Wyniki wyszukiwania - BazTech

1

Wykorzystanie sieci neuronowych do modelowania pracy młyna kulowego w Cementowni WARTA S.A.

Śnieżyński Bartłomiej, Gajewski Paweł, Stępień Piotr, Roszczynialski Wojciech K., Golonka Paulina, Wolski Grzegorz

Materiały Budowlane

|

2023

|

nr 8

12--17

PL

Zastosowanie Sztucznych Sieci Neuronowych (SSN) do sterowania procesem przemiału cementu jest w pełni uzasadnione ze względu na złożoność procesu mielenia oraz nieliniowość charakteryzujących go parametrów. Stabilna praca młyna uzyskana przy wsparciu samouczących się SSN może przełożyć się na minimalizację jednostkowego zużycia energii przy utrzymaniu właściwego stopnia rozdrobnienia. Jako dane wejściowe zasilające algorytm SSN wykorzystano wybrane parametry technologiczne monitorowane podczas pracy młyna kulowego pracującego w warunkach przemysłowych. Eksperymenty wykazały, że mały błąd predykcji dają modele uwzględniające małą liczbę parametrów, biorące pod uwagę dane wejściowe z krótszego okna czasowego i 30-minutowym oknem wygładzania danych wejściowych. Najlepsze konfiguracje sieci neuronowej pozwalają na predykcję parametrów pracy młyna ze średnim bezwzględnym błędem procentowym poniżej 5% dla horyzontu czasowego 10 min oraz poniżej 7% dla horyzontu czasowego 15 min.

EN

The use of Artificial Neural Networks (ANNs) to control the cement grinding process is fully justified, taking into account the complexity of the grinding process and the non-linearity of its parameters. Stable operation of the mill, obtained with the support of self-learning ANNs, may translate into minimization of unit energy consumption while maintaining the desired degree of fragmentation. As input data powering the ANN algorithm, selected technological parameters monitored during the operation of the ball mill in an industrial setting were used. Experiments have shown that models with a smaller number of parameters, taking into account input data from a shorter time window and a 30-minute input smoothing window, yield a smaller prediction error. The best configurations of the neural network allow for the prediction of the mill operation parameters with an average absolute percentage error of less than 5% for the time horizon of 10 minutes and less than 7% for the time horizon of 15 minutes.

2

Metodyka oceny zespolenia warstwy naprawczej z podłogą betonową z wykorzystaniem technik nieniszczących i sztucznych sieci neuronowych

Czarnecki Sławomir

Inżynieria i Budownictwo

|

2023

|

R. 79, nr 11-12

574--578

PL

Podłogi betonowe wymagają po pewnym okresie użytkowania naprawy powierzchniowej. Po usunięciu wyeksploatowanej przypowierzchniowej warstwy betonu nakładana jest w to miejsce betonowa warstwa naprawcza, zazwyczaj o zmiennej grubości. Skuteczność tak wykonanej naprawy w rozumieniu zespolenia, którego miarą jest przyczepność przy odrywaniu, jest oceniana w praktyce budowlanej metodą odrywania. W ocenianych miejscach uszkodzeniu ulega warstwa naprawiana. Miejsca te wymagają naprawy. Jest to mankament skutkujący zazwyczaj ograniczeniem liczby miejsc badanych, przez co kontrola naprawy jest mało skuteczna. W celu wyeliminowania tego mankamentu w artykule zaproponowano nieniszczącą ocenę przyczepności na odrywanie warstwy naprawczej od powierzchni naprawianej podłogi. Sposób ten bazuje na komplementarnym wykorzystaniu kilku metod nieniszczących, a następnie "skojarzeniu" uzyskanych rezultatów za pomocą sztucznej inteligencji. W artykule zamieszczono opracowaną oryginalną metodykę takiej oceny.

EN

Concrete floors require surface repair after a certain period of use. After the worn-out near-surface layer of concrete is removed, a concrete repair layer, usually of variable thickness, is applied in its place. The effectiveness of the repair made in this way, in the sense of bonding, which is measured by adhesion when peeling off, is assessed in construction practice by the tearing off method. In the assessed places, the repaired layer is damaged. These places need repair. This is a drawback that usually results in limiting the number of places tested, which makes the repair control ineffective. In order to eliminate this shortcoming, the article proposes a non-destructive assessment of adhesion for tearing off the repair layer from the surface of the repaired floor. This method is based on the complementary use of several non-destructive methods, and then "associating" the results obtained with their help using artificial intelligence. The article presents the developed original methodology for such an assessment.

