131.2
to industry personnel. The cost of performing simulations is de- 2 9 5 2 1,301 380.7887 495,406.04
creased while the benefit it provides is largely maintained. Future 2 9 7 3 2,801 390.5125 1,093,825.5
research may focus on the identification of other invariant factors in 2 9 6 2 8,157 403.1129 3,288,191.8
other aspects of earthmoving and in other construction domains. 3 10 8 3 8,017 430.1163 3,448,242.1
3 10 6 2 1,185 427.2002 506,232.22
3 9 6 2 574 380.7887 218,572.69
3 9 9 4 8,628 390.5125 3,369,341.7
Appendix. Haul Effort Calculation Based on 50-m 4 10 9 4 3,377 390.5125 1,318,760.7
Grid on Testing Case 4 10 8 3 5,825 403.1129 2,348,132.6
4 9 10 4 9,202 390.5125 3,593,495.9
Cut Fill 6 12 10 4 910 447.2136 406,964.37
Volume Distance
6 12 8 3 3,377 460.9772 1,556,720.1
x y x y (bm3 ) (m) Effort (bm4 )
6 12 9 3 5,825 474.3416 2,763,040.1
1 12 1 4 302 400 120,800 6 11 9 3 6,180 427.2002 2,640,097.2
1 12 1 3 302 450 135,900 6 11 10 3 3,932 447.2136 1,758,443.9
1 12 9 10 2,127 412.3106 876,984.57 5 10 10 3 6,107 430.1163 2,626,720
1 12 9 9 2,127 427.2002 908,654.8 6 10 10 3 1,966 403.1129 792,519.94
1 12 10 10 2,127 460.9772 980,498.55 6 10 7 2 4,141 403.1129 1,669,290.5
1 12 10 9 2,127 474.3416 1,008,924.7 1 7 7 2 8,598 390.5125 3,357,626.3
1 12 7 8 874 360.5551 315,125.18 1 7 1 1 86 300 25,800
1 12 8 8 874 403.1129 352,320.66 1 8 2 1 4,597 353.5534 1,625,284.9
1 12 7 7 874 390.5125 341,307.91 1 8 3 1 4,001 364.0055 1,456,386
1 12 9 8 4,893 447.2136 2,188,216.1 2 8 3 1 3,150 353.5534 1,113,693.2
1 11 9 8 515 427.2002 220,008.1 2 8 4 1 5,448 364.0055 1,983,101.9
1 11 2 4 302 353.5534 106,773.12 2 7 4 1 703 316.2278 222,308.12
1 11 3 4 2,633 364.0055 958,426.47 2 7 5 1 2,184 335.4102 732,535.87
1 11 2 3 302 403.1129 121,740.09 1 6 5 1 1,021 320.1562 326,879.49

