Prognozowanie wpływu drgań komunikacyjnych na budynki mieszkalne za pomocą sztucznych sieci neuronowych i maszyn wektorów wspierających - Publication - Bridge of Knowledge

Search

Prognozowanie wpływu drgań komunikacyjnych na budynki mieszkalne za pomocą sztucznych sieci neuronowych i maszyn wektorów wspierających

Abstract

Drgania komunikacyjne mogą stanowić duże obciążenie eksploatacyjne budynku, powodując zarysowania i spękania tynków, odpadanie wypraw, zarysowania konstrukcji, pękanie elementów konstrukcji lub nawet zawalenie się budynku. Pomiary drgań na rzeczywistych konstrukcjach są pracochłonne i kosztowne, a co ważne nie w każdym przypadku są one uzasadnione. Celem pracy jest analiza autorskiego algorytmu, dzięki któremu z dużym prawdopodobieństwem można przewidzieć zagrożenie negatywnego oddziaływania dyna-micznego na dany budynek mieszkalny. Do prognozy oddziaływań dynamicznych wywołanych ruchem koło-wym utworzono modele oparte na dwóch metodach: sztucznych sieciach neuronowych oraz maszynach wek-torów wspierających. Do utworzenia algorytmów użyto polowych badań własnych wykonanych zgodnie z normą PN–85/B–02170 oraz przykładów zaczerpniętych z literatury. Wyniki przeprowadzonych analiz poka-zują, iż obie metody mogą być dobrymi narzędziami w prognozowaniu wpływu drgań komunikacyjnych na budynki mieszkalne odznaczając się dużą wiarygodnością.

Cite as

Full text

download paper
downloaded 175 times
Publication version
Accepted or Published Version
License
Copyright (Author(s))

Keywords

Details

Category:
Thesis, nostrification
Type:
praca doktorska pracowników zatrudnionych w PG oraz studentów studium doktoranckiego
Language:
Polish
Publication year:
2018
Bibliography: test
  1. NAJWAŻNIEJSZE SKRÓTY STOSOWANE W PRACY ............................................................ 7
  2. WSTĘP ........................................................................................................................................ 8
  3. Wprowadzenie .......................................................................................................................... 8 1.2. Analiza stanu wiedzy .............................................................................................................. 10
  4. Cel, zakres i teza naukowa ..................................................................................................... 15
  5. DRGANIA KOMUNIKACYJNE ............................................................................................. 17
  6. Definicja i geneza drgań ......................................................................................................... 17 2.2. Wpływ drgań komunikacyjnych na budynki mieszkalne i przebywających w nich ludzi ..... 19
  7. Metodyka pomiarowa wpływu drgań komunikacyjnych na budynki mieszkalne .................. 22
  8. Wpływ drgań komunikacyjnych na przebywających w budynkach ludzi .............................. 25 open in new tab
  9. Drgania komunikacyjne a hałas.............................................................................................. 28 2.6. Metody redukcji wpływu drgań.............................................................................................. 28
  10. BADANIA EKSPERYMENTALNE DRGAŃ KOMUNIKACYJNYCH ............................... 30
  11. RYZYKO I ALGORYTMY WSPOMAGAJĄCE PODEJMOWANIE DECYZJI .................. 58
  12. Ryzyko i metody jego szacowania ......................................................................................... 58 4.2. Ryzyko uszkodzeń budynków spowodowanych drganiami komunikacyjnymi ..................... 59
  13. Sztuczne sieci neuronowe ...................................................................................................... 60
  14. Maszyny wektorów wspierających ......................................................................................... 65
  15. BUDOWA ALGORYTMU SZTUCZNYCH SIECI NEURONOWYCH................................ 73
  16. Informacje wejściowe i wyjściowe ........................................................................................ 73 5.2. Informacje techniczne tworzenia SSN ................................................................................... 73
  17. Utworzone sztuczne sieci neuronowe .................................................................................... 80
  18. BUDOWA ALGORYTMU MASZYN WEKTORÓW WSPIERAJĄCYCH ........................ 136
  19. Informacje wejściowe i wyjściowe ...................................................................................... 136 6.2. Informacje techniczne tworzenia MWW .............................................................................. 136
  20. Utworzone maszyny wektorów wspierających .................................................................... 137
  21. PODSUMOWANIE i WNIOSKI KOŃCOWE ...................................................................... 158 open in new tab
  22. Wyniki dla sztucznych sieci neuronowych .......................................................................... 158 7.2. Wyniki dla maszyn wektorów wspierających ...................................................................... 160
  23. Porównanie wyników SSN -MWW .................................................................................... 161 7.4. Uwagi ogólne ....................................................................................................................... 162
  24. Kierunki dalszych badań ...................................................................................................... 163
  25. Elementy oryginalne pracy ................................................................................................... 163
  26. BIBLIOGRAFIA ..................................................................................................................... 165 open in new tab
  27. SPIS RYSUNKÓW ................................................................................................................. 172
  28. SPIS TABEL ......................................................................................................................... 174 8. BIBLIOGRAFIA Literatura: Asefa, T., Kembłowski, M., McKee, M., Khalil, A., 2006. Multi-time scale stream flow pre- dictions: the support vector machines approach. Journal of Hydrology, 318 (1-4), 7- 16.
