Zastosowanie sieci neuronowych w geologii

• Autorzy: Palmąka Michał

Warianty tytułu

EN

Application of artificial neural networks in geology

• Konferencja: Ogólnopolskie Sympozjum "Współczesne Problemy Geologii Inżynierskiej w Polsce"(3 ; 31.05-1.06.2007 ; Puszczykowo, Polska)
• Języki publikacji: PL

Abstrakty

PL

Szybki rozwój technik badawczych w geologii oraz możliwości gromadzenia dużej liczby danych dotyczących środowiska gruntowo-wodnego wymagają korzystania z nowych metod ich analizy. W artykule przedstawiono podstawowe informacje dotyczące zasad funkcjonowania wybranych rodzajów sieci neuronowych oraz ich cechy, które umożliwią efektywne przetwarzanie licznych zbiorów danych. Wskazano na możliwość zastosowania modeli neuronowych do rozwiązywania problemów regresyjnych i klasyfikacyjnych oraz połączenie tego typu analiz z systemem informacji przestrzennej (GIS). Prezentowane metody poparto wybranymi przykładami literaturowymi dotyczącymi zastosowania sieci neuronowych w geologii.

EN

The rapid development of research techniques in geology and storage of a huge amount of digital data concerning a non-biotic environment require new methods to analyze and to draw correct conclusions from available information. This paper presents characteristics and basic principles of running and operating artificial neural networks (ANN), which enable to effectively process numerous data sets. Different geological applications of neural systems are discussed in the context of regression models and classification issues. Additionally some efficient neural network models with a Geographical Information System (GIS) combination are described and proved as a complex spatial methodology.

Słowa kluczowe

PL

symulacje nieliniowe; sieci neuronowe; perceptron wielowarstwowy

EN

nonlinear simulations; neural network; multi-layer perceptron (MLP)

• Wydawca: Uniwersytet im. Adama Mickiewicza. Instytut Geologii
• Czasopismo: Geologos
• Rocznik: 2007
• Tom: Vol. 11
• Strony: 541--548
• Opis fizyczny: Bibliogr. 22 poz.

Twórcy

autor

Palmąka Michał

• Uniwersytet Warszawski, Wydział Geologii, Katedra Ochrony Środowiska i Zasobów Naturalnych, ul. Żwirki i Wigury 93, 02-089 Warszawa

Bibliografia

• Achet S.H., Neaupane K.M., 2004. Use of backpropagation neural network for landslide monitoring: a case study in higher Himalaya. Engineering Geology 74: 213-226.
• Aleotti P., Chowdhury R., 1999. Landslide hazard assessment: summary review and new perspectives. Bulletin of Engineering Geology and the Environment 58: 21-44.
• Ambrozic T., Turk G., 2003. Prediction of subsidence due to underground mining by artificial neural networks. Computers & Geosciences 29: 627-637.
• Attoch-Okine N.O., Fekpe E.S.K., 1996. Strength characteristic modeling of lateritic soils using adaptive neural networks. Construction and Building Materials 10 (8): 577-582.
• Du Y.G., Sreekrishnan T.R., Campbell P.G.C., 1994. Effect of pH on metal solubilization from sewage sludge: A neural-net-based approach. Canadian Journal of Civil Engineering 21: 728-735.
• Goh A.T.C., 1995. Neural networks for evaluating CPT calibration chamber test data. Microcomputers in Civil Engineering 10 (2): 147-151.
• Kanevski M., Parkin R., Podnukhov A., Timonin V., Maignan M., Demyanov V., Canu S., 2004. Environmental data mining and modeling based on machine learning algorithms and geostatistics. Environmental Modeling & Software 19: 845-855.
• Kmiecik E., 2004: Prognozowanie zmian jakości wód podziemnych w układzie przestrzennym z wykorzystaniem sieci neuronowych. Biuletyn Państwowego Instytutu Geologicznego 412: 5-70.
• Lee S., Evangelista D.G., 2006. Earthquake-induced landslide-susceptibility mapping using an artificial neural network. Natural Hazards and Earth System Sciences 6: 687-695.
• Lee I.M., Lee J.H., 1996: Prediction of pile bearing capacity using artificial neural networks. Computers and Geotechnics 18 (3): 189-200.
• Lee S., Ryu J.H., Lee M.J., Won J.S., 2003. Use of an artificial neural network or analysis of the susceptibility to landslides at Boun, Korea. Environmental Geology 44: 820-833.
• McCulloch, Warren S., Pits W., 1943. A logical calculus of ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5: 115-133.
• Palmąka M., 2007. Modelowanie osiadania terenu wokół KWB Bełchatów z wykorzystaniem analiz wielowymiarowych i GIS. Uniwersytet Warszawski. Praca doktorska (w przygotowaniu).
• Rosenblatt D.E., 1962. Principles of Neurodynamics. Spartan Press, New York.
• Rudajev V., Ćiź R., 1999. Estimation of mining tremor occurrence by using neural networks. Pure and Applied Geophysics 154 (l): 57-72.
• Rumelhart D., McClelland J., 1986. Parallel distributed processing Explorations in the Microstructure of Cognition. Vol. 1: Foundation. MIT Press, Cambridge, Mass.
• Shi J., Ortiago J.A.R., Bai J., 1998. Modular neural network for predicting settlements during tunneling. Journal of Geotechnical and Geoenvironmental Engineering, ASCE 124 (5): 389-394.
• Sulewska M.J., 2006. O zastosowaniu sztucznych sieci neuronowych w ocenie zagęszczania nasypów. Inżynieria i Budownictwo 6: 337-338.
• Tkacz M., 2003. Modelowanie warunków geośrodowiskowych przy pomocy metod sztucznej inteligencji na przykładzie hybrydowego systemu płytkiej geotermiki. Katedra Geologii Podstawowej, Wydział Nauk o Ziemi, Uniwersytet Śląski, Katowice. Rozprawa doktorska.
• Turk G., Logar J., Majes B., 2001. Modelling soil behaviour in uniaxial strain conditions by neural networks. Advances in Engineering Software 32 (10-11): 57-64.
• Wong P.M., Jang M., ChoS., Gedeon T.D., 2000. Multiple permeability predictions using an observational learning algorithm. Computers and Geosciences 26: 907-913.
• Wu Q,, Ye S., Wu X., Chen P., 2003. A nonlinear modeling and forecasting system of earth fractures based on coupling of artificial neural network and geographical information system - exemplified by earth fractures in Yuci City, Shanxi. Environmental Geology 45: 124-131.

Uwagi

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