Zastosowanie wnioskowania Bayesa do oceny zagrożenia budynków wielkoblokowych na terenach górniczych

• Autorzy: Rusek Janusz , Firek Karol

Warianty tytułu

EN

Bayesian inference for the assessment of threats to large-block building structures in mining areas

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono przykłady wykorzystania modeli opartych na formalizmie wnioskowania Bayesa do analizy zagrożenia budynków zlokalizowanych na terenach górniczych. Przedmiotem badań była grupa 126 budynków wzniesionych w technologii wielkoblokowej. Przedstawiono metody wnioskowania wykorzystane w dotychczasowych badaniach ryzyka powstawania uszkodzeń w budynkach narażonych na negatywne skutki eksploatacji górniczej. Obejmowały one ocenę stanu technicznego (st), w ramach której do budowy modelu zastosowano naiwną klasyfikację Bayesa, a także analizę intensywności uszkodzeń elementów składowych budynku, z wykorzystaniem Bayesowskich sieci przekonań. W konkluzji przedstawiono koncepcję uszczegółowienia wyników wcześniejszych badań. Polega ona na samoistnym generowaniu struktury sieci Bayesa w oparciu o bazę danych o intensywności uszkodzeń istniejących budynków.

EN

This research paper provides examples of the use of models based on the formalism of Bayesian inference for the analysis of the threats to building structures located in mining areas. The subject of the research study was a group of 126 buildings erected in the large-block technology. The authors presented the inference methods of the risk of the occurrence of damage to buildings exposed to the adverse effects of mining exploitation, which were used in the previous studies. They included the assessment of the technical condition (st), where the naive Bayes classification was used to build the model, as well as the analysis of the intensity of damage to the components of a building structure, using the Bayesian belief networks. The conclusion presents the concept of detailing the results of the previous research. It involves the Bayesian network structure being spontaneously generated, based on the database on the intensity of damage to the existing buildings.

Słowa kluczowe

PL

wnioskowanie Bayesa; szkody górnicze w budynkach; ocena ryzyka uszkodzeń; oddziaływania górnicze

EN

Bayesian inference; mining damage to buildings; damage risk assessment; mining impacts

• Wydawca: Stowarzyszenie Inżynierów i Techników Górnictwa
• Czasopismo: Przegląd Górniczy
• Rocznik: 2019
• Tom: T. 75, nr 2
• Strony: 7--12
• Opis fizyczny: Bibliogr. 13 poz., tab., wykr.

Twórcy

autor

Rusek Janusz

• AGH Akademia Górniczo-Hutnicza w Krakowie

autor

Firek Karol

Bibliografia

• [1] BISHOP C. 2006 - Pattern Recognition and Machine Learning. Springer-Verlag New York.
• [2] FIREK K. 2009 - Proposal for classification of prefabricated panel building damage intensity rate in mining areas (Propozycja klasyfikacji intensywności uszkodzeń budynków wielkopłytowych na terenach górniczych). Archiwum Górnictwa, Wydawnictwo Instytutu Mechaniki Górotworu PAN, Vol. 54, Iss. 3, Kraków.
• [3] FIREK K., RUSEK J., WODYŃSKİ A. 2016 - Wybrane metody eksploracji danych i uczenia maszynowego w analizie zagrożenia zabudowy terenów górniczych (Selected methods of data mining and machine learning risk analysis for developments located in mining areas). „Przegląd Górniczy”, t. 72, nr 1.
• [4] KORB K.B., NICHOLSON A.E. 2010 - Bayesian Artificial Intelligence. CRC Press.
• [5] KWIATEK J. 2007 - Obiekty budowlane na terenach górniczych. Główny Instytut Górnictwa.
• [6] RUSEK J., FIREK K. 2016 - Assessment of technical condition of prefabricated large-block building structures located in mining area using the Naive Bayes Classifier (Ocena stanu technicznego budynków wielkoblokowych z zastosowaniem klasyfikacji Naiwnego Bayesa). SGEM 2016: 16th international multidisciplinary scientific geoconference. 2016, Albena, Bulgaria. Conference proceedings. Vol. 2, Ecology and environmental protection.
• [7] Rusek J . , Firek K . 2 0 1 6 - Bayesian Belief Network in the analysis of damage to prefabricated large-block building structures in mining areas (Sieci przekonań Bayesa w analizie uszkodzeń budynków wielkoblokowych na terenach górniczych). Polish Journal of Environmental Studies, vol. 25, no. 5A, s. 77-82.
• [8] SCUTARI M. 2014 - Bayesian network constraint-based structure learning algorithms: Parallel and optimised implementations in the bnlearn r package. arXiv preprint arXiv:1406.7648.
• [9] SNOEK J., LAROCHELLE H., ADAMS R.P. 2012 - Practical bayesian optimization of machine learning algorithms. In Advances in neural information processing systems (pp. 2951-2959).
• [10] TSAMARDINOS I., BROWN LE., ALIFERIS CF. 2006 - The max-min hill-climbing Bayesian network structure learning algorithm. Machine learning. 2006 Oct 1;c65(1):31-78.
• [11] WODYŃSKI A. 2007 - Zużycie techniczne budynków na terenach górniczych (Technical wear of buildings in mining areas). Wydawnictwo AGH, Kraków.
• [12] WODYŃSKI A., LASOCKI S. 2003 - Badanie wpływu wstrząsów górniczych na zużycie techniczne budynków murowanych. „Przegląd Górniczy” nr 12.
• [13] http://dsl.sis.pitt.edu - Decision Systems Laboratory. Department of Information Science and Telecommunications and the Intelligent Systems Program at the University of Pittsburgh.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).