Appendix (Continued.) Eldin, N. N., and Mayfield, J. (2005). “Determination of most economical
Cut Fill scrapers fleet.” J. Constr. Eng. Manage., 10.1061/(ASCE)0733-9364
Volume Distance (2005)131:10(1109), 1109–1114.
x y x y (bm3 ) (m) Effort (bm4 ) Gransberg, D. D. (1996). “Optimizing haul unit size and number based on
1 6 6 1 1,353 353.5534 478,357.74 loading facility characteristics.” J. Constr. Eng. Manage., 10.1061/
3 8 6 1 5,584 380.7887 2,126,323.9 (ASCE)0733-9364(1996)122:3(248), 248–253.
4 8 6 1 2,979 364.0055 1,084,372.4 Hajjar, D., and AbouRizk, S. (1997). “AP2-Earth: A simulation based sys-
1 5 7 1 4,374 360.5551 1,577,068.1 tem for the estimating and planning of earth moving operations.” Proc.,
2 5 7 1 4,374 320.1562 1,400,363.3 29th Winter Simulation Conf., IEEE, Piscataway, NJ, 1103–1110.
2 6 7 1 4,077 353.5534 1,441,437.2 Halpin, D. W. (1977). “Cyclone method for modeling job site processes.” J.
2 6 8 1 297 390.5125 115,982.21 Constr. Div., 103(3), 489–499.
3 5 8 1 1,723 320.1562 551,629.15 Halpin, D. W. (1998). “Construction simulation: A status report.” Proc.,
4 5 8 1 1,723 282.8427 487,337.99 5th Canadian Constr. Research Forum, Univ. of Alberta and Alberta
4 6 8 1 1,723 320.1562 551,629.15 Construction Industry, Edmonton, AB, Canada, 33–41.
3 6 8 1 1,723 353.5534 609,172.49 Han, S., Hong, T., and Lee, S. (2008). “Production prediction of conven-
3 7 8 1 5,584 390.5125 2,180,621.7 tional and global positioning system-based earthmoving systems using
4 7 8 1 52 360.5551 18,748.867 simulation and multiple regression analysis.” Can. J. Civ. Eng., 35(6),
4 7 8 2 5,532 320.1562 1,771,104.2 574–587.
4 8 8 2 2,605 360.5551 939,246.11 Kannan, G. (2011). “Field studies in construction equipment economics
5 7 8 2 2,702 291.5476 787,761.6 and productivity.” J. Constr. Eng. Manage., 10.1061/(ASCE)CO
6 7 8 2 1,986 269.2582 534,746.87 .1943-7862.0000335, 823–828.
6 7 9 1 716 335.4102 240,153.7 Kannan, G., Schmitz, L., and Larsen, C. (2000). “An industry perspective
5 8 9 1 2,702 403.1129 1,089,211 on the role of equipment-based earthmoving simulation.” Proc., 32nd
6 8 9 1 2,702 380.7887 1,028,890.9 Winter Simulation Conf., IEEE, Piscataway, NJ, 1945–1952.
5 9 9 1 6,107 447.2136 2,731,133.4 Kannan, G., and Vorster, M. (2000). “Development of an experience data-
6 9 9 1 4,184 427.2002 1,787,405.6 base for truck loading operations.” J. Constr. Eng. Manage., 10.1061/
6 9 9 2 1,923 380.7887 732,256.58 (ASCE)0733-9364(2000)126:3(201), 201–209.
7 9 9 2 2,325 364.0055 846,312.77 Kannan, G., Vorster, M. C., and Martinez, J. C. (1999). “Developing the
8 9 9 2 2,325 353.5534 822,011.63 statistical parameters for simultaneous variation in final payload and
7 10 9 2 2,325 412.3106 958,622.06 total load time.” Proc., 31st Winter Simulation Conf., IEEE, Piscataway,
8 10 9 2 2,325 403.1129 937,237.46 NJ, 1016–1022.
7 11 9 2 5,188 460.9772 2,391,549.8 Karshenas, S. (1989). “Truck capacity selection for earthmoving.” J.
7 11 10 1 879 522.0153 458,851.47 Constr. Eng. Manage., 10.1061/(ASCE)0733-9364(1989)115:2(212),
8 11 10 1 6,067 509.902 3,093,575.1 212–227.
9 11 10 1 1,529 502.4938 768,312.99 Kirmanli, C., and Ercelebi, S. G. (2009). “An expert system for hydraulic
10 11 10 1 1,529 500 764,500 excavator and truck selection in surface mining.” J. S. Afr. I. Min. Met-
10 12 10 1 1,529 550 840,950 all., 109, 727–731.
9 12 10 1 1,529 552.2681 844,417.85 Law, A., and Kelton, D. (2000). Simulation modeling and analysis, 3rd Ed.,
8 12 10 1 3,349 559.017 1,872,147.9 McGraw-Hill, New York.
8 12 10 2 2,718 509.902 1,385,913.5 Limsiri, C. (2011). “Optimization of loader-hauler fleet selection.” Eur. J.
7 12 10 2 6,067 522.0153 3,167,067 Sci. Res., 56(2), 266–271.
7 12 10 2 7,626 522.0153 3,980,888.9 Martinez, J. (1998). “Earthmover-simulation tool for earthwork plan-
Sum ¼ 402,941 Sum ¼ 165,805,946 ning.” Proc., 30th Winter Simulation Conf., IEEE, Piscataway, NJ,
1263–1272.
Martinez, J. C. (1996). “Stroboscope: State and resource based simulation
of construction processes.” Ph.D. dissertation, Univ. of Michigan,
Supplemental Data Ann Arbor, MI.
Marzouk, M., and Moselhi, O. (2002a). “Simulation optimization for earth-
Appendix S1 is available online in the ASCE Library (http://www moving operations using genetic algorithms.” Constr. Manage. Econ.,
.ascelibrary.org). 20(6), 535–543.
Marzouk, M., and Moselhi, O. (2002b). “Bid preparation for earthmoving
operations.” Can. J. Civ. Eng., 29(3), 517–532.
References Marzouk, M., and Moselhi, O. (2003a). “Constraint-based genetic algo-
rithm for earthmoving fleet selection.” Can. J. Civ. Eng., 30(4),
Alshibani, A., and Moselhi, O. (2012). “Fleet selection for earthmoving 673–683.
projects using optimization-based simulation.” Can. J. Civ. Eng., Marzouk, M., and Moselhi, O. (2003b). “Object-oriented simulation model
39(6), 619–630. for earthmoving operations.” J. Constr. Eng. Manage., 10.1061/
Burt, C. N., and Caccetta, L. (2007). “Match factor for heterogeneous truck (ASCE)0733-9364(2003)129:2(173), 173–181.
and loader fleets.” Int. J. Mini. Reclam. Environ., 21(4), 262–270. Marzouk, M., and Moselhi, O. (2004a). “Multiobjective optimization of
Caterpillar Inc. (2011). Caterpillar performance handbook, 41st Ed., earthmoving operations.” J. Constr. Eng. Manage., 10.1061/(ASCE)
Peoria, IL. 0733-9364(2004)130:1(105), 105–113.
Cheng, F. F., Wang, Y. W., Ling, X. Z., and Bai, Y. (2011). “A Petri net Marzouk, M., and Moselhi, O. (2004b). “Fuzzy clustering model for esti-
simulation model for virtual construction of earthmoving operations.” mating haulers’ travel time.” J. Constr. Eng. Manage., 10.1061/(ASCE)
Autom. Constr., 20(2), 181–188. 0733-9364(2004)130:6(878), 878–886.
Christian, J., and Xie, T. X. (1996). “Improving earthmoving estimating by MATLAB 7.14.0 [Computer software]. Natick, MA, MathWorks.
more realistic knowledge.” Can. J. Civ. Eng., 23(1), 250–259. Moselhi, O., and Alshibani, A. (2009). “Optimization of earthmoving op-
El-Moslmani, K., Alkass, S., and Al-Hussein, M. (2002). “A computer erations in heavy civil engineering projects.” J. Constr. Eng. Manage.,
module for multi-loaders-multi-trucks fleet selection for earthmoving 10.1061/(ASCE)0733-9364(2009)135:10(948), 948–954.
projects.” Proc., Canadian Society for Civil Engineering Annual Conf., Peurifoy, R. L., and Oberlender, G. D. (2004). “Earthwork and excavation.”
GE-107, Montréal. Estimating construction costs, 5th Ed., McGraw-Hill, New York.

