Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "artificial network" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    A comparative analysis of artificial neural network predictive and multiple linear regression models for ground settlement during tunnel construction
    Autorzy:
    Zou, Baoping
    Chibawe, Musa
    Hu, Bo
    Deng, Yansheng
    Powiązania:
    https://bibliotekanauki.pl/articles/27312113.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Czasopisma i Monografie PAN
    Tematy:
    budowa
    tunel
    osiadanie gruntu
    regresja liniowa wielokrotna
    sieć neuronowa sztuczna
    tunnel
    construction
    ground settlement
    multiple linear regression
    artificial neural network
    Opis:
    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.
    Źródło:
    Archives of Civil Engineering; 2023, 69, 2; 503--515
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Theoretical investigations for the verification of shear centre and deflection of sigma section by back propagation neural network using Python
    Autorzy:
    Janani, S.
    Thenmozhi, R.
    Jayagopal, L. S.
    Powiązania:
    https://bibliotekanauki.pl/articles/230800.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    sieć neuronowa sztuczna
    propagacja
    sekcja sigma
    centrum ścinania
    ugięcie
    konstrukcja dachu
    artificial neural network
    propagation
    sigma section
    shear centre
    deflection
    roof construction
    Opis:
    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.
    Źródło:
    Archives of Civil Engineering; 2019, 65, 2; 181-192
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Evaluation of the unit weight of organic soils from a CPTM using an Artificial Neural Networks
    Wyznacznie ciężaru objętościowego gruntu organicznego na podstawie badań CPTM z zastosowaniem sztucznych sieci neuronowych
    Autorzy:
    Straż, Grzegorz
    Borowiec, Artur
    Powiązania:
    https://bibliotekanauki.pl/articles/1852298.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    ciężar objętościowy
    sieć neuronowa sztuczna
    grunt organiczny
    sonda statyczna
    sonda stożkowa
    CPTM
    unit weight
    artificial neural network
    organic soil
    organic content
    cone penetration test
    Opis:
    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.
    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.
    Źródło:
    Archives of Civil Engineering; 2021, 67, 3; 259-281
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Hybrid predictions of the homogenous properties’ market value with the use of ann
    Prognozowanie wartości rynkowej jednorodnych nieruchomości hybrydowym modelem z wykorzystaniem sztucznych sieci neuronowych
    Autorzy:
    Anysz, Hubert
    Podwórna, Monika
    Ibadov, Nabi
    Lennerts, Kunibert
    Dikarev, Kostiantyn
    Powiązania:
    https://bibliotekanauki.pl/articles/1852660.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    wycena nieruchomości
    sieć neuronowa sztuczna
    perceptron wielowarstwowy
    podejście porównawcze
    uczenie maszynowe
    model hybrydowy
    real estate valuation
    artificial neural network
    multilayer perceptron
    comparative approach
    machine learning
    hybrid model
    Opis:
    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.
    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.
    Źródło:
    Archives of Civil Engineering; 2021, 67, 1; 285-301
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    ANN-based modeling of fly ash compaction curve
    Modelowanie krzywej zagęszczalności popiołu lotnego za pomocą SSN
    Autorzy:
    Zabielska-Adamska, K.
    Sulewska, M. J.
    Powiązania:
    https://bibliotekanauki.pl/articles/231108.pdf
    Data publikacji:
    2012
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    krzywa zagęszczalności
    popiół lotny
    zagęszczalność
    parametr zagęszczalności
    parametr geotechniczny
    sieć neuronowa sztuczna
    modelowanie numeryczne
    ANN
    compaction curve
    fly ash
    compactibility
    compaction parameter
    geotechnical parameter
    artificial neural network
    numerical modeling
    SSN
    Opis:
    The use of fly ash as a material for earth structures involves its proper compaction. Fly ash compaction tests have to be conducted on separately prepared virgin samples because spherical ash grains are crushed during compaction, so the laboratory compaction procedure is time-consuming and laborious. The aim of the study was to determine the neural models for prediction of fly ash compaction curve shapes. The attempt of applying the artificial neural networks type MLP was made. ANN inputs were new-created variables - principal components dependent on grain-size distribution (as D10-D90 and uniformity and curvature coefficients), compaction method, and fly ash specific density. The output vectors were presented by coordinates of generated compaction curve points. Each point was described by two independent ANNs. Using ANN-based modelling method, models which enable establishing the approximate compaction curve shape were obtained.
