Publikowanie artykułów jest możliwe po podpisaniu zgody na przeniesienie licencji na czasopismo.
Machine Learning (ML) Methods in Assessing the Intensity of Damage Caused by High-Energy Mining Tremors in Traditional Development of LGOM Mining Area
Michał Witkowski
mwitkow@agh.edu.plDepartment of Engineering Surveying and Civil Engineering; Faculty of Mining Surveying and Environmental Engineering; AGH University of Science and Technology; (Polska)
https://orcid.org/0000-0001-6490-5325
Abstrakt
The paper presents a comparative analysis of Machine Learning (ML) research methods allowing to assess the risk of mining damage occurring in traditional masonry buildings located in the mining area of Legnica-Głogów Copper District (LGOM) as a result of intense mining tremors. The database of reports on damage that occurred after the tremors of 20 February 2002, 16 May 2004 and 21 May 2006 formed the basis for the analysis.
Based on these data, classification models were created using the Probabilistic Neural Network (PNN) and the Support Vector Machine (SVM) method.
The results of previous research studies allowed to include structural and geometric features of buildings,as well as protective measures against mining tremors in the model. The probabilistic notation of the model makes it possible to effectively assess the probability of damage in the analysis of large groups of building structures located in the area of paraseismic impacts. The results of the conducted analyses confirm the thesis that the proposed methodology may allow to estimate, with the appropriate probability, the financial outlays that the mining plant should secure for the repair of the expected damage to the traditional development of the LGOM mining area.
Instytucje finansujące
The article was prepared under the research subvention of AGH University of Science and Technology No. 16.16.150.545
Słowa kluczowe:
mining damage, housing construction, compensation, damage risk, Machine LearningBibliografia
Kwiatek J., Obiekty budowlane na terenach górniczych. Katowice: Główny Instytut Górnictwa, 2007.
Google Scholar
Dubiński J., Mutke G., “Weryfikacja skali GSI-2004 oceny skutków drgań wywołanych wstrząsami górniczymi w obszarze LGOM”, in Materiały Sympozjum Warsztaty Górnicze z cyklu Zagrożenia naturalne w górnictwie: sesja okolicznościowa Rozwiązania inżynierskie i badania naukowe dla ograniczania zagrożeń naturalnych w górnictwie, Kraków–Tomaszowice, 12–14 czerwca 2006, IGSMiE PAN, Kraków 2006, pp. 79–93.
Google Scholar
Minch M.Y., Samokar Z., “Analiza skutków dużego wstrząsu górniczego na zabudowę powierzchniową miasta Polkowice”, in Awarie budowlane: zapobieganie, diagnostyka, naprawy, rekonstrukcje: XXIII konferencja naukowo-techniczna, Szczecin-Międzyzdroje, 23–26 maja 2007, Wydawnictwo Uczelniane Politechniki Szczecińskiej, Szczecin 2007, pp. 299–306.
Google Scholar
Stolecki L., “Dynamiczne oddziaływania drgań na powierzchnię terenu ZG Rudna po wstrząsie z dnia 21.05.2006 roku o energii 1,9·E9 J”, in: Materiały konferencji naukowej Warsztaty Górnicze z cyklu Zagrożenia naturalne w górnictwie, Ślesin k. Konina, 4–6 czerwca 2007, IGSMiE PAN, Kraków 2007, pp. 299–306.
Google Scholar
Tatara, T., Odporność dynamiczna obiektów budowlanych w warunkach wstrząsów górniczych. Krakow: Cracow University of Technology, 2012.
Google Scholar
Tatara T., “Działanie drgań powierzchniowych wywołanych wstrząsami górniczymi na niską zabudowę mieszkalną”, Zeszyty Naukowe Politechniki Krakowskiej, seria „Inżynieria Lądowa”, nr 74, Kraków 2002.
Google Scholar
Witkowski M., Ocena wpływu wieloletnich oddziaływań górniczych na intensywność uszkodzeń tradycyjnej zabudowy LGOM. Ph.D. desideration, Krakow: AGH University of Science and Technology, 2019.
