Machine Learning (ML) Methods in Assessing the Intensity of Damage Caused by High-Energy Mining Tremors in Traditional Development of LGOM Mining Area

• Autorzy: Witkowski Michał

Identyfikatory

DOI

10.35784/bud-arch.2679

• Języki publikacji: EN

Abstrakty

EN

The paper presents a comparative analysis of Machine Learning (ML) research methods allowing to assess the risk of mining damage occurring in traditional masonry buildings located in the mining area of Legnica-Głogów Copper District (LGOM) as a result of intense mining tremors. The database of reports on damage that occurred after the tremors of 20 February 2002, 16 May 2004 and 21 May 2006 formed the basis for the analysis. Based on these data, classification models were created using the Probabilistic Neural Network (PNN) and the Support Vector Machine (SVM) method. The results of previous research studies allowed to include structural and geometric features of buildings,as well as protective measures against mining tremors in the model. The probabilistic notation of the model makes it possible to effectively assess the probability of damage in the analysis of large groups of building structures located in the area of paraseismic impacts. The results of the conducted analyses confirm the thesis that the proposed methodology may allow to estimate, with the appropriate probability, the financial outlays that the mining plant should secure for the repair of the expected damage to the traditional development of the LGOM mining area.

Słowa kluczowe

EN

mining damage; housing construction; compensation; damage risk; machine learning

• Wydawca: Wydawnictwo Politechniki Lubelskiej
• Czasopismo: Budownictwo i Architektura
• Rocznik: 2022
• Tom: Vol. 21, no 1
• Strony: 5--17
• Opis fizyczny: Bibliogr. 23 poz., fig., tab.

Twórcy

autor

Witkowski Michał

• Department of Engineering Surveying and Civil Engineering; Faculty of Mining Surveying and Environmental Engineering; AGH University of Science and Technology; Polska

• https://orcid.org/0000-0001-6490-5325

Bibliografia

• [1] Kwiatek J., Obiekty budowlane na terenach górniczych. Katowice: Główny Instytut Górnictwa, 2007.
• [2] Dubiński J., Mutke G., “Weryfikacja skali GSI-2004 oceny skutków drgań wywołanych wstrząsami górniczymi w obszarze LGOM”, in Materiały Sympozjum Warsztaty Górnicze z cyklu Zagrożenia naturalne w górnictwie: sesja okolicznościowa Rozwiązania inżynierskie i badania naukowe dla ograniczania zagrożeń naturalnych w górnictwie, Kraków–Tomaszowice, 12–14 czerwca 2006, IGSMiE PAN, Kraków 2006, pp. 79–93.
• [3] Minch M.Y., Samokar Z., “Analiza skutków dużego wstrząsu górniczego na zabudowę powi-erzchniową miasta Polkowice”, in Awarie budowlane: zapobieganie, diagnostyka, naprawy, rekonstrukcje: XXIII konferencja naukowo-techniczna, Szczecin-Międzyzdroje, 23–26 maja 2007, Wydawnictwo Uczelniane Politechniki Szczecińskiej, Szczecin 2007, pp. 299–306.
• [4] Stolecki L., “Dynamiczne oddziaływania drgań na powierzchnię terenu ZG Rudna po wstrząsie z dnia 21.05.2006 roku o energii 1,9·E9 J”, in: Materiały konferencji naukowej Warsztaty Górnicze z cyklu Zagrożenia naturalne w górnictwie, Ślesin k. Konina, 4–6 czerwca 2007, IGSMiE PAN, Kraków 2007, pp. 299–306.
• [5] Tatara, T., Odporność dynamiczna obiektów budowlanych w warunkach wstrząsów górniczych. Krakow: Cracow University of Technology, 2012.
• [6] Tatara T., “Działanie drgań powierzchniowych wywołanych wstrząsami górniczymi na niską zabudowę mieszkalną”, Zeszyty Naukowe Politechniki Krakowskiej, seria „Inżynieria Lądowa”, nr 74, Kraków 2002.
• [7] Witkowski M., Ocena wpływu wieloletnich oddziaływań górniczych na intensywność uszkodzeń tradycyjnej zabudowy LGOM. Ph.D. desideration, Krakow: AGH University of Science and Technology, 2019.
• [8] Witkowski, M., Wodyński, A., “Analysis of Mining Damage Notifications in Single-Family Build-ings after the Occurrence of Intensive Mining Tremors”, Geomatics and Environmental Engineer-ing, vol. 9, no. 4, 2015, pp. 101-112. https://doi.org/10.7494/geom.2015.9.4.101
• [9] Witkowski M., Rusek J., „Wykorzystanie probabilistycznych sieci neuronowych do wyznaczania ryzyka powstania szkód w budynkach poddanych wstrząsom górniczym”, Przegląd Górniczy, t. 73, nr 1, Katowice 2017, pp. 44-47.
• [10] Osowski S., Sieci neuronowe do przetwarzania informacji. Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej, 2020.
• [11] Rusek J., “Metoda wektorów podpierających oraz probabilistyczne sieci neuronowe w ocenie ryzyka uszkodzenia sieci wodociągowych na terenach górniczych”, in VIII konferencja “Ochrona i inżynieria środowiska – zrównoważony rozwój”, AGH University of Science and Technology, Krakow, 2016, pp. 19.
• [12] Rutkowski L., Metody i techniki sztucznej inteligencji. Warszawa: Wydawnictwo Naukowe PWN, 2021.[13] Specht D.F., “Probabilistic neural networks”, Neural Networks, vol. 3, iss. 1, 1990, pp. 109-118. https://doi.org/10.1016/0893-6080(90)90049-Q
• [14] Vapnik V., Chervonenkis A., “Theory of pattern recognition”, Nauka, no 107, Moscow 1974.
• [15] Vapnik V., Statistical learning theory. New York: Wiley-Interscience Publication, 1998.
• [16] Schölkopf B., Smola A., Learning with Kernels: Support Vector Machines, Regularization, Opti-mization, and Beyond. Cambridge, Massachusetts, United States: MIT Press Ltd, 2018.
• [17] MATLAB and Statistics Toolbox Release 2021a, The MathWorks Inc., Natick, Massachusetts, United States 2021.
• [18] Łęski J., Systemy neuronowo-rozmyte. Warszawa: Wydawnictwo Naukowo-Techniczne, 2008.
• [19] Mrówczyńska M., “Klasyfikatory neuronowe typu SVM w zastosowaniu do klasyfikacji prze-mieszczeń pionowych na obszarze LGOM”, Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN, nr 86, Kraków 2014, pp. 69-81.
• [20] Kłopotek M., Wierzchoń S., Algorytmy analizy skupień. Warszawa: Wydawnictwo Naukowe PWN, 2017.
• [21] Instrukcja GIG nr 12. Zasady oceny możliwości prowadzenia podziemnej eksploatacji górniczej z uwagi na ochronę obiektów budowlanych, Katowice 2000.
• [22] Firek K., “Proposal for classification of prefabricated panel building damage intensity rate in mining areas”, Archives of Mining Sciences, vol. 54, iss. 3, 2009, pp. 467-479.
• [23] Firek K., Rusek J., “Partial least squares method in the analysis of the intensity of damage in prefabricated large-block building structures”, Archives of Mining Sciences, vol. 62, no 2, 2017, pp. 269-277. https://doi.org/10.1515/amsc-2017-0020.