Scientific journal
Advances in current natural sciences
ISSN 1681-7494
"Перечень" ВАК
ИФ РИНЦ = 0,775

RATING OF EXPERIMENTS ON MULTI-FACTOR ANALYSIS OF WOOD REMOVAL FROM FOREST PLOTS

Mokhirev A.P. 1 Rukomoynikov K.P. 2 Mazurkin P.M. 2
1 Reshetnev Siberian State University of Science and Technology
2 Volga State University of Technology
The speed of logging trucks during the removal of wood from the cutting area is one of the significant indicators that affect the activities of the logging enterprise. When exporting wood, there are many factors of a natural and industrial nature. Factor analysis is an important step in improving the production process. To form measures aimed at improving production indicators, it is necessary to determine the significance of the factors. The study used measured data on the speed of atalasoft for hauling timber from the forest area on the coast of the lower warehouses during the harvesting season 2019-2020 for territory, Motyginskiy and Yenisei forestry of the Krasnoyarsk territory. The quality of the collected material can be estimated by the Q-factor of the measurements. This significantly affects the results of the experiment. The paper presents the initial stage of factor analysis based on the rank distribution of 162 experiments on 35 factors affecting the speed of logging vehicles. The process of ranking experiments is carried out in order to study the obtained experimental data for further identification of new factors and to check the quality of measurements for each factor. The procedure for calculating the sum of ranks for all 35 factors taken into account does not require mathematical justification and therefore can be performed to eliminate insignificant experiments. Distribution 162 measurements, the rating of the experiments in the growth of the sum of ranks that made their group and the conditions for the experiments, which had the best and worst places in the ranking. Based on the results of the analysis, it can be concluded that it is necessary to collect information for the best experiments in the summer at the maximum speed of the car. The obtained results of the rating distribution can be used in the future to assess the quality factor of factors affecting the speed of the logging truck.
rating
ranking
experiment
speed
factors
logging truck
1. Grigorev I.V., Khitrov E.G., Kalistratov A.V., Stepanischeva M.V. Dependence of filtration coefficient of forest soils to its density. Proceedings of the 14th International Multidisciplinary Scientific Geoconferences, Vol. 2 «Water Resources. Marine and Ocean Ecosystems», 16–26 June 2014, Albena, Bulgaria, 2014. P. 339–344.
2. Kozlov V.G. Methods, models and algorithms for designing logging roads taking into account the Influence of climate and weather on traffic conditions: dis. ... dokt. tekhn. nauk. Arkhanhelsk, 2017. 406 p. (in Russian).
3. Skrypnikov A.V., Kondrashova E.V., Skvortsova T.V., Dorokhin S.V. Influence of traffic conditions on high-speed modes of transport flows during wood removal // Sovremennyye naukoyemkiye tekhnologii. 2014. № 4. P. 153 (in Russian).
4. Kovalenko Т.V., Kotochigov M.V. Use of climate information for the organization of transport development of woodlands // Tekhnologiya i oborudovanie lesopromyshlennogo kompleksa: sbornik nauchnyh trudov. Vypusk 6. SPb.: SPbGLTU, 2013. Р. 104–108 (in Russian).
5. Henningsson M., Karlsson J., Rönnqvist M. Optimization models for forest road upgrade planning. Journal of Mathematical Models and Algorithms. 2007. № 6 (1). P. 3–23.
6. Mel’nik M.A., Volkova E.S. Seasonal differentiation of dangerous and adverse natural phenomena for the sphere of forest management in the Tomsk region // Vestnik SGUGiT. 2019. № 24. P. 229–237 (in Russian).
7. Mokhirev A.P., Rukomoynikov K.P., Mazurkin P.M. Multifactorial impact of the natural production conditions on the speed of atalasoft // Sistemy. Metody. Tekhnologii. 2020. № 4 (48). P. 88–96. DOI: 10.18324 / 2077-5415-2020-4-88-96 (in Russian).
8. Mokhirev A.P., Rukomoynikov K.P., Mazurkin P.M. Analysis of factors affecting the speed of atalasoft // Uspekhi sovremennogo estestvoznaniya. 2020. № 11. P. 20–25. DOI: 10.17513/use.37509 (in Russian).
9. Торсуев Н.П. Популярная экология (полезные советы в повседневной жизни). Казань: Изд-во «Экоцентр», 1997. 236 с.
Torsuev N.P. Popular ecology (useful tips in everyday life). Kazan’, 1997. 236 p. (in Russian).
10. Mazurkin P.M., Kudryashova A.I. Factor analysis of annual global carbon dynamics (according to Global_Carbon_Budget_2017v1.3.xlsx): materials of the International Conference «Research transfer». Reports in English (part 2). November 28, 2018. Beijing, PRC. P. 192–224.
11. Mazurkin P.M., Kudryashova A.I. Factor analysis of meteoparameters on the stage of growth of birch leaves. International Journal of Current Research. 2019. № 11 (10). Р. 7774–7779. DOI: 10.24941/ijcr.36856.10.2019.

