The article presents a method of controlling infiltration in flood embankments by means of impedance tomography with the use of classification tree prediction. The analysis was performed using electrical impedance tomography and image reconstruction using machine learning methods, the results of the reconstruction were compared and various numerical models were used. The main advantage of the presented solution is the possibility of analyzing spatial data and high processing speed. The key parameters in electrical tomography are the speed of analysis and the accuracy of the reconstructed objects. The reconstruction algorithm is obtained by solving the inverse problem. Classification trees were used to obtain feedback on the degree of water permeability of the embankment.
PL
Artykuł przedstawia metodę kontroli przesiąków w wałach przeciwpowodziowych za pomocą tomografii impedancyjnej z wykorzystaniem predykcji drzewa klasyfikacyjnego. Analizę przeprowadzono z użyciem elektrycznej tomografii impedancyjnej i rekonstrukcji obrazu z wykorzystaniem metod uczenia maszynowego, porównano wyniki rekonstrukcji i zastosowano różne modele numeryczne. Główną zaletą prezentowanego rozwiązania jest możliwość analizy danych przestrzennych oraz duża szybkość przetwarzania. Kluczowymi parametrami w tomografii elektrycznej są szybkość analizy i dokładność rekonstruowanych obiektów. Algorytm rekonstrukcji uzyskuje się poprzez rozwiązanie problemu odwrotnego. Drzewa klasyfikacyjne zostały wykorzystane do uzyskania informacji zwrotnej o stopniu przesiąkliwości nasypu.
Active thermography is an efficient tool for defect detection and characterization as it does not change the properties of tested materials. The detection and characterization process involves heating a sample and then analysing the thermal response. In this paper, a long heating pulse was used on samples with a low thermal diffusivity and artificially created holes of various depths. As a result of the experiments, heating and cooling curves were obtained. These curves, which describe local characteristics of the material, are recognized using a classification tree and divided into categories depending on the material thickness (hole depths). Two advantages of the proposed use of classification trees are: an in-built mechanism for feature selection and a strong reduction in the dimensions of the pattern. Based on the experimental study, it can be concluded that classification trees are a useful tool for the thinning detection of homogeneous material.
The paper deals with the problem of evaluation of technical condition of rolling bearings on the basis of synchronously measured vibroacoustic symptoms and temperature. Rolling bearings were subjected to accelerated wear under controlled conditions. The values recorded in the study were sound pressure in a broad band including ultrasound (band up to 40 kHz), vibration acceleration in a radial direction, ultrasound in a band up to 100 kHz (processed into audible band), and bearing housing temperature. The identification of the condition was carried out with the help of a supervised learning system. Two conditions were distinguished: fit - examples were obtained in the initial phase of bearing operation in temperature stability conditions, and pre-failure - examples were obtained from fragments of recording just before the occurrence of bearing failure. The CART (Classification and Regression Tree) binary tree method was used to determine the technical condition and significance of particular diagnostic symptoms.
Background: The inspiration to undertake research in the field of logistics customer service was formed by the strong relationship between service performance and customer satisfaction, observed within a study of the needs of logistics service providers' (LSPs) customers. The paper aims to understand which elements of service performance are important to customers purchasing logistics services in Poland and are worth investing in by LSPs. Methods: The study was conducted among 112 production and trade enterprises - customers of LSPs selected in a targeted manner. A questionnaire method was used. Based on the respondents' answers, a model was built in the form of a classification tree with customer satisfaction as a response variable and features of service performance as predictors. Results: The results show that two main characteristics affect customer satisfaction levels, namely logistics costs and shorter delivery times. According to the respondents, improving the level of customer service and increasing flexibility turned out to be less significant. However, the discriminant analysis has shown that high satisfaction with logistics outsourcing can also be achieved with the assumption of longer delivery. Conclusions: In order to stand out in the logistics services market, LSPs should not only invest in reducing costs and improving service times, but also in factors that will cause above-average customer satisfaction, like improved operational flexibility and service levels, including pro-environmental activities.