3

A comparative analysis of artificial neural network predictive and multiple linear regression models for ground settlement during tunnel construction

Zou Baoping, Chibawe Musa, Hu Bo, Deng Yansheng

Archives of Civil Engineering

|

2023

|

Vol. 69, nr 2

503--515

EN

Ground settlement during and after tunnelling using TBM results in varying dynamic and static load action on the geo-stratum. It is an undesirable effect of tunnel construction causing damage to the surface and subsurface infrastructure, safety risk, and increased construction cost and quality issues. Ground settlement can be influenced by several factors, like method of tunnelling, tunnel geometry, location of tunnelling machine, machine operational parameters, depth & its changes, and mileage of recording point from starting point. In this study, a description and evaluation of the performance of the artifcial neural network (ANN) was undertaken and a comparison with multiple linear regression (MLR) was carried out on ground settlement prediction. The performance of these models was evaluated using the coefficient of determination R2, root mean square error (RMSE) and mean absolute percentage error (MAPE). For ANN model, the R2, RMSE and MAPE were calculated as 0.9295, 4.2563 and 3.3372, respectively, while for MLR, the R2, RMSE and MAPE, were calculated as 0.5053, 11.2708, 6.3963 respectively. For ground settlement prediction, both ANN and MLR methods were able to predict significantly accurate results. It was further noted that the ANN performance was higher than that of the MLR.

4

Multi-scale modelling of brick masonry using a numerical homogenisation technique and an artificial neural network

Urbański Aleksander, Ligęza Szymon, Drabczyk Marcin

Archives of Civil Engineering

|

2022

|

Vol. 68, nr 4

179--197

EN

A new method of creating constitutive model of masonry is reported in this work. The model is not an explicit orthotropic elastic-plastic one, but with an artificial neural network (ANN) giving an implicit constitutive function. It relates the new state of generalised stresses Σn+1 with the old state Σn and with an increment of generalised strains ΔE (plane-stress conditions are assumed). The first step is to run a strain- controlled homogenisation, repeatedly, on a three-dimensional finite element model of a periodic cell, with elastic-plastic models (Drucker-Prager) of the components; thus a set of paths is created in (Σ, ΔE) space. From these paths, a set of patterns is formed to train the ANN. A description of how to prepare these data and a discussion on ANN training issues are presented. Finally, the procedure based on trained ANN is put into a finite-element code as a constitutive function. This enables the analysis of arbitrarily large masonry systems. The approach is verified by comparing the results of the developed model basing on ANN with a direct (single-scale) one, which showed acceptable accuracy.

PL

W pracy przedstawiono sposób tworzenia makro-modelu konstytutywnego muru ceglanego. Przyjmuje się założenia płaskiego stanu naprężenia. Tworzony model nie jest modelem ortotropowym sprężysto-plastycznym, ale jest zbudowany jako sztuczna sieć neuronowa (SSN) dająca niejawną funkcję konstytutywną. Wiąże ona nowy stan naprężeń uogólnionych (sił membranowych) Σn+1 z poprzednim stanem Σn oraz przyrostem odkształceń uogólnionych ΔE. Forma tak utworzonego makro-modelu konstytutywnego jest zgodna z analizą przyrostową problemu statyki w przypadku nieliniowości materiałowych. Składniki muru (cegła i zaprawa) są opisane modelami sprężysto-plastycznymi Druckera-Pragera. Parametry materiałowe składników muru oraz geometria komórki powtarzalnej stanowią dane wejściowe, służące budowie makro-modelu muru.

5

Hybrid predictions of the homogenous properties’ market value with the use of ann

Anysz Hubert, Podwórna Monika, Ibadov Nabi, Lennerts Kunibert, Dikarev Kostiantyn

Archives of Civil Engineering

|

2021

|

Vol. 67, nr 1

285--301

EN

The homogenous properties – as flats are – have the set of key features that characterizes them. The area of a flat, the number of rooms and storey number where it is located, the technical state of a building, and the state of the vicinity of the blocks of flats assessed. The database comprises 222 flats with their transaction prices on the secondary estate market. The analysed flats are located in a certain quarter of Wrocław city in Poland. The database is large enough to apply machine learning for successful price predictions. Their close locations significantly lower the influence of clients’ assessments of the attractiveness of the location on the flat’s price. The hybrid approach is applied, where classifying precedes the solution of the regression problem. Dependently on the class of flats, the mean absolute percentage error achieved through the calculations presented in the article varies from 4,4 % to 7,8 %. In the classes of flats where the number of cases doesn’t allow for machine predicting, multivariate linear regression is applied. The reliable use of machine learning tools has proved that the automated valuation of homogenous types of properties can produce price predictions with the error low enough for real applications.

