PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Support vector machines and neural networks for forecasting of failure rate of water pipes

Autorzy
Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Metoda wektorów nośnych i sieci neuronowe do przewidywania wskaźnika awaryjności przewodów wodociągowych
Konferencja
ECOpole’16 Conference (5-8.10.2016, Zakopane, Poland)
Języki publikacji
EN
Abstrakty
EN
The failure rate of water pipes was predicted using support vector machines (SVMs) and artificial neural networks (ANNs). Both algorithms are regression methods of so called machine learning. Operational data from the time span 2001-2012 were used for forecasting purposes. The length, diameter and year of construction of the distribution pipes and the house connections were treated as the independent variables. The computations were carried out using the Statistica 12.0 software.
PL
Wskaźnik awaryjności przewodów wodociągowych przewidywano za pomocą metody wektorów nośnych (SVM) i sztucznych sieci neuronowych (SSN). Oba algorytmy należą do metod regresyjnych, nazywanych metodami uczenia maszyn. Dane eksploatacyjne z lat 2001-2012 zostały wykorzystane w celach predykcji. Długość, średnica i rok budowy przewodów rozdzielczych i przyłączy były zmiennymi niezależnymi. Obliczenia przeprowadzono w programie Statistica 12.0.
Rocznik
Strony
41--46
Opis fizyczny
Bibliogr. 11 poz., wykr., tab.
Twórcy
  • Faculty of Environmental Engineering, Wroclaw University of Science and Technology, Wybrzeże S. Wyspiańskiego 27, 50-370 Wrocław, Poland, phone +48 71 320 40 84
Bibliografia
  • [1] Tscheikner-Gratl F, Sitzenfrei R, Rauch W, Kleidorfer M. Struct Infrastruct Eng. 2016;12(3):366-380. DOI:10.1080/15732479.2015.1017730.
  • [2] Kowalski D, Miszta-Kruk K. Eng Failure Analysis. 2013;35:736-742. DOI:10.1016/j.engfailanal.2013.07.017.
  • [3] Scheidegger A, Leitao JP, Scholten L. Water Res. 2015;83:237-247. DOI: 10.1016/j.watres.2015.06.027.
  • [4] Nishiyama M, Filion Y. Can J Civ Eng. 2014;41(10):918-923. DOI: 10.1139/cjce-2014-0114.
  • [5] Tscheikner-Gratl F, Sitzenfrei R, Rauch W, Kleidorfer M. Struct Infrastruct Eng. 2016;12(3):366-380. DOI:10.1080/15732479.2015.1017730.
  • [6] Kolasa-Więcek A. Ecol Chem Eng S. 2013;20(2):419-428. DOI: 10.2478/eces-2013-0030.
  • [7] Aydogdu M, Firat M. Water Resour Manage. 2015;29:1575-1590. DOI: 10.1007/s11269-014-0895-5.
  • [8] Rodolfi E, Servili F, Magini R, Napolitano F, Russo F, Alfonso L. Proced Eng. 2014;89:648-655. DOI:10.1016/j.proeng.2014.11.490.
  • [9] Statistica 12.0, Electronic Manual. http://www.statsoft.pl/textbook/stathome_stat.html?http%3A%2F%2Fwww.statsoft.pl%2Ftextbook%2Fstmachlearn.html
  • [10] Siwoń Z, Cieżak W, Cieżak J. Modele neuronowe szeregów czasowych godzinowego poboru wodyw osiedlach mieszkaniowych [Neural network models of hourly water demand time series in housing areas]. Ochr Środ. 2011;33(2):23-26. http://www.os.not.pl/docs/czasopismo/2011/2-2011/Siwon_2-2011.pdf.
  • [11] Kutyłowska M. Eng Failure Analysis. 2015;47:41-48. DOI: 10.1016/j.engfailanal.2014.10.007.
Uwagi
PL
Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-fe461162-249c-41a7-aed5-23a457fd7ebb
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.