PL
Wstęp: Inspiracją do podjęcia badań z zakresu logistycznej obsługi klienta była silna relacja między performance'm obsługi a satysfakcją klienta, którą zaobserwowano w badaniu klientów operatorów logistycznych. Autorzy chcieli bliżej poznać, które elementy performance'u obsługi są istotne dla klientów nabywających usługi logistyczne w Polsce i jak te elementy wpływają na poziom satysfakcji klientów z usług logistycznych. Badanie miało na celu wskazanie operatorom logistycznym, w które elementy performance'u obsługi warto inwestować. Metody: Badanie zostało przeprowadzone wśród 112 przedsiębiorstw produkcyjnych i handlowych - klientów LSPs dobranych w sposób celowy. Wykorzystano metodę kwestionariusza ankietowego. W oparciu o odpowiedzi respondentów zbudowano model w postaci drzewa klasyfikacyjnego z satysfakcją klienta w charakterze zmiennej objaśnianej oraz cechami performance'u obsługi w roli zmiennych objaśniających. Wyniki: Wyniki pokazują, iż o poziomie satysfakcji klienta decydują głównie dwie cechy, tj. niższe koszty logistyczne oraz krótsze czasy dostaw. Mniej istotne, wg respondentów, okazały się poprawa poziomu obsługi klienta oraz wzrost elastyczności. Jednak analiza dyskryminacyjna pozwoliła zauważyć, że wysoką satysfakcję z logistycznej obsługi klienta można również osiągnąć przy założeniu dłuższych czasów dostaw. Wnioski: Chcąc wyróżnić się na rynku usług logistycznych, LSP powinien inwestować nie tylko w obniżkę kosztów i poprawę czasu obsługi, ale również w czynniki, które spowodują ponadprzeciętną satysfakcję klienta, tj. poprawę elastyczności działania i poziomu obsługi, w tym działania proekologiczne.
5
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Green mining is an essential requirement for the development of the mining industry. Of the operations in mining technology, blasting is one of the operations that signifcantly affect the environment, especially ground vibration. In this paper, four artificial intelligence (AI) models including artificial neural network (ANN), k-nearest neighbor (KNN), support vector machine (SVM), and classification and regression tree (CART) were developed as the advanced computational models for estimating blast-induced ground vibration in a case study of Vietnam. Some empirical techniques were applied and developed to predict ground vibration and compared with the four AI models as well. For this research, 68 events of blasting were collected; 80% of the whole datasets were used to build the mentioned models, and the rest 20% were used for testing/checking the models’ performances. Mean absolute error (MAE), determination coefficient (R2 ), and root-mean-square error (RMSE) were used as the standards to evaluate the quality of the models in this study. The results indicated that the advanced computational models were much better than empirical techniques in estimating blast-induced ground vibration in the present study. The ANN model (2-6-8-6-1) was introduced as the most superior model for predicting ground vibration with an RMSE of 0.508, R2 of 0.981 and MAE of 0.405 on the testing dataset. The SVM, CART, and KNN models provided poorer performance with an RMSE of 1.192, 2.820, 1.878; R2 of 0.886, 0.618, 0.737; and MAE of 0.659, 1.631, 0.762, respectively.
Celem niniejszego artykułu są przedstawienie i ocena możliwości wykorzystania metod eksploracji danych do segmentacji rynków zbytu. Przedstawiono segmentacje opisową i predykcyjną oraz przeanalizowano wyniki rozwiązywania zadań klasyfikacji i grupowania danych za pomocą sieci neuronowych Kohonena oraz drzew klasyfikacyjnych CART i CHAID. W pracy wykorzystano dane dotyczące rynków zbytu przedsiębiorstwa produkującego wyroby gospodarstwa domowego.
