Application of Support Vector Machine in the analysis of the technical state of development in the LGOM mining area

• Autorzy: Rusek J.

Identyfikatory

DOI

10.17531/ein.2017.1.8

Warianty tytułu

PL

Zastosowanie metody Support Vector Machine w analizie stanu technicznego za budowy terenu górniczego LGOM

• Języki publikacji: EN PL

Abstrakty

EN

The paper presents the results of the analysis of technical wear of buildings located within impact of mining plant in the Legnica - Głogów Copper District ( LGOM ). The study used method related to neural networks, support vector (Support Vector Machine) in regression approach ε-SVR (Support Vector Regression). The aim of the study was to assess the impact of variables describing the structural protection and renovations on the course modeled phenomenon. The basis for the analysis was created model of technical wear of buildings in the form of a network ε-SVR. In addition to the variables determining the level of structural protection and renovations in the model included variables describing: terrain deformation, mining intensity tremors and the age of the buildings. The choice of model parameters were performed using, as gradientlessness optimization method, genetic algorithm. Based on the established model ε-SVR two types of sensitivity analysis were applied. Assessing the impact of the structural protections have been studying by the analysis of variability of the gradient vector for the modeled hypersurface. The analysis of the impact of renovations on the course modeled process was carried out based on the comparator simulation results of ε-SVR model. The results confirmed the usefulness of the methodology of research and allowed to draw important conclusions on the impact of analyzed factors on the technical wear traditional buildings LGOM.

PL

W pracy przedstawiono wyniki analizy zużycia technicznego budynków zlokalizowanych w zasięgu wpływów eksploatacji górniczej na terenie Legnicko-Głogowskiego Okręgu Miedziowego (LGOM). W badaniach zastosowano pokrewną sieciom neuronowym metodę wektorów podpierających (Support Vector Machine) w podejściu regresyjnym ε-SVR (Support Vector Regression). Celem badań było uzyskanie oceny wpływu zmiennych opisujących zabezpieczenia konstrukcyjne i remonty na przebieg modelowanego zjawiska. Podstawą do analiz był utworzony model zużycia technicznego budynków w postaci sieci ε-SVR. Oprócz zmiennych określających poziom zabezpieczeń konstrukcyjnych i remontów, w modelu uwzględniono zmienne opisujące: deformacje terenu pochodzenia górniczego, intensywność wstrząsów oraz wiek budynków. Dobór parametrów modelu przeprowadzono z wykorzystaniem, jako bezgradientowej metody optymalizacyjnej, algorytmu genetycznego. Bazując na utworzonym modelu ε-SVR przeprowadzono dwurodzajową analizę wrażliwości. Oceny wpływu zabezpieczeń konstrukcyjnych dokonano badając zmienność wektora gradientu modelowanej hiperpowierzchni. Natomiast analiza wpływu remontów na przebieg modelowanego procesu została przeprowadzona na bazie komparacji wyników symulacji modeluε-SVR. Wyniki badań potwierdziły przydatność przyjętej metodyki badań oraz pozwoliły na sformułowanie istotnych wniosków dotyczących wpływu analizowanych czynników na zużycie techniczne tradycyjnej zabudowy LGOM.

Słowa kluczowe

EN

support vector machine; influence of mining; structure resistance; technical wear; technical condition

PL

Support Vector Machine; wpływy górnicze; odporność budynku; zużycie techniczne; stan techniczny

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2017
• Tom: Vol. 19, no. 1
• Strony: 54--61
• Opis fizyczny: Bibliogr. 26 poz., rys., tab.

Twórcy

autor

Rusek J.

• AGH University of Science and Technology Al. A. Mickiewicza 30, 30-059 Kraków, Poland

Bibliografia

• 1. Alibrandi, U., Alani, A. M., & Ricciardi, G. - A new sampling strategy for SVM-based response surface for structural reliability analysis. Probabilistic Engineering Mechanics 2015; 41: 1-12, http://dx.doi.org/10.1016/j.probengmech.2015.04.001.
• 2. Bierlaire M. - Optimization: principles and algorithms. EPFL Press 2015.
• 3. Chandrashekar, G., & Sahin, F. - A survey on feature selection methods.Computers & Electrical Engineering 2014; 40(1): 16-28, http://dx.doi.org/10.1016/j.compeleceng.2013.11.024.
• 4. Chang C-C., Lin C-J. - LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and Technology 2011;2(3): 1–27. Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm.
• 5. Cortez, P., & Embrechts, M. J. - Using sensitivity analysis and visualization techniques to open black box data mining models. Information Sciences 2013; 225: 1-17, http://dx.doi.org/10.1016/j.ins.2012.10.039.
• 6. Firek K., Wodyński A. - Wpływ zabezpieczeń profilaktycznych oraz remontów na zużycie tradycyjnej zabudowy terenów górniczych (The influence of preventive security measures and renovation works on the wear of traditional buildings in mining areas). The scientific research problems of building. Pt. 3, pracazbiorowa pod red. M. Broniewicza, J. Prusiel. Wydawnictwo Politechniki Białostockiej 2007, ISBN 978-83-60200-33-9.
• 7. Firek K., Rusek J., Wodyński A. - Assessing the influence of mining impacts on technical wear of masonry buildings using multiple regression analysis. International Multidisciplinary Scientific GeoConference SGEM. Albena, Bulgaria, 2015.
• 8. Guo Y-M., Wang X-T., Chong L., Zheng Y-F.,Cai X-B. - Diagnoza uszkodzeń układu elektronicznego z wykorzystaniem Wielojądrowej Maszyny Wektorów Nośnych (SVM) zoptymalizowanej przy pomocy poprawionego algorytmu CPSO. Electronic System Fault Diagnosis with Optimized Multi-kernel SVM by Improved CPSO. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2014; 16(1): 85–91
• 9. Instrukcja GIG nr 12 2000: Zasady oceny możliwości prowadzenia podziemnej eksploatacji górniczej z uwagi na ochronę obiektów budowlanych (Guidline GIG 12 2000: Principles for Evaluating opportunities for underground mining for the protection of buildings. Katowice 2000.
• 10. 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.
• 11. Kuźniar, K. - Analiza drgań budynków ścianowych o średniej wysokości podlegających wstrząsom górniczym z wykorzystaniem sieci neuronowych, 2004.
• 12. Liao, P., Zhang, X., Li, K., Fu, Y., Wang, M., & Wang, S. - Parameter Optimization for Support Vector Machine Based on Nested Genetic Algorithms.Journal of Automation and Control Engineering 2015; 3(6): 78-83, http://dx.doi.org/10.12720/joace.4.1.78-83.
• 13. Lin, X., Yang, F., Zhou, L., Yin, P., Kong, H., Xing, W., ... & Xu, G. - A support vector machine-recursive feature elimination feature selection method based on artificial contrast variables and mutual information. Journal of Chromatography B, 2012; 910: 149-155, http://dx.doi.org/10.1016/j.jchromb.2012.05.020.
• 14. Łęski J. - Systemy neuronowo-rozmyte. WNT, Warszawa 2008.
• 15. MATLAB and Genetic Toolbox 2015b, The MathWorks, Inc., Natick, Massachusetts, United States
• 16. Osowski S. - Metody i narzędzia eksploracji danych. BTC. Legionowo, 2015.
• 17. Rojek I., Studziński J. - Porównanie różnych typów sieci neuronowych do lokalizacji awarii w sieciach wodociągowych. Comparison of different types of neuronal nets for failures location within water-supply networks. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2014; 16(1): 42–47
• 18. Rueda I.E.A, Arciniegas F.A. - SVM Sensitivity Analysis: An Application to currency Crises Aftermarks. IEEE trans. Systems, Man and Cybernetic, 2004; 34: 3.
• 19. Rusek J. - Developing a model of the course of technical wear of building structures in mining areas using the method of Support Vector Machine in regression approach. X Days of Mining Metrology and Protection of Mining Areas. Cracow, 28–29.05.2009. Academic Scientific Publishing House of AGH University of Science and Technology in Cracow. Cracow, 2009.
• 20. Russell S., Norvig P. - Artificial Intelligence: A Modern Approach (3rd ed.). Upper Saddle River: Prentice Hall 2010. ISBN 9780136042594.
• 21. Schölkopf B., Smola A.J. - Learning with Kernels. MIT Press. Cambridge, Massachusetts 2002.
• 22. Tikka J., Hollmen J. - Selection of important input variables for RBF network using partial derivatives - ESANN'2008 proceedings, European Symposium on Artificial Neural Networks-Advances In Computational Intelligence and Learning. Bruges (Belgium), 2008.
• 23. Wodyński A. - Zużycie techniczne budynków na terenach górniczych (The process of technical wear of buildings in mining areas). Uczelniane Wydawnictwa Naukowo-Dydaktyczne, Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie, Kraków 2007.
• 24. Wodyński A., Lasocki S. - Conception Of Assessment Of Mining Tremor Effects On Technical Wear Of Buildings. Acta Montana, series A, 2002; 21.
• 25. Vapnik V. - Statistical learning theory. John Wiley & Sons, New York, 1998.
• 26. Yeh, I. C., & Cheng, W. L. - First and second order sensitivity analysis of MLP. Neurocomputing 2010; 73(10): 2225-2233, http://dx.doi.org/10.1016/j.neucom.2010.01.011.