DEFORMACJE KONSTRUKCJI KOMINA STALOWEGO W ASPEKCIE ZASTOSOWANIA GRUPOWEJ OBRÓBKI DANYCH

Zasadniczym elementem technologii geodezyjnych jest dziedzina przetwarzania informacji, której dynamiczny rozwój wzbogaca klasyczne algorytmy obliczeń numerycznych, stanowiących podstawę finalnego wyznaczenia produktu prac inżynierskich. W kontekście modelowania procesów przemieszczeń i odkształceń  pojawia się ciekawy temat przetwarzania informacji bazującego na sztucznej inteligencji, w szczególności na sztucznych sieciach neuronowych, które mają zdolność modelowania bardzo złożonych procesów. Sztuczne sieci neuronowe powstały na podstawie badań prowadzonych w dziedzinie sztucznej inteligencji. Szczególne znaczenie miały prace dotyczące działania systemu nerwowego istot żywych oraz budowy modeli struktur występujących w mózgu. Sztuczne sieci neuronowe ze względu na ich nieliniowy charakter reprezentują wyrafinowaną technikę modelowania i są zaliczane do metod inteligencji obliczeniowej. Funkcje pełnione przez sieć pozwalają uzyskać korzystne rezultaty praktyczne w obszarze takich zagadnień jak: aproksymacja, interpolacja, rozpoznawanie i klasyfikacja wzorców, kompresja, predykcja i wiele innych. Zastosowanie sieci neuronowych wprowadza jednak do rozwiązania trudny do określenia błąd metody, dlatego zauważono konieczność poszukiwania rozwiązań alternatywnych opartych na przetwarzaniu danych empirycznych. Przykładem takiego rozwiązania jest metoda grupowej obróbki danych (ang. Group Metod of Data Hndling –GMDH) należąca do klasy algorytmów ewolucyjnych. W artykule przedstawiono podstawowe założenia metody grupowej obróbki danych z zasadami budowy i uczenia statycznych sieci neuronowych o wielu wyjściach i jednym wejściu. Sieć GMDH została wykorzystane do modelowania deformacji osi geometrycznej komina stalowego, służącego do odpowietrzania podziemnych zbiorników z gazem, w procesie eksploatacji. Komin jest objęty pomiarami kontrolnymi prowadzonymi podczas jego eksploatacji z częstotliwością co 1 rok.

Pełny tekst (pdf)

[1] Bishop Ch.M.: Pattern Recognition and Machine Learning. Spronger, New York 2006.

[2] Osowski S.: Sieci neuronowe do przetwarzania informacji. Oficyna wydawnicza Politechniki Warszawskiej, Warszawa 2000.

[3] Iwachnienko A.G.: Induktiwnyj metod samoorganizacji modelej słożonych system. Naukowa Dumka. Kijów 1982.

[4] Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R.: Sieci neuronowe. Biocybernetyka i inżynieria biomedyczna, tom 6. Akademicka Oficyna Wydawnicza EXIT. Warszawa 2000.

[5] Korbicz J.: Sztuczne sieci neuronowe i ich zastosowanie w elektrotechnice i energetyce. Przegląd Elektroniczny R. 85, Nr 9. Warszawa 2009.

[6] Iwachnienko A.G.: Polynominal theory of complex systems. IEEE Trans. Systems, Man and Cybernetics, Vol.SMC-1, No.4 1971.

[7] Luzar M.: Przybornik modelowania neuronowego GMDH. Conference Archives PTETiS Vol. 28 2010.

[8] Gocał J.: Geodezja inżynieryjno – przemysłowa, tom III. Wydawnictwo Akademii Górniczo – Hutniczej. Kraków 2010.

[9] Czaja J.: Geodezja inżynieryjno – przemysłowa. Skrypt Uczelniany nr 893 Akademii Górniczo – Hutniczej w Krakowie. Kraków 1983.