Pritsker, A. (1986). Introduction to simulation and SLAM II, Wiley, Smith, S. D., Osborne, J. R., and Forde, M. C. (1995). “Analysis of
New York. earth-moving systems using discrete-event simulation.” J. Constr. Eng.
Schabowicz, K., and Hola, B. (2007). “Mathematical-neural model for Manage., 10.1061/(ASCE)0733-9364(1995)121:4(388), 388–396.
assessing productivity of earthmoving machinery.” J. Civ. Eng. Man- Son, J., Mattila, K. G., and Myers, D. S. (2005). “Determination of haul
age., 13(1), 47–54. distance and direction in mass excavation.” J. Constr. Eng. Manage.,
Shi, J., and AbouRizk, S. M. (1994). “A resource based simulation 10.1061/(ASCE)0733-9364(2005)131:3(302), 302–309.
approach with application in earthmoving/strip mining.” Proc., 26th Tam, C. M., Tong, T. K. L., and Wong, B. W. L. (2007). “An integrated
Winter Simulation Conf., IEEE, Piscataway, NJ, 1124–1129. system for earthmoving planning.” Constr. Manage. Econ., 25(11),
1127–1137.
Shi, J., and AbouRizk, S. S. (1998). “An automated modeling system for
Taylor, J. R. (2005). “Rotational motion of rigid bodies.” Classical
simulating earthmoving operations.” Comput. Aided Civ. Infrastruct.
mechanics, Univ. Sciences Books, Sausalito, CA, 367–372.
Eng., 13(2), 121–130.
Touran, A., and Taher, K. A. H. (1988). “Optimum fleet size deter-
Shi, J. J. (1999). “A neural network based system for predicting earthmov- mination by queuing and simulation.” Constr. Manage. Econ., 6(4),
ing production.” Constr. Manage. Econ., 17(4), 463–471. 295–306.
Simphony.NET 4.0.0.106 [Computer software]. Edmonton, AB, Univ. of Yi, J., and Chelberg, D. (1993). “An efficient method for computing volume
Alberta. and surface area over grid sampled surfaces.” ECE Technical Rep., Pur-
Smith, S. D. (1999). “Earthmoving productivity estimation using linear due e-Pubs, Lafayette, IN, 225.
regression techniques.” J. Constr. Eng. Manage., 10.1061/(ASCE) Zhang, H. (2008). “Multi-objective simulation-optimization for earth-
0733-9364(1999)125:3(133), 133–141. moving operations.” Autom. Constr., 18(1), 79–86.

Dr. Ir. Alberty Eddy Husin, MT.
Metode & Peralatan Konstruksi Lanjut
TRUCKS
&
HAULING EQUIPMENT
(LOW RISE BUILDING)
KELOMPOK 3 :
Indriani Eka Widiastuti (55719010004)
Nella Kusumaningtiyas (55719010008)
Kartika Sri Rahayu (55719010009)
Outline Point
01 Low-Rise Building
02 EARTH MOVING
03 TRUCKS
04 Finishing Hauling
05 Hasil Review
2 06 Kesimpulan
Low Rise
Building
Definition
A low-rise building is an enclosed structure
whose architectural height is below 35
meters, and which is divided at regular
intervals into occupiable levels.
(Sumber : ESN 49213)
Jenis Low Rise Buildings
The use of buildings can be broadly divided into five areas
Residential - houses and apartments’

Commercial - shops and offices
Industrial - warehouses and factories
Agricultural - farm buildings
Community - schools and sport centres
Pekerjaan Low-Rise Building
Pada Proyek Low-Rise Building terdiri dari
beberapa item pekerjaan pengangkatan material
yang memerlukan alat berat dozer dan scraper,
antara lain:
1. Pembersihan permukaan tanah
2. Penggalian pondasi
3. Pemotongan tanah yang keras
4. Pemindahan dan pengangkutan material
5. Alat pemadat tanah
EARTH
MOVING
Earthmoving
merupakan proses
atau metode Earth
pemindahan material Moving
berupa tanah atau
batu dari 1 loksasi ke
lokasi lainnya.
Sub dari EarthMoving
•  Excavating ( pengerukan tanah )

•  Loading (Trucks)
•  Hauling
•  Placing (dumping and spreading)
•  Compacting
•  Grading dan finishing

TRUCKS
Truk adalah unit pengangkutan yang
menyediakan biaya pengangkutan
yang relatif rendah karena kecepatan
perjalanannya yang tinggi.
Truk adalah unit pengangkutan yang

memberikan relativitas biaya
TRUCKS
pengangkutan rendah.
Truk adalah kendaraan angkutan jalan raya
dengan spesifikasi tertentu yang
dipergunakan untuk mengangkut barang
dalam ukuran besar dan berat.
(Sumber : ASCE 2014)

Classification of Trucks
n  Method of dumping the load
q  Rear-dump
q  Bottom-dump
q  Side-dump
q  Articulated dump truck
n  Capacity
q  Gravimetric: carried load expressed as weight in tons
q  Volumetric/struck volume: carried load expressed as
volumetric amount in cubic meter/cubic yard
Method of dumping the load
Type of Dump Truck 5

n  Bottom Dump Truck
n  Dump Trucks
1
(Sumber : ASCE 2014) 4
n  Articulated Truck
n  Side Dump Truck
1
Volvo Truck Family
1
When it comes to
perfomance
SIZE DOES MATTER
n  Empty 200 tons

