Naslov (srp)

Tehnike računarske inteligencije u modeliranju i identifikaciji indikatora ponašanja brane

Autor

Novaković, Aleksandar B., 1988-

Doprinosi

Ranković, Vesna, 1967-
Divac, Dejan
Grujović, Nenad, 1966-
Živković, Miroslav, 1962-
Milivojević, Nikola

Opis (srp)

Indikatori ponašanja brane su relevantne veličine, čijim se praćenjem utvrđuje da li je stvarno stanje brane u eksploataciji u saglasnosti sa onim što je predviđeno i očekivano u fazi projektovanja. Veličine koje se prate treba da se kreću u nekom unapred definisanom opsegu koji garantuje stanje stabilnosti brane. U ovoj disertaciji su predloženi različiti pristupi modeliranja i parametarske identifikacije indikatora ponašanja brane, poput horizontalnih pomeranja i nivoa vode u pijezometrima, tehnikama računarske inteligencije. Prvi pristup je da se linearno preslikavanje uzročnih veličina u indikatore ponašanja, koje se koristi kod višestruke linearne regresije, zameni nelinearnim. Drugi pristup, predložen u ovom radu, zasniva se na primeni postupka parametarske identifikacije nelinearnih sistema. Horizontalna pomeranja i nivoi vode u pijezometrima su nelinearne, složene funkcije uzročnih veličina, pa je za njihovo modeliranje korišćena NARX (Nonlinear Auto Regresive eXogenous- nelinearni auto-regresioni model sa spoljašnjim ulazom) struktura, kojom je opisana široka klasa nelinearnih dinamičkih procesa. Predloženi pristupi formiranja modela primenjeni su za modeliranje i parametarsku identifikaciju horizontalnih pomeranja tačaka brane Bočac, kao i nivoa vode u pijezometrima brana Đerdap II i Prvonek. Nelinearni modeli zasnovani na tehnikama računarske inteligencije implementirani su korišćenjem programskog jezika Java i programskog paketa Matlab. Tehnike računarske inteligencije korišćene u ovom radu su višeslojni perceptron, RBF (RBF - Radial Basