Машинне навчання Байєсової нейронної мережі з гамма-розподілом для оцінювання стійкості монорейкового крана

Заголовок (англійською): 
Machine learning of a Bayesian neural network with gamma distribution for stability assessment of a monorail crane
Автор(и): 
Терентьєв О. О.
Соловей Б. А.
Автор(и) (англ): 
Terentyev O.
Solovei B.
Ключові слова (укр): 
Байєсова нейронна мережа; гамма-розподіл; метод скінченних елементів; алгоритм Метрополіса – Гастінгса; стійкість монорейкового крана
Ключові слова (англ): 
Bayesian neural network; gamma distribution; finite element method; Metropolis-Hastings algorithm; stability of monorail crane
Анотація (укр): 
Предметом вивчення в статті є модель та метод навчання Байєсової нейронної мережі для прогнозування стійкості монорейкового крана за положенням стріли уздовж рейкового шляху з урахуванням можливих деформацій під дією навантажень. Метою є розробка моделі та методу навчання Байєсової нейронної мережі для прогнозування стійкості монорейкового крана. Для досягнення мети в дослідженні вирішено завдання: визначено математичну модель для прогнозування стійкості монорейкового крана за положенням стріли уздовж рейкового шляху з урахуванням можливих деформацій під дією навантажень за методом скінченних елементів; визначено модель Байєсової нейронної мережі та алгоритм навчання Байєсової нейронної мережі; проведено навчання та оцінювання ефективності запропонованої Байєсової нейронної мережі для прогнозування стійкості монорейкового крана. Для проведення дослідження були використані методи з теорій: байєсова теорія та байєсова статистика; штучні нейронні мережі та глибинне навчання; теорія чисельних методів; теорія марковських ланцюгів Монте-Карло. На основі проведеного аналізу математична модель стійкості монорейкового крана за положенням стріли уздовж рейкового шляху з урахуванням можливих деформацій під дією навантажень була отримана на основі методу скінченних елементів; базовим розподілом для моделі Байєсової нейронної мережі було обрано гамма-розподіл, апостеріорний розподіл було отримано за теоремою Байєса в логарифмічній формі; запропонований метод навчання передбачає оновлення матриць з ваговими коефіцієнтами за методом Метрополіса – Гастінгса, а доцільність оновлення мережі обчислюється на основі аналізу значення різниці апостеріорних розподілів для станів мережі до оновлення і після оновлення. Отримано наступні результати: навчання Байєсової нейронної мережі за запропонованим методом показує, що модель робить значні корекції в параметрах, що є ознакою ефективного навчання разом із значенням помилки, яке наближається до нуля. У висновках наукова новизна отриманих результатів полягає в наступному: запропоновано нову модель та метод навчання Байєсової нейронної мережі для прогнозування стійкості монорейкового крана за положенням стріли уздовж рейкового шляху з урахуванням можливих деформацій під дією навантажень.
Анотація (англ): 
The subject of study in this article is a model and method for training a Bayesian neural network to predict the stability of a monorail crane based on the boom's position along the rail track, considering possible deformations under load. The goal is to develop a model and method for training a Bayesian neural network to predict the stability of a monorail crane. To achieve this goal, the following tasks were solved in the study: a mathematical model for predicting the stability of a monorail crane based on the boom's position along the rail track, considering possible deformations under load using the finite element method, was defined; a Bayesian neural network model and a Bayesian neural network training algorithm were defined; and the effectiveness of the proposed Bayesian neural network for predicting the stability of a monorail crane was trained and evaluated. To conduct the study, methods from the following theories were used: Bayesian theory and Bayesian statistics; artificial neural networks and deep learning; theory of numerical methods; and theory of Markov chains Monte Carlo. Based on the analysis, a mathematical model of the stability of a monorail crane by the boom's position along the rail track, considering possible deformations under load, was obtained using the finite element method. The gamma distribution was chosen as the basic distribution for the Bayesian neural network model, and the posterior distribution was obtained according to Bayes' theorem in logarithmic form. The proposed training method involves updating matrices with weight coefficients using the Metropolis – Hastings method, and the feasibility of updating the network is calculated based on the analysis of the difference in posterior distributions for the network states before and after the update. The following results were obtained: training the Bayesian neural network using the proposed method shows that the model makes significant corrections in the parameters, which is a sign of effective training, along with the error value approaching zero. In the conclusions, the scientific novelty of the results obtained is as follows: a new model and method for training the Bayesian neural network are proposed for predicting the stability of a monorail crane based on the boom's position along the rail track, considering possible deformations under load.
Публікатор: 
Київський національний університет будівництва і архітектури
Мова статті: 
Українська
Формат документа: 
application/pdf
Документ: 
134_140.pdf
Дата публікації: 
27 Июнь 2025
Номер збірника: 
62
Розділ: 
ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ УПРАВЛІННЯ
Університет автора: 
Київський національний університет будівництва і архітектури, Київ
Литература: 

1.     Linka, K., Holzapfel, G. A. and Kuhl, E. Discovering uncertainty: Bayesian constitutive artificial neural networks. Computer Methods in Applied Mechanics and Engineering, 2025, vol. 433, p. 117517. DOI: 10.1016/j.cma.2024.117517.

2.     Elmousalami, H., Elshaboury, N., Ibrahim, A. H., & Elyamany, A. H. Bayesian optimized ensemble learning system for predicting conceptual cost and construction duration of irrigation improvement systems. KSCE Journal of Civil Engineering, 2025, vol. 29 (3), p. 100014. DOI: https://doi.org/10.1016/j.kscej.2024.100014.