Loaded 500 tons (211 M3)
n  930E Komatsu n 
9
Kapasitas Trucks And Hauling
Tiga metode menilai kapasitas truk:
•  Gravimetri: beban yang akan ditanggungnya,

dinyatakan sebagai beban.
•  Volume yang terjebak: jumlah volumetrik yang akan

dibawa, jika bebannya adalah level air dalam tubuh.
•  Volume yang ditumpuk: jumlah volumetrik yang akan

dibawanya, jika bebannya ditumpuk pada kemiringan
2: 1 di atas tubuh.
UKURAN TRUCK MEMPENGARUHI PRODUKTIVITAS
Truck kecil
Keuntungan:
•  Memanfaatkan fleksibilitas, yang mungkin bermanfaat di tempat kerja yang
dibatasi.
•  Kecepatan, dapat mencapai kecepatan angkut yang lebih tinggi dan kembali
•  Produksi, dampak kecil jika satu truk mogok
•  Neraca armada, jumlah truk yang mudah dicocokkan dengan produksi
excavator
Kerugian :
•  Jumlahnya, lebih banyak truk meningkatkan bahaya operasional di pit, di
sepanjang jalan angkut dan di tempat pembuangan.
•  Diperlukan lebih banyak driver, lebih dibutuhkan untuk output yang diberikan.
•  Kendala pemuatan, target kecil untuk bucket excavator.
•  Waktu penentuan posisi, total waktu bercak lebih besar karena jumlah yang
diperlukan.
UKURAN TRUCK MEMPENGARUHI PRODUKTIVITAS
Truck Besar
Keuntungan:
•  Jumlah, lebih sedikit yang dibutuhkan untuk output yang diberikan.
•  Driver diperlukan, lebih sedikit dibutuhkan untuk output yang diberikan.
•  Keuntungan pemuatan, target yang lebih besar untuk bucket excavator.
•  Waktu pemosisian, frekuensi truk penarik berkurang.
Kerugian :
•  Biaya waktu truk saat pemuatan lebih besar, terutama dengan excavator
kecil.
•  Beban lebih berat, kemungkinan kerusakan pada jalan angkut sehingga
meningkatkan biaya pemeliharaan jalan angkut.
•  Saldo armada, sulit untuk mencocokkan no. truk untuk produksi
excavator.
•  Ukuran, mungkin tidak diizinkan untuk diangkut di jalan TOL.
Truck Production Estimation
1)  Number of bucket load:- 5) Dump Time:-
Balanced number of bucket load = Truck *Type of hauling unit
capacity/bucket capacity *Congestion in the dump area
2)  Load time and Truck load volume:- 6) Truck cycle time
3)  Haul time = haul distance 7) Number of trucks required:-

=Truck cycle time
haul speed
Excavator cycle
4) Return time:-
time
Return Time = Return distance
Haul speed
Truck Production Estimation
8) Production:-
= truck load*no of trucks*60min*Efficiency
Truck cycle time
Production Issues:-
1) Reach of the excavator
2) Dumping height of the bucket
3) Width of the bucket
Trucks Safety
•  Conduct penilaian bahaya pekerjaan setiap hari,
dan memastikan operator dan pengemudi
mengetahui bahaya.
•  Pastikan tanggul dibangun dengan memadai.
•  Operator harus mengikuti semua sinyal operasi.
•  Gunakan spotter saat mendukung dengan blind
spot.
•  Harus jauh dari jalur perjalanan kendaraan.
•  Memakai pakaian keamanan visibilitas tinggi.
HAULING
EQUIPMENT
Hauling merupakan transportasi atau
pemindahan material baik on atau off
road dengan jarak tempuh tertentu.
Aktivitas Hauling dilakukan dengan
menggunakan media transportasi berupa
truck untuk mengangkut material ke
lokasi tujuan. Hauling
Hauling adalah proses pengangkutan
batuan yang telah dimuat menggunakan
truk, kemudian batu diangkut menuju
mesin crushing atau jaw untuk masuk
kedalam tahap processing.

Faktor yang Mempengaruhi Produktivitas Hauling
•  Karakteristik tanah yang dipindahkan.

•  Payload (rasio volume dengan berat) dalam kondisi
dump truck kosong atau isi.
•  Jarak tempuh jalan (hauling – return).
•  Efisiensi peralatan dalam 1 jam.
•  Efisiensi kondisi pekerjaan.
•  Rasio bobot dari material yang diangkut dengan
produktivitas
ALAT YANG
DIGUNAKAN
UNTUK
HAULING
Dump Truck
Dump Truck adalah alat berat yang
berfungsi untuk mengangku atau
memindahkan material pada jarak
menengah sampai jarak jauh
(> 500m).
Dump Truck dirancang khusus
untuk jalan tambang, alat angkut ini
digunakan untuk mengangkut :
tanah, endapan bijih, batuan, pasir.
Dump Truck
Cara Kerja
End Dump Bottom Dump Side Dump
BUANG MUATAN BUANG MUATAN BUANG MUATAN

KE BELAKANG KE BAWAH KESAMPING

Kelebihan & Kekurangan DUMP TRUCK
Kelebihan Kekurangan
1.  Mudah dalam loading 1.  Faktor Cuaca
dan unloading 2.  Trayek berpindah-pindah
2.  Trayek Pendek 3.  Muatan Berat
3.  Tidak banyak biaya 4.  Jam Operasional dibatasi
di jalan
5.  Biaya perawatan
bertambah

Dump Truck
Bagian - Bagian

Power Scrapper
Scraper adalah alat berat yang
berfungsi untuk mengeruk,
mengangkut, dan menabur tanah
hasil pengerukan secara berlapis.
Scraper dapat digunakan sebagai
alat pengangkutan untuk jarak
yang relatif jauh (±2000 m) pada
tanah datar dengan alat
penggerak roda ban.