PL

Wycena nieruchomości jest złożonym procesem. Rzeczoznawca majątkowy musi być biegły zarówno w naukach ekonomicznych, prawnych, jak i technicznych. W praktyce często zdarzają się przypadki, w których konieczne jest poznanie zakresu wartości nieruchomości w krótkim czasie. Zautomatyzowane modele wyceny (AVM) są kwestionowane przez praktyków, ale nie oznacza to, że nie należy szukać nowych metod wyceny, innych niż te określone w Rozporządzeniu Rady Ministrów z dnia 21 września 2004 r. w sprawie wyceny nieruchomości i sporządzania operatu szacunkowego. Do określenia wartości rynkowej nieruchomości zdefiniowanej w Ustawie z dnia 21 sierpnia 1997 r o gospodarce nieruchomościami, jako „szacunkowa kwota, jaką w dniu wyceny można uzyskać za nieruchomość w transakcji sprzedaży zawieranej na warunkach rynkowych pomiędzy kupującym a sprzedającym, którzy mają stanowczy zamiar zawarcia umowy, działają z rozeznaniem i postępują rozważnie oraz nie znajdują się w sytuacji przymusowej”, najczęściej stosowaną metodą wyceny jest podejście porównawcze polegające na szacowaniu wartości na podstawie ostatnich danych sprzedaży innych podobnych nieruchomości na rynku lokalnym. Takie podejście wymaga aktywnego, rozwiniętego oraz w miarę stabilnego rynku. Rzeczoznawca majątkowy analizuje ceny transakcyjne nieruchomości, które w wystarczającym stopniu są podobne do nieruchomości wycenianej. Analiza atrybutów nieruchomości polega na badaniu nieruchomości pod względem trwałych cech, które mają znaczący wpływ na wartość, w szczególności lokalizację obiektu, jego powierzchnię, położenie w budynku, stan techniczny. W pracy przenalizowano próbkę 222 nieruchomości lokalowych, które były przedmiotem obrotu na wrocławskim rynku wtórnym. Lokalny rynek nieruchomości przyjęto jako nieruchomości lokalowe o powierzchni użytkowej z przedziału od 15 do 95 m2, w budynkach o stanie dobry lub średnim, z obrębu Grabiszyn dzielnicy Fabryczna miasta Wrocław. W pracy przyjęto dwuletni okres analizy, ze względu na w miarę stabilny rynek w okresie 2013-2014 nie uwzględniono czynnika czasu - przyjęto zerowy trend czasowy dla transakcji wolnorynkowych.

6

Evaluation of the unit weight of organic soils from a CPTM using an Artificial Neural Networks

Straż Grzegorz, Borowiec Artur

Archives of Civil Engineering

|

2021

|

Vol. 67, nr 3

259--281

EN

This paper discusses the use of mechanical cone penetration test CPTM for estimating the soil unit weight of selected organic soils in Rzeszow site, Poland. A search was made for direct relationships between the empirically determined the soil unit weight value and cone penetration test leading parameters (cone resistance qc, sleeve friction fs. The selected, existing models were also analysed in terms of suitability for estimating the soil unit weight and tests were performed to predict the value soil unit weight of local, different organic soils. Based on own the regression analysis, the relationships between empirically determined values of soil unit weight and leading parameters cone penetration test were determined. The results of research and analysis have shown that both existing models and new, determined regression analysis methods are poorly matched to the unit weight values determined in laboratory, the main reason may be the fact that organic soils are characterized by an extremely complicated, diverse and heterogeneous structure. This often results in a large divergence and lack of repeatability of results in a satisfactorily range. Therefore, in addition, to improve the predictive performances of the relationships, analysis using the artificial neural networks (ANN) was carried out.

PL

W artykule zaprezentowano możliwości zastosowania wyników badań terenowych uzyskanych za pomocą stożkowej sondy statycznej CPTM (ze stożkiem mechanicznym) do wyznaczania ciężaru objętościowego wybranych gruntów organicznych zlokalizowanych na terenie Rzeszowa. Głównym celem prowadzonych badań było poszukiwanie bezpośrednich zależności pomiędzy między wyznaczonymi w warunkach laboratoryjnych wartościami ciężaru objętościowego gruntu γt a parametrami wiodącymi dla badania sondą statyczną CPTM, którymi są: opór gruntu podczas zagłębiania stożka qc oraz opór tarcia na tulei ciernej fs. Testy laboratoryjne wykonano na próbkach o nienaruszonej strukturze, pobranych z otworów kontrolnych umiejscowionych w bezpośrednim sąsiedztwie punktów sondowania, co pozwoliło na pozyskanie reprezentatywnych próbek gruntów o szerokim spectrum zawartości części organicznych od 5,02 do 84,93%. Wykorzystując metodę standardowej analizy regresji określono zależności między empirycznie wyznaczonymi wartościami ciężaru objętościowego badanych gruntów organicznych, a parametrami wyznaczonymi za pomocą sondy statycznej w warunkach in situ. Wykorzystano również szereg modeli literaturowych, opracowanych przez prezentujących je badaczy dla różnych ośrodków gruntowych i parametrów wiodących. Niestety, analiza regresji wykazała, że zarówno istniejące modele, jak i nowe są słabo dopasowane do wartości ciężaru objętościowego wyznaczonych w laboratorium. Głównym powodem może być fakt, że grunty organiczne charakteryzują się niezwykle skomplikowaną budową, różnorodną i niejednorodną strukturą, a przede wszystkim bardzo zróżnicowaną zawartością części organicznych, które mogą lokalnie różnić się genezą czy składem chemicznym. Czynniki te mają wpływ na wyjątkowo dużą rozbieżność i brak powtarzalności uzyskiwanych wyników w zadowalającym zakresie. Dlatego, dodatkowo, aby poprawić predykcyjne działanie zależności, przeprowadzono analizę z wykorzystaniem sztucznych sieci neuronowych (SSN). Porównanie wyników zastosowania standardowej regresji i sieci neuronowych w celu prognozowania ciężaru objętościowego wybranych gruntów organicznych na podstawie wyników sondowania statycznego wykazało, że sieci neuronowe są dokładniejsze. Maksymalne wartości median uzyskanych w analizach statystycznych współczynników determinacji (R2) testowanych modeli wynosiły odpowiednio 0,353 i 0,564. Wynik wykorzystania sieci neuronowych nie jest zadowalający, ale bardzo obiecujący. W związku z tym, planowana jest kontynuacja prac z wykorzystaniem analizy za pomocą sztucznych sieci neuronowych, lecz z zastosowaniem różnych kryteriów kategoryzowania lokalnych gruntów organicznych.

