Аннотації

АДАПТАЦІЯ СИСТЕМИ НЕЧІТКОГО ВИВЕДЕННЯ ДО ЗАДАЧІ ОЦІНКИ ВПЛИВУ РЕМОНТНО-БУДІВЕЛЬНИХ РОБІТ НА ТЕХНІЧНИЙ СТАН ОБ’ЄКТА БУДІВНИЦТВА

Автор(и):
Пасько Р.М., Азнаурян І.О., Теренчук С.А.
Автор(и) (англ)
Pasko Roman, Aznaurian Iryna, Terenchuk Svitlana
Дата публікації:

15.04.2020

Анотація (укр):

Об’єктом дослідження в цій роботі є процес проведення судових будівельно-технічних експертиз та експертних досліджень з оцінки впливу ремонтно-будівельних робіт на технічний стан поряд розташованих об’єктів будівництва. Основним завданням, на вирішення якого орієнтована робота, є автоматизація процесу експертної оцінки міри впливу ремонтно-будівельних робіт на технічний стан об’єктів, поряд з якими були проведені або проводяться ці роботи. Автоматизація експертної діяльності в цій галузі передбачає розробку та використання системи нечіткого виведення. На цих етапах створення системи виникає завдання її адаптації до розв’язання задачі, що ставиться перед системою. Адаптація системи нечіткого виведення передбачає розв’язання питань інтерпретації знань, фазифікації та дефазифікації даних, встановлення ступеня неповноти простору вхідних даних та вибору альтернативних напрямів пошуку в просторі можливих рішень. В цій роботі вирішуються зазначені питання обробки вхідних даних. При цьому особлива увага приділяється дослідженню чітких параметрів пошкоджень об’єкта, та нечітких характеристик такого фактора впливу, як просідання ґрунтів на території розташування майданчика об’єкта. При моделюванні системи ураховується можливість впливу факторів середовища, що не пов’язані з ремонтно-будівельними роботами. Це означає, що при відповідному навчанні система нечіткого виведення може використовуватися для прогнозування міри впливу будь-яких факторів антропогенного чи природного характеру на технічний стан об’єктів будівництва. Практичне значення роботи полягає в скороченні термінів проведення та підвищенні надійності оцінок, що виконуються в умовах композиційної невизначеності.

Анотація (рус):

Анотація (англ):

The object of research in this work is the process of conducting forensic construction and technical examinations and expert studies to assess the impact of repair and construction works on the technical condition of nearby construction sites. The main task, the solution of which the article is oriented, is to automate the assessment of the influence measure of repair-building work on the technical condition of construction objects, near to which these works were or are being carried out. Automation of expert activity in this field involves the development and use of a fuzzy inference system. At these stages of creating a system there is a task of its adaptation to the solution of the problem facing the system. Adaptation of the fuzzy inference system involves solving the problems of knowledge interpretation, fuzzyfication and defuzzyfication of data, establishing the degree of incompleteness of the input data space and the choice of alternative search directions in the space of possible solutions. This paper addresses these issues of input data processing. At the same time, special attention is paid to the study of clear parameters of damage to the object, and vague characteristics of such a factor of influence as subsidence of soils in the location of the site. When modeling the system, the possibility of the influence of environmental factors that are not related to repair and construction work is taken into account. This means that with proper training, a fuzzy inference system can be used to predict the extent to which any anthropogenic or natural factors affect the technical condition of construction sites. The practical significance of the work is to reduce the time and increase the reliability of assessments performed in conditions of compositional uncertainty.

Література:

  1. Аналіз впливу ремонтно-будівельних робіт в приміщені на технічний стан суміжних приміщень: звіт про НДР (заключний) / КНДІСЕ; керівник: Д. Псярнецький, викон.: С. Асаулюк, Н. Фіщук, Р. Пасько. Київ, 2006. – 39 с.
  2. Terenchuk, S., Pashko, A., Yeremenko, B., Kartavykh, S., Ershovа, N. (2018) Modelling an Intelligent System for the Estimation of Technical State of Construction Structures. Eastern-European Journal of Enterprise Technologies, 3 (2 (93)),
    47     – 53, doi: http://doi.org/10.15587/1729-4061.2018.132587.
  3. Pasko, R., Terenchuk, S. (2020) The Use of Neuro-Fuzzy Models in Expert Support Systems for Forensic Building Technical Expertise. ScienceRise ISSN: 2313-8416, 2(67), 10 – 18, doi: http://doi.org/10.21303/2313-8416.2020.001278.
  4. Більчук В.М., Дзеверін І.Г., Воробйов О.В. (2012) Методичний підхід опису функціонування складної системи в нечіткому стохастично невизначеному середовищі. Збірник наукових праць ХУПС. Х.: ХУПС, вип. 4(33). С. 136-140.
  5. Снитюк В.Е., Рифат Мохаммед Али. Модели процесса принятия адаптивных решений композиционной структуры с детерминированными и вероятностными характеристиками // Харьков: Радиоэлектроника и информатика. – 2002, № 4. – С. 123 – 127.
  6. Markechová, D.; Rieˇcan, B. Logical Entropy of Fuzzy Dynamical Systems. Entropy 2016, 18, 157. [CrossRef] 252. Mathematics, 6, 50.
  7. Субботин С. А. (2006) Синтез распознающих нейро-нечетких моделей с учетом информативности признаков. Нейрокомпьютеры: разработка, применение, № 10. – С. 50 – 56.
  8. Kulikov, P., Pasko, R., Terenchuk, S., Ploskyi, V., Yeremenko, B. (2019) Using of Artificial Neural Networks in Support System of Forensic Building-Technical Expertise. International Journal of Innovative Technology and Exploring Engineering (IJITEE) ISSN: 2278-3075, Vol. 9, Issue 4, 3162 – 3168.
  9. Mamdani, E. H., Gaines, B. R. (1981). Fuzzy Reasoning and Its Applications. Academic Press, Inc, 381.
  10. Куліков, П.М. Застосування штучних нейронних мереж в експертних системах підтримки судових будівельно-технічних експертиз / П.М. Куліков, Р.М. Пасько, В.О. Плоский, С.А. Теренчук // Управління розвитком складних систем. – 2019. – № 40. – С. 118 – 124.
  11. G. A. Carpenter, S. Grossberg, N. Markuzon, J. H. Reynolds, and D. B. Rosen, Fuzzy ARTMAP: A Neural-Network Architecture for Incremental Supervised Learning of Analog Multidimensional Maps, IEEE Trans. Neural Networks, vol. 3, pp. 698 – 713, 1992.
  12. Національний стандарт України: Настанова щодо проектування будівель і споруд на просідаючих ґрунтах. ДБН В.1.1-44:2016. Наказ Мінрегіону від 02.07.2016 р. № 214, чинний з 2017-04-01. Режим доступу: http://online.budstandart.com/ru/catalog/doc-page.html?id_doc=65836.
  13. Клапченко, В.И. Исследование кинетики диффузии влаги и льдистости в процессе одностороннего замораживания бетона / Клапченко В.И., Краснянский Г.Е, Азнаурян И.А., Дугинов В.Е // Містобудування та територіальне планування: Наук.-техн. збірник / Відпов. ред. М.М. Осєтрін .-К., КНУБА, 2012.-Вип. 44. – 587 с.
  14. Ah-Hwee Tan (1997) Cascade ARTMAP: Integrating Neural Computation and Symbolic Knowledge Processing. IEEE Transactions on neural networks, Vol. 8, Issue 2, P. 237 – 250.