Power Scrapper
Cara Kerja
1.  Pengerukan
Pengerukan/pemuatan dilakukan disaat bersamaan. Apron scraper terbuka saat
pengerukan,
sementara bagian bowl berguna untuk mengeruk permukaan tanah yang dilewati.
2.  Pengangkutan
Saat bowl penuh maka apron akan tertutup lalu bagian bowl akan diangkat
sedikit dan menjutempat pembongkaran
3.  Pembongkaran
Pembongkaran material pada scrapper dilakukan dengan menyepar secara
bertahap. Pada saat pembongkaran , bagian apron dibuka tutup berkali-kali
sampai bagian depan bowl kosong.
Setelah itu, bagian ejector akan mendorong sisi material yang ada di belakang
bowl
Power Scrapper
Kelebihan & Kekurangan
Kelebihan
1.  Mengangkut “heavy load”
2.  Berputar pada radius kecil
3.  Menyebarkan material secara merata tanpa memerlukan
alat lain
4.  Ekonomis pada pekerjaan pembukaan lahan
Kekurangan
1. Kecepatan geraknya lamban
Power Scrapper
Bagian - Bagian

Underground Truck
Underground Truck merupakan

salah satu jenis alat angkut yang
digunakan untuk mengangkut
material tambang pada tambang
bawah tanah.
Jenis dan mekanisme kerja hampir

sama dengan truk tambang terbuka
tapi dalam bentuk yang lebih kecil
karena disesuaikan dengan daerah
operasinya.

Underground Truck
Kelebihan & Kekurangan
Kelebihan
1.  Jarak angkut bias mencapai 2 km
2.  Fleksibel dalam menambah alat tanpa mengganggu produksi
3.  Kecepatan relative tinggi
Kekurangan
1.  Kondisi jalan harus baik dan tidak licin
2.  Jumlah operator banyak
3.  Ventialasi harus baik
4.  Jalan harus lebar dan tidak boleh menyudut
Underground Truck
Bagian - Bagian

Proses Loading and Hauling Cycle
hauling
spreading
Loading
Cycle
excavation
loading Hauling and

Dumping
Cycle
Compacting
(shrinkage)
Loosening
(swelling)
return
40
“
STUDI KASUS
STUDI KASUS 2
Interaction analysis for vision-based

activity identification of earthmoving
excavators and dump trucks
Penulis : Jinwoo Kim, Seokho Chi and Jongwon Seo
Publisher : Elsevier 2018
&
(indri)
Penulis : Chaimaa Jaafari1; and Jamshid Mohammadi, M.ASCE
Publisher : ASCE 2018
36
JURNAL 1
Latar Belakang
Identifikasi aktivitas adalah langkah penting

untuk mengukur dan memantau kinerja operasi
pemindahan tanah. Banyak metode berbasis visi
yang secara otomatis menangkap dan
menjelaskan informasi aktivitas dari data gambar
telah dikembangkan dengan keunggulan ekonomi
dan efisiensi analisis. Namun, metode sebelumnya
gagal untuk mempertimbangkan operasi
interaktif di antara peralatan, dan karenanya
membatasi penerapan estimasi waktu operasi
untuk analisis produktivitas.
JURNAL 1
Previous Research
Previous Research
Methode Authors Kekurangan
Manual -  M. Golparvar-Fard, A. Heydarian, mahal dan memakan waktu, dan cenderung

J.C. Niebles menghasilkan set data yang tidak konsisten.
Radio Based -  J.-W. Park, K. Kim, Y.K. Cho sinyal radio sering mengalami kesulitan
-  T. Omar, M.L. Nehdi mengidentifikasi jenis kegiatan secara tepat
-  C. Zhang, A. Hammad, S. Rodriguez
JURNAL 1
Tujuan
studi ini mengkaji dan mengidentifikasi elemen-
elemen penting untuk memahami operasi interaktif
excavator dan dump truck.
mengusulkan kerangka kerja berbasis visi untuk

analisis aktivitas otomatis dari alat berat melalui
pertimbangan lebih lanjut dari elemen yang
diidentifikasi.
kerangka kerja ini dapat memberikan informasi terus
menerus untuk jenis operasi peralatan, yang
merupakan data dasar untuk menghitung waktu
siklus dan mengukur produktivitas peralatan.
Akhirnya, pendekatan ini diharapkan dapat

meningkatkan kepraktisan analisis aktivitas
berbasis visi di lokasi pemindahan tanah yang
sebenarnya.
JURNAL 1
Penelitian ini mengembangkan kerangka kerja identifikasi
aktivitas berbasis visi yang mempertimbangkan operasi interaktif
peralatan pemindahan tanah.
Research framework
JURNAL 1
Pertama, lokasi Kedua, aksi individu Ketiga, interaksi antara Akhirnya, post-
ekskavator dan dump dari objek yang dilacak excavator dan dump truck processing dilakukan
truck dilacak dari waktu diakui menggunakan kemudian dianalisis untuk mengurangi
ke waktu untuk penalaran spatio- berdasarkan faktor-faktor kesalahan pengakuan
mengumpulkan dua jenis temporal dan teknik seperti koeksistensi, dengan
data: jenis peralatan dan pembedaan gambar. kedekatan, dan konsistensi mempertimbangkan
lintasannya aksi. kontinuitas kegiatan
peralatan.
TLD (Tracking Learning-Detection) untuk melacak beberapa peralatan konstruksi dalam jangka
panjang. , integrasi fungsional meningkatkan kinerja deteksi dan pelacakan dengan
mengkompensasi kelemahan detektor dan pelacak. Pembelajaran online melatih dan
menyesuaikan detektor, serta mengembangkan dan memperbarui data pelatihan secara real time
tanpa pekerjaan awal.
Method and Research
1. Data collection and description
operasi interaktif antara dump
Pengumpulan Data
truck dan kelompok beberapa
menggunakana
dump truck yang bekerja
CCTV dan
secara bersamaan dan
smartphone.
excavator
kamera stasioner dipasang pada jarak 10
hingga 30 m, ketinggian 0 hingga 3 m, dan
sudut pandang yang berbeda (yaitu, depan,
belakang, samping, dan diagonal), 11 posisi
berbeda secara keseluruhan.
Total 11.513 bingkai foto, sekitar 150 menit