  29. Bani, H.K., Ghaboussi, J., Schneider, S.P., 1999a. Experimental study of identification and control of structures using neural network Part 1: Identification. Earthquake Engineer- ing and Structural Dynamics, 28(9), 995-1018.
  30. Bani, H.K., Ghaboussi, J., Schneider, S.P., 1999b. Experimental study of identification and control of structures using neural network. Part 2: Control. Earthquake Engineering and Structural Dynamics, 28(9), 1019-1040.
  31. Bennett, K.P., Campbell, C., 2000. Support vector machines: hype or hallelujah? ACM SIGKDD Explorations Newsletter, 2(2), 1-13. open in new tab
  32. Boser, B.E., Guyon, I.M., Vapnik, V.N., 1992. A training algorithm for optimal margin classi- fiers. Proceedings of the Fifth Annual Workshop on Computational Learning Theory, Pittsburgh, USA, 144-152. open in new tab
  33. Budziski, R., Misztal, L., 2009. Zastosowanie algorytmu maszyny wektorów wspierających do klasyfikacji podatników z wykorzystaniem bazy danych Oracle 11g. Studia i Mate- riały,19, 28-37.
  34. Chen, W.H., Hsu, S.H., Shen, H.P., 2005. Application of SVM and ANN for intrusion detec- tion. Computers and Operations Research, 32(10), 2617-2634. open in new tab
  35. Cherkassky, V., Ma, Y., 2004. Practical selection of SVM parameters and noise estimation for SVM regression. Neural Networks, 17(1), 113-126. open in new tab
  36. Chudyba, Ł., 2011. Wpływ typu sieci neuronowej na dokładność prognozowania przekazywa- nia drgań pochodzenia górniczego z gruntu na budynek. Czasopismo Techniczne, 108(1-B), 3-12.
  37. Chyży, T., Czech, K.R., Malesza, M., Miedziałowski, C., 2009. Badania i ocena wpływów drgań drogowych w zespole budynków zabytkowych. Wiadomości Konserwatorskie, 26(2009), 499-509.
  38. Ciesielski, R., 2002. Podstawy i nowości naukowe w inżynierii parasejsmicznej. Zeszyty Nau- kowe Politechniki Rzeszowskiej. Mechanika, 60(197), 85-115.
  39. Ciesielski, R., Maciąg, E., 1990. Drgania drogowe i ich wpływ na budynki. Wydawnictwa Ko- munikacji i Łączności, Warszawa.
  40. Conway, D., White J. 2012. Machine Learning for Hackers. O'Reilly Media, Inc., Sebastopol, USA.
  41. Copeland, B.J., Proudfoot, D., 2000. What Turing did after he invented the universal Turing machine. Journal of Logic, Language and Information, 9(4), 491-509. open in new tab
  42. Cortes, C., Vapnik, V., 1995. Support-vector networks. Machine Learning, 20, 273-297. open in new tab
  43. Cover, T.M., 1965. Geometrical and statistical properties of systems of linear inequalities with applications in pattern recognition. IEEE Transactions on Electronic Computers, 3, 326-334. open in new tab
  44. Cristianini, N., Shawe-Taylor, J., 2000. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press, UK. open in new tab
  45. Czech, R., Miedziałowski, C., Chyży, T., 2015. Wpływ poprawy stanu drogi na redukcję drgań w zabytkowym kompleksie budynków. Materiały Budowlane, 6, 105-106. open in new tab
  46. De Stefano, A., Sabia, D., Sabia, L., 1999. Probabilistic neural networks for seismic damage mechanisms prediction. Earthquake Engineering and Structural Dynamics, 28(8), 807-821. open in new tab
  47. Domaradzki, R., 2007. Zastosowanie sieci neuronowych do generowania strategii decyzyjnych (inwestycyjnych) na przykładzie Giełdy Papierów Wartościowych. Rozprawa doktor- ska, Akademia Górniczo-Hutnicza w Krakowie, Kraków. Duch, W., 2000. Sieci neuronowe w modelowaniu zaburzeń neuropsychologicznych i chorób psychicznych. Biocybernetyka, 6, 589-616.
  48. Dulińska, J., Kawecki, J., Kozioł, K., Stypuła, K., Tatara, T., 2014. Oddziaływania Parasej- smiczne Przekazywane na Obiekty Budowlane. Wydawnictwo Politechniki Krakow- skiej, Kraków.
  49. Falborski T., Jankowski R., 2013. Polymeric bearings -a new base isolation system to reduce structural damage during earthquakes, Key Engineering Materials, 569-570, 143-150. open in new tab
  50. Falborski T., Jankowski R., 2017. Experimental study on effectiveness of a prototype seismic isolation system made of polymeric bearings, Applied Sciences, 7(808), 1-18. open in new tab
  51. Firek K., Rusek J., Wodyński A., 2016. Wybrane metody eksploracji danych i uczenia maszy- nowego w analizie stanu uszkodzeń oraz zużycia technicznego zabudowy terenów górniczych. Przegląd Górniczy, 72(1), 50-55. open in new tab
  52. Fumera G., Roli F., 2005. A theoretical and experimental analysis of linear combiners for mul- tiple classifier systems. IEEE Transactions on Pattern Analysis and Machine Intelli- gence, 27(6), 942-956. open in new tab
  53. Ghaboussi, J., Lin, C.C.J., 1998. New method of generating spectrum compatible accelero- grams using neural networks. Earthquake Engineering and Structural Dynamics, 27(4), 377-396. open in new tab
  54. Goldberg, D.E., 1995. Algorytmy Genetyczne i ich Zastosowania. Wydawnictwa Naukowo- Techniczne, Warszawa. Goszczyński, J., 2006. Klasyfikacja tekstur za pomocą SVM -Maszyny Wektorów Wspierają- cych. Inżynieria Rolnicza, 13(2006), 119-126.
  55. Grzyl, B., 2013. Ryzyko, identyfikacja i ocena ryzyka przedsięwzięcia inwestycyjnego w aspekcie działań logistycznych. Autobusy: Technika, Eksploatacja, Systemy Transpor- towe, 14(3), 601-610.
  56. Grzyl, B., Apollo, M., 2011. Zarządzanie ryzykiem jako element wspomagania działań logi- stycznych w przedsiębiorstwie budowlanym. Logistyka, 6(2011), 1307-1317. open in new tab
  57. Grzyl, B., Kristowski, A., 2016. BIM jako narzędzie wspomagające zarządzanie ryzykiem przedsięwzięcia inwestycyjnego. Materiały Budowlane, 6(2016), 52-54. open in new tab
  58. Haykin, S., 2009. Neural Networks and Machine Learning. Pearson Prentice Hall, New Jersey, USA.
  59. Hebb, D.O., 1949. The Organization of Behavior a Neuropsychological Theory. Chapman and Hall Limited, London, John Wiley and Sons Inc., New York, USA. open in new tab
  60. Huang, C.S., Hung, S.L., Wen, C.M., Tu, T.T., 2003. A neural network approach for structural identification and diagnosis of a building from seismic response data. Earthquake En- gineering and Structural Dynamics, 32(2), 187-206. open in new tab
  61. Hunaidi, O., 2000. Traffic vibrations in buildings. Construction Technology Update, 39, Na- tional Research Council of Canada, 1-6. open in new tab
  62. Jakubczyk-Gałczyńska, A., Jankowski, R., 2014. Traffic-induced vibrations. The impact on buildings and people. Environmental Engineering. Proceedings of the International Conference on Environmental Engineering, Vilnius, Lithuania, 1-8. open in new tab
  63. Jakubczyk-Gałczyńska, A., Jankowski, R., Kristowski, A., 2016a. The application of neural networks in forecasting the influence of traffic-induced vibrations on residential build- ings. Czasopismo Techniczne, 9(3-B), 75-82. open in new tab
  64. Jakubczyk-Gałczyńska, A., Kristowski, A., Jankowski, R., 2014. Koncepcja szacowania wpływu drgań komunikacyjnych na budynki i na ludzi przy użyciu sztucznych sieci neuronowych. Inżynieria Morska i Geotechnika, 5(2014), 523-527. open in new tab
  65. Jakubczyk-Gałczyńska, A., Kristowski, A., Jankowski, R., 2016b. Wykorzystanie sztucznych sieci neuronowych do szacowania wpływu drgań na budynki jednorodzinne. Materiały Budowlane, 6(2016), 116-117. open in new tab
  66. Jakubczyk-Gałczyńska, A., Kristowski, A., Jankowski, R., 2017. Comparing the effectiveness of ANNs and SVMs in forecasting the impact of traffic-induced vibrations on build- ing. Geodetic Congress (BGC Geomatics), Gdańsk, Poland, 121-125. open in new tab
  67. Jakubczyk-Gałczyńska, A., Kristowski, A., Jankowski, R., 2018. Application of support vector machine for determination of impact of traffic-induced vibrations on buildings. Ad- vances in Intelligent Systems and Computing, 637, 161-167. open in new tab
  68. Janas, L., Miller, B., 2011. Zastosowanie sieci neuronowych do wspomagania zarządzania obiektami mostowymi. Zeszyty Naukowe Politechniki Rzeszowskiej. Budownictwo i Inżynieria Środowiska, 58 (3/III), 181-190. open in new tab
  69. Jankowski, R., 2015. Pounding between superstructure segments in multi-supported elevated bridge with three-span continuous deck under 3D non-uniform earthquake excitation. Journal of Earthquake and Tsunami, 9(4), paper no.1550012. open in new tab
  70. Jankowski, R., Mahmoud, S., 2015. Earthquake-Induced Structural Pounding, Springer, Swit- zerland. open in new tab
  71. Jankowski, R., Mahmoud, S., 2016. Linking of adjacent three-storey buildings for mitigation of structural pounding during earthquakes, Bulletin of Earthquake Engineering, 14(11), 3075-3097. open in new tab
  72. Jaśkowski, P., Biruk, S., 2011. The conceptual framework for construction project risk assess- ment. Reliability: Theory and Applications, 3(1), 27-35. open in new tab
  73. Jaśkowski, P., Biruk, S., Painting, N., 2011. Using of fuzzy AHP for assessing risk of construc- tion projects. International Journal of Arts and Sciences, 4(19), 257-268. open in new tab
  74. Jaśkowski, P., Sobotka, A., 2006. Scheduling construction projects using evolutionary algo- rithm. Journal of Construction Engineering and Management, 132(8), 861-870. open in new tab
  75. Joachims, T., 1998. Text categorization with support vector machines: Learning with many relevant features. Machine Learning, ECML-98, 137-142. open in new tab
  76. Jurczyk, K., 2011. Zastosowanie sztucznych sieci neuronowych jako narzędzia wspomagają- cego zarządzanie zapasami i planowanie popytu na przykładzie przedsiębiorstwa dys- trybucyjnego. Logistyka, 2(2011), 233-244.
  77. Kacprzak, T., Ślot, K., 1995. Sieci Neuronowe Komórkowe: Teoria, Projektowanie, Zastoso- wania, PWN, Warszawa.
  78. Kaczmarek, T. T., 2005. Ryzyko i Zarządzanie Ryzykiem: Ujęcie Interdyscyplinarne. Difin, Warszawa, Kasprzak, W., 2009. Rozpoznawanie Obrazów i Sygnałów Mowy. Oficyna Wydawnicza Poli- techniki Warszawskiej, Warszawa.
  79. Kawecki, J., 2015. Kryteria oceny wpływu drgań komunikacyjnych na budynki zabytkowe i lu- dzi w budynkach w ujęciu normowym. Przegląd Budowlany, 86(11), 43-50. open in new tab
  80. Kawecki J., Stypuła K., 2009. Diagnozy a posteriori wpływów drgań drogowych na budynki. XXIV Konferencja Naukowo-Techniczna Awarie Budowlane, Szczecin-Międzyz- droje, 539-546.
  81. Kawecki, J., 2011. Oddziaływania dynamiczne na obiekty budowlane. Zeszyty Naukowe Poli- techniki Rzeszowskiej. Budownictwo i Inżynieria Środowiska, 58(3/I), 115-134.
  82. Kawecki, J., Stypuła, K., 2013. Zapewnienie Komfortu Wibracyjnego Ludziom w Budynkach Narażonych na Oddziaływania Komunikacyjne. Wydawnictwo Politechniki Krakow- skiej, Kraków.
  83. Kim, S., 2016. Weighted K -means support vector machine for cancer prediction. SpringerPlus, 5(1), 1162. open in new tab
  84. Knight, F.H., 1921. Risk, Uncertainty and Profit. Hart, Schaffner and Marx, New York, USA. Kogut, J., 1999. Analiza Spektrum Odpowiedzi Drgań Drogowych. Rozprawa doktorska, Poli- technika Krakowska, Kraków. Kołodziej, M., Majkowski, A., Rak, R.J., 2011. Wykorzystanie maszyny wektorów wspierają- cych (SVM) do klasyfikacji sygnału EEG na użytek interfejsu mózg-komputer. Po- miary Automatyka Kontrola, 57(12/2011), 1546-1548.
  85. Korbicz, J., Obuchowicz, A., Uciński, D., 1994. Sztuczne Sieci Neuronowe: Podstawy i Zasto- sowania. Akademicka Oficyna Wydawnicza, Warszawa.
  86. Koszela, K., Boniecki, P., Weres, J., 2005. Ocena efektywności neuronowego prognozowania w oparciu o wybrane metody na przykładzie dystrybucji produktów rolniczych. Inży- nieria Rolnicza, 9(2), 69-76.
  87. Kowalczyk, Z., 1975. Metody Matematyczne w Ekonomice, Organizacji i Zarządzaniu w Bu- downictwie. Wydawnictwo Politechniki Gdańskiej, Gdańsk.
  88. Kowalski, C.T., Ewert, P., 2009. Zastosowanie sieci neuronowych do monitorowania nieosio- wości napędów elektrycznych z silnikami indukcyjnymi. Maszyny Elektryczne: Ze- szyty Problemowe, 83/2009, 189-194.
  89. Kristowski, A., 2005. Bezpieczeństwo planowania procesu budowy z uwzględnieniem ryzyka, niepewności i zakłóceń. Przegląd Budowlany, 76(4), 48-50.
  90. Kuźniar, K., 2011. Neural networks for the analysis of mine-induced building vibrations. Com- puter Assisted Methods in Engineering and Science, 18(3), 147-159. open in new tab
  91. Kuźniar, K., 2002. Estimation of dynamic response of buildings with load bearing walls using response spectra and neural networks. Journal of Theoretical and Applied Mechanics, 40(2), 483-495. open in new tab
  92. Kuźniar, K., Chudyba, Ł., 2013. Interakcja dynamiczna podłoże-budynek w przypadku prze- kazywania prędkości oraz przyśpieszeń drgań od wstrząsów pochodzenia górniczego. Budownictwo i Inżynieria Środowiska, 4(1), 37-45. open in new tab
  93. Kuźniar, K., Waszczyszyn, Z., 2003. Neural simulation of dynamic response of prefabricated buildings subjected to paraseismic excitations. Computers and Structures, 81(24), 2353-2360. open in new tab
  94. Lewandowski, R., 2012. Problemy redukcji drgań konstrukcji budowlanych z wiskotycznymi i lepkosprężystymi tłumikami drgań. Biuletyn Wojskowej Akademii Technicznej, 61(4), 169-196. open in new tab
  95. Łój, G. 2007. Betonowa kostka brukowa-trwałość i estetyka. Czasopismo Techniczne, 104(4- A), 139-144.
  96. Martínez-Rego, D., Fontenla-Romero, O., Alonso-Betanzos, A., 2011. Power wind mill fault detection via one-class ν-SVM vibration signal analysis. The 2011 International Joint Conference, California, USA, 511-518. open in new tab
  97. McCarthy, J., 1956. The inversion of functions defined by turing machines. Automata Studies, Stanford, Canada, 177-181. open in new tab
  98. McCulloch, W.S., Pitts, W., 1943. A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics, 5(4), 115-133. open in new tab
  99. Michalik, K., 2014, Ekspertyzy Techniczne i Diagnostyka w Budownictwie. Wydawnictwo Prawo i Budownictwo, Chrzanów.
  100. Michalski, R.S., Carbonell, J.G., Mitchell, T.M., 1983. Machine Learning: An Artificial Intel- ligence Approach. Springer-Verlag, New York, USA. open in new tab
  101. Minsky, M., Papert, S., 1969. Perceptrons. MIT Press, Cambridge, USA.
  102. Mitchell, T.M., 1997. Machine Learning. McGraw-Hill Science, Columbus, USA. Naderpour, H., Barros, R.C., Khatami, S.M., Jankowski, R., 2016. Numerical study on pound- ing between two adjacent buildings under earthquake excitation. Shock and Vibration, article ID 1504783.
  103. Neathey, F., Sinclair, A., Rick, J., Ballard, J., Hunt, W., Denvir, A., 2006. An evaluation of the five steps to risk assessment. Health and Safety Executive Research Report, 476, 1- 157. open in new tab
  104. Niemas, M., 2004. Ciężki ruch kołowy i jego wpływ na klimat wibroakustyczny w budynkach mieszkalnych. Prace Instytutu Techniki Budowlanej, 33(2), 43-54.
  105. Osowski, S., 1996. Sieci Neuronowe w Ujęciu Algorytmicznym. Wydawnictwa Naukowo- Techniczne, Warszawa.
  106. Osowski, S., 2000. Sieci Neuronowe do Przetwarzania Informacji. Oficyna Wydawnicza Poli- techniki Warszawskiej, Warszawa. Pal, M., 2006. Support vector machines-based modelling of seismic liquefaction potential. In- ternational Journal for Numerical and Analytical Methods in Geomechanics, 30(10), 983-996.
  107. Pasieczny, L., 1981. Encyklopedia Organizacji i Zarządzania. Państwowe Wydawnictwa Eko- nomiczne, Warszawa. open in new tab
  108. Romanowska, A., Jamroz, K., Kustra, W., 2017. Pedestrian safety management using the risk- based approach. MATEC Web of Conferences, 122, paper no. 01007. open in new tab
  109. Rosenblatt, F., 1962. Principles of Neurodynamics; Perceptrons and the Theory of Brain Mech- anisms. Spartan Books, Washington, USA. open in new tab
  110. Rosenblatt, F., 1958. The perceptron: a probabilistic model for information storage and organ- ization in the brain. Psychological Review, 65(6), 386. open in new tab
  111. Rubinstein R.Y., Kroese D.P., 2004. The Cross-Entropy Method: A Unified Approach to Com- binatorial Optimization, Monte Carlo Simulation and Machine Learning. Springer- Verlag, New York, USA. Rutkowski, L. 2009. Metody i Techniki Sztucznej Inteligencji. Wydawnictwo Naukowe PWN, Warszawa.
  112. Schmidt, M., Gish, H., 1996. Speaker identification via support vector classifiers. International Conference on Acoustics, Speech, and Signal Processing Conference Proceedings, At- lanta, USA, vol. 1, 105-108. open in new tab
  113. Setlak, G., Paśko, Ł. 2013. Application of data mining methods on markets segmenta- tion. Studia Informatica, 34(2A), 311-323.
  114. Shawe-Taylor, J., Bartlett, P.L., Williamson, R.C., Anthony, M., 1998. Structural risk minimi- zation over data-dependent hierarchies. IEEE Transactions on Information Theory, 44(5), 1926-1940. open in new tab
  115. Siemaszko, A., Kembłowski, M.W., 2016. Ocena efektywności monitoringu obiektów inży- nierskich za pomocą sieci Bayesa. Materiały Budowlane, 6(2016), 137-138. open in new tab
  116. Souza, C. R., 2010. Kernel functions for machine learning applications. Creative Commons Attribution-Noncommercial-Share Alike, 3, 29.
  117. Stypuła, K., 2009. Wybrane problemy ochrony zabudowy powierzchniowej przed drganiami generowanymi przez komunikację podziemną. Górnictwo i Geoinżynieria, 33, 351- 362.
  118. Stypuła, K., Kawecki, J., 2008. Błędy w prognozowaniu i diagnostyce wpływów dynamicz- nych na budynki. Czasopismo Techniczne, 105(1-M), 127-136.
  119. Szer, J. 2012. Analiza ryzyka w budownictwie i jego skutki. Przegląd Budowlany, 83(9), 42- 49.
  120. Tadeusiewicz, R., 1993. Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa. Tadeusiewicz, R., 1998. Elementarne Wprowadzenie do Sieci Neuronowych z Przykładowymi Programami. Akademicka Oficyna Wydawnicza, Warszawa. open in new tab
  121. Trzciński, G., Kaczmarzyk, S., 2006. Ocena nośności gruntowych dróg leśnych. Sylwan, 150(04), 65-72.
  122. Urbański, P., 2004. Zastosowanie sztucznych sieci neuronowych do oceny stopnia zużycia technicznego wybranej grupy budynków mieszkalnych. Statystyka i Data Mining w Badaniach Naukowych-Seminarium Statsoft, Warszawa-Kraków, 105-119.
  123. Vanajakshi, L., Rilett, L.R., 2004. A comparison of the performance of artificial neural net- works and support vector machines for the prediction of traffic speed. IEEE Intelligent Vehicles Symposium, Parma, Italy, 194-199. open in new tab
  124. Vapnik, V., Chervonenkis, A., 1964. A note on one class of perceptrons. Automation and Re- mote Control, 25, 103.
  125. Vapnik, V., Lerner, A.J., 1963. Generalized portrait method for pattern recognition. Automation and Remote Control, 24, 774-780. open in new tab
  126. Vapnik, V.N., Chervonenkis, A.J., 1974. Theory of Pattern Recognition. Nauka, Moskwa. Wabik, W., 2012. Monitoring system to detect potential dangerous situations. Studia Informa- tica, 33(2B), 497-508. open in new tab
  127. Wesołowski, F., 2008. Zasady Muzyki. Kraków, Polskie Wydawnictwo Muzyczne, Kraków.
  128. Widrow, B., Steinbuch, K., 1964. A Critical Comparison of Two Kinds of Adaptive Classifica- tion Networks. Stanford Univ. CA Stanford Electronics Labs, California, USA.
  129. Wilde, K., Rucka, M., Chróścielewski, J., Niedostatkiewicz, M., 2013. Rozwiązanie przegrody wibroizolacyjnej w budynku zabytkowym narażonym na drgania wywołane ruchem kołowym i szynowym. Inżynieria Morska i Geotechnika, 5, 408-411. open in new tab
  130. Willett, A.H., 1901. The Economic Theory of Risk and Insurance. The Columbia University Press, New York, USA. open in new tab
  131. Yeung, W.T., Smith, J.W., 2005. Damage detection in bridges using neural networks for pattern recognition of vibration signatures. Engineering Structures, 27(5), 685-698. open in new tab
  132. Yun, C.-B., Yi, J.-H., Bahng, E.Y., 2001. Joint damage assessment of framed structures using a neural networks technique. Engineering Structures, 23(5), 425-435. open in new tab
  133. Zieliński, T.P., 2007. Cyfrowe Przetwarzanie Sygnałów: od Teorii do Zastosowań. Wydawnic- twa Komunikacji i Łączności, Warszawa.
  134. Normy, dokumenty i strony internetowe: BS 6472-1:2008. Guide to evaluation of human exposure to vibration in buildings. Part 1: Vi- bration sources other than blasting. open in new tab
  135. Czarnecki K., Janowski A., 2002. System oceny stanu nawierzchni SOSN. Wytyczne stosowa- nia. Załącznik A: Zasady ciągłego obmiaru uszkodzeń i oceny stanu nawierzchni bi- tumicznych metodą oceny wizualnej w Systemie Oceny Stanu Nawierzchni SOSN. Warszawa, 2002. DIN 4150-2, Structural vibration, Part 2: Human exposure to vibration in buildings, 1999. Directive 2002/49/EC of the European parliament and the Council of 25 June 2002 relating to the assessment and management of environmental noise. Official Journal,189, 2002.
  136. EPS, Elektroniczny Podręcznik Statystyki, 2017. StatSoft, Kraków. [on-line], [dostęp 1 lipca 2017]. https://www.statsoft.pl/textbook/stathome.html ISO 10137:2007 -Bases for design of structures -Serviceability of buildings and walkways against vibrations, 2007. PN-85/B-02170. Ocena szkodliwości drgań przekazanych przez podłoże na budynki, 1988. PN-87/B-02151/02. Akustyka budowlana. Ochrona przed hałasem pomieszczeń w budynkach. Dopuszczalne wartości poziomu dźwięku w pomieszczeniach, 1987. PN-88/B-02171. Ocena wpływu drgań na ludzi w budynkach, 1989. Prawo ochrony środowiska z dnia 27 kwietnia 2001r., Dz.U. 2001 nr 62 poz. 627.
