Zastosowanie sieci neuronowych i metody komponentów głównych PCA do kompresji wyników przemieszczeń obiektów budowlanych

• Autorzy: Mrówczyńska Maria

Identyfikatory

DOI

10.15199/33.2022.11.05

Warianty tytułu

EN

Neural networks and PCA principal component methods application to compress the results of the construction object’s displacement

• Języki publikacji: PL

Abstrakty

PL

W artykule zaproponowano wykorzystanie metody transformacji PCA (Principal Component Analysis), realizowanej z wykorzystaniem sieci neuronowej do kompresji wielowymiarowych danych, uzyskanych w wyniku prowadzonych pomiarów geodezyjnych. Jako przykład możliwości zastosowania prezentowanego podejścia wykorzystano wyniki pomiarów przemieszczeń pionowych obiektu budowlanego. Testy oceny skuteczności zaproponowanego podejścia wykonano z wykorzystaniem współczynnika korelacji oraz błędu średniokwadratowego, który nie przekroczył dwukrotności błędu średniego pomiaru. Wyniki analiz numerycznych porównano z wartościami przemieszczeń pionowych punktów sieci pomiarowo-kontrolnej, uzyskanymi z rzeczywistych pomiarów. Wyniki sugerują, że podejście może znaleźć zastosowanie do kompresji, a następnie rekonstrukcji danych z monitoringu geodezyjnego bez zmniejszenia dokładności identyfikacji przemieszczeń.

EN

The article proposes using the PCA (Principal Component Analysis) transformation method carried out using a neural network to compress multidimensional data obtained from geodetic measurements. As an example of the possibility of using the presented approach, the results of measurements of vertical displacements of a construction object were used. Tests to assess the effectiveness of the proposed method were performed using a correlation coefficient and a mean-square error that did not exceed twice the error of the average measurement. The results of numerical analyses were compared with the values of vertical displacements of the measuring and control network points obtained from actual measurements. The results suggest that the approach can be applied to the compression and subsequent reconstruction of geodetic monitoring data without compromising the accuracy of displacement identification.

Słowa kluczowe

PL

monitoring geodezyjny; obiekt budowlany; przemieszczenia pionowe; sieci neuronowe; analiza składowych głównych; transformacja PCA

EN

building object; geodetic monitoring; vertical displacements; neural networks; PCA; principal component analysis

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Materiały Budowlane
• Rocznik: 2022
• Tom: nr 11
• Strony: 16--18
• Opis fizyczny: Bibliogr. 10 poz., il.

Twórcy

autor

Mrówczyńska Maria

• Uniwersytet Zielonogórski, Instytut Budownictwa

• https://orcid.org/0000-0002-4762-3999

Bibliografia

• [1] Yanga D.H. et al. Monitoring and analysis of thermal efect on tower displacement in cable-stayed bridge. Measurement. 2018; https://doi.org/10.1016/j.measurement.2017.10.036.
• [2] Nowogońska B. Konsekwencje błędnych decyzji remontowych w XVII-wiecznym budynku szkieletowym. Materiały Budowlane. 2021; https://doi.org/10.15199/33.2021.10.07.
• [3] Błaszczak-Bąk W. et al. Optimization of point clouds for 3D bas-relief modeling. Automation in Construction 2022; https://doi.org/10.1016/j.autcon.2022.104352.
• [4] Skrzypczak I. et al. Scan-to-BIM method in construction: assessment of the 3D buildings model accuracy in terms inventory measurements. Building Research and Information 2022; https://doi.org/10.1080/09613218.2021.2011703.
• [5] Piniotis G. et al. Deck and Cable Dynamic Testing of a Single-span Bridge Using Radar Interferometry and Videometry Measurements, Journal of Applied Geodesy 2016; https://doi.org/10.1515/jag-2015-0030.
• [6] Mrówczyńska et al. Compression of results of geodetic displacement measurements using the PCA method and neural networks. Measurement 2020; https://doi.org/10.1016/j.measurement.2020.107693.
• [7] Lia Y. et al. Accuracy enhancement of high-rate GNSS positions using a complete ensemble empirical mode decomposition-based multiscale multiway PCA. Journal of Asian Earth Sciences 2019; https://doi.org/10.1016/j.jseaes.2018.07.025.
• [8] Wen L. et al. Compression of smart meter big data: A survey. Renewable and Sustainable Energy Reviews 2018; https://doi.org/10.1016/j.rser.2018.03.088.
• [9] Mrówczyńska M. Analysis of principal components used for modelling changes in glacitectonically disturbed areas. Journal of Water and Land Development. 2018; https://doi.org/10.2478/jwld-2018-0066.
• [10] Wang H., Hong M. Supervised Hebb rule based feature selection for text classification. Information Processing & Management. 2018; https://doi.org/10.1016/j.ipm.2018.09.004.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).