operasi, dikumpulkan dengan 720 × 1280 dan
1080 × 1920 piksel. Data video juga termasuk
beragam peralatan dengan berbagai bentuk,
warna, atau penampilan yang diproduksi oleh
banyak perusahaan seperti Caterpillar, Doosan,
Hyundai, Scania, dan Volvo.
2. Performance metrics
Presisi menunjukkan keandalan

prediksi dan dihitung oleh Persamaan.
Untuk mengukur (6)
kinerja identifikasi
aktivitas, dua metrik
dievaluasi
Recall rate untuk memeriksa stabilitas
kerangka yang diusulkan dihitung oleh
(Persamaan (7))
Bahasa pemrograman C ++ dengan Visual Studio
2012 digunakan untuk pengembangan modul 1
3. Implementation and experimental setup
dan MATLAB 2014b menggunakan Komputer
desktop [Intel i7-4790 CPU @ 3,60 GHz, RAM 32,0
GB, Windows 7, 64 bit]
4. Performance of the developed framework

5. Performance without the interaction analysis
6. Performance of the equipment tracking and
individual action recognition
Hasilnya menyiratkan
bahwa modul bekerja
dengan baik untuk
mengenali tindakan
individu. Juga diamati
bahwa precision
untuk dump truck
lebih besar daripada
excavator.
7. Performance of the post-processing
Akhirnya, post-processing efektif menyaring klasifikasi

berisik hasil. Modul 4 meningkatkan precision dan tingkat
recall sebesar 3,88% dan 4,15% dibandingkan dengan
klasifikasi tanpa postprocessing (Tabel 2).
Hasil penelitian menunjukkan bahwa 5 s adalah

temuan optimal untuk 11.513 gambar yang diterapkan.
Kasus dengan lebih dari 5 detik menunjukkan kinerja
yang buruk karena efek pencitraan yang melekat
ketika aktivitas A sudah beralih ke aktivitas lain B
(mis., Status 'idling' terus dipantau selama beberapa
detik meskipun sudah mulai 'berfungsi'). Dengan
demikian, post-processing 5 memainkan peran
penting untuk identifikasi aktivitas.
JURNAL 2
Latar Belakang
Mengingat kompleksitas dan perubahan konstan dalam operasi

lapangan, mengidentifikasi satu hambatan utama untuk
mengadopsi pemodelan simulasi di bidang konstruksi sipil dan
alat berat: jarang ditemukan personil di industri ini yang
memiliki kedua simulasi pengetahuan dan pengalaman
lapangan yang dibutuhkan, dan yang juga punya waktu yang
cukup untuk mengimplementasikan pemodelan simulasi
sebagai pendukung keputusan yang efektif dalam periode
waktu terbatas yang tersedia untuk diperkirakan dan
merencanakan operasi pemindahan tanah. Ini menjelaskan
pengamatan peneliti bahwa simulasi sangat diinginkan tetapi
tidak sering diterapkan di lapangan.
JURNAL 2
Penelitian ini dimaksudkan untuk menyajikan aturan
T meta-level baru untuk membantu dalam

mensimulasikan operasi earthmoving berdasarkan
data terbatas dan informasi yang tersedia di desain
U penilaian situs atau proyek awal tahap perencanaan
J Kontribusi yang signifikan dan unik yang dimiliki

yang dibuat dalam penelitian ini adalah perubahan
dari penggunaan multiple haul jarak sebagai input;
U alih-alih, mereka diganti dengan turunan jarak
angkut tertimbang rata-rata
A Jelas ditunjukkan bahwa rata-rata jarak angkut dapat digunakan

sebagai input kritis untuk membangun model simulasi yang
N
disederhanakan untuk menggantikan simulasi yang terperinci
model yang mempertimbangkan pola gerakan bumi tertentu,
sementara masih menghasilkan output dengan akurasi yang
sebanding
JURNAL 2
Pertimbangan Rata Rata Jarak
Pengangkutan
Definisi Upaya Algoritma

Perbandingan
Pengangkutan Heuristik
dengan Pusat untuk
Massa Menentukan
Upaya
Pengangkutan
JURNAL 2
Definisi Upaya Pengangkutan
Durasi dan persyaratan sumber daya untuk operasi pekerjaan
tanah tergantung terutama pada dua faktor: volume material
yang perlu untuk dipindahkan dan jarak yang perlu volume
spesifik. Keduany faktor, jarak angkut dan volume, dapat
digabungkan untuk membuat faktor tunggal: upaya angkut
di mana Heffort = upaya total pengangkutan (meter ke

kekuatan keempat); Vij = volume bergerak antara sel
ke-i dan ke-j (meter kubik); dan Dij = jarak antara sel
ke-i dan ke-j (meter)
JURNAL 2
Untuk spesifik yang diusulkan permukaan tanah dilapis
khusus yang dilucuti permukaan tanah, volume total
yang akan dipindahkan di situs yang seimbang
dinyatakan sebagai
di mana V = total volume yang akan dipindahkan