7

Artificial Intelligence Algorithms for the Analysis of Mechanical Property of Friction Stir Welded Joints by using Python Programming

Mishra Akshansh

Welding Technology Review

|

2020

|

R. 92, nr 6

7--16

EN

In modern computational science, the interplay existing between machine learning and optimization process marks the most vital developments. Optimization plays an important role in mechanical industries because it leads to reduce in material cost, time consumption and increase in production rate. The recent work focuses on performing the optimization task on Friction Stir Welding process for obtaining the maximum Ultimate Tensile Strength (UTS) of the friction stir welded joints. Two machine learning algorithms i.e. Artificial Neural Network (ANN) and Decision Trees regression model are selected for the purpose. The input variables are Tool Rotational Speed (RPM), Tool Traverse Speed (mm/min) and Axial Force (KN) while the output variable is Ultimate Tensile Strength (MPa). It is observed that in case of the Artificial Neural Networks the Root Mean Square Errors for training and testing sets are 0.842 and 0.808 respectively while in case of Decision Trees regression model, the training and testing sets result Root Mean Square Errors of 11.72 and 14.61. So, it can be concluded that ANN algorithm gives better and accurate result than Decision Tree regression algorithm.

PL

We współczesnych obliczeniach naukowych wzajemna zależność między uczeniem maszynowym a procesem optymalizacji wyznacza najbardziej istotne osiągnięcia. Optymalizacja odgrywa ważną rolę w przemyśle mechanicznym, ponieważ prowadzi do obniżenia kosztów materiałów, zużycia czasu i wzrostu szybkości produkcji. Ostatnie prace skupiają się na wykonaniu optymalizacji procesu zgrzewania tarciowego z przemieszaniem w celu uzyskania maksymalnej wytrzymałości na rozciąganie (UTS) połączeń zgrzewanych tarciowo z przemieszaniem. Do tego celu wybrano dwa algorytmy uczenia maszynowego, tj. Sztuczną sieć neuronową (ANN) i model decyzyjnego drzewa regresyjnego. Zmienne wejściowe to prędkość obrotowa narzędzia [obr/min], prędkość posuwu narzędzia [mm/min] i siła osiowa [kN], natomiast zmienną wyjściową jest maksymalna wytrzymałość na rozciąganie [MPa]. Zaobserwowano, że w przypadku sztucznych sieci neuronowych średnie błędy kwadratowe zbiorów uczących i testowych wynoszą odpowiednio 0,842 i 0,808, podczas gdy w przypadku modelu decyzyjnego drzewa regresji zbiory uczące i testujące dają średnie błędy kwadratowe 11,72 i 14,61. Można więc stwierdzić, że algorytm ANN daje lepsze i dokładniejsze wyniki niż algorytm regresji drzewa decyzyjnego.

8

Prediction of displacement in the equine third metacarpal bone using a neural network prediction algorithm

Mouloodi Saeed, Rahmanpanah Hadi, Burvill Colin, Davies Helen M. S.

