PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Ocena wpływu drgań komunikacyjnych na budynki za pomocą maszynowego uczenia

Identyfikatory
Warianty tytułu
EN
Assessment of the impact of traffic-induced vibrations on buildings using machine learning
Języki publikacji
PL
Abstrakty
PL
Drgania komunikacyjne mogą powodować spękania tynków, zarysowania, a nawet zawalenie się budynku. Pomiary na rzeczywistych obiektach są pracochłonne i kosztowne, a nie zawsze uzasadnione. Należy więc utworzyć model, dzięki któremu można przewidzieć szkodliwe oddziaływanie drgań komunikacyjnych na budynek. Po przeprowadzeniu własnych badań pomiarowych oraz analizie literatury utworzono model bazujący na maszynach wektorów wspierających, uwzględniając następujące czynniki: stan budynku; odległość budynku od krawędzi drogi; absorpcję drgań w gruncie; typ nawierzchni; stan nawierzchni oraz rodzaj pojazdu. Wyniki analiz pokazują, że uczenie maszynowe jest obiecującym narzędziem w prognozowaniu wpływu drgań komunikacyjnych na budynki, ponieważ odznacza się wiarygodnością nawet ponad 84%.
EN
Traffic induced vibrations may cause plaster cracks, scratches and even collapse of the building. The measurements on real structures are laborious and expensive, and not always justified. The aim is to create a model that can predict the risk of harmful impact of traffic-induced vibrations on the building. After carrying out own measurement studies and analyzing the literature, a model based on Support Vector Machines has been created, taking into account the following factors: building condition, distance of the building from the road edge, soil absorption, type of pavement, condition of the pavement and type of vehicle. The results show that machine learning is a likely tool in forecasting the impact of traffic-induced vibrations on buildings, with high reliability, even over 84%.
Rocznik
Tom
Strony
6--9
Opis fizyczny
Bibliogr. 22 poz., il.
Twórcy
  • Politechnika Gdańska, Wydział Inżynierii Lądowej i Środowiska
Bibliografia
  • [1] Dulińska J., Kawecki J., Kozioł K., Stypuła K., Tatara T. 2014. Oddziaływania Parasejsmiczne Przekazywane na Obiekty Budowlane. Wydawnictwo Politechniki Krakowskiej, Kraków.
  • [2] Asefa T., Kembłowski M., McKee M., Khalil A. 2006. Multi-time scale stream flow predictions: the support vector machines approach. Journal of Hydrology, 318 (1-4): 7 - 16.
  • [3] Çevik A., Kurtoğlu A.E., Bilgehan M., Gülşan M.E., Albegmprli H.M. Support vector machines in structural engineering: a review. Journal of Civil Engineering and Management. 2015; 21 (3): 261 - 281.
  • [4] Wabik W. Monitoring system to detect potential dangerous situations. Studia Informatica. 2012; 33 (2B): 497 - 508.
  • [5] Firek K., Rusek J., Wodyński A. Wybrane metody eksploracji danych i uczenia maszynowego w analizie stanu uszkodzeń oraz zużycia technicznego zabudowy terenów górniczych. Przegląd Górniczy. 2016; 72 (1): 50 - 55.
  • [6] Jędrzejczyk A., Firek K., Rusek J. Convolutional neural network and support vector machine for prediction of damage intensity to multi-storey prefabricated RC buildings. Energies. 2022; 15 (13): 4736.
  • [7] Chen W.H., Hsu S.H., Shen H.P. Application of SVM and ANN for intrusion detection. Computers and Operations Research. 2005; 32 (10): 2617 - 2634.
  • [8] Cherkassky V., Ma Y. Practical selection of SVM parameters and noise estimation for SVM regression. Neural Networks. 2004; 17 (1): 113 - 126.
  • [9] Shao M., Wang X., Bu Z., Chen X., Wang Y. Prediction of energy consumption in hotel buildings via support vector machines. Sustainable Cities and Society. 2020; 57: 102128.
  • [10] Tamilarasi R., Prabu S. Automated building and road classifications from hyperspectral imagery through a fully convolutional network and support vector machine. The Journal of Supercomputing. 2021; 77: 13243 - 13261.
  • [11] Haykin S. Neural Networks and Machine Learning. Pearson Prentice Hall, New Jersey. 2009; USA.
  • [12] Souza C.R. Kernel functions for machine learning applications. Creative Commons Attribution-Noncommercial-Share Alike. 2010; 3, 29.
  • [13] Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press. 2000; UK.
  • [14] PN-B-02170:2016-12. Ocena szkodliwości drgań przekazywanych przez podłoże na budynki: Evaluation of the harmfulness of building vibrations due to ground motion, Polish Committee for Standardization of Measurement and Quality, 2016 (in Polish).
  • [15] Centralna Baza Danych Geologicznych. http://baza.pgi.gov.pl (dostęp online: 27.12.2016).
  • [16] Jakubczyk-Gałczyńska A. Predicting the impact of traffic-induced vibrations on buildings using artificial neural networks. Matec Web of Conferences. 2018, 219. 2nd Baltic Conference for Students and Young Researchers. https://doi.org/10.1051/matecconf/201821904004.
  • [17] Jakubczyk-Gałczyńska A., Kristowski A., Jankowski R., Application of support vector machine for determination of impact of traffic-induced vibrations on buildings. Advances in Intelligent Systems and Computing. 2018; 637: 161 - 167.
  • [18] Siemaszko A., Jakubczyk-Gałczyńska A., Jankowski R. The idea of using Bayesian networks in forecasting impact of traffic-induced vibrations transmitted through the ground on residential buildings. Geosciences; 2019; 9 (8), 339.
  • [19] Chyży T., Czech K.R., Malesza M., Miedziałowski C. 2009. Badania i ocena wpływów drgań drogowych w zespole budynków zabytkowych. Wiadomości Konserwatorskie. 2009; 26: 499 - 509.
  • [20] Czech R., Miedziałowski C., Chyży T. Wpływ poprawy stanu drogi na redukcję drgań w zabytkowym kompleksie budynków. Materiały Budowlane. 2015; 6: 105 - 106.
  • [21] Kawecki J., Stypuła K. Diagnozy a posteriori wpływów drgań drogowych na budynki. XXIV Konferencja Naukowo-Techniczna Awarie Budowlane, Szczecin - Międzyzdroje. 2009; 539 - 546.
  • [22] Stypuła K. Wpływ drgań na budynki i ludzi w budynkach - rola badań in situ. 2015 [on-line], [dostęp 17 grudnia 2017 r.]. http://www.map.piib.org.pl/materialy-szkoleniowe.
Uwagi
Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-5f36e3ef-be21-457c-899d-6bef04532ca0
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.