Wyniki wyszukiwania - BazTech

1

Oznaczanie, opis i klasyfikacja gruntów według norm PN-EN ISO 14688-1 oraz 14688-2

Majer Edyta, Roguski Adam, Grabowska Alicja, Łukawska Aleksandra

Przegląd Geologiczny

|

2021

|

Vol. 69, nr 12

937--948

EN

The article introduces the methods of identification, description and classification of soils presented in the PN-ENISO14688-1 and PN-EN ISO 14688-2 standards. Experience shows that these standards, although referred to by Eurocode 7, are still not fully implemented and are most often applied incorrectly. In practice, the soil is still identified macroscopically using the principles presented in the with drawn PN-B-02480:1986, PN-B-02481:1998 and PN-B-04481:1988 standards.

2

Wpływ uziarnienia i granic konsystencji na klasyfikację wybranych gruntów spoistych w świetle zmieniających się kryteriów normowych

Kowalska M., Dudko-Pawłowska I., Gawlik M.

Przegląd Geologiczny

|

2017

|

Vol. 65, nr 10/2

707--716

EN

The paper presents classifications of seven different cohesive soils, based on seven methods suggested by the standards PN-B-02480:1994, PN-B-04481:1988 and PN-EN ISO 14688:2006. Two included macroscopic analysis, three - grain distribution and two other - Atterberg limits. The liquid limits, necessary to determine the soil type according to the Casagrande's nomogram, were assessed with the use of the Casagrande's method according to PN-B-04481:1988 and cone penetrometer test according to PKN-CEN ISO/TS 17892-12:2009. The latter one gave lower values, which is consistent with previous studies. The results were additionally evaluated in terms of the activity and swelling potential of the soils. It has been concluded that macroscopic analysis classifies soils in a way similar to the one suggested in the Casagrande’s nomogram, which in turn, allows estimation ofphysical parameters of the cohesive soils. In the Authors'opinion, these two ways of cohesive soil description are worth using; the necessity ofplotting the grain size distribution curves could be limited to some doubtful cases - e.g. when the activity value of soil is required.

3

Adaptive modelling of spatial diversification of soil classification units

Urbański K., Gruszczyński S.

Journal of Water and Land Development

|

2016

|

no. 30

127--139

EN

The article presents the results of attempts to use adaptive algorithms for classification tasks different soils units. The area of study was the Upper Silesian Industrial Region, which physiographic and soils parameters in the form of digitized was used in the calculation. The study used algorithms, self-organizing map (SOM) of Kohonen, and classifiers: deep neural network, and two types of decision trees: Distributed Random Forest and Gradient Boosting Machine. Especially distributed algorithm Random Forest (algorithm DRF) showed a very high degree of generalization capabilities in modeling complex diversity of soil. The obtained results indicate, that the digitization of topographic and thematic maps give you a fairly good basis for creating useful models of soil classification. However, the results also showed that it cannot be concluded that the best algorithm presented in this research can be regarded as a general principle of system design inference.

PL

Wraz z rozwojem technologii informatycznych następuje stopniowa zmiana podejścia do dokumentacji kartograficznej obiektów przyrodniczych, w tym gleb. Podstawowymi cechami dowolnej klasyfikacji, których przedmiotem są gleby, jest wielowymiarowość jednostek (nie ma pojedynczej właściwości, możliwej do wyznaczenia w drodze pomiaru, która wystarczałaby do jednoznacznego przypisania pedonu do określonej klasy w stosowanych skalach klasyfikacyjnych gleb), w związku z czym właściwe wydaje się wykorzystanie do tego celu dostępnych komputerowych metod przetwarzania danych. Modelowanie przestrzennego zróżnicowania gleb na podstawie przesłanek natury fizjograficznej, odtworzonych na podstawie digitalizacji istniejących materiałów kartograficznych, jest podstawą do tworzenia przestrzennych baz danych przechowywanych w wersji cyfrowej. Inaczej niż w typowej kartografii tematycznej zawierającej treści glebowo-siedliskowe, modele te wskazują na prawdopodobieństwo a priori występowania określonej jednostki glebowej w określonym położeniu, nie zaś bezwzględną przynależność terenu do niej. Taka interpretacja wymaga zbudowania stosownego algorytmu wiążącego czynniki natury geologicznej i fizjograficznej z jednostkami glebowymi. Do tego celu często wykorzystuje się tak zwane algorytmy adaptacyjne, umożliwiające elastyczne tworzenie modeli zależności bazujących na danych. W pracy przedstawiono dwa warianty doboru parametrów przetwarzania danych fizjograficzno-glebowych potencjalnie przydatnych do tych celów. Wykorzystano dane pochodzące z bazy danych fizjograficznoglebowych z rejonu GOP (Górnośląski Okręg Przemysłowy) uzyskanych w wyniku digitalizacji materiałów kartograficznych. Analizie poddano wyłącznie tereny użytków rolnych: gruntów ornych (R) i trwałych użytków zielonych (Ł i Ps). Na obszarze o powierzchni 1 km2 wyodrębniono 6,4 mln jednostek tworzących siatkę kwadratów o rozmiarach 20 × 20 m. Wykorzystane zostały algorytmy samoorganizującej mapy (SOM) Kohonena oraz klasyfikatory – głęboka sieć neuronowa, oraz dwa rodzaje drzew decyzyjnych – rozproszony las losowy (ang. Distributed Random Forest) i wzmacniane drzewa losowe (ang. Gradient Boosting Machine). Szczególnie algorytm rozproszonego lasu losowego (algorytm DRF) wykazał bardzo wysoki stopień zdolności generalizacyjnej w modelowaniu zróżnicowania kompleksów glebowych.