EN
The purpose of this paper is to present and evaluate the possibility of using data mining methods in the market segmentation process. In the paper the descriptive and predictive segmentation were presented and the results of classification and clustering data were analyzed. To carry out the analysis were used following methods: Kohonen neural networks, CART and CHAID. The analysis concerns the manufacturing company producing household products.
Methane and nitrous oxide are key pollutants emitted from agriculture. Primarily the livestock production has a significant share in CH4 emissions. The N2O emissions largely correspond to direct emissions associated with the cultivation of soils. The priority task of agriculture is to develop adaptive solutions enabling the reduction of pollutions in the next years. These capabilities apply to both technological solutions on the farms, as well as improved methods of management and policy tools. Therefore complementary information to the knowledge in the field of the possibilities for reducing CH4 and N2O are extremely valuable. The study of predictions of N2O and CH4 emissions on the basis of different arable crops areas with the use of Flexible Bayesian Models of neural networks was carried out. The decision trees have been designed in order to provide the knowledge and methods that allow the rapid identification of the most important arable crops that affect the quantity of these emissions. On the basis of the conducted analysis, wheat, maize and potatoes in the case of N2O emission and wheat and maize in the case of CH4 emission are the most important differentiating variables.
W pracy przeprowadzono analizę eksploracyjną cech sensorycznych brokułu włoskiego po obróbce cieplnej przy zmiennych parametrach: temperaturze, czasie i dodatku pary. Do oceny sensorycznej wykorzystano 5 wyróżników: barwę, konsystencję, zapach, smak i soczystość. Zbadano rzetelność skali oraz utworzono drzewa klasyfikacyjne dla wszystkich wyróżników sensorycznych. Stwierdzono, że dodatek pary, niezależnie od jego poziomu, jest najważniejszym predyktorem oceny wszystkich wyróżników sensorycznych.
EN
The paper presents exploratory analysis of Italian broccoli sensory characteristics after heat treatment, carried out for variable parameters: temperature, time and steam addition. 5 discriminants have been used for the purposes of sensory assessment: colour, consistence, aroma, taste and succulence. The research involved scale reliability examination and developing classification trees for all sensory discriminants. It has been observed that steam addition, regardless of its volume, is the most important assessment predictor for all sensory discriminants.
9
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
In the paper electricity load analysis was performed for a power region in Poland. Identifying the factors that influence the electricity demand and determining the nature of the influence is a crucial element of an effective energy management. In order to analyse the electricity load level the CART (Classification and Regression Tree) method has been used. The data for the analysis are hourly observations of the electricity load and weather throughout one year period. Two categories of factors were taken as predictor variables, on which the demand for the electricity load depends: variables describing weather and variables representing structure days in a year. An analysis of the errors of the presented models was carried out.
PL
W artykule zbadano wpływ warunków atmosferycznych na poziom obciążenia systemu elektroenergetycznego. Identyfikacja czynników warunkujących wielkość popytu na energię elektryczną jest podstawowym elementem systemu zarządzania energią elektryczną. W badaniach zastosowano metodę k-średnich oraz technikę drzew klasyfikacyjnych i regresyjnych. W pierwszym etapie badań metodą k-średnich wyróżniono jednorodne - z uwagi na obciążenie systemu elektroenergetycznego - grupy godzin w skali doby. Dla każdej z grup dla wybranej godziny (reprezentanta) zbudowano drzewo regresyjne, przyjmując jako czynniki dane meteorologiczne oraz typ dnia w skali roku. Przeprowadzona analiza pokazała, że czynnikami warunkującymi poziom obciążenia systemu energetycznego są: temperatura, punkt rosy, wilgotność oraz rodzaj opadów. Informacja o rodzaju oraz wartościach progowych tych czynników meteorologicznych może zostać wykorzystana w procesie prognozowania poziomu obciążenia systemu elektroenergetycznego i tym samym przyczynić się do poprawy efektywności procesów zarządzania energią. Przeprowadzono analizę błędów skonstruowanych drzew regresyjnych.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.