Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: duct diameter

Sortuj według:

Ogranicz wyniki do:

Ocena średnic przewodów wodociągowych za pomocą sieci neuronowych Kohonena

Dawidowicz J.

Czasopismo Inżynierii Lądowej, Środowiska i Architektury / Journal of Civil Engineering, Environment and Architecture

2015

z. 62, nr 1

43--64

Projektowanie systemu dystrybucji wody nieodłącznie wiąże się z wykonaniem obliczeń, których celem jest m.in. wyznaczenie natężenia przepływów przez poszczególne przewody oraz dobór średnic z zachowaniem odpowiednich prędkości przepływu. W obliczeniach systemów dystrybucji wody od wielu lat stosuje się technikę komputerową. Zwiększająca się moc obliczeniowa komputerów samoistnie nie rozwiąże złożonych problemów. Dopiero zastosowanie zaawansowanych metod obliczeniowych pozwoli usprawnić proces obliczeniowy i poprawić jakość rozwiązań. Obecnie dąży się do stworzenia programów obliczeniowych, które będzie charakteryzować pewien stopień kreatywności, co powinno ułatwić użytkownikom podejmowanie decyzji na różnych etapach realizacji zadania i poprawić jakość rozwiązań. Wydaje się, że klasyczne algorytmy o sformalizowanym przebiegu można uzupełnić znacznie bardziej zaawansowanymi technikami obliczeniowymi, w tym modelowaniem za pomocą sztucznych sieci neuronowych. W niniejszej pracy rozpatrzono możliwość zastosowania sztucznych sieci neuronowych Kohonena do oceny średnic przewodów wodociągowych. Opisano metodykę budowy zbioru danych do uczenia sieci neuronowych, metodykę procesu uczenia sieci oraz zestawiono przeanalizowane warianty sieci Kohonena. Omówiono dobór danych wejściowych oraz struktury sieci Kohonena. Uzyskane wyniki pozwalają wnioskować, że te sieci neuronowe mogłyby być uzupełnieniem tradycyjnych metod obliczeniowych. Zaletą tego rozwiązania jest mapa topologiczna, która w sposób graficzny pokazuje położenie danej średnicy względem innych średnic w zależności od parametrów opisujących odcinek obliczeniowy. Dodatkowy moduł programu komputerowego wykorzystujący sieć neuronową pozwoli zaakceptować przyjętą do obliczeń lub dokonać korekty średnicy przewodu wodociągowego.

Designing water distribution systems is inherently linked to the implementation of calculations whose aim is, among others, to determine flow rates for individual pipes and choose diameters with appropriate flow velocity. In the calculations for water distribution systems, computer technology has been used for many years. Increasing computing power will not, however, solve the complex problems by itself. Only the application of advanced computational methods is able to genuinely enhance the computational process and improve the quality of the used solutions. Currently, the goal is to develop such computer programs that would feature a certain degree of creativity, which should help users make decisions at different stages of performing the task, and improve the quality of the used solutions. It appears that traditional algorithms with a formalized pattern can now be replaced by more sophisticated computational techniques, including modeling with the use of artificial neural networks. The following paper examines the possibility of applying Kohonen artificial neural networks (also known as self-organizing maps) to evaluate the diameter of water pipes. The study describes the construction methodology behind the data set for neural network learning and network learning process methodology, also summarizing the analyzed variants of Kohonen networks. The paper then goes on to discuss the selection of input data and the Kohonen network structure. The obtained results allow to conclude that these neural networks could complement the traditional methods of calculation. The advantage of this solution is the topological map which graphically shows the location of a given diameter with respect to the other diameters, depending on the parameters describing the calculation section. The additional module of a computer program, based on a neural network, will help approve, or revise, the adopted water pipe diameter.