Biocybernetics and Biomedical Engineering

|

2020

|

Vol. 40, no. 2

849--863

EN

Bone is a nonlinear, inhomogeneous and anisotropic material. To predict the behavior of bones expert systems are employed to reduce the computational cost and to enhance the accuracy of simulations. In this study, an artificial neural network (ANN) was used for the prediction of displacement in long bones followed by ex-vivo experiments. Three hydrated third metacarpal bones (MC3) from 3 thoroughbred horses were used in the experiments. A set of strain gauges were distributed around the midshaft of the bones. These bones were then loaded in compression in an MTS machine. The recordings of strains, load, load exposure time, and displacement were used as ANN input parameters. The ANN which was trained using 3,250 experimental data points from two bones predicted the displace-ment of the third bone (R2 ≥ 0.98). It was suggested that the ANN should be trained using noisy data points. The proposed modification in the training algorithm makes the ANN very robust against noisy inputs measurements. The performance of the ANN was evaluated in response to changes in the number of input data points and then by assuming a lack of strain data. A finite element analysis (FEA) was conducted to replicate one cycle of force-displace-ment experimental data (to gain the same accuracy produced by the ANN). The comparison of FEA and ANN displacement predictions indicates that the ANN produced a satisfactory outcome within a couple of seconds, while FEA required more than 160 times as long to solve the same model (CPU time: 5 h and 30 min).

9

Blood glucose prediction model for type 1 diabetes based on artificial neural network with time-domain features

Alfian Ganjar, Syafrudin Muhammad, Anshari Muhammad, Benes Filip, Atmaji Fransiskus Tatas Dwi, Fahrurrozi Imam, Hidayatullah Ahmad Fathan, Rhee Jongtae

Biocybernetics and Biomedical Engineering

|

2020

|

Vol. 40, no. 4

1586--1599

EN

Predicting future blood glucose (BG) levels for diabetic patients will help them avoid potentially critical health issues. We demonstrate the use of machine learning models to predict future blood glucose levels given a history of blood glucose values as the single input parameter. We propose an Artificial Neural Network (ANN) model with time-domain attributes to predict blood glucose levels 15, 30, 45 and 60 min in the future. Initially, the model's features are selected based on the previous 30 min of BG measurements before a trained model is generated for each patient. These features are combined with time-domain attributes to give additional inputs to the proposed ANN. The prediction model was tested on 12 patients with Type 1 diabetes (T1D) and the results were compared with other data-driven models including the Support Vector Regression (SVR), K-Nearest Neighbor (KNN), C4.5 Decision Tree (DT), Random Forest (RF), Adaptive Boosting (AdaBoost) and eXtreme Gradient Boosting (XGBoost) models. Our results show that the proposed BG prediction model that is based on an ANN outperformed all other models with an average Root Mean Square Error (RMSE) of 2.82, 6.31, 10.65 and 15.33 mg/dL for Prediction Horizons (PHs) of 15, 30, 45 and 60 min, respectively. Our testing showed that combining time-domain attributes into the input data resulted in enhanced performance of majority of prediction models. The implementation of proposed prediction model allows patients to obtain future blood glucose levels, so that the preventive alerts can be generated before critical hypoglycemic/ hyperglycemic events occur.

10

Application of artifical neural networks in planning track superstructure repairs

Bałuch H., Nowosińska I.

Archives of Civil Engineering

|

2020

|

Vol. 66, nr 4

45--60

EN

The diagnostics of track superstructure, which involves geometric measurements, direct observation and railroad surveillance, provides the basis for making decisions regarding the commencement of repair works. Planning repairs and increasing the probability of making the right decision at the right time also requires knowledge of the basic performance specifications of a given railway line, especially the maximum train speed and the permissible traffic volume. The article discusses a way to plan the repairs of track superstructure using artificial neural networks. It features a description of the process of designing, building and training a neural network, based on which a way to predict the degree of urgency of repairs has been discussed. The conclusions point towards the potential advantages of neurocomputers in the process of track superstructure maintenance.

PL

Diagnostyka nawierzchni kolejowej obejmująca pomiary geometryczne, obserwacje bezpośrednie lub obrazy wizyjne stanowi podstawę do podejmowania decyzji o przystępowaniu do napraw. Planowanie napraw i zwiększenie prawdopodobieństwa trafności podjętej decyzji o właściwym czasie wykonania wymaga też znajomości podstawowych charakterystyk eksploatacyjnych określonej linii kolejowej, głównie zaś maksymalnej prędkości pociągów oraz natężenia przewozów. W artykule przedstawiono możliwość planowania napraw nawierzchni kolejowej przy zastosowaniu sztucznych sieci neuronowych. Scharakteryzowano proces projektowania, budowy i uczenia sieci neuronowej, na podstawie którego przedstawiono możliwość predykcji stopnia pilności naprawy. W podsumowaniu przedstawiono możliwości wykorzystania neurokomputerów w procesie utrzymania nawierzchni kolejowej.

