Zastosowanie metody Gaussowskiego procesu do identyfikacji charakterystyk zagęszczenia gruntów ziarnistych

• Autorzy: Kłos M. , Słoński M. , Waszczyszyn Z.

Warianty tytułu

EN

Application of Gaussian process method to identification of compaction characteristics in granular soils

• Języki publikacji: PL

Abstrakty

PL

W pracy zastosowano metodę bayesowską Gaussowskiego Procesu (GP). Metoda wyróżnia się brakiem wektora wag i użyciem funkcji kernelowskich oraz macierzy kowariancji w przestrzeni danych wejściowych. Dzięki temu w GP można było formułować stosunkowo proste algorytmy i procedury komputerowe. GP zastosowano do identyfikacji dwóch charakterystyk zagęszczenia gruntów ziarnistych, tj. wilgotności optymalnej oraz maksymalnej gęstości objętościowej. Celem sprawdzenia numerycznej efektywności GP zastosowano ją do analizy nowych danych pomiarowych opisanych w [2], analizowanych w [4] za pomocą semi-baysowskiej sieci neuronowej (SBNN). Wykazano, że dokładność identyfikacji metodą GP jest porównywalna z zaletami SBNN.

EN

In the paper the Gaussian Process (GP) model is discussed as a simple Bayesian for approach to identification analysis. In GP model the weight vector is not applied, which makes the algorithms and computational procedures simpler than those formulated in the Semi-Bayesian Neural Network (SBNN). In the paper it was numerically proved that the application of GP to the identification of compaction parameters for granular soils is numerically efficient, comparable for GP and SBNN applications.

Słowa kluczowe

PL

grunt ziarnisty; zagęszczenie; proces gaussowski; sieć neuronowa; wilgotność optymalna

EN

granular soil; compaction; Gaussian process; neural network; optimum moisture content

• Wydawca: Oficyna Wydawnicza Politechniki Rzeszowskiej
• Czasopismo: Zeszyty Naukowe Politechniki Rzeszowskiej. Budownictwo i Inżynieria Środowiska
• Rocznik: 2012
• Tom: z. 59, nr 3/IV
• Strony: 41--48
• Opis fizyczny: Bibliogr. 10 poz., il.

Twórcy

autor

Kłos M.

autor

Słoński M.

autor

Waszczyszyn Z.

• Politechnika Rzeszowska

Bibliografia

• [1] Sulewska M.J: Sztuczne sieci neuronowe w ocenie parametrów zagęszczenia gruntów niespoistych, Studia z Zakresu Inżynierii, Nr 64. Warszawa-Białystok, 2009.
• [2] Najjar, Y.M.: On the identification of compaction characteristics by neuronets. Computers and Geotechnics, 18:167-187, 1996.
• [3] Sinha, S.K., Wang, M.C.: Artificial neural network prediction models for soil compaction and permeability. Geotech. Geol. Eng., 26:47-64, 2008.
• [4] Sulewska, M., Artificial neural modelling of compaction characteristics of cohesionless soils. Comp. Aided Mech. Eng. Sci., 17:27-40, 2010.
• [5] Kłos M.V.J, Sulewska M.J., Waszczyszyn Z.: Neural identification of compaction characteristics for granular soils. Comp. Aided Mech. Eng. Sci., 18(4), 2010 (w druku).
• [6] Słoński M.: Bayesian Neural Networks and Gaussian Processes in identification of concrete properties. Comp. Aided Mech. Eng. Sci., 18(4), 2011 (w druku).
• [7] Waszczyszyn, Z., Słoński, M.: Selected problems of artificial neural network development, Ch. 5 in: Waszczyszyn, Z. (ed.), Advances of Soft Computing in Engineering, CISM Courses and Lectures, vol. 512, pp. 237-316. Springer, Wien-New York, 2011.
• [8] Haykin, S.S.: Neural Networks  A Comprehensive Introduction, 2nd Ed., Prentice Hall, 1999.
• [9] Bishop C.M.: Neural Networks for Pattern Recognition. Oxford University Press, 2006
• [10] Nabney, I.T.: Netlab - Algorithms for Pattern Recognition. Springer, London, 2004.