Deformacje konstrukcji komina stalowego w aspekcie zastosowania grupowej obróbki danych

• Autorzy: Mrówczyńska M.

Identyfikatory

DOI

10.7862/rb.2016.145

Warianty tytułu

EN

The deformations of construction steel chimney in terms of the use of the group of data handling

• Języki publikacji: PL

Abstrakty

PL

Zasadniczym elementem technologii geodezyjnych jest dziedzina przetwarzania informacji, której dynamiczny rozwój wzbogaca klasyczne algorytmy obliczeń numerycznych, stanowiących podstawę finalnego wyznaczenia produktu prac inżynierskich. W kontekście modelowania procesów przemieszczeń i odkształceń pojawia się ciekawy temat przetwarzania informacji bazującego na sztucznej inteligencji, w szczególności na sztucznych sieciach neuronowych, które mają zdolność modelowania bardzo złożonych procesów. Sztuczne sieci neuronowe powstały na podstawie badań prowadzonych w dziedzinie sztucznej inteligencji. Szczególne znaczenie miały prace dotyczące działania systemu nerwowego istot żywych oraz budowy modeli struktur występujących w mózgu. Sztuczne sieci neuronowe ze względu na ich nieliniowy charakter reprezentują wyrafinowaną technikę modelowania i są zaliczane do metod inteligencji obliczeniowej. Funkcje pełnione przez sieć pozwalają uzyskać korzystne rezultaty praktyczne w obszarze takich zagadnień jak: aproksymacja, interpolacja, rozpoznawanie i klasyfikacja wzorców, kompresja, predykcja i wiele innych. Zastosowanie sieci neuronowych wprowadza jednak do rozwiązania trudny do określenia błąd metody, dlatego zauważono konieczność poszukiwania rozwiązań alternatywnych opartych na przetwarzaniu danych empirycznych. Przykładem takiego rozwiązania jest metoda grupowej obróbki danych (ang. Group Metod of Data Hndling –GMDH) należąca do klasy algorytmów ewolucyjnych. W artykule przedstawiono podstawowe założenia metody grupowej obróbki danych z zasadami budowy i uczenia statycznych sieci neuronowych o wielu wyjściach i jednym wejściu. Sieć GMDH została wykorzystane do modelowania deformacji osi geometrycznej komina stalowego, służącego do odpowietrzania podziemnych zbiorników z gazem, w procesie eksploatacji. Komin jest objęty pomiarami kontrolnymi prowadzonymi podczas jego eksploatacji z częstotliwością co 1 rok.

EN

The field of processing information provided by measurement results is one of the most important components of geodesic technologies. The dynamic development of this field improves classic algorithms for numerical calculations in the aspect of analytical solutions that are difficult to achieve. Algorithms based on artificial intelligence in the form of artificial neural networks, including the topology of connections between neurons have become an important instrument connected to the problem of processing and modelling processes. Artificial neural networks are based on research conducted in the field of artificial intelligence. Of particular importance were the work relating to the operation of the nervous system of living beings and the construction of models of structures that occur in the brain. Artificial neural networks due to their nonlinear character represents a sophisticated modeling technique and are included in the methods of computational intelligence. The functions of the network allow you to get positive results in the area of practical issues such as approximation, interpolation, pattern recognition and classification, compression, prediction, and many others. This concept results from the integration of neural networks and parameter optimization methods and makes it possible to avoid the necessity to arbitrarily define the structure of a network. This kind of extension of the teaching process is exemplified by the algorithm called the Group Method of Data Handling –GMDH), which belongs to the class of evolutionary algorithms. The article presents a GMDH type network, used for modelling deformations of the geometrical axis of a steel chimney during its operation. The chimney is covered by the control measurements carried out during the operation at intervals of one year.

Słowa kluczowe

PL

sztuczna inteligencja; obróbka danych; wychylenie; pion

EN

artificial intelligent; group data handling; deviations; vertical

• Wydawca: Oficyna Wydawnicza Politechniki Rzeszowskiej
• Czasopismo: Czasopismo Inżynierii Lądowej, Środowiska i Architektury / Journal of Civil Engineering, Environment and Architecture
• Rocznik: 2016
• Tom: z. 63, nr 2/I
• Strony: 465--474
• Opis fizyczny: Bibliogr. 9 poz., rys., wykr.

Twórcy

autor

Mrówczyńska M.

• Uniwersytet Zielonogórski, ul. Z. Szafrana 1, 65-516 Zielona Góra, 683282636

Bibliografia

• [1] Bishop Ch.M.: Pattern Recognition and Machine Learning. Spronger, New York 2006.
• [2] Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna wydawnicza Politechniki Warszawskiej, Warszawa 2000.
• [3] Iwachnienko A.G.: Induktiwnyj metod samoorganizacji modelej słożonych system. Naukowa Dumka. Kijów 1982.
• [4] Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Sieci neuronowe. Biocybernetyka i inżynieria biomedyczna, tom 6. Akademicka Oficyna Wydawnicza EXIT. Warszawa 2000.
• [5] Korbicz J.: Sztuczne sieci neuronowe i ich zastosowanie w elektrotechnice i energetyce. Przegląd Elektroniczny R. 85, Nr 9. Warszawa 2009.
• [6] Iwachnienko A.G.: Polynominal theory of complex systems. IEEE Trans. Systems, Man and Cybernetics, Vol.SMC-1, No.4 1971.
• [7] Luzar M.: Przybornik modelowania neuronowego GMDH. Conference Archives PTETiS Vol. 28 2010.
• [8] Gocał J.: Geodezja inżynieryjno – przemysłowa, tom III. Wydawnictwo Akademii Górniczo – Hutniczej. Kraków 2010.
• [9] Czaja J.: Geodezja inżynieryjno – przemysłowa. Skrypt Uczelniany nr 893 Akademii Górniczo – Hutniczej w Krakowie. Kraków 1983.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.