References:

  1. Analysis of the impact of repair and construction works in the premises on the technical condition of adjacent premises: report on research (final). (2006). KNDISE; head: D. Psyarnetsky. Kyiv, 39.
  2. Terenchuk, S., Pashko, A., Yeremenko, B., Kartavykh, S., & Ershovа, N., (2018). Modelling an Intelligent System for the Estimation of Technical State of Construction Structures. Eastern-European Journal of Enterprise Technologies, 3 (2 (93)),
    47     – 53. doi: http://doi.org/10.15587/1729-4061.2018.132587.
  3. Pasko, R., & Terenchuk, S., (2020). The Use of Neuro-Fuzzy Models in Expert Support Systems for Forensic Building Technical Expertise. ScienceRise, 2 (67), 10 – 18. doi: http://doi.org/10.21303/2313-8416.2020.001278/
  4. Bilchuk, V.M., Dzeverin, I.G., & Vorobyov, O.V., (2012). Methodological approach describing the operation of a complex system in a fuzzy stochastic indeterminate environment. Collection of scientific works of HUPS. H.: HUPS, 4 (33), 136-140.
  5. Snityuk, V.E., Rifat, Mohammed Ali, (2002). Models of the adaptive decision-making process of a compositional structure with deterministic and probabilistic characteristics. Radioelectronics and Informatics, 4, 123 – 127.
  6. Markechová, D., Rieˇcan, B., (2016). Logical Entropy of Fuzzy Dynamical Systems. Entropy, 18, 157. [CrossRef] 252. Mathematics, 6, 50.
  7.  Subbotin, S.A., (2006.) Synthesis of recognizing neuro-fuzzy models with regard to information content attributes. Neurocomputers: development, application, 10, 50-56.
  8. Kulikov, P., Pasko, R., Terenchuk, S., Ploskyi, V., & Yeremenko, B., (2019) Using of Artificial Neural Networks in Support System of Forensic Building-Technical Expertise. International Journal of Innovative Technology and Exploring Engineering (IJITEE), 9, 4, 3162 – 3168.
  9. Mamdani, E.H., & Gaines, B.R., (1981). Fuzzy Reasoning and Its Applications. Academic Press, Inc, 381.
  10. Kulikov, P., Pasko, R., Terenchuk, S., Ploskyi, V., & Yeremenko, B., (2019). Using of Artificial Neural Networks in Support System of Forensic Building-Technical Expertise. International Journal of Innovative Technology and Exploring Engineering (IJITEE), 9, 4, 3162 – 3168.
  11. Carpenter, G.A., Grossberg, S., Markuzon, N., Reynolds, J.H. & Rosen, D.B. (1992). Fuzzy ARTMAP: A Neural-Network Architecture for Incremental Supervised Learning of Analog Multidimensional Maps, IEEE Trans. Neural Networks, 3, 698–713.
  12. National Standard of Ukraine: Guidelines for the design of the buildings and the construction on subsisting ground. DBN V.1.1-44: 2016. Order to the Ministry of Foreign Affairs dated 02.07.2016 No. 214, ruling from 2017-04-01. Access mode: http://online.budstandart.com/ru/catalog/doc-page.html?id_doc=65836.
  13. Klapchenko, V.I., Krasnyansky, G.E., Aznauryan, I.A., & Duginov, V.E., (2012). A study of the kinetics of moisture diffusion and ice content in the process of unilateral freezing of concrete. Urban planning and spatial planning: science and technology digest, 44, 587.
  14. Ah-Hwee, Tan, (1997). Cascade ARTMAP: Integrating Neural Computation and Symbolic Knowledge Processing. IEEE Transactions on Neural Networks, 8, 2, 237 – 250.