4

Przydatność różnych typów sieci neuronowych w klasyfikacji gleb

Gruszczyński S.

Inżynieria Środowiska / Akademia Górniczo-Hutnicza im. S. Staszica w Krakowie

|

2006

|

T. 11, z. 1

13-25

PL

Zaprezentowano zastosowanie trzech algorytmów sieci neuronowych do klasyfikowania gleb na podstawie cech możliwych do interpretacji z dostępnej, analogowej dokumentacji kartograficznej. Spośród przebadanych algorytmów najlepsze wyniki klasyfikacji dają sieci typu MLP oraz probabilistyczne (PNN). Połączenie wyników działania sieci PNN oraz SOM pozwala na pogłębioną analizę zależności klasyfikacyjnych w obszarze opracowania, polegającą między innymi na zobrazowaniu rozmytych relacji między poszczególnymi kompleksami w terenie

EN

The application of three neural networks algorithm in task soils classification, on the basis of features obtained from analog cartographic documentation, is presented. The MLP (Multi-Layer Perceptron) type net and PNN (Probabilistic Neural Network) give the best classification results among examined algorithms. The PNN and SOM (Self-Organizing Map) combination of net operational results gives more deep classification relations within sphere this study, based among others on fuzzy relationships visualization between complexes in analyzed area

5

Prognozowanie klasyfikacji gleb podlegających przekształceniom na terenach górniczych na podstawie danych zgeneralizowanych

Gruszczyński S.

Inżynieria Środowiska / Akademia Górniczo-Hutnicza im. S. Staszica w Krakowie

|

2004

|

T. 9, z. 2

137--146

PL

Praca zawiera wyniki badań związanych z koncepcją rozdzielenia, w adaptacyjnych modelach klasyfikacji warunków glebowych w rejonach górniczych, wektorów cech litologicznych gleb i morfologicznych terenu na dwa zbiory. Pozwoliłoby to na opracowanie wspólnego modelu klasyfikacji gleb na podstawie cech litologicznych, które w rejonach górniczych byłyby tylko uzupełniane o cechy morfologii terenu, co łącznie umożliwiłoby poprawną klasyfikację w zmieniających się warunkach morfologicznych. Jest to adaptacja koncepcji modelu SoLIM lansowanej w niektórych kręgach kartografów gleb w USA. Wyniki wskazują na istotne wady takiego podejścia, związane ze znacznym wzrostem błędów klasyfikacji. Wzrost błędu wynika prawdopodobnie z utraty części informacji, związanej w oryginalnych modelach adaptacyjnych z równoległym przetwarzaniem obu zbiorów składowych wektora cech.

EN

The paper presents the results of investigations connected with the separation conception, in adaptive models of classification the soil conditions in mining terrains, of the lithological features vectors of soils and morphological of the terrain, to two sets. This would let to elaborate a united soil classification model on the basis of lithological features, which would be supplemented in mining terrains, only by the morphological features of the terrain, what together gives the correct classification in altering morphological conditions. This is an adaptation of SoLIM model conception promoted in some soil cartographer circles in United States. The results show an intense failing of such solution, connected with the considerable increase of classification mistakes. The error increase results probably from the loss of part of the information connected, in original adaptive models, with parallel transformation of both component sets of feature vector.