11

Prognozowanie wytrzymałości na ściskanie betonu natryskowego przy zastosowaniu inteligentnych metod obliczeniowych: sztucznej sieci neuronowej i regresji wektorów wspierających

Kalhori Hamid, Bagherpour Raheb

Cement Wapno Beton

|

2019

|

R. 22/84, nr 2

126--136

PL

Wytrzymałość na ściskanie jest jedną z najważniejszych właściwości betonu. Wynik badania 28-dniowej wytrzymałości na ściskanie betonu lub betonu natryskowego jest wskaźnikiem ich jakości, który bardzo zależy od składu mieszanki betonowej. Niektóre czynniki takie jak rodzaj cementu, stosunek woda/cement, suma drobnego i grubego kruszywa w mieszance, domieszki i in. wpływają na wytrzymałość betonu. Bardzo trudno jest prognozować wytrzymałość betonu z powodu dużej liczby takich parametrów. Obecnie, dysponując inteligentnymi metodami obliczeniowymi, modelowanie odgrywa szczególną rolę w naukach inżynierskich i prognozowaniu zachowania się materiału. Dlatego w artykule przedstawiono wyniki badań różnych mieszanek betonu natryskiwanego zawierającego pył krzemionkowy i zbiory ich wytrzymałości na ściskanie po 28 dniach. Modele ANN oraz SVR zastosowano do prognozowania wytrzymałości na ściskanie betonu natryskowego biorąc pod uwagę parametry mieszanek betonu natryskiwanego jako dane wejściowe. Współczynnik korelacji (R), średni bezwzględny błąd procentowy (MAPE) i pierwiastek błędu średniokwadratowego (RMSE) są statystykami użytymi jako miary efektywności proponowanych modeli prognostycznych. Porównanie wszystkich wyników obliczeń z wynikami doświadczeń wskazuje na zadawalającą dokładność wyników uzyskiwanych przy użyciu proponowanych inteligentnych metod obliczeniowych. Wyniki przeprowadzonych badań wskazują, że zarówno model ANN jak i model SVR są dogodnymi narzędziami do oszacowania wytrzymałości na ściskanie betonu natryskiwanego.

EN

Compressive strength is one of the most important mechanical properties of concrete. 28-day compressive strength test is the acceptance measure of concrete or shotcrete, which is highly affected by the mix design. Some parameters like water/cement ratio, amount of fine and coarse aggregates in mix, admixtures and so on affect shotcrete strength. Due to the large number of such parameters, it is very difficult to predict the shotcrete strength. Today, owing to intelligent methods, modeling has a particular role in engineering sciences and predicting material behavior. Therefore, this paper examines different mix designs of shotcrete containing microsilica and records their 28-day compressive strength. Regarding shotcrete mix design parameters as inputs, ANN and SVR models were used to predict compressive strength of shotcretes. The correlation coefficient (R), mean absolute percentage error (MAPE) and the root mean square error (RMSE) statics are used for performance evaluation of proposed predictive models. All of the results showed that the accuracy of the proposed soft computing methods is quite satisfactory as compared to experimental results. The finding of this study indicated that the both ANN and SVM models are sufficient tools for estimating the compressive strength of shotcrete.

12

Theoretical investigations for the verification of shear centre and deflection of sigma section by back propagation neural network using Python

Janani S., Thenmozhi R., Jayagopal L. S.

Archives of Civil Engineering

|

2019

|

Vol. 65, nr 2

181--192

EN

The most important challenges in the construction field is to do the experimentation of the designing at real time. It leads to the wastage of the materials and time consuming process. In this paper, an artificial neural network based model for the verification of sigma section characteristics like shear centre and deflection are designed and verified. The physical properties like weight, depth, flange, lip, outer web, thickness, and area to bring shear centre are used in the model. Similarly, weight, purlin centres with allowable loading of different values used in the model for deflection verification. The overall average error rate as 1.278 percent to the shear centre and 2.967 percent to the deflection are achieved by the model successfully. The proposed model will act as supportive tool to the steel roof constructors, engineers, and designers who are involved in construction as well as in the section fabricators industry.

13

Non-destructive tests of fibre-cement materials structure with the use of scanning electron microscope

Schabowicz K., Gorzelańczyk T., Szymków M.

Welding Technology Review

|

2018

|

R. 90, nr 11

8--10

EN

The article presents the NDT results of research on the influence of high temperature on the destruction of the structure of fiber-cement board as a result of the failure of a tunnel furnace. Two fiber cement boards were tested. There was a plate in a tunnel furnace during a failure, and reference plate dried in normal conditions. The research used acoustic emission method in combination with artificial neural networks. Interesting research results were obtained, which allowed to observe visible changes in the structure of the tested panels under the influence of high temperature. An important application from the point of view of building practice was formulated.

14

O zastosowaniu sztucznych sieci neuronowych do zarządzania ryzykiem na budowie

Brych-Dobrowolska M.

Inżynieria i Budownictwo

|

2017

|

R. 73, nr 4

214--217

PL

Omówiono problemy zastosowania sztucznych sieci neuronowych do zarządzenia ryzykiem w procesie budowlanym. Zarządzanie ryzykiem podczas realizacji stwarza wiele problemów. Brakuje narzędzi pomocnych w wykrywaniu zagrożeń. Sztuczne sieci neuronowe mogą pomóc w tym zakresie. Symulacje przy użyciu SSN mogą pozwolić na prognozowanie niekorzystnych zmian, dodatkowych kosztów itp.