    Wykorzystanie popiołu lotnego do konstrukcji ziemnych wymaga jego właściwego zagęszczenia. Zagęszczanie powoduje wzrost gęstości gruntu, zwiększa jego wytrzymałość i zdolność do przenoszenia obciążeń, a także zmniejsza ściśliwość i przepuszczalność. Oznaczenie zagęszczalności popiołu lotnego musi być przeprowadzane na próbkach jednokrotnie zagęszczanych, ponieważ sferyczne ziarna popiołu są niszczone w trakcie ubijania, w związku z tym, laboratoryjne ustalenie krzywej zagęszczalności popiołu jest bardzo czasochłonne. Celem artykułu było wykorzystanie modelowania neuronowego do prognozy kształtu krzywej zagęszczalności popiołu lotnego. Podjęto próbę zastosowania sztucznych sieci neuronowych SSN typu MLP do opisu punktów krzywej zagęszczalności. Każdy punkt krzywej został opisany przez dwie niezależne SSN. Wykorzystano SSN o różnych wejściach, którymi były nowo utworzone zmienne- składowe główne, zależne od uziarnienia (średnic efektywnych d10-d90 oraz wskaźników jednorodności i krzywizny uziarnienia), metody zagęszczenia oraz gęstości właściwej szkieletu gruntowego pdi. Wektorami wyjścia były współrzędne punktów krzywej zagęszczalności popiołu lotnego. Najlepszymi sieciami neuronowymi były sieci o topologii: 6-3-1, 6-2-1 i 6-4-1 dla prognozy wartości wilgotności wi, oraz 5-3-1 i 6-3-1 dla predykcji wartości gęstości objętościowej szkieletu gruntowego. Uzyskano sieci neuronowe o zadowalającej precyzji, szczególnie w przypadku wartości pdi. Modelowanie krzywej za pomocą SSN umożliwiło ustalenie przybliżonego kształtu krzywej zagęszczalności popiołu lotnego.
    Źródło:
    Archives of Civil Engineering; 2012, 58, 1; 57-69
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Models for determining annual average daily traffic on the national roads
    Modele do wyznaczania średniego dobowego ruchu w roku na drogach krajowych
    Autorzy:
    Spławińska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/231416.pdf
    Data publikacji:
    2015
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    droga krajowa
    zmienność
    natężenie ruchu
    dobowy ruch średni w roku
    SDR
    regresja wieloraka
    sieć neuronowa sztuczna
    national road
    variability
    traffic flow
    annual average daily traffic
    AADT
    multiple regression
    artificial neural network
    Opis:
    One of the basic parameters which describes road traffic is Annual Average Daily Traffic (AADT). Its accurate determination is possible only on the basis of data from the continuous measurement of traffic. However, such data for most road sections is unavailable, so AADT must be determined on the basis of short periods of random measurements. This article presents different methods of estimating AADT on the basis of daily traffic (VOL), and includes the traditional Factor Approach, developed Regression Models and Artificial Neural Network models. As explanatory variables, quantitative variables (VOL and the share of heavy vehicles) as well as qualitative variables (day of the week, month, level of AADT, the cross-section, road class, nature of the area, spatial linking, region of Poland and the nature of traffic patterns) were used. Based on comparisons of the presented methods, the Factor Approach was identified as the most useful.
    Jednym z podstawowych parametrów opisujących ruch drogowy jest Średni Dobowy Ruch w roku (SDR). Jest on wykorzystywany do różnych celów między innymi do projektowania i planowania rozwiązań drogowych, obliczania hałasu drogowego czy do studiów wypadkowości. Jego nieprawidłowe oszacowanie i prognozowanie może prowadzić do licznych błędów, przykładowo do niewłaściwego doboru typów skrzyżowań i niewłaściwego ich projektowania czy do przeciążenia tras projektowanych na natężenie ruchu mniejsze niż to, które rzeczywiście może się pojawić. Uzyskanie dokładnych i wiarygodnych wielkości SDR możliwe jest jedynie na podstawie danych pochodzących z ciągłych automatycznych pomiarów ruchu. Niestety z większości odcinków drogowych nie ma takich danych, więc SDR musi być wyznaczany w oparciu o krótkie okresy wyrywkowych pomiarów. W tym celu najczęściej stosuje się metodę wskaźnikową.
    Źródło:
    Archives of Civil Engineering; 2015, 61, 2; 141-160
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of asphalt creep compliance using artificial neural networks
    Autorzy:
    Zofka, A.
    Yut, I.
    Powiązania:
    https://bibliotekanauki.pl/articles/230827.pdf
    Data publikacji:
    2012
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    lepiszcze asfaltowe
    mieszanka asfaltowa gorąca
    sieć neuronowa sztuczna
    belka zginana
    reometr
    podatność na pełzanie
    badanie napięcia pośrednie
    asphalt binder
    hot mix asphalt
    artificial neural network
    bending beam
    rheometer
    creep compliance
    indirect tension test
    Opis:
    Creep compliance of the hot-mix asphalt (HMA) is a primary input of the current pavement thermal cracking prediction model used in the US. This paper discusses a process of training an Artificial Neural Network (ANN) to correlate the creep compliance values obtained from the Indirect Tension (IDT) with similar values obtained on small HMA beams from the Bending Beam Rheometer (BBR). In addition, ANNs are also trained to predict HMA creep compliance from the creep compliance of asphalt binder and vice versa using the BBR setup. All trained ANNs exhibited a very high correlation of 97 to 99 percent between predicted and measured values. The binder creep compliance functions built on the ANN-predicted discrete values also exhibited a good correlation when compared with the laboratory experiments. However, the simulation of trained ANNs on the independent dataset produced a significant deviation from the measured values which was most likely caused by the differences in material composition, such as aggregate type and gradation, presence of recycled additives, and binder type.
    Źródło:
    Archives of Civil Engineering; 2012, 58, 2; 153-173
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predicting index to complete schedule performance indicator in highway projects using artificial neural network model
    Autorzy:
    Jasim, Nidal A.
    Maruf, Shelan M.
    Aljumaily, Hadi S. M.
    Al-Zwainy, Faiq M. S.
    Powiązania:
    https://bibliotekanauki.pl/articles/230165.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    projekt autostrady
    sztuczna sieć neuronowa
    wskaźnik wykonania
    harmonogram
    GMDH
    oprogramowanie powłoki
    budżet na zakończenie
    wartość wypracowana
    wartość planowania
    highway project
    artificial neural network
    complete performance indicator
    schedule
    shell software
    budget to completion
    earned value
    planning value
    Opis:
    Inaccurate estimation in highway projects represents a major problem facing planners and estimators, especially when data and information about the projects are not available, and therefore the need to use modern technologies that addresses the problem of inaccuracy of estimation arises. The current methods and techniques used to estimate earned value indexes in Iraq are weak and inefficient. In addition, there is a need to adopt new and advanced technologies to estimate earned value indexes that are fast, accurate and flexible to use. The main objective of this research is to use an advanced method known as artificial neural networks to estimate the TSPI of highway buildings. The application of artificial neural networks as a new digital technology in the construction industrial in Republic of Iraq is absolutely necessary to ensure successful project management. One model built to predict the TCSPI of highway projects. In this current study, artificial neural network model were used to model the process of estimating earned value indexes, and several cases related to the construction of artificial neural networks have been studied, including network architecture and internal factors and the extent of their impact on the performance of artificial neural network models. Easy equation was developed to calculate that TSPI. It was found that these networks have the ability to predict the TSPI of highway projects with a very outstanding saucepan of reliability (97.00%), and the accounting coefficients (R) (95.43%).
    Źródło:
    Archives of Civil Engineering; 2020, 66, 3; 541-554
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies