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.
Author (1)
Cite as
Full text
- 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
-
- NAJWAŻNIEJSZE SKRÓTY STOSOWANE W PRACY ............................................................ 7
- WSTĘP ........................................................................................................................................ 8
- Wprowadzenie .......................................................................................................................... 8 1.2. Analiza stanu wiedzy .............................................................................................................. 10
- Cel, zakres i teza naukowa ..................................................................................................... 15
- DRGANIA KOMUNIKACYJNE ............................................................................................. 17
- Definicja i geneza drgań ......................................................................................................... 17 2.2. Wpływ drgań komunikacyjnych na budynki mieszkalne i przebywających w nich ludzi ..... 19
- Metodyka pomiarowa wpływu drgań komunikacyjnych na budynki mieszkalne .................. 22
- Wpływ drgań komunikacyjnych na przebywających w budynkach ludzi .............................. 25 open in new tab
- Drgania komunikacyjne a hałas.............................................................................................. 28 2.6. Metody redukcji wpływu drgań.............................................................................................. 28
- BADANIA EKSPERYMENTALNE DRGAŃ KOMUNIKACYJNYCH ............................... 30
- RYZYKO I ALGORYTMY WSPOMAGAJĄCE PODEJMOWANIE DECYZJI .................. 58
- Ryzyko i metody jego szacowania ......................................................................................... 58 4.2. Ryzyko uszkodzeń budynków spowodowanych drganiami komunikacyjnymi ..................... 59
- Sztuczne sieci neuronowe ...................................................................................................... 60
- Maszyny wektorów wspierających ......................................................................................... 65
- BUDOWA ALGORYTMU SZTUCZNYCH SIECI NEURONOWYCH................................ 73
- Informacje wejściowe i wyjściowe ........................................................................................ 73 5.2. Informacje techniczne tworzenia SSN ................................................................................... 73
- Utworzone sztuczne sieci neuronowe .................................................................................... 80
- BUDOWA ALGORYTMU MASZYN WEKTORÓW WSPIERAJĄCYCH ........................ 136
- Informacje wejściowe i wyjściowe ...................................................................................... 136 6.2. Informacje techniczne tworzenia MWW .............................................................................. 136
- Utworzone maszyny wektorów wspierających .................................................................... 137
- PODSUMOWANIE i WNIOSKI KOŃCOWE ...................................................................... 158 open in new tab
- Wyniki dla sztucznych sieci neuronowych .......................................................................... 158 7.2. Wyniki dla maszyn wektorów wspierających ...................................................................... 160
- Porównanie wyników SSN -MWW .................................................................................... 161 7.4. Uwagi ogólne ....................................................................................................................... 162
- Kierunki dalszych badań ...................................................................................................... 163
- Elementy oryginalne pracy ................................................................................................... 163
- BIBLIOGRAFIA ..................................................................................................................... 165 open in new tab
- SPIS RYSUNKÓW ................................................................................................................. 172
- 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.
- 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.
- 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.
- Bennett, K.P., Campbell, C., 2000. Support vector machines: hype or hallelujah? ACM SIGKDD Explorations Newsletter, 2(2), 1-13. open in new tab
- 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
- 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.
- 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
- 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
- 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.
- 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.
- Ciesielski, R., 2002. Podstawy i nowości naukowe w inżynierii parasejsmicznej. Zeszyty Nau- kowe Politechniki Rzeszowskiej. Mechanika, 60(197), 85-115.
- Ciesielski, R., Maciąg, E., 1990. Drgania drogowe i ich wpływ na budynki. Wydawnictwa Ko- munikacji i Łączności, Warszawa.
- Conway, D., White J. 2012. Machine Learning for Hackers. O'Reilly Media, Inc., Sebastopol, USA.
- 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
- Cortes, C., Vapnik, V., 1995. Support-vector networks. Machine Learning, 20, 273-297. open in new tab
- 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
- 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
- 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
- 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
- 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.
- Dulińska, J., Kawecki, J., Kozioł, K., Stypuła, K., Tatara, T., 2014. Oddziaływania Parasej- smiczne Przekazywane na Obiekty Budowlane. Wydawnictwo Politechniki Krakow- skiej, Kraków.
- 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
- 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
- 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
- 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
- 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
- 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.
- Grzyl, B., 2013. Ryzyko, identyfikacja i ocena ryzyka przedsięwzięcia inwestycyjnego w aspekcie działań logistycznych. Autobusy: Technika, Eksploatacja, Systemy Transpor- towe, 14(3), 601-610.
- 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
- Grzyl, B., Kristowski, A., 2016. BIM jako narzędzie wspomagające zarządzanie ryzykiem przedsięwzięcia inwestycyjnego. Materiały Budowlane, 6(2016), 52-54. open in new tab
- Haykin, S., 2009. Neural Networks and Machine Learning. Pearson Prentice Hall, New Jersey, USA.
- 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
- 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
- Hunaidi, O., 2000. Traffic vibrations in buildings. Construction Technology Update, 39, Na- tional Research Council of Canada, 1-6. open in new tab
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- Jankowski, R., Mahmoud, S., 2015. Earthquake-Induced Structural Pounding, Springer, Swit- zerland. open in new tab
- 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
- 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
- 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
- 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
- Joachims, T., 1998. Text categorization with support vector machines: Learning with many relevant features. Machine Learning, ECML-98, 137-142. open in new tab
- 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.
- Kacprzak, T., Ślot, K., 1995. Sieci Neuronowe Komórkowe: Teoria, Projektowanie, Zastoso- wania, PWN, Warszawa.
- 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.
- 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
- Kawecki J., Stypuła K., 2009. Diagnozy a posteriori wpływów drgań drogowych na budynki. XXIV Konferencja Naukowo-Techniczna Awarie Budowlane, Szczecin-Międzyz- droje, 539-546.
- Kawecki, J., 2011. Oddziaływania dynamiczne na obiekty budowlane. Zeszyty Naukowe Poli- techniki Rzeszowskiej. Budownictwo i Inżynieria Środowiska, 58(3/I), 115-134.
- Kawecki, J., Stypuła, K., 2013. Zapewnienie Komfortu Wibracyjnego Ludziom w Budynkach Narażonych na Oddziaływania Komunikacyjne. Wydawnictwo Politechniki Krakow- skiej, Kraków.
- Kim, S., 2016. Weighted K -means support vector machine for cancer prediction. SpringerPlus, 5(1), 1162. open in new tab
- 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.
- Korbicz, J., Obuchowicz, A., Uciński, D., 1994. Sztuczne Sieci Neuronowe: Podstawy i Zasto- sowania. Akademicka Oficyna Wydawnicza, Warszawa.
- 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.
- Kowalczyk, Z., 1975. Metody Matematyczne w Ekonomice, Organizacji i Zarządzaniu w Bu- downictwie. Wydawnictwo Politechniki Gdańskiej, Gdańsk.
- 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.
- Kristowski, A., 2005. Bezpieczeństwo planowania procesu budowy z uwzględnieniem ryzyka, niepewności i zakłóceń. Przegląd Budowlany, 76(4), 48-50.
- 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
- 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
- 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
- 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
- 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
- Łój, G. 2007. Betonowa kostka brukowa-trwałość i estetyka. Czasopismo Techniczne, 104(4- A), 139-144.
- 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
- McCarthy, J., 1956. The inversion of functions defined by turing machines. Automata Studies, Stanford, Canada, 177-181. open in new tab
- 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
- Michalik, K., 2014, Ekspertyzy Techniczne i Diagnostyka w Budownictwie. Wydawnictwo Prawo i Budownictwo, Chrzanów.
- 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
- Minsky, M., Papert, S., 1969. Perceptrons. MIT Press, Cambridge, USA.
- 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.
- 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
- Niemas, M., 2004. Ciężki ruch kołowy i jego wpływ na klimat wibroakustyczny w budynkach mieszkalnych. Prace Instytutu Techniki Budowlanej, 33(2), 43-54.
- Osowski, S., 1996. Sieci Neuronowe w Ujęciu Algorytmicznym. Wydawnictwa Naukowo- Techniczne, Warszawa.
- 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.
- Pasieczny, L., 1981. Encyklopedia Organizacji i Zarządzania. Państwowe Wydawnictwa Eko- nomiczne, Warszawa. open in new tab
- 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
- Rosenblatt, F., 1962. Principles of Neurodynamics; Perceptrons and the Theory of Brain Mech- anisms. Spartan Books, Washington, USA. open in new tab
- 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
- 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.
- 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
- Setlak, G., Paśko, Ł. 2013. Application of data mining methods on markets segmenta- tion. Studia Informatica, 34(2A), 311-323.
- 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
- 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
- Souza, C. R., 2010. Kernel functions for machine learning applications. Creative Commons Attribution-Noncommercial-Share Alike, 3, 29.
- Stypuła, K., 2009. Wybrane problemy ochrony zabudowy powierzchniowej przed drganiami generowanymi przez komunikację podziemną. Górnictwo i Geoinżynieria, 33, 351- 362.
- Stypuła, K., Kawecki, J., 2008. Błędy w prognozowaniu i diagnostyce wpływów dynamicz- nych na budynki. Czasopismo Techniczne, 105(1-M), 127-136.
- Szer, J. 2012. Analiza ryzyka w budownictwie i jego skutki. Przegląd Budowlany, 83(9), 42- 49.
- 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
- Trzciński, G., Kaczmarzyk, S., 2006. Ocena nośności gruntowych dróg leśnych. Sylwan, 150(04), 65-72.
- 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.
- 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
- Vapnik, V., Chervonenkis, A., 1964. A note on one class of perceptrons. Automation and Re- mote Control, 25, 103.
- Vapnik, V., Lerner, A.J., 1963. Generalized portrait method for pattern recognition. Automation and Remote Control, 24, 774-780. open in new tab
- 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
- Wesołowski, F., 2008. Zasady Muzyki. Kraków, Polskie Wydawnictwo Muzyczne, Kraków.
- Widrow, B., Steinbuch, K., 1964. A Critical Comparison of Two Kinds of Adaptive Classifica- tion Networks. Stanford Univ. CA Stanford Electronics Labs, California, USA.
- 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
- Willett, A.H., 1901. The Economic Theory of Risk and Insurance. The Columbia University Press, New York, USA. open in new tab
- 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
- 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
- Zieliński, T.P., 2007. Cyfrowe Przetwarzanie Sygnałów: od Teorii do Zastosowań. Wydawnic- twa Komunikacji i Łączności, Warszawa.
- 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
- 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.
- 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.
- 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.
- 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
- 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.
- 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
- Rys. 2.1. Uszkodzenia powstałe na skutek drgań komunikacyjnych. open in new tab
- Rys. 2.2. Czas trwania drgań uwzględniany w analizie (Kawecki i Stypuła, 2013). open in new tab
- Rys. 2.3. Skale Wpływów Dynamicznych (PN-85/B-02170). samochodu osobowego do 3,5 t, naniesione na SWD I. open in new tab
- Rys. 3.5. Wyniki analizy dla budynku nr 1 wykonanej dla przejazdu autobusu o dwóch osiach, naniesione na SWD I. open in new tab
- 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
- 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
- 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
- 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
- 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
- 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
- Rys. 3.12. Wyniki analizy dla budynku nr 3, wykonanej dla przejazdu autobusu o trzech osiach, naniesione na SWD II.
- 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
- 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
- Rys. 3.15. Wyniki analizy dla budynku nr 4, wykonanej dla przejazdu autobusu o trzech osiach, naniesione na SWD I. open in new tab
- 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
- Rys. 3.17. Wyniki analizy dla budynku nr 5, wykonanej dla przejazdu autobusu o dwóch osiach, naniesione na SWD II. open in new tab
- 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
- 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
- Rys. 3.21. Wyniki analizy dla budynku nr 6, wykonanej dla przejazdu autobusu o trzech osiach, naniesione na SWD I. open in new tab
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- Rys. 3.30. Wyniki analizy dla budynku nr 9, wykonanej dla przejazdu autobusu o trzech osiach, naniesione na SWD II. open in new tab
- 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
- 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
- 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
- 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
- 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
- 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
- Rys. 4.1. Podział na etapy postępowania podczas prognozowania ryzyka uszkodzeń spowodowanych drganiami komunikacyjnymi. open in new tab
- 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
- Rys. 4.3. Klasyfikacja sztucznych sieci neuronowych (Tadeusiewicz, 1993). open in new tab
- 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
- Rys. 4.5. Modelowe rozwiązanie problemu regresji MWW: po lewej -problem do rozwiązania; open in new tab
- po prawej -wyznaczona funkcja ciągła (Cherkassky i Ma, 2004). open in new tab
- 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
- 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
- Rys. 4.8. Możliwe rozwiązanie problemu klasyfikacji MWW z maksymalnym marginesem (Vapnik i Lerner, 1963). open in new tab
- 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
- Rys. 4.10. Porównanie problemów klasyfikacji: po lewej -problem nieseparowalny liniowo; open in new tab
- po prawej -problem separowalny liniowo (Boser i in., 1992). open in new tab
- 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