Machine-Learning Methods for Assessing Dynamic Resistance of Existing Bridge Structures Subjected to Mining Tremors

• Autorzy: Rusek J.

Identyfikatory

DOI

10.7494/geom.2018.12.1.109

Warianty tytułu

PL

Metody uczenia maszynowego w ocenie odporności dynamicznej istniejących obiektów mostowych poddanych wstrząsom górniczym

• Języki publikacji: EN

Abstrakty

EN

This paper demonstrates the results of research studies aimed at creating a model that allows to determine the resistance of existing bridge structures to the impact of mining tremors. A database (created by the author of this article) of the dynamic resistance of reinforced concrete bridge structures subjected to seismic excitations commonly occurring in the Legnica-Głogów Copper District (LGOM) formed the basis for the analysis. The dynamic resistance of each structure contained in the database was expressed as the limit values of the acceleration of ground vibrations that may be carried by a given structure without compromising its safety. The study was carried out using the Support Vector Machine (SVM) method in a Support Vector Regression (SVR) approach as well as an Artificial Neural Network (ANN). The models were compared in terms of the quality of the predictions and generalization of the acquired knowledge. This allows to select the most-effective method in evaluating the dynamic resistance of existing bridge structures.

PL

W pracy przedstawiono wyniki badań, których celem było utworzenie modelu pozwalającego na określenie odporności istniejących obiektów mostowych na wpływy wstrząsów górniczych. Podstawą do analiz była utworzona przez autora baza danych o odporności dynamicznej żelbetowych obiektów mostowych poddanych wymuszeniu sejsmicznemu charakterystycznemu dla terenu Legnicko-Głogowskiego Okręgu Miedziowego (LGOM). Odporność dynamiczna każdego obiektu w bazie danych została wyrażona w postaci granicznych wartości przyspieszeń drgań gruntu, jakie dana konstrukcja może przejąć bez zagrożenia bezpieczeństwa. Badania przeprowadzono, wykorzystując metodę Support Vector Machine (SVM) w ujęciu regresyjnym (SVR – Support Vector Regression) oraz sztuczne sieci neuronowe (ANN – Artificial Neural Network). Utworzone w ten sposób modele porównano w aspekcie jakości predykcji oraz uogólniania nabytej wiedzy. Pozwoliło to na wytypowanie metody najbardziej efektywnej pod względem oceny odporności dynamicznej istniejących obiektów mostów.

Słowa kluczowe

EN

dynamics of structures; machine learning; Artificial Neural Networks; SVM Support Vector Machine; mining tremors; dynamic resistance; bridges

PL

dynamika budowli; uczenie maszynowe; sztuczne sieci neuronowe; SVM; wstrząsy górnicze; odporność dynamiczna; mosty

• Wydawca: AGH University of Science and Technology Press
• Czasopismo: Geomatics and Environmental Engineering
• Rocznik: 2018
• Tom: Vol. 12, no. 1
• Strony: 109--120
• Opis fizyczny: Bibliogr. 18 poz., rys., tab.

Twórcy

autor

Rusek J.

• AGH University of Science and Technology

Bibliografia

• [1] Dhar S., Cherkassky V.: Universum Learning for SVM Regression. arXiv preprint arXiv:1605.08497. 2016.
• [2] Firek K.: Analysis of damage to masonry multi-storey building structures located in the mining area using data mining techniques. Polish Journal of Environmental Studies, vol. 25, no. 5A, 2016, pp. 37–41.
• [3] Kinash R.: Metody oceny niezawodności konstrukcji budowlanych przy niepełnych parametrach. Górnictwo i Geoinżynieria, R. 32, z. 2, 2008, pp. 187–195.
• [4] Kuźniar K., Tatara T.: Drgania pochodzenia górniczego gruntu i fundamentu budynku w ocenie ich szkodliwości. Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN, nr 94, 2016, pp. 5–14.
• [5] Madaj A., Wołowicki W.: Projektowanie mostów betonowych. Wydawnictwa Komunikacji i Łączności, Warszawa 2010.
• [6] MATLAB and Neural Networks Toolbox 2016a. The MathWorks Inc., Natick, MA, 2000.
• [7] MATLAB and Optimization Toolbox 2016a. The MathWorks Inc., Natick, MA, 2000.
• [8] MATLAB and Statistics and Machine Learning Toolbox 2016a. The MathWorks Inc., Natick, MA, 2000.
• [9] Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2013.
• [10] Rusek J.: Modelowanie stopnia zużycia technicznego budynków na terenach górniczych z wykorzystaniem wybranych metod sztucznej inteligencji. Wydawnictwa AGH, Kraków 2013.
• [11] Rusek J.: Procedure of building and analysis of the information database of the resistance of existing bridge structures to mining tremors. Geomatics and Environmental Engineering, vol. 11, no. 4, 2017, pp. 111–123.
• [12] Rusek J.: A proposal for an assessment method of the dynamic resistance of concrete slab viaducts subjected to impact loads caused by mining tremors. Czasopismo Inżynierii Lądowej, Środowiska i Architektury, t. 34, z. 64, nr 1, 2017, pp. 469–485.
• [13] Samarasinghe S.: Neural networks for applied sciences and engineering: from fundamentals to complex pattern recognition. CRC Press, 2016.
• [14] Syarif I., Prugel-Bennett A., Wills G.: SVM Parameter Optimization using Grid Search and Genetic Algorithm to Improve Classification Performance.TELKOMNIKA (Telecommunication Computing Electronics and Control), vol. 14, no. 4, 2016, pp. 1502–1509.
• [15] Witten I.H., Frank E., Hall M.A., Pal C.J.: Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, 2016.
• [16] Vapnik V., Izmailov R.: Knowledge transfer in SVM and neural networks. Annals of Mathematics and Artificial Intelligence, vol. 81, Issue 1–2, pp. 3–19.
• [17] Zembaty Z., Kokot S.: Adaptacja sejsmicznych norm projektowania konstrukcji do ujęcia wpływu wstrząsów górniczych na budowle. Przegląd Górniczy, t. 70, nr 6 , 2014, pp. 72–77.
• [18] Zembaty Z.: Analiza porównawcza wstrząsów górniczych LGOM i słabych trzęsień ziemi. [in:] Problemy projektowania i ochrony obiektów budowlanych na terenach górniczych: II konferencja naukowo-techniczna, Rudy Raciborskie 27–28 maja 2004 r., ITB, Warszawa, pp. 171–181.

Uwagi

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