(bank cubic meter); Ck = volume cut dalam sel k
(bank cubic meter); dan Fl = volume Fill dalam sel
l (meter kubik bank).
JURNAL 2
di mana D = jarak angkut rata-rata tertimbang (meter).
Pada operasi pengerjaan tanah linier seperti itu, diagram massa angkut yang
ditunjukkan pada Gambar. 1 dapat dengan mudah diterapkan tentukan total volume
cut dan fill, jumlah yang dipindahkan dan jarak angkut rata-rata di mana jumlah
tertentu perjalanan material tertentu
JURNAL 2
Perbandingan dengan Pusat Massa
Untuk sistem partikel, masing-masing dengan mi massa
dan posisi ri, itu Koordinat R dari pusat massa dapat
diperbaiki dengan mengikuti
M dalam Persamaan. (5) adalah jumlah massa semua

partikel. Persamaan ini memiliki bentuk yang sama
dengan Persamaan. (4), yang mendefinisikan rata-rata
jarak angkut tertimbang, D. Untuk tubuh kaku, pusat
massa diperbaiki
JURNAL 2
Algoritma Heuristik
untuk Menentukan
Upaya Pengangkutan
Algoritma Heuristik untuk Menentukan Upaya JURNAL 2
Pengangkutan
Algoritme menerapkan pendekatan searah untuk

memilih tujuan sel fill yang paling sesuai untuk bahan
tersebut digali dari sel cut saat ini, sesuai dengan
penilaian situs seimbang Desain
dimana Vi,j = volume (meter kubik) antara P dan E

untuk sel (i, j); G = ukuran jarak kisi (meter); Ei,j =
ketinggian permukaan tanah yang ada pada titik (i, j);
dan Pi,j = permukaan tanah yang diusulkan elevasi pada
titik (i, j).
JURNAL 2
JURNAL 2
JURNAL 2
Jarak grid adalah 100 m kali 100
m. Pada Gambar. 7, ketinggian
sudut kiri atas titik masing-
masing sel diberikan dalam sel,
dengan nomor atas menunjukkan
tanah yang ada, dan angka dalam
tan d a k u r u n g m e n u n j u k k a n
desain yang diusulkan Angka
tebal di setiap sel mewakili
volume pekerjaan tanah yang
terkait dengan setiap sel,
dihitung
JURNAL 2
kolom Cut
menunjukkan lokasi
x, y tempat bahan
diambil, dan Isi
kolom
menunjukkan lokasi
x, y tempat materi
tersebut berada
ditempatkan
JURNAL 2
Variasi pada total
upaya angkut, dan,
pada gilirannya, rata-
rata jarak angkut
tertimbang dalam
100 simulasi
termasuk dalam
rentang yang
dikenakan oleh batas
presisi dari data yang
dimasukkan
JURNAL 2
variasi pada
jarak angkut
rata-rata
tertimbang
berdasarkan
percobaan
simulasi terbatas
pada kisaran
(413, 450 m)
JURNAL 2
Pemilihan Armada
Setelah mengidentifikasi
konfigurasi peralatan
praktis, perlu
dipertimbangkan apakah
melakukan semua
operasi di tempat dengan
satu armada, atau
memecah proyek
menjadi subhaul terpisah
dengan beberapa
armada, adalah lebih
hemat biaya dan hemat
waktu
JURNAL 2
Studi Kasus Dunia Nyata

Skenario penyediaan armada tunggal dievaluasi
berdasarkan simulasi hasil
Untuk kasus ini
diidentifikasi sebagai
delapan truk kerikil
ditambah empat
excavator CAT 336,
yang menghasilkan
biaya terendah $
232.410 dan durasi
proyek 75,34 jam.
JURNAL 2
Kesimpulan
Ditunjukkan bahwa pertimbangan rata-rata jarak angkut dapat
digunakan sebagai input penting untuk bangunan model simulasi
yang disederhanakan, sebagai pengganti simulasi yang terperinci
model yang mempertimbangkan pola gerakan bumi tertentu,
sementara masih menghasilkan output dengan akurasi yang
sebanding
Penggunaan jarak angkut tertimbang rata-rata dapat dipandang