От скорости движения автотранспортных средств, в том числе при вывозке древесины с верхнего склада лесосеки, зависят основные экономические критерии оценки эффективности предприятия [1–3]. Особенностью движения автолесовоза по лесной дороге является большое количество влияющих на него факторов, как производственного, так и природно-климатического характера [4–7].

В предыдущих исследованиях авторского коллектива [8, 9] проведен многофакторный анализ влияния природно-производственных факторов на скорость движения лесовоза. Однако все 162 проведенных эксперимента не были проверены на их репрезентативность. Для этого необходимо провести ранжирование для всех учтенных 35 природно-производственных факторов и затем выполнить рейтинг экспериментов по росту суммы рангов. Предварительно значения каждого фактора принимались по вектору предпорядка предпочтительности «лучше – хуже».

Целью настоящего исследования является определение значимости экспериментов по многофакторному анализу вывозки древесины с лесных участков для установления наилучших условий при сборе информации для экспериментов, а также для дальнейшего выявления новых факторов и проверки добротности измерений по каждому фактору.

Материалы и методы исследования

Объектом исследования явилась природно-эргатическая система «Вывозка лесоматериалов по автомобильным дорогам», включающая следующие подсистемы с группами параметров, влияющих на скорость движения лесовоза: время въезда на измеряемый участок (Х1–Х4); приведенные координаты участка (Х5–Х7); параметры водителя (Х8–Х10); параметры лесовоза (Х11–Х19, Х35); характеристика дорожного покрытия (Х20–Х23, Х34); состояние покрытия (Х24–Х25); метеорологические данные (Х26–Х33).

В ходе исследования все 35 факторов были эвристическим способом учтены при вывозке древесины с верхних складов лесной территории на береговые нижние склады во время лесозаготовительного сезона 2019–2020 гг. по территории Мотыгинского и Енисейского лесничеств Красноярского края.

Для выявления значимости всех рассматриваемых факторов, включая и скорости движения лесовоза, выполнено 162 наблюдения, заключающихся в регистрации всех учтенных факторов в различных природно-производственных условиях. При этом кодовые значения некоторых факторов ранжировались рангами. Исследования проводились при условиях: элементарный участок дороги для одного измерения принимался без поворотов длиной более 300 м. На этом участке измерялся постоянный средний уклон в промилле. При этом учитывалось, что на элементарном участке дороги достигается равномерная скорость движения лесовоза с грузом или без него.

Результаты исследования и их обсуждение

В статье приведены результаты рейтинга экспериментов по ранжированию значений каждого из 35 факторов для последующего многофакторного анализа дополнением парных сравнений между всеми факторами вывозки древесины с верхних складов лесных участков.

Интуитивно ясно, что многие факторы влияют только на скорость движения лесовоза. Однако при этом из 35 факторов парными сравнениями могут быть упущены подгруппы факторов, обладающих сильными парными закономерностями. Например, метеорологические параметры между собой имеют высокие коэффициенты корреляции. Поэтому при полном факторном анализе при синтезе иерархий мы придерживаемся закона Барри Коммонера «Все связано со всем» [10], то есть любой фактор в какой-то количественной мере (корреляции) влияет на изменение значений других количественно выраженных факторов.

Иерархия является некоторой абстракцией структуры системы, предназначенной для изучения функциональных взаимодействий ее компонент и их воздействий на систему в целом [11, с. 12]. Метод анализа иерархий получил широкое распространение.

