Możliwości zastosowań sieci neuronowych w dokonywaniu oceny stanu technicznego przewodów kanalizacyjnych

• Autorzy: Kuliczkowska E. , Bąba K.

Warianty tytułu

EN

Possible applications of neural networks for condition assessment of sewers

• Języki publikacji: PL

Abstrakty

PL

Przedstawiono możliwości wykorzystania sieci neuronowych w dokonywaniu oceny stanu technicznego przewodów kanalizacyjnych. Scharakteryzowano wybrane zastosowania sztucznej inteligencji do rozpoznawania uszkodzeń oraz ich parametrów geometrycznych, klasyfikowania uszkodzeń, prognozowania stanu eksploatacyjnego oraz konstrukcyjnego kanałów, a także prognozowania wystąpienia zjawiska korozji w betonowych przewodach kanalizacyjnych.

EN

The article presents possible applications of neural networks for condition assessment of sewer pipes. The chosen applications of artificial intelligence like defects and their geometrical parameters identification, defects classification, forecasting of sewer operating and structural condition, as well as forecasting the occurrence of corrosion in concrete sewer were characterized.

Słowa kluczowe

PL

przewody kanalizacyjne; sieci neuronowe; uszkodzenia; stan techniczny

EN

sewers; neural networks; defects; condition assessment

• Wydawca: Ośrodek Informacji "Technika instalacyjna w budownictwie''
• Czasopismo: Instal
• Rocznik: 2017
• Tom: nr 6
• Strony: 58--62
• Opis fizyczny: Bibliogr. 33 poz., rys.

Twórcy

autor

Kuliczkowska E.

• Katedra Geotechniki, Geomatyki i Gospodarki Odpadami, Wydział Inżynierii Środowiska, Geomatyki i Energetyki, Politechnika Świętokrzyska

autor

Bąba K.

• Katedra Sieci i Instalacji Sanitarnych, Wydział Inżynierii Środowiska, Geomatyki i Energetyki, Politechnika Świętokrzyska