  137. Radzikowski M., Foryś G., 2007.Wytyczne stosowania "Systemu oceny stanu nawierzchni be- tonowych /SOSN-B/". Załącznik 2: Katalog typowych uszkodzeń nawierzchni beto- nowych dla potrzeb ciągłego obmiaru uszkodzeń metodą oceny wizualnej w Systemie Oceny Stanu Nawierzchni Betonowych. Warszawa, 2007.
  138. Saganowski, C., 2002. Załącznik do Zarządzenia Nr 9 Generalnego Dyrektora Dróg Publicz- nych z dnia 4 marca 2002r.: System oceny stanu nawierzchni SOSN. Wytyczne stoso- wania. Warszawa, 2002. open in new tab
  139. Stypuła, K., 2015. Wpływ drgań na budynki i ludzi w budynkach -rola badań in situ. [on-line], [dostęp 17 grudnia 2017r.]. http://www.map.piib.org.pl/materialy-szkoleniowe.
  140. Ustawa Prawo budowlane z dnia 7 lipca 1994r., Dz.U.10.243.1623. Ustawa z dnia 21 marca 1985r. o drogach publicznych, Dz.U. 1985 nr 14 poz. 60. 9. SPIS RYSUNKÓW open in new tab
  141. Rys. 2.1. Uszkodzenia powstałe na skutek drgań komunikacyjnych. open in new tab
  142. Rys. 2.2. Czas trwania drgań uwzględniany w analizie (Kawecki i Stypuła, 2013). open in new tab
  143. Rys. 2.3. Skale Wpływów Dynamicznych (PN-85/B-02170). samochodu osobowego do 3,5 t, naniesione na SWD I. open in new tab
  144. Rys. 3.5. Wyniki analizy dla budynku nr 1 wykonanej dla przejazdu autobusu o dwóch osiach, naniesione na SWD I. open in new tab
  145. Rys. 3.6. Wyniki analizy dla budynku nr 1, wykonanej dla przejazdu samochodu ciężarowego powyżej 10 t, naniesione na SWD I. open in new tab
  146. Rys. 3.7. Wyniki analizy dla budynku nr 2, wykonanej dla przejazdu samochodu osobowego do 3,5 t, naniesione na SWD I. open in new tab
  147. Rys. 3.8. Wyniki analizy dla budynku nr 2, wykonanej dla przejazdu samochodu dostawczego do 10 t, naniesione na SWD I. open in new tab
  148. Rys. 3.9. Wyniki analizy dla budynku nr 2, wykonanej dla przejazdu samochodu ciężarowego powyżej 10 t, naniesione na SWD I. open in new tab
  149. Rys. 3.10. Wyniki analizy dla budynku nr 3, wykonanej dla przejazdu samochodu osobowego do 3,5 t, naniesione na SWD II. open in new tab
  150. Rys. 3.11. Wyniki analizy dla budynku nr 3, wykonanej dla przejazdu samochodu dostawczego do 10 t, naniesione na SWD II. open in new tab
  151. Rys. 3.12. Wyniki analizy dla budynku nr 3, wykonanej dla przejazdu autobusu o trzech osiach, naniesione na SWD II.
  152. Rys. 3.13. Wyniki analizy dla budynku nr 4, wykonanej dla przejazdu samochodu osobowego do 3,5 t, naniesione na SWD I. open in new tab
  153. Rys. 3.14. Wyniki analizy dla budynku nr 4, wykonanej dla przejazdu samochodu dostawczego do 10 t, naniesione na SWD I. open in new tab
  154. Rys. 3.15. Wyniki analizy dla budynku nr 4, wykonanej dla przejazdu autobusu o trzech osiach, naniesione na SWD I. open in new tab
  155. Rys. 3.16. Wyniki analizy dla budynku nr 5, wykonanej dla przejazdu samochodu osobowego do 3,5 t, naniesione na SWD II. open in new tab
  156. Rys. 3.17. Wyniki analizy dla budynku nr 5, wykonanej dla przejazdu autobusu o dwóch osiach, naniesione na SWD II. open in new tab
  157. Rys. 3.18. Wyniki analizy dla budynku nr 5, wykonanej dla przejazdu samochodu ciężarowego powyżej 10 t, naniesione na SWD II. open in new tab
  158. Rys. 3.19. Wyniki analizy dla budynku nr 6, wykonanej dla przejazdu samochodu osobowego do 3,5 t, naniesione na SWD I Rys. 3.20. Wyniki analizy dla budynku nr 6, wykonanej dla przejazdu samochodu dostawczego do 10 t, naniesione na SWD I. open in new tab
  159. Rys. 3.21. Wyniki analizy dla budynku nr 6, wykonanej dla przejazdu autobusu o trzech osiach, naniesione na SWD I. open in new tab
  160. Rys. 3.22. Wyniki analizy dla budynku nr 7, wykonanej dla przejazdu samochodu osobowego do 3,5 t, naniesione na SWD II. open in new tab
  161. Rys. 3.23. Wyniki analizy dla budynku nr 7, wykonanej dla przejazdu samochodu dostawczego do 10 t, naniesione na SWD II. open in new tab
