Wyniki wyszukiwania - BazTech

1

Reliability based rehabilitation of water distribution networks by means of Bayesian networks

Lakehal A., Laouacheria F.

Journal of Water and Land Development

|

2017

|

no. 34

163--172

EN

Water plays an essential role in the everyday lives of the people. To supply subscribers with good quality of water and to ensure continuity of service, the operators use water distribution networks (WDN). The main elements of water distribution network (WDN) are: pipes and valves. The work developed in this paper focuses on a water distribution network rehabilitation in the short and long term. Priorities for rehabilitation actions were defined and the information system consolidated, as well as decision-making. The reliability data were conjugated in decision making tools on water distribution network rehabilitation in a forecasting context. As the pipes are static elements and the valves are dynamic elements, a Bayesian network (static-dynamic) has been developed, which can help to predict the failure scenario regarding water distribution. A relationship between reliability and prioritization of rehabilitation actions has been investigated. Modelling based on a Static Bayesian Network (SBN) is implemented to analyse qualitatively and quantitatively the availability of water in the different segments of the network. Dynamic Bayesian networks (DBN) are then used to assess the valves reliability as function of time, which allows management of water distribution based on water availability assessment in different segments. Before finishing the paper by giving some conclusions, a case study of a network supplying a city was presented. The results show the importance and effectiveness of the proposed Bayesian approach in the anticipatory management and for prioritizing rehabilitation of water distribution networks.

PL

Woda odgrywa istotną rolę w codziennym życiu ludzi. Aby zapewnić klientom stałe dostarczanie wody dobrej jakości, operatorzy wykorzystują sieci wodociągowe, ich głównymi elementami są rury i zawory. W pracy opisano odnawianie sieci wodociągowych w krótkim i długim przedziale czasowym. Zdefiniowano priorytety działań renowacyjnych i skonsolidowano system informacyjny oraz system podejmowania decyzji. Dane o wiarygodności zostały sprzężone z narzędziami podejmowania decyzji co do odnowy sieci w kontekście możliwości prognozowania. Ponieważ rury są elementem statycznym, a zawory dynamicznym, zbudowano statyczno- -dynamiczną sieć Bayesowską, która pozwala przewidywać niepowodzenia w dostawie wody. Badano zależności między wiarygodnością a ustaleniem priorytetów działań renowacyjnych. Wdrożono modelowanie ilościowej i jakościowej analizy dostępności wody w różnych segmentach sieci wodociągowej oparte na statycznej sieci Bayesowskiej. Następnie użyto dynamicznych sieci Bayesowskich do oceny wiarygodności zaworów w funkcji czasu, co umożliwiło zarządzanie dystrybucją wody bazującą na ocenie jej dostępności w różnych segmentach sieci. Przed wyciągnięciem wniosków przedstawiono przykład sieci zasilającej miasto. Wyniki dowodzą znaczenia i efektywności proponowanego podejścia Bayesowskiego w planowaniu gospodarki wodnej i ustalaniu priorytetów renowacji sieci wodociągowych.

2

Modeling dynamical systems by means of dynamic Bayesian networks

Łupińska-Dubicka A.

Zeszyty Naukowe Politechniki Białostockiej. Informatyka

|

2012

|

Z. 9

77-92

EN

Bayesian networks (BNs) are powerful tools for modeling complex problems involving uncertain knowledge. They have been employed in practice in a variety of fields. Their extension to time-dependent domains, dynamic Bayesian networks (DBNs) allow to monitor and update the system as time procedes and predict further behavior of the system. Most practical uses of DBNs involve temporal influences of the first order, i.e., influences between neighboring time steps. This choice is a convenient approximation influenced by the existence of efficient algorithms for first order models and limitations of available tools. This paper presents how to create higher order dynamic Bayesian networks and shows that introducing higher order influences can improve the accuracy of the model. To introduce the formalism to the readers, it describes a hypothetical simplified model based on a DBN.

PL

Sieci Bayesowskie (Bayesian networks, BNs) są popularnym narzędziem do reprezentacji wiedzy w warunkach niepewnosci. Znalazły praktyczne zastosowanie w wielu dziedzinach. Ich rozszerzenie o domenę czasową dynamiczne sieci bayesowskie (dynamic Bayesian networks, DBNs) umozliwiają monitorowanie oraz aktualizację systemów zmieniających się wraz z upływem czasu, a takze predykcję przyszłego stanu takiego systemu. Większość praktycznych zastosowań dynamicznych sieci Bayesowskich bierze pod uwagę tylko zależności pierwszego rzędu, to znaczy, że bieżący stan systemu zale ży tylko od jego stanu w bezpośrednio poprzedzającym go kroku czasowym. Takie założenie jest uproszczeniem, wynikającym najprawdopodobniej z braku efektywnych narzędzi zdolnych obsłużyć modele wyższych rzędów. Niniejszy artykuł przedstawia na przykładzie sposób w jakim tworzy się modele wyższych rzędów oraz pokazuje, wpływy wyższych rzędów mogą zwiększyc jakość modelu.

3

Application of dynamic Bayesian networks to risk assessmnet in medicine

Oniśko A.

Zeszyty Naukowe Politechniki Białostockiej. Informatyka

|

2010

|

Z. 5

35-49

EN

Dynamic Bayesian networks (DBNs) offer a framework for explicit modeling of temporal relationships, and are useful as both prognostic and diagnostic tools. In medicine, for example, they can assist in planning treatment options or in clinical management of patients. They have been also widely applied to genomics and proteomics. This paper shows how dynamic Bayesian networks can be used in a risk assessment in medicine and presents an example of an application to cervical cancer screening. The model is a convenient tool for assessing the risk of cervical precancer and invasive cervical cancer over time. These quantitative risk assessments are helpful for establishing the optimal timing of follow-up screening and are the first step toward generating individualized reevaluation scheduling.

PL

Dynamiczne sieci bayesowskie (DBNs) pozwalają na modelowanie zależności czasowych. Modele te są niejednokrotnie używane w prognostyce. Na przykład w medycynie, jako narzędzia do prognozowania czy też planowania terapii. Dynamiczne siecibayesowskie sa˛ też szeroko stosowane w genomice oraz w proteomice. Atrykuł ten opisuje, w jaki sposób dynamiczne sieci bayesowskie mogą być zastosowane w wyznaczaniu ryzyka w medycynie. W pracy przedstawiono przykład zastosowania dynamicznych sieci bayesowskich w profilaktyce raka szyjki macicy. Prezentowany model został zbudowany w oparciu o dwa źródła wiedzy: opinie eksperta oraz dane medyczne. Model ten pozwala na wyznaczanie ryzyka zachorowania na raka szyjki macicy. Wartości ryzyka wyznaczane przez model pozwalają na określenie optymalnego czasu wykonania kolejnych badań przesiewowych oraz na zindywidualizowanie procesu profilaktyki.

4

Modelowanie niezawodności złożonych systemów bioagrotechnicznych

Kusz A., Marciniak A.

Inżynieria Rolnicza

|

2010

|

R. 14, nr 4

157-162

PL

W artykule omówiono metodę modelowania niezawodności złożonych systemów bioagrotechnicznych. Przedstawiono koncepcję modelu niezawodności procesowej opartą na technologii sieci bayesowskich. Niezawodność procesu zdefiniowano jako miarę probabilistyczną na zbiorze wartości pewnego funkcjonału reprezentującego potencjalny plon i jego ewentualny spadek powodowany zagrożeniami biologicznymi i częściowo kształtowany poprzez warunki klimatyczne i działania interwencyjne. Ewolucję zmian niezawodności procesu odwzorowano korzystając z sieci dynamicznych, które uwzględniają lokalizację w czasie.

EN

The article deals with the method of modelling of reliability of complex bioagrotechnical systems. The concept of the model of process reliability based on the technology of Bayesian networks was presented. The reliability of the process was defined as a probabilistic measure on the set of values of a certain functional representing the potential yield and its possible decrease caused by biological threats and shaped partly by climate conditions and intervention actions. The evolution of changes of reliability of the process was mapped with the use of dynamic networks that take time location into account.

5

Modelowanie procesu eksploatacji obiektów technicznych za pomocą dynamicznych sieci bayesowskich

Bartnik G., Kusz A., Marciniak A. W.

Inżynieria Rolnicza

|

2006

|

R. 10, nr 12(87)

9-16

PL

Przedstawione zostało zastosowanie dynamicznych sieci bayesowskich do modelowania niezawodności oraz wspomagania decyzji dotyczących eksploatacji maszyn na przykładzie linii do produkcji mleka.

EN

The paper presents application of dynamic Bayesian networks for modelling of reliability and support of decision-making processes regarding machinery operation on the example of milk production line.

6

Dynamiczne sieci probabilistyczne jako system reprezentacji wiedzy

Kusz A., Marciniak A. W.

Inżynieria Rolnicza

|

2006

|

R. 10, nr 12(87)

285-294

PL

W pracy przedstawiono podstawowe założenia metodyczne związane z budową formalnych systemów reprezentacji wiedzy. Omówiono sieci probabilistyczne, które są szczególnie przydatnym systemem reprezentacji wiedzy w przypadku, gdy trzeba w sposób jawny zakodować czynnik niepewności i rozumowania w kategoriach niedeterministycznych związków przyczynowo-skutkowych. Sprecyzowano zasady budowy modelu oraz omówiono metody wnioskowania specyficzne dla sieci bayesowskich.

EN

The paper presents Bayesian Networks (BN) technology in the context of methodological requirements for building knowledge representation systems in the domain of agricultural engineering. BN, by their nature, are especially useful for modeling uncertain domains like agricultural production and food chains management.