EN

The article discusses the subject use Artificial Neural Networks to risk management for construction process. Risk management during the implementation of many problems. There are no tools to assist in detecting threats. Artificial Neural Networks can help in this regard. Simulations using ANN can show the probability of adverse changes, additional costs.

15

Wykorzystanie sztucznych sieci neuronowych do szacowania wpływu drgań na budynki jednorodzinne

Jakubczyk-Gałczyńska A., Kristowski A., Jankowski R.

Materiały Budowlane

|

2016

|

nr 6

116--117

PL

W artykule przedstawiono metodę prognozowania wpływu drgań na budynki mieszkalne z wykorzystaniem sztucznych sieci neuronowych. Drgania komunikacyjne mogą doprowadzić do uszkodzenia elementów konstrukcyjnych, a nawet do awarii budynku. Najczęstszym efektem są jednak rysy, pękanie tynku i wypraw. Metody oparte na sztucznej inteligencji są przybliżone, ale stanowią wystarczająco dokładną i ekonomiczną alternatywę dla tradycyjnych pomiarów.

EN

The article presents the method of forecasting the impact of vibrations on residential buildings using the artificial neural networks. Traffic – induced vibrations may damage to structural elements or even lead to structural collapse. However the most common effect is cracking of plaster. Methods based on artificial intelligence are approximate, but they are enough reliable and economical alternative way to traditional measurements.

16

Pomiar trafności prognoz opóźnień w realizacji przedsięwzięć budowlanych za pomocą sztucznych sieci neuronowych

Anysz H., Zbiciak A., Ibadov N.

Materiały Budowlane

|

2016

|

nr 6

3--5

PL

Jedną z metod przewidywania wielkości opóźnień w terminie zakończenia budowy jest wykorzystanie prognostycznych właściwości sztucznych sieci neuronowych (SSN). Kluczowym zagadnieniem dla trafności prognoz jest właściwy wybór topologii sieci. Należy określić, która sieć pozwala uzyskać trafniejsze prognozy. Trafność prognoz ex post można obliczać, używając tradycyjnych, statystycznych miar odchyleń wartości prognozowanych od rzeczywistych w próbie testowej – niebiorącej udziału w procesie uczenia SSN. Zaproponowano określenie trafności prognoz szerokością zdefiniowanego w artykule przedziału trafności dla zadanego poziomu trafności. Pojedynczą prognozę rzeczywistego czasu trwania budowy uznaje się za trafną, jeśli nie jest krótsza niż 0,95 rzeczywistego czasu trwania budowy i nie dłuższa niż większy od jedności wskaźnik rzeczywistego czasu trwania budowy – nazwany limitem górnym (Lg). Przedziałem trafności jest zakres <0,95; Lg>. Z dwóch SSN o różnej topologii lepsze prognozy daje ta – przy założonym poziomie trafności – dla której limit górny przedziału trafności jest bliższy jedności.

EN

Delays in building contract execution can be predicted utilizing prognostic features of artificial neural networks (ANN). Trueness of prognostics highly depends of ANN topology. In order to choose the best one it is necessary to check which gives highest trueness. Trueness of ex-post prognostics can be calculated with use of traditional, statistic measures giving deviations of predicted values from original values for the test set of data, which is not involved in teaching process of ANN. It is proposed to measure the trueness by the width of defined in the paper bracket of accuracy for a given level of accuracy. The single prognosis is recognized as accurate if the predicted total time of contract execution is not shorter then 0,95 of the real one, and not longer then Lg of real total time of contract execution. Lg was defined as anupper limit of the accuracy bracket <0,95; Lg >. Evaluating trueness of two different ANN with the same accuracy level, the better one gives anupper limit Lg closer to 1. Then accuracy bracket will be more narrow.

17

Niezmienniczość analizy niezawodności realizowanej hybrydową metodą Monte Carlo

Kaliszuk J.

Materiały Budowlane

|

2016

|

nr 11

42--43

PL

Na przykładzie analizy niezawodności stalowego dźwigara przedstawiono problem niezmienniczości hybrydowej symulacji Monte Carlo (HMC), wykorzystywanej do wyznaczenia wartości indeksu niezawodności β. Obliczenia realizowano w dwojaki sposób, tj. na podstawie: ESM (Empirical Second Moment), czyli aproksymowanych wartości dwóch pierwszych momentów rozkładu prawdopodobieństwa przyjętej funkcji stanu granicznego g(X) oraz ECD (Empirical Cumulative Distribution), czyli empirycznej dystrybuanty wartości funkcji stanu granicznego g(X). Każdą analizę realizowano w przypadku dwóch, tożsamych postaci funkcji stanu granicznego g1(X) i g2(X). Porównano otrzymane wyniki i stwierdzono, że: wartości indeksu niezawodności β, obliczone metodą ECD są takie same niezależnie od przyjętej postaci funkcji stanu granicznego gi(X), natomiast obliczone metodą ESM są na ogół różne. Oznacza to, że analiza realizowana wg procedury ESM jest niezmiennicza w odróżnieniu od procedury ECD.