  162. Rys. 3.24. Wyniki analizy dla budynku nr 7, wykonanej dla przejazdu samochodu ciężarowego powyżej 10 t, naniesione na SWD II. open in new tab
  163. Rys. 3.25. Wyniki analizy dla budynku nr 8, wykonanej dla przejazdu samochodu osobowego do 3,5 t, naniesione na SWD II. open in new tab
  164. Rys. 3.26. Wyniki analizy dla budynku nr 8, wykonanej dla przejazdu samochodu dostawczego do 10 t, naniesione na SWD II. open in new tab
  165. Rys. 3.27. Wyniki analizy dla budynku nr 8, wykonanej dla przejazdu samochodu ciężarowego powyżej 10 t, naniesione na SWD II. open in new tab
  166. Rys. 3.28. Wyniki analizy dla budynku nr 9, wykonanej dla przejazdu samochodu osobowego do 3,5 t, naniesione na SWD II. open in new tab
  167. Rys. 3.29. Wyniki analizy dla budynku nr 9, wykonanej dla przejazdu samochodu dostawczego do 10 t, naniesione na SWD II. open in new tab
  168. Rys. 3.30. Wyniki analizy dla budynku nr 9, wykonanej dla przejazdu autobusu o trzech osiach, naniesione na SWD II. open in new tab
  169. Rys. 3.31. Wyniki analizy dla budynku nr 10, wykonanej dla przejazdu samochodu osobowego do 3,5 t, naniesione na SWD II. open in new tab
  170. Rys. 3.32. Wyniki analizy dla budynku nr 10, wykonanej dla przejazdu samochodu dostawczego do 10 t, naniesione na SWD II. open in new tab
  171. Rys. 3.33. Wyniki analizy dla budynku nr 10, wykonanej dla przejazdu samochodu ciężarowego powyżej 10 t, naniesione na SWD II. open in new tab
  172. Rys. 3.34. Wyniki analizy dla budynku nr 11, wykonanej dla przejazdu samochodu osobowego do 3,5 t, naniesione na SWD II. open in new tab
  173. Rys. 3.35. Wyniki analizy dla budynku nr 11, wykonanej dla przejazdu samochodu dostawczego do 10 t, naniesione na SWD II. open in new tab
  174. Rys. 3.36. Wyniki analizy dla budynku nr 11, wykonanej dla przejazdu samochodu ciężarowego powyżej 10 t, naniesione na SWD II. open in new tab
  175. Rys. 4.1. Podział na etapy postępowania podczas prognozowania ryzyka uszkodzeń spowodowanych drganiami komunikacyjnymi. open in new tab
  176. Rys. 4.2. Model sztucznego neuronu (perceptronu): xi -sygnały wejściowe; y -wektor (sygnał) wyjściowy; wi -wagi; e -funkcja wewnętrznego przetwarzania;  -funkcja aktywacji (Tadeusiewicz, 1993). open in new tab
  177. Rys. 4.3. Klasyfikacja sztucznych sieci neuronowych (Tadeusiewicz, 1993). open in new tab
  178. Rys. 4.4. Etapy budowy algorytmu sztucznych sieci neuronowych (opracowanie własne na podstawie publikacji: Tadeusiewicz (1993), Korbicz i in. (1994), Osowski (1996)). open in new tab
  179. Rys. 4.5. Modelowe rozwiązanie problemu regresji MWW: po lewej -problem do rozwiązania; open in new tab
  180. po prawej -wyznaczona funkcja ciągła (Cherkassky i Ma, 2004). open in new tab
  181. Rys. 4.6. Modelowe rozwiązanie problemu klasyfikacji MWW: po lewej -problem do rozwiązania; po prawej -wyznaczona hiperpłaszczyzna g(x) separująca klasy (Haykin, 2009). open in new tab
  182. Rys. 4.7. Możliwe rozwiązanie problemu klasyfikacji MWW: po lewej -wyznaczona jedna hiperpłaszczyzna separująca dane; po prawej -wiele hiperpłaszczyzn separujących dane. open in new tab
  183. Rys. 4.8. Możliwe rozwiązanie problemu klasyfikacji MWW z maksymalnym marginesem (Vapnik i Lerner, 1963). open in new tab
  184. Rys. 4.9. Możliwe rozwiązanie problemu klasyfikacji MWW z maksymalnym marginesem i zaznaczonymi wektorami wspierającymi (w1-w5) (Vapnik i Lerner, 1963). open in new tab
  185. Rys. 4.10. Porównanie problemów klasyfikacji: po lewej -problem nieseparowalny liniowo; open in new tab
  186. po prawej -problem separowalny liniowo (Boser i in., 1992). open in new tab
  187. Rys. 4.11. Możliwe rozwiązanie problemu klasyfikacji nieseparowalnej liniowo z zaznaczonymi wektorami wspierającymi (w1-w4) (Bennett i Campbell, 2000). open in new tab
Verified by:
Gdańsk University of Technology

seen 180 times

Recommended for you

Meta Tags