Bibliografia

• [1] Abraham D. M., Choe M. J., 2002, Automated Interpretation and Assessment of Multi – Sensory Underground Infrastructure Data, Proceeding of Conference of the International Society of Trenchless Technologies [ISTTJ, Copenhagen, Denmark, May 28-31
• [2] Abraham D. M., Chae M. J., Gokhale S., 2000, Utilizing neural networks for condition assessment of sanitary sewer infrastructure. Proceeding of the 17th International Association for Automation and Robotics in Construction (LAARC) International Symposium, Taipei, Taiwan, September 2000, 423-427
• [3] Anbari M. J., Tabesh M., Roozbahani A., 2017, Risk assessment model to prioritize sewer pipes inspection in wastewater collection networks. Journal of Environmental Management, 190, 91-101
• [4] Aziz M. A, Imteaz M. A., Choundhury T. A, Phillips D. L, 2011, Artificial Neural Networks for the Prediction of the trapping efficiency of a new sewer overflow screening device, Proceeding of the 19th International Congress on Modelling and Simulation, December 2011
• [5] Chughtai E., Zayed T., 2011, Integrating WRc and CERUI Condition Assessment Models and Classification Protocols for Sewer Pipelines, Journal of Infrastructure Systems, 17(3), 129-136
• [6] Cieżak W., Łomotowski J., Siwoń Z., Licznar P., Cieżak J., 2011, Modele neuronowe w anodzie i prognozowaniu rozbiorw wody, Instal, 7/8, 61-63
• [7] Darsono . Labadie J. 2007, Neural Optimal Control Algorithm for Real Time Regulation of In-line Storage in Combined Sewer Systems, Environmental Modelling & Software, 22,1349-1361
• [8] De Masi G., Vichi R., Gentile M., Brusch R., Gabetta G., 2014 A Neural Network Predictive Model of Pipeline Internal Corrosion Profile. Proceeding of First International Conference on Systems Informatics, Modeling and Simulation. IEEE Computer Society Washington. DC, USA, 29.04.-01.05,18-23
• [9] Din M. M., Ithnin N., Zain A. Md., Noor N. Md., Siraj M. Md., Rasol R. Md. An artificial neural network modelling for pipeline corrosion growth prediction, 2015, ARPN Journal of Engineering and Applied Sciences, vol. 10, no. 2,512-519
• [10] Duran O., Althoefer K., Seneviratne L. D., 2002. Automated Sewer Inspection Using Image Processing and a Neural Classifier. Proceedings of the 2002 International Joint Conference on Neural Network
• [11] Ebtehai I., Bonakdari H., 2013, Evaluation of Sediment Transport In Sewer using Artificial Neural Network, Engineering Applications of Computational Fluid Mechanism, vol 7, no. 3, 382-392
• [12] Iyer S., Sinha S. K., Tittmann B. R., Pedrick M. K, 2012, Ultrasonic signal processing methods for detection of defects in concrete pipes. Automation in Construction. 22,135-1 48
• [13] Jiong G., Keller J., Bond P. L, Yuan Z. 2016, Predicting concrete corrosion of sewers using artificial neural network, Water Research, 92,52 -60
• [14] Kabsch-Korbutowicz M., Kutyłowska M., 2012. Sztuczne sieci neuronowe jako narzędzie do modelowania zagadnień związanych z inżynierią środowiska - stan wiedzy. Gaz, Woda l Technika Sanitarna. mj 2012, 228-232
• [15] Kley G., Caradot N., 2012, Review of sewer deterioration models - Report, Veolia Water. Berlin, Germany
• [16] Kley G., Kropp I., Schmidt T.,Carodot Reviewof available technologies and methodologies for sewer condition evaluation - Report, Veolia Water, Berlin, Germany
• [17] Klingajay M., Jitson T., 2008, Realtime Laser Monitoring based on Pipe Detective Operation. World Academy of Science. Engineering and Technology. 42, 121-126
• [18] Kuliczkowska E., 2008, Kryteria planowania bezwykopowej odnowy nie przełazowych przewodów kanalizacyjnych. Wydawnictwo Politechniki Świętokrzyskiej, Kielce
• [19] Kuliczkowski A. i in., 2010. Technologie bezwykopowe w inżynierii środowiska. Wydawnictwo Seidel - Przywecki Sp. z o. o.
• [20] Kutyłowska M., 2013, Przewidywanie wskaźnika uszkodzeń przewodów wodociągowych za pomocą klasyfikujących sieci neuronowych. Interdyscyplinarne zagadnienia w inżynierii I ochronie środowiska, Tom 3. Oficyna Wydawniczo Politechniki Wrocławskiej, Wrocław, 311-318
• [21] Kutyłowska M., 2016, Przewidywanie wskaźnika awaryjności z wykorzystaniem sztucznych sieci neuronowych, Instal 1, 44-46
• [22] Licznar P., Łomotowski J. 2006. Zastosowanie sztucznych sieci neuronowych Kohonena do progrozowania dobowego poboru wody, Ochrona Środowiska, 1,45-48
• [23] Mashalizadeh A. M., Delavari H., Razaghian F., 2014. Defect Detection in Drilling Pipes, using Combination of Artificial Neural Networks and Machine Vision Techniques. International Journal of Computer Science &Network Solutions, vol 2, no. 8,48-57
• [24] Moselhi O., Shehab-Ebeen T., 1999, Automated detection of surface defects in water and sewer pipes, Automaton In Construction. 8, 581 - 588
• [25] Nazari A., Rajeev P., Sanjayan J., 2015.Offshore pipeline performance evaluation by different artificial neural networks approaches. Measurement, 76, 117-128
• [26] Shehab-EldeenT., Moselhi O., 2002, Automated Inspection of Utility Pipes: A Solution Strategy for Data Management, Proceeding of the 19th International Symposium on Automation and Robotics In Construction ISARC 2002
• [27] Sinha S. K., Fieguth P. W. Polak M. A, McKim R. A., 1999, Automated undeground pipe conditopn assessment by image analysis of the date- of - the - art sewer scanner and evaluation technology surveys. Proceeding of the International No - Dig Conference 1999. Orlando. Florida
• [28] Sinha S. K., Karray F., Fieguth P. W., 1999, Underground Pipe Cracks Classification Using Image Analysis and Neuro-Fuzzy Algorithm, Proceeding of the 1999 Intemational Symposium on Intelligent Control/Inteligent Systems and Semiotics. Cambridge
• [29] Sousa V., Matos J. P., Matias N., 2014, Evalultion of artificial tool performance and uncertainty for predicting sewer structural condition. Automation In Construction. 44, 84-91
• [30] Tran D. H., Ng A. W. M., Osman N. Y., McManus K. J., 2006. Application of neural networks In modelling serviceability deterioration of concrete stormwater pipes. Proceeding of the 7 thi WSEAS International Conference on Neural Networks
• [31] Tran D. H., Ng A. W. M., Perera B. J. C, S. Burn & P. Davis. 2006, Application of probabilistic neural networks In models structural deterioration of stormwater pipes. Urban Water Journal, vol. 3, no. 3, 175-184
• [32] Tran D. H., Ng A. W. M., Perera B. J. C, 2007, Neural networks deterioration models tor serviceability condition of buried stormwater pipes. Engineering Application of Artificial Intelligence. 20, 1140-1151
• [33] Tran D. H., Perera B. J. C. Ng A. W. M., 2007, Neural Network Based Prediction Models For Structural Deterioration of Urban Drainage Pipes, Proceeding of MODSIM 2007 International Congress on Modelling and Simulation. Modeling and Simulation Society of Australia and New Zeland, December 2007, 2264-2270

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).