Google Scholar
Witkowski, M., Wodyński, A., “Analysis of Mining Damage Notifications in Single-Family Buildings after the Occurrence of Intensive Mining Tremors”, Geomatics and Environmental Engineering, vol. 9, no. 4, 2015, pp. 101-112. https://doi.org/10.7494/geom.2015.9.4.101
Google Scholar
Witkowski M., Rusek J., „Wykorzystanie probabilistycznych sieci neuronowych do wyznaczania ryzyka powstania szkód w budynkach poddanych wstrząsom górniczym”, Przegląd Górniczy, t. 73, nr 1, Katowice 2017, pp. 44-47.
Google Scholar
Osowski S., Sieci neuronowe do przetwarzania informacji. Warszawa: Oficyna Wydawnicza Politechniki Warszawskiej, 2020.
Google Scholar
Rusek J., “Metoda wektorów podpierających oraz probabilistyczne sieci neuronowe w ocenie ryzyka uszkodzenia sieci wodociągowych na terenach górniczych”, in VIII konferencja “Ochrona i inżynieria środowiska – zrównoważony rozwój”, AGH University of Science and Technology, Krakow, 2016, pp. 19.
Google Scholar
Rutkowski L., Metody i techniki sztucznej inteligencji. Warszawa: Wydawnictwo Naukowe PWN, 2021.
Google Scholar
Specht D. F., “Probabilistic neural networks”, Neural Networks, vol. 3, iss. 1, 1990, pp. 109-118. https://doi.org/10.1016/0893-6080(90)90049-Q
Google Scholar
Vapnik V., Chervonenkis A., “Theory of pattern recognition”, Nauka, no 107, Moscow 1974.
Google Scholar
Vapnik V., Statistical learning theory. New York: Wiley-Interscience Publication, 1998.
Google Scholar
Schölkopf B., Smola A., Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. Cambridge, Massachusetts, United States: MIT Press Ltd, 2018.
Google Scholar
MATLAB and Statistics Toolbox Release 2021a, The MathWorks Inc., Natick, Massachusetts, United States 2021.
Google Scholar
Łęski J., Systemy neuronowo-rozmyte. Warszawa: Wydawnictwo Naukowo-Techniczne, 2008.
Google Scholar
Mrówczyńska M., “Klasyfikatory neuronowe typu SVM w zastosowaniu do klasyfikacji przemieszczeń pionowych na obszarze LGOM”, Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN, nr 86, Kraków 2014, pp. 69-81.
Google Scholar
Kłopotek M., Wierzchoń S., Algorytmy analizy skupień. Warszawa: Wydawnictwo Naukowe PWN, 2017.
Google Scholar
Instrukcja GIG nr 12. Zasady oceny możliwości prowadzenia podziemnej eksploatacji górniczej z uwagi na ochronę obiektów budowlanych, Katowice 2000.
Google Scholar
Firek K., “Proposal for classification of prefabricated panel building damage intensity rate in mining areas”, Archives of Mining Sciences, vol. 54, iss. 3, 2009, pp. 467-479.
Google Scholar
Firek K., Rusek J., “Partial least squares method in the analysis of the intensity of damage in prefabricated large-block building structures”, Archives of Mining Sciences, vol. 62, no 2, 2017, pp. 269-277. https://doi.org/10.1515/amsc-2017-0020.
Google Scholar
Witkowski, M. (2022) „Machine Learning (ML) Methods in Assessing the Intensity of Damage Caused by High-Energy Mining Tremors in Traditional Development of LGOM Mining Area”, Budownictwo i Architektura, 21(1), s. 005–017. doi: 10.35784/bud-arch.2679.
Autorzy
Michał Witkowskimwitkow@agh.edu.pl
Department of Engineering Surveying and Civil Engineering; Faculty of Mining Surveying and Environmental Engineering; AGH University of Science and Technology; Polska
https://orcid.org/0000-0001-6490-5325
Statystyki
Abstract views: 237PDF downloads: 186 PDF downloads: 31 PDF downloads: 14
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
Budownictwo i Architektura wspiera program otwartej nauki. Czasopismo umożliwia otwarty dostęp (Open Access) do publikacji. Każdy może przeglądać, pobierać i przekazywać artykuły pod warunkiem przestrzegania zasad licencji.