В нашем случае система (162 наблюдений по 35 факторам, включая и скорость движения лесовоза) известна, а для неё вначале были эвристически определены 35 количественных параметров. Для моделирования ранговых распределений по каждому из 35 факторов вначале необходимо выполнить их распределение по вектору «лучше – хуже».

Разнонаправленные по содержательному смыслу факторы нельзя объединять. При этом ранги применяются для устранения проблемы с размерностью факторов (как известно, нельзя складывать факторы с разными размерностями). Тогда появляется возможность количественного описания всей системы параметров, в нашем случае для системы «Вывозка лесоматериалов по автомобильным дорогам».

Применим следующий способ упорядочения значений параметров по вектору предпорядка предпочтительности «лучше → хуже» по рангам R = 0, 1, 2,... (табл. 1). При одинаковой содержательной направленности всех учтенных факторов появляется возможность их последовательного суммирования. Затем суммирование рангов у всего списка параметров системы; образуется рейтинг (табл. 2), причем лучшим будет элемент с наименьшей суммой рангов.

Таблица 1

Установление кода направленности для среды РАНГ в Excel по вектору предпорядка предпочтительности «лучше → хуже»

Фактор

Наименование

Лучше

меньше

Лучше

больше

Код

Х01

Номер месяца в году

+

 

1

Х02

Номер суток в месяце

+

 

1

Х03

Номер часа в сутках

+

 

1

Х04

Время движения по участку дороги, мин

+

 

1

Х05

Широта

+

 

1

Х06

Долгота

+

 

1

Х07

Высота над уровнем моря, м

+

 

1

Х08

Стаж работы водителя, лет

 

+

0

Х09

Возраст водителя, лет

+

 

1

Х10

Время в пути, ч

+

 

1

Х11

Колесная формула лесовоза

+

 

1

Х12

Грузоподъемность лесовоза, т

 

+

0

Х13

Тип лесовоза (тягач, прицеп, полуприцеп)

 

+

0

Х14

Время эксплуатации лесовоза, лет

+

 

1

Х15

Мощность двигателя, л.с.

 

+

0

Х16

Пробег лесовоза, тыс. км

+

 

1

Х17

Время с капремонта лесовоза, мес.

+

 

1

Х18

Нагруженность (масса груза / грузоподъемность)

+

 

1

Х19

Тип шин

+

 

1

Х20

Тип покрытия дороги

 

+

0

Х21

Ширина дорожного покрытия, м

 

+

0

Х22

Время эксплуатации дороги с момента строительства, лет

+

 

1

Х23

Количество капремонтов дороги, шт.

+

 

1

Х24

Влажность дорожного покрытия (сухое; влажное; сырое; мокрое; насыщенное водой)

+

 

1

Х25

Вид снежно-ледяного покрытия (без снега; уплотненный снег; снежное сухое; мокрый снег; снежно-ледяное)

+

 

1

Х26

Температура воздуха, °С

 

+

0

Х27

Атмосферное давление, мм рт. ст.

+

 

1

Х28

Относительная влажность воздуха на высоте 2 м, %

+

 

1

Х29

Скорость ветра, м/с

+

 

1

Х30

Горизонтальная дальность видимости, км

 

+

0

Х31

Температура точки росы, °С

 

+

0

Х32

Количество осадков, выпавших за 12 ч, мм

+

 

1

Х33

Высота снежного покрова (вне дороги), мм

+

 

1

Х34

Уклон, ‰

+

 

1

Х35

Скорость движения, км/ч

 

+

0

Из данных табл. 1 видно, что 25 факторов имеют направленность «чем меньше, тем лучше», поэтому ранги распределяются вдоль оси абсцисс «ранги от 0, 1, 2 и выше» с минимального значения. Остальные 10 факторов имеют направленность «чем больше, тем больше», поэтому значения этих факторов по оси рангов убывают.

В табл. 3 представлена таблица, количество повторяющихся экспериментов для рангов 0, 1, 2.

Таблица 2

Фрагмент (первые и последние три места) рейтинга экспериментов и их места по сумме рангов (числитель – ранг, знаменатель – значение фактора)

№ опыта

94

59

47

147

148

136

Место эксперимента

1

2

3

160

161

162

Сумма рангов

1263

1476

1515

 

3071

3158

3230

Х1

86

86

86

17

17

0

7

7

7

 

3

3

1

Х2

151

57

64

27

27

124

30

12

13

 

8

8

24

Х3

48

144

53

...