sebagai langkah menuju meta-modelling untuk operasi
pemindahan tanah. Seperti yang ditunjukkan dalam kasus uji dan
kasus dunia nyata, kekuatan simulasi lebih mudah diakses dan
metode yang diusulkan memungkinkan lebih banyak aplikasi yang
cepat dan mudah, sebagai kebutuhan untuk spesifik simulasi
pengetahuan dan pelatihan.
STUDI KASUS
Judul : Identification of Invariant Average Weighted Haul
Judul : Interaction analysis for vision-based activity identification Distance to Simplify Earthmoving Simulation Modeling
of earthmoving excavators and dump trucks in Planning Site Grading Operation
Penerbit : Elsevier 2018 Penerbit : ASCE 2014
Peneli. : Jinwoo
Kim, Seokho Chi and Jongwon Seo Peneli. : David Morley, Ming Lu, Simaan AbouRizk
penelitian ini berkontribusi untuk mengidentifikasi menghasilkan keputusan yang relevan dan kuantitatif
elemen-elemen penting yang menjelaskan operasi berdasarkan data dan informasi terbatas yang
interaktif, mencirikan kerangka kerja identifikasi tersedia di Indonesia konteks perencanaan operasi
aktivitas berbasis visi, dan meningkatkan penerapan RESULT pemindahan tanah pada desain penilaian lokasi atau
metode berbasis visi untuk analisis operasi dalam tahap perencanaan proyek awal.
peralatan otomatis.
Karena sifat operasi pemindahan tanah, perbedaan
- perubahan bentuk excavator tidak terdeteksi
kurang dari 4% pada rata rata durasi proyek
selama ‘scooping/rotating/dropping’
dianggap tidak signifikan, maka durasi proyek
- Pencilan atau kotak pembatas kebisingan objek
WEAKNESS digunakan untuk model yg disederhanakan, hanya
target menghasilkan perubahan centroid yang
menggunakan jarang angkut tertimbang dan
tiba-tiba; akibatnya, beberapa tindakan 'bergerak'
volume cut sebagai input
diklasifikasikan sebagai 'tidak bergerak'.
Kinerja algoritma heuristik yang diusulkan
Mengembangkan kerangka kerja yang dapat memuaskan dengan menghasilkan jarak angkut
meningkatkan praktisitas dari identifikasi aktivitas STRENGTH lebih pendek, argumen kuantitatif yang dibuat
otomatis pada situs pemindahan tanah yang sebelumnya pertimbangan rata rata jarak angkut
sebenarnya. penilaiannya seimbang atau dianggap relatif stabil/
tidak berubah
pelacak berbasis CNN mengungguli untuk
KETERBARUAN Mengidentifikasi faktor invarian lain dari aspek lain
melokalkan segala jenis objek yang memiliki variasi
dari pemindahan tanah dan dalam domain
intraclass / interclass yang tinggi.
konstruksi lainnya
Thank You

Tugas 9 MPKL

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tugas 9 MPKL

Diunggah oleh

Hak Cipta:

Format Tersedia

METODE PERALATAN DAN KONSTRUKSI LANJUT

Dr. Ir. Albert Eddy Husin, MT.

1. Indriani Eka Widiastuti, S.T NIM : 55719010004

Key : Cut and Fill, Hauling, Truck, Dumping

Kunci : Cut and Fill, Pengangkutan, Truck, Dumping

Jakarta,27 Oktober 2019

1.1. Latar Belakang

Makalah ini disusun agar dapat mempermudah proses pembelajaran mahasiswa

1.2. Batasan Masalah

2. Menambah ilmu pengetahuan dibidang teknologi khususnya tentang alat berat

1.5 Sistematika penulisan

4. Bab IV Tugas khusus

2.1 Low-Rise Building

D. Tahap Perancangan (Design)

• Excavating ( pengerukan tanah )

2.3.2 Jenis-Jenis Truck

Gambar 2.1 Jenis-Jenis Truck

2.3.4 Ukuran Truck Mempengaruhi Produktivitas

• Diperlukan lebih banyak driver, lebih dibutuhkan untuk output yang

2.3.5 Estimasi Truck Produktivitas

Produktivitas = truck load x NTR x 60 x efisiensi waktu

Apabila hasil perhitungan NTR angka dibulatkan ke atas

Produktivitas = truck load x 60 x efisiensi waktu

Sebelum melakukan penggalian dan penimbunan, sangat diperlukan proses

2.4 Hauling Equipment

• Biaya perawatan bertambah

• Material yang tersedia yang akan diangkut

penetrasi dari ripper harus lebih besar dari kedalaman penetrasi

HASIL DAN PEMBAHASAN

CCTV on - S. Chi, C.H. Caldas, berbasis visi lebih praktis

Gambar 1 Aktivitas earthmoving and hauling

Singkatnya, integrasi fungsional meningkatkan kinerja deteksi dan pelacakan dengan

tingkat penarikan (Persamaan (7)) untuk memeriksa stabilitas kerangka yang

c. Implementation and experimental setup

e. Performance without the interaction analysis

f. Performance of the equipment tracking and individual action recognition

g. Performance of the post-processing

dapat dikurangi dengan mempertimbangkan durasi pengisian tanah

kebijaksanaan umum para ahli domain, pinjaman langsung, panduan berbasis

simulasi yang terperinci model yang mempertimbangkan pola gerakan bumi

1. Pertimbangan Rata-rata Jarak Pengakutan

di mana Heffort = upaya total pengangkutan (meter ke kekuatan keempat);

di mana V = total volume yang akan dipindahkan (bank cubic meter); Ck =

dan dapat dinyatakan sebagai Persamaan. (4)

di mana D = jarak angkut rata-rata tertimbang (meter). Upaya angkut telah

b. Perbandingan dengan pusat massa

M dalam Persamaan. (5) adalah jumlah massa semua partikel. Persamaan

dikembalikan rata-rata jarak angkut tertimbang tetap konstan.

di mana G = ukuran jarak grid (meter); xf = xkoordinat sel isi; xc =

lebih panjang dari jarak diagonal

Verifikasi dengan Menggunakan Case Test

di mana S = persentase penyusutan; B = volume tanah yang tidak terganggu (meter

Variasi Jarak Haul Rata-Rata Tertimbang

Gambar. 10 dikonstruksi dengan memeriksa setiap gerakan spesifik bumi, yang

Tabel 1 menunjukkan itu 17.496 m3 material dipindahkan lebih dari 200 m.

Simulasi Durasi Proyek

Menggunakan Satu atau Lebih Armada

Studi Kasus Dunia Nyata

1. mengidentifikasi elemen kritis dari operasi interaktif (mis., Koeksistensi,

2. Kerangka teknis untuk mendeteksi, mengklasifikasikan, dan menganalisis fitur-

3. Kerangka kerja jenis aktivitas yang diklasifikasi untuk mengukur indikator

4. Mengembangkan kerangka kerja yang dapat meningkatkan praktisitas dari

Studi Jurnal 2 ini memberikan kontribusi pada bidang konstruksi.