Neural networks in diagnostics of concrete airfield pavements

• Autorzy: Linek Małgorzata , Nita Piotr

Identyfikatory

DOI

10.7409/rabdim.022.005

Warianty tytułu

PL

Sieci neuronowe w diagnostyce betonowych nawierzchni lotniskowych

• Języki publikacji: EN PL

Abstrakty

EN

Concrete airfield pavement maintenance encompasses many complex problems, which are difficult to identify using traditional diagnostic methods. Artificial neural networks may prove useful in understanding and solving of such problems. The article presents the nature of neural networks and the possible fields of their application in analysis of processes occurring in airfield surface layers and base layers during service. The presented concepts include the use of neural networks in repair prediction, identification of causes of the observed phenomena and diagnostic predictions for future maintenance and service. The aim of the work is to apply artificial neural networks to modeling of maintenance processes, including prediction of pavement evenness. A neural network model was prepared for assessment of pavement evenness based on data obtained from real pavement sections. Research methodology and the obtained field results were described. The structure of the neural network was designed and verified. Conclusions were formulated regarding suitability of neural modeling for pavement evenness prediction. The proposed methodology may complement the methods currently used in pavement diagnostics.

PL

W dziedzinie utrzymania betonowych nawierzchni lotniskowych występuje wiele złożonych problemów trudnych do identyfikacji tradycyjnymi metodami diagnostycznymi. Do ich zrozumienia i rozwiązania mogą okazać się przydatne sztuczne sieci neuronowe. W pracy przedstawiono istotę sieci, jak również zakreślono obszary możliwych ich zastosowań do analizy zjawisk zachodzących w warstwie jezdnej nawierzchni lotniskowej i jej podbudowie na etapie użytkowania. Przedstawiono koncepcję zastosowania tego narzędzia w prognozowaniu napraw, ustaleniu przyczyn zaistniałych zjawisk oraz prognozy diagnostycznej związanej z dalszym procesem utrzymania i użytkowania. Celem pracy była aplikacja metody SSN do modelowania procesów utrzymaniowych, w tym przewidywania równości nawierzchni. Opracowano model neuronowy przeznaczony do oceny równości nawierzchni na podstawie danych uzyskanych z rzeczywistych odcinków nawierzchni. Przedstawiono metodykę badawczą i uzyskane wyniki terenowe. Zaprojektowano strukturę sieci i zweryfikowano uzyskany model neuronowy. Sformułowano wniosek dotyczący przydatności modelowania neuronowego do prognozowania równości nawierzchni. Zaproponowana metodyka może stanowić uzupełnienie w stosowanej diagnostyce nawierzchni.

Słowa kluczowe

EN

airfield pavements; artificial neural networks; concrete pavement diagnostics; concrete pavements; pavement evenness

PL

diagnostyka nawierzchni betonowych; nawierzchnie betonowe; nawierzchnie lotniskowe; równość nawierzchni; sztuczne sieci neuronowe

• Wydawca: Instytut Badawczy Dróg i Mostów
• Czasopismo: Roads and Bridges - Drogi i Mosty
• Rocznik: 2022
• Tom: Vol. 21, no. 1
• Strony: 81--97
• Opis fizyczny: Bibliogr. 27 poz., rys., tab.

Twórcy

autor

Linek Małgorzata

• Kielce University of Technology, Faculty of Civil Engineering and Architecture, 7 Tysiąclecia Państwa Polskiego Av., 25-314 Kielce

autor

Nita Piotr

• Air Force Institute of Technology, Airport Department, 6 Księcia Bolesława St., 01-494 Warszawa

Bibliografia

• 1. Bałuch H., Bałuch M.: Sieci neuronowe jako narzędzie rozwiązywania problemów z zakresu dróg kolejowych. Problemy Kolejnictwa, 124, 1997, 35-62
• 2. Błażejowski K., Szustakowski J.: Neuronowa metoda interpretacji wyników badań grubości warstw nawierzchni z penetroradaru. Drogownictwo, 51, 9, 1996
• 3. McCulloch W.S., Pitts W.: A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5, 1943, 115-133, DOI: 10.1007/BF02478259
• 4. Sand A., Saka M.P.: Prediction of ultimate shear strength of reinforced concrete deep beams using neural networks. Journal of Structural Enginering, 127, 7, 2001, DOI: 10.1061/(ASCE)0733-9445(2001)127:7(818)
• 5. Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2006
• 6. Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa, 1993
• 7. Tadeusiewicz R., Gonciarz T., Borowik B., Leper B.: Odkrywanie sieci neuronowych przy użyciu programów C#. Polska Akademia Umiejętności, Kraków, 2007
• 8. Waszczyszyn Z., Ziemiański L.: Neural networks in mechanics of structures and materials - new results and prospects of applications. Computers and Structures, 79, 22-25, 2001, 2261-2276, DOI: 10.1016/S0045-7949(01)00083-9
• 9. Waszczyszyn Z.: Zastosowanie sztucznych sieci neuronowych w inżynierii lądowej. XLI Konferencja Naukowa KILiW PAN i KN PZITB, Krynica, 1995
• 10. Hoła J., Schabowicz K.: New technique of nondestructive assessment of concrete strength using artificial intelligence. NDT&E International, 38, 4, 2005, 251-259, DOI: 10.1016/j.ndteint.2004.08.002
• 11. Bayrak M.B., Ceylan H.: Neural Network-Based Approach for Analysis of Rigid Pavement Systems Using Deflection Data. Transportation Research Record, 2068, 1, 2008, 61-70, DOI: 10.3141/2068-07
• 12. Alsugair A.M., Al-Qudrah A.A.: Artificial Neural Network Approach for Pavement Maintenance. Journal of Computing in Civil Engineering, 12, 4, 1998, 249-255 DOI: 10.1061/(ASCE)0887-3801(1998)12:4(249)
• 13. Sundin S., Braban-Ledoux C.: Artificial Intelligence- Based Decision Support Technologies in Pavement Management. Computer-Aided Civil and Infrastructure Engineering, 16, 2, 2001, 143-157, DOI: 10.1111/0885-9507.00220
• 14. Lin J.D., Yau J.T., Hsiao L.H.: Correlation analysis between international roughness index (IRI) and pavement distress by neural network. 82nd Annual Meeting of the Transportation Research Board, Washington, DC, USA, 2003, https://www.researchgate.net/publication/228848218_Correlation_analysis_between_international_roughness_index_IRI_and_pavement_distress_by_neural_network (30.01.2022)
• 15. Abdelrahim A.M., George K.P.: Artificial neural network for enhancing selection of pavement maintenance strategy. Transport Research Record, 1699, 1, 2000, 16-22, DOI: 10.3141/1699-03,
• 16. Domitrović J., Dragovan H., Rukavina T., Dimter S.: Application of an Artificial Neural Network in Pavement Management System, Tehnički vjesnik - Technical Gazette, 25, Suppl. 2, 2018, 466-473, DOI: 10.17559/TV-20150608121810
• 17. Linek M.: Neural Model of Projecting Compressive Strength of Cement Concrete Intended for Airfield Pavements. XV International Conference on Durability of Building Materials and Components, Barcelona, 2020
• 18. Linek M.: Neural model of projecting flexural strength of cement concrete intended for airfield pavements. IOP Conference Series: Materials Science and Engineering, 664, 2019, 012013, DOI: 10.1088/1757-899X/664/1/012013
• 19. Glinicki M.A.: Inżynieria betonowych nawierzchni drogowych. PWN, Warszawa, 2019
• 20. Glinicki M.A.: Materiałowe aspekty równości nawierzchni betonowej. Drogownictwo, 75, 4, 2020, 99-108
• 21. Nita P.: Budowa i utrzymanie nawierzchni lotniskowych. WKiŁ, Warszawa, 2008
• 22. Szpinek S.: Badania równości nawierzchni lotniskowych. Drogownictwo, 79, 6, 2014, 183-191
• 23. Szydło A.: Nawierzchnie drogowe z betonu cementowego. Polski Cement, Kraków, 2004
• 24. Wesołowski M., Pietruszewski P., Poświata A., Kowalska D.: Ocena równości nawierzchni lotniskowych w aspekcie obowiązujących dokumentów normatywnych. Przegląd Komunikacyjny, 12, 2018, 24-29
• 25. Dziennik Urzędowy Urzędu Lotnictwa Cywilnego, poz. 41, z dnia 2 lipca 2021 r. w sprawie ogłoszenia tekstu Załącznika 14, tomu I do Konwencji o międzynarodowym lotnictwie cywilnym
• 26. PN-EN 13036-5:2020 Cechy powierzchniowe nawierzchni drogowych i lotniskowych. Metody badań. Określenie wskaźników nierówności podłużnej
• 27. NO-17-A502:2015 Nawierzchnie lotniskowe – Badanie równości

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).