95

99

142

9,4

22,4

0,25

 

16,2

16,8

22,1

Х4

4

22

36

125

110

88

1

1,2

1,3

 

2,3

2

1,8

Х5

5

110

92

18

21

119

0,02378

0,73433

0,6855

 

0,26182

0,29795

0,7608

Х6

62

89

120

8

18

15

3,55743

4,459

4,56501

 

0,18558

0,38657

0,2397

Х7

30

108

129

50

47

56

149

359

417

 

176

172

186

Х8

121

121

101

0

0

26

3

3

7

 

34

34

22

Х9

0

0

89

146

146

112

25

25

44

 

57

57

47

Х10

6

25

6

145

149

160

1

1,5

1

 

21

22

33

Х11

0

0

0

84

84

84

0

0

0

 

1

1

1

Х12

0

0

0

84

84

84

56

56

56

 

40

40

40

Х13

0

0

0

96

96

96

3

3

3

 

2

2

2

Х14

13

13

13

157

157

153

2,17

2,17

2,17

 

5,83

5,83

5,67

Х15

0

0

0

84

84

84

420

420

420

 

300

300

300

Х16

59

59

20

157

157

153

42

42

24,8

 

220

220

215

Х17

22

22

22

22

22

22

9

9

9

 

9

9

9

Х18

0

0

0

130

130

130

0

0

0

 

0,95

0,95

0,95

Х19

96

96

96

0

0

0

1

1

1

 

0

0

0

Х20

12

12

12

12

12

12

1

1

1

 

1

1

1

Х21

0

86

0

86

36

36

8

6

8

 

6

7

7

Х22

123

37

82

129

146

94

31

1,75

8,75

 

32,75

35,75

13,4

Х23

103

0

103

103

103

103

2

0

2

 

2

2

2

Х24

106

0

0

0

106

96

3

0

0

 

0

3

2

Окончание табл. 2

№ опыта

94

59

47

147

148

136

Место эксперимента

1

2

3

160

161

162

Сумма рангов

1263

1476

1515

 

3071

3158

3230

Х25

0

0

0

100

157

144

0

0

0

 

1

4

3

Х26

8

57

39

144

144

109

23,3

14,1

16,1

 

-7,6

-7,6

-0,7

Х27

75

90

96

109

109

81

743

748

749

 

751

751

745

Х28

32

88

46

65

65

156

64

90

71

 

83

83

96

Х29

0

0

21

148

148

135

0

0

1

 

5

5

4

Х30

0

52

0

145

145

128

50

40

50

 

4

4

9

Х31

5

40

88

133

133

104

16

12,5

8,3

 

-10

-10

-1,3

Х32

0

0

0

126

126

100

0

0

0

 

2

2

0,9

Х33

0

0

0

159

159

130

0

0

0

 

75

75

63

Х34

96

31

79

61

19

55

9

-28

2

 

-1

-40

-7

Х35

0

31

22

106

102

99

69,3

45,5

49,1

 

26

27

28

Таблица 3

Количественное распределение экспериментов по местам в рейтинге

Место в рейтинге

Код

Количество экспериментов для рангов

0

1

2

1

Х11

84

78

2

Х12

66

18

42

3

Х13

96

31

35

4

Х15

66

18

78

5

Х19

96

66

6

Х20

12

107

43

7

Х23

73

30

53

8

Х18

78

2

1

9

Х33

100

2

2

10

Х35

1

1

2

11

Х04

2

2

6

12

Х21

36

50

44

13

Х29

21

73

19

14

Х17

2

20

105

15

Х30

52

21

31

16

Х34

1

1

1

17

Х24

69

27

10

18

Х27

1

4

14

19

Х03

1

1

3

20

Х28

2

1

1

21

Х09

15

16

10

22

Х02

12

4

2

23

Х05

1

1

1

Окончание табл. 3

Место в рейтинге

Код

Количество экспериментов для рангов

0

1

2

24

Х25

100

41

3

25

Х07

1

1

1

26

Х22

18

3

2

27

Х14

13

43

10

28

Х01

8

9

43

29

Х06

1

1

1

30

Х26

4

4

2

31

Х31

1

4

2

32

Х10

6

19

11

33

Х16

16

4

20

34

Х32

66

55

17

35

Х08

5

21

4

missing image file

Рис. 1. Зависимость суммы ранга от эксперимента

Ранг (R = 0, 1, 2, 3,...) отличается от места в рейтинге (I = 1, 2, 3,...) добавлением цифры 0. Это позволяет использовать положительную полуось абсцисс в моделировании методом идентификации [12].

Ранжируем каждый фактор в программной среде Excel. Для этого существует функция РАНГ. В функции = РАНГ(А1;А$1:FF$1;1) для программной среды Excel приняты условные обозначения: А1 – первая ячейка в первой анализируемой строке; FF$1 – последняя ячейка в первой анализируемой строке; 0˅1 – ранжирование по убыванию (0) или возрастанию (1).

В итоге получаем распределение мест I по убыванию (10 факторов) или возрастанию (25 факторов) значений ранжируемого показателя. Ранг R будет равен I – 1.

В табл. 2 представлен фрагмент таблицы с рейтингом экспериментов, начиная с наименьшей суммы рангов, т.е. с наилучшим влиянием. Из этой таблицы видим, что наилучшие условия у эксперимента № 94, далее № 59 и № 47. Охарактеризуем их условия. Все лучшие рейтинговые эксперименты проведены без снежного покрова, в летнее время, без осадков или с небольшим их количеством. Движение порожнее, по гравийной дороге, с небольшим уклоном с относительно высокой скоростью движения (от 45 до 70 км/ч).

Наихудшие условия экспериментов с наибольшей суммой рангов следующие. Зимнее или весеннее (март) время года со снежным или снежно-ледяным покрытием дороги и отрицательным уклоном дороги (спуск). Температура воздуха отрицательная, но относительно не низкая (от -00 до -80). За последние 12 ч до измерения присутствовали осадки. Автомобиль груженый со скоростью движения 26–28 км/ч.

Для дальнейшего анализа эксперименты поделим на группы по местам рангов (1 группа с 1 по 10 место, 2 группа с 11 по 20 место и т.д.). В табл. 4 представлены номера групп, суммы суммарных значений экспериментов. Так как в группе может быть различное количество экспериментов (столбец 3), то определено среднее значение суммы экспериментов (столбец 4) и построен график, отражающий среднюю сумму эксперимента в группе.

Таблица 4

Характеристики групп значений

Группа

Сумма рангов

Количество экспериментов в группе

Средняя сумма

1

16997

11

1545,182

2

15630

9

1736,667

3

18034

10

1803,4

4

18781

10

1878,1

5

19843

10

1984,3

6

20767

10

2076,7

7

21614

10

2161,4

8

22300

10

2230

9

20634

9

2292,667

10

23662

10

2366,2

11

26844

11

2440,364

12

22500

9

2500

13

25746

10

2574,6

14

27011

10

2701,1

15

28292

10

2829,2

16

32369

11

2942,636

17

6388

2

3194

Итого

367412

162

2267,975

Для отображения расположения групп по отношению к эксперименту составим график, представленный на рис. 2.

missing image file

Рис. 2. Местоположение сумм экспериментов в эксперименте по группам

По графику (рис. 2) можно сделать вывод, что группы с наилучшими результатами (наименьшей суммой рангов) находятся в первых экспериментах. Однако первая половина групп имеет большой разброс, вторая половина наиболее сгруппирована. Можно отметить, что первые 100 экспериментов проводились в летнее время, остальные со 101 по 162 в зимнее и весеннее (с декабря по март включительно). В летнее время происходит наибольший разброс значений. Это объясняется большим диапазоном значений природно-климатических условий, влияющих на скорость движения в летнее время, таких как количество осадков, выпавших за последние 12 часов; тип покрытия дороги.

Заключение

Про проведенному анализу можно сделать вывод, что собирать информацию для наилучших экспериментов следует в летнее время при максимальной скорости движения автомобиля.

Полученные результаты рейтингового распределения могут в дальнейшем быть использованы при оценке добротности факторов, влияющих на скорость лесовоза.

Исследование выполнено в рамках проекта «Разработка фундаментальных основ проектирования лесной инфраструктуры как динамически изменяемой системы в условиях деятельности лесозаготовительного производства», № 19-410-240005, поддержанного за счет средств целевого финансирования, предоставленного РФФИ, Правительством Красноярского края и Краевым фондом науки.