3.     Терентьєв, О. О., & Соловей, Б. А. Байєсова нейронна мережа для зменшення аварійності експлуатації будівельного баштового крана. Управління розвитком складних систем, 2024, (57), с. 96–101. DOI: 10.32347/2412-9933.2024.57.96-101.

4.     Xu, X. and Wang, J. Comparative Analysis of Physics-Guided Bayesian Neural Networks for Uncertainty Quantification in Dynamic Systems. Forecasting, 2025, vol. 7 (1), p. 9.

5.     Li, Q., Fan, W., Huang, M., Jin, H., Zhang, J., & Ma, J. Machine learning-based prediction of dynamic responses of a tower crane under strong coastal winds. Journal of Marine Science and Engineering, 2023, vol. 11 (4), p. 803. DOI: 10.3390/jmse11040803.

6.     Kim, G.H., Pham, P.T., Ngo, Q.H. and Nguyen, Q.C. Neural network-based robust anti-sway control of an industrial crane subjected to hoisting dynamics and uncertain hydrodynamic forces. International Journal of Control, Automation and Systems, 2021, vol. 19 (5), pp. 1953–1961.

7.     Al-Tuhaifi, S. B. and Al-Aubidy, K. M. Neuro-fuzzy-based anti-swing control of automatic tower crane. TELKOMNIKA (Telecommunication Computing Electronics and Control), 2023, 21 (4), pp. 891–900. DOI: 10.12928/TELKOMNIKA.v21i4.24044.

8.     ZUO, Y., Zhao, F., Yang, K. and Yang, R. Fatigue Life Assessment of Tower Crane Based on Neural Network to Obtain Stress Spectrum. 2021. DOI: 10.21203/rs.3.rs-1074638/v1.

9.     Волянюк, В. О., Горбатюк, Є. В. Розрахунок механізмів вантажопідіймальних машин: навч. посіб. Київ: КНУБА, 2021. 136 с. ISBN 978-966-627-233-4.

10.  Lipiec, S., Zvirko, O., Dzioba, I., & Venhryniuk, O. Application of the numerical simulation method for the strength analysis of long-term portal crane components. Advances in Science and Technology. Research Journal, 2025, 19 (4). DOI: 10.12913/22998624/200055.

11.  Іванов, Є. М., Іваненко, О. І., Щербак, О. В., & Любимов, Ю. Ю. Розробка рекомендацій щодо оптимізації геометрії баштових кранів. 2022. DOI: 10.30977/BUL.2219-5548.2022.99.0.26.

12.  Kaji, T., & Ročková, V. Metropolis–Hastings via classification. Journal of the American Statistical Association, 2023, 118 (544), pp. 2533–2547.

References: 

1.      Linka, K., Holzapfel, G.A., & Kuhl, E. (2025). Discovering uncertainty: Bayesian constitutive artificial neural networks. Computer Methods in Applied Mechanics and Engineering, 433, 117517. https://doi.org/10.1016/j.cma.2024.117517.

2.      Elmousalami, H., Elshaboury, N., Ibrahim, A. H., & Elyamany, A. H. (2025). Bayesian optimized ensemble learning system for predicting conceptual cost and construction duration of irrigation improvement systems. KSCE Journal of Civil Engineering, 29 (3), 100014. https://doi.org/10.1016/j.kscej.2024.100014.

3.      Terentyev, O. O., & Solovey, B. A. (2024). Bayesian neural network for reducing the accident rate of building tower crane operation. Management of Complex Systems Development, (57), 96–101. https://doi.org/10.32347/2412-9933.2024.57.96-101.

4.      Xu, X., & Wang, J. (2025). Comparative analysis of physics-guided Bayesian neural networks for uncertainty quantification in dynamic systems. Forecasting, 7(1), 9.

5.      Li, Q., Fan, W., Huang, M., Jin, H., Zhang, J., & Ma, J. (2023). Machine learning-based prediction of dynamic responses of a tower crane under strong coastal winds. Journal of Marine Science and Engineering, 11(4), 803. https://doi.org/10.3390/jmse11040803

6.      Kim, G.H., Pham, P.T., Ngo, Q.H., & Nguyen, Q.C. (2021). Neural network-based robust anti-sway control of an industrial crane subjected to hoisting dynamics and uncertain hydrodynamic forces. International Journal of Control, Automation and Systems, 19(5), 1953–1961.

7.      Al-Tuhaifi, S.B., & Al-Aubidy, K.M. (2023). Neuro-fuzzy-based anti-swing control of automatic tower crane. TELKOMNIKA (Telecommunication Computing Electronics and Control), 21(4), 891–900. https://doi.org/10.12928/TELKOMNIKA.v21i4.24044

8.      Zuo, Y., Zhao, F., Yang, K., & Yang, R. (2021). Fatigue life assessment of tower crane based on neural network to obtain stress spectrum. https://doi.org/10.21203/rs.3.rs-1074638/v1

9.      Volyaniuk, V. O., & Horbatiuk, Ye. V. (2021). Calculation of lifting mechanisms: Textbook. Kyiv: KNUBA.

10.   Lipiec, S., Zvirko, O., Dzioba, I., & Venhryniuk, O. (2025). Application of the numerical simulation method for the strength analysis of long-term portal crane components. Advances in Science and Technology. Research Journal, 19 (4). https://doi.org/10.12913/22998624/200055

11.   Ivanov, Ye. M., Ivanenko, O. I., Shcherbak, O. V., & Liubymov, Yu. Yu. (2022). Development of recommendations for optimizing the geometry of tower cranes. https://doi.org/10.30977/BUL.2219-5548.2022.99.0.26

12.   Kaji, T., & Ročková, V. (2023). Metropolis – Hastings via classification. Journal of the American Statistical Association, 118(544), 2533–2547.