Computational intelligence methods in the problem of modelling technical wear of buildings in mining areas

• Autorzy: Janusz Rusek
• Języki publikacji: EN

Abstrakty

EN

n the work presented approach with a view to building the model of degree of technical wear of buildings in the mining areas, as well as an indication that the contribution of the consumption on technical factors interact mining and civil construction origin. Set out criteria for the selection and research methodology effects are synthetically summarised existing work in this field. Justified choice of the epsilon-SVR method confronting its advantages to the characteristics of typical neural network. (original abstract)

W artykule zaprezentowano podejście mające na celu budowę modelu przebiegu stopnia zużycia technicznego budynków na terenach górniczych, jak również analizowano, w jakim stopniu na zużycie techniczne oddziałują czynniki górnicze oraz ogólnobudowlane. Przedstawiono kryteria doboru metodyki badań oraz podsumowano efekty dotychczasowych prac w tej dziedzinie. Uzasadniono wybór metody epsilon-SVR, konfrontując jej zalety z własnościami typowych, jednokierunkowych sieci neuronowych. Opisano sposób optymalnego doboru parametrów charakteryzujących złożoność modelu epsilon-SVR oraz wskazano możliwość zastosowania tak utworzonego modelu w systemach ekspertowych(abstrakt oryginalny)

Słowa kluczowe

EN

Mining damages; Construction

PL

Szkody górnicze; Budownictwo

• Czasopismo: Geomatics and Environmental Engineering
• Rocznik: 2012
• Numer: nr 6/3
• Strony: 83--91

Twórcy

autor

Janusz Rusek

• AGH University of Science and Technology Kraków, Poland

Bibliografia

• Bi J., Bennet K., Enbrechts M.J, Breneman C.M, Song M.: Dimensionality Reduction via Sparse Support Vector Machines. 2003.
• Burges C.J.C.: A Tutorial on Support Vector Machines for Pttern Recognition. Data Mining and Knowledge Discovery, vol. 2, 1998, pp. 121-167.
• Chang C-C., Lin C-J.: LIBSVM: A Library for Support Vector Machine. Software available at: http://www.csie.nyu.edu.tw/~cjlin/libsvm, 2008.
• Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Sieci neuronowe. [in:] Na- łęcz M. (red.), Biocybernetyka i inżynieria biomedyczna, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2000.
• Firek K: Badanie wpływu czynników górniczych i budowlanych na zużycie techniczne tradycyjnej zabudowy terenu górniczego LGOM. Akademia Górniczo- -Hutnicza, Kraków 2005 (Ph.D. Thesis, unpublished).
• Firek K.: Proposal for clalassi􀄙 cation pf prefabricated panel building demage intensity rate in mining areas. Archives of Mining Sciences, vol. 54, no. 3, 2009, pp. 467-479.
• Firek K., Wodyński A.: Assessment of surface deformation impacts on technical wear of masonry buildings located in the Legnica-Głogów Copper District. Schriftenreihe des Institutes für Markscheidewesen und Geodäsie an der Technischen Universität Bergakademie Freiberg, Heft 2006-1, 8 Geokinematischer Tag, Freiberg 2007.
• Górecki H.: Optymalizacja i sterowanie systemów dynamicznych. Uczelniane Wydawnictwa Naukowo-Dydaktyczne AGH, Kraków 2006.
• Jankowski N., Grabczewski K.: Toward optimal SVM. The third IASTED International Conference on Artificial Intelligence and Applications, Anheim, Calgary, Zurich. The International Association of Science and Technology for Development, ACTA Press, 2003.
• Kocot W.: Diagnozowanie stanu technicznego budynków o tradycyjnej konstrukcji na terenach górniczych. Akademia Górniczo-Hutnicza, Kraków 1998 (Ph.D. Thesis, unpublished).
• Kusiak J., Danielewska-Tułecka A., Oprocha P.: Optymalizacja. Wydawnictwo Naukowe PWN, Warszawa 2009.
• Lahiri S.K., Ghanta K.C.: The Support Vector regression with the parameter tuning assisted by a difierential evolution technique: study of the critical velocity of a slurry flow in a pipeline. Chemical Industry & Chemical Enginnering Quartely, West Bengal, India, 2008.
• Łęski J.: Systemy neuronowo-rozmyte. WNT, Warszawa 2008.
• Matlab: Genetic Algorithm and Direct Search Toolbox. 1984-2007: The Math- Works, Inc.
• Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2006.
• Ostanin A.: Informatyka z matlabem. Wydawnictwo Politechniki Białostockiej, Białystok 2007.
• Rusek J.: Modelowanie stopnia zużycia technicznego budynków na terenach górniczych z wykorzystaniem wybranych metod sztucznej inteligencji. Akademia Górniczo- Hutnicza, Kraków 2010 (Ph.D. Thesis, unpublished).
• Rusek J.: Creating a model of technical wear of buildings in mining areas with utilization of regressive SVM approach. Archives of Mining Sciences, vol. 54, no. 3, 2009, pp. 455-466.
• Rutkowska D., Piliński M., Rutkowski L.: Sieci neuronowe algorytmy genetyczne i systemy rozmyte. Wydawnictwo Naukowe PWN, Warszawa 1999.
• Rutkowski L.: Metody i techniki sztucznej inteligencji. Wydawnictwo Naukowe PWN, Warszawa 2005.
• Schölkopf B., Smola A.J.: Learning with Kernels. MIT Press, Cambridge, Massachuse tts, 2002.
• Suykens J.A.K., Van Gestem T., De Brabanter J., De Moor B., Vandewalle J.: Least squares support vector machines. World Scientific, Singapore, 2002.
• Tadeusiewicz R.: Wprowadzenie do sieci neuronowych. StatSoft Polska, 2001.
• Vapnik V.: Statistical learning theory. John Wiley & Sons, New York 1998.
• Wodyński A., Barycz S.: Analiza porównawcza stanu technicznego i zakresu uszkodzeń budynków na terenie górniczym LGOM. Materiały Szkoły Eksploatacji Podziemnej 2002, seria: Sympozja i Konferencje, nr 54, PAN/AGH, Kraków- Szczyrk 2002.
• Wodyński A.: Zużycie techniczne budynków na terenach górniczych. Uczelniane Wydawnictwa Naukowo-Dydaktyczne AGH, Kraków 2007
• Wodyński A., Kocot W.: Analysis of technical wear of traditionally structured buildings on mining areas. Proceedings of 11th International Congress of the International Society for Mine Surveying, Kraków 2000.

Identyfikatory

DOI

10.7494/geom.2012.6.3.83