EN

On an example of the reliability analysis of a steel girder was presented the problem of the invariance of the hybrid Monte Carlo (MC) simulation. The analysis was limited to determining the value of the reliability index β. The computations were carried out in two ways: on the grounds of the approximated value of the two first moments of the probability distribution of the accepted function of the g(X) limit state – ESM (Empirical Second Moment) or of empirical distribution function of the limit state function value g(X) – ECD (Empirical Cumulative Distribution). Each analysis was carried out for two identical forms of limit state function g1(X) i g2(X). The results obtained were compared and the findings lead to the conclusion that: the values of the reliability index β, computed with the ECD method are the same independently of the accepted function of the limit state gi(X); but computed with the ESM method, are in the majority of cases different. It means that analysis carried out with the ESM procedure is invariant in contrast the ECD procedure.

18

Wspomaganie decyzji wykonawcy budowlanego z zastosowaniem sztucznej inteligencji

Leśniak A.

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

|

2016

|

z. 63, nr 1/I

189--196

PL

Odpowiednia selekcja przetargów, do których startuje przedsiębiorstwo budowlane jest ważna w aspekcie kreowania jego pozycji na rynku. By wspomóc proces myślowy decydenta i zwiększyć skuteczności decyzji opracowuje się modele wspomagające podejmowanie decyzji. W pracy zaproponowano sztuczne sieci neuronowe do budowy modelu wspomagającego decyzje przetargową wykonawcy. Zaproponowany model klasyfikacyjny generuje odpowiedź w formie zalecenia przystąpienia do przetargu bądź rezygnacji z udziału. Model w postaci sieci dwuwarstwowej jednokierunkowej o strukturze MLP 15-2-2 z dwoma neuronami w warstwie ukrytej, osiągnął dobrą jakość działania i prawidłowo sklasyfikował 88,64% przypadków, a pole pod krzywą ROC (współczynnik AUC) wyniosło 0,92578.

EN

An appropriate selection of tenders in which the company wishes to participate plays an important part in establishing its position in the market and contributes to the contractor’s success. Efficiency of bidding decisions can be improved by applying decision support models. The paper presents a model based on an artificial neural network designed to support contractors’ bidding decisions. The network solved the problem of classification. The best network proved to be the MLP 15-2-2 one which generated the most efficient classification, namely the 88,64% of correctly identified cases that did not participate in the training process. The area under the ROC curve (the coefficient AUC) reached the value 0,92578.

19

Wyznaczanie częstości drgań własnych łuków z wykorzystaniem sztucznych sieci neuronowych

Kaczmarek M.

Przegląd Budowlany

|

2015

|

R. 86, nr 12

52--55

PL

Analiza zagadnienia własnego, czyli częstości i postaci drgań własnych, prętów zakrzywionych stanowi tematykę interesującą wielu badaczy. Zagadnienie drgań łuków jest istotnym problemem z uwagi na zastosowanie tych układów w budownictwie i mechanice.

EN

The analysis of free transverse vibration frequency of the curves curved rods has been a subject of interest for numerous researchers. The issue of the vibration of the curves is a major problem due to the use of the aforesaid technology in construction and mechanics.

20

Ocena zespolenia warstw betonowych w podłogach o zmiennej grubości warstwy wierzchniej

Sadowski Ł., Czarnecki S., Hoła J.

Materiały Budowlane

|

2015

|

nr 11

68--70

PL

W artykule podjęto próbę oceny przyczepności na odrywanie między wierzchnią a podkładową warstwą podłogi betonowej. Badania przeprowadzono w przypadku warstwy wierzchniej o zmiennej grubości na podstawie parametrów określanych metodami nieniszczącymi i parametru opisującego grubość warstwy wierzchniej, z wykorzystaniem sztucznych sieci neuronowych (SSN). Opracowano do tego celu SSN, którą nauczono i przetestowano. Do uczenia sieci wykorzystano wzorce uczące w postaci wartości przyczepności na odrywanie, uzyskanych doświadczalnie metodą pull-off w tych samych miejscach badawczych, w których wykonano badania metodami nieniszczącymi.

EN

The authors undertook an attempt to identify pull-off adhesion of concrete layers, the coating of variable thickness to the substrate, based on parameters defined using non-destructive methods and parameter describing the thickness of the coating layer, using artificial neural networks (ANN). For this purpose ANN were selected, taught and tested. Network learning patterns were used as the real values of pull-off adhesion, obtained experimentally using a pull-off method in the same places as the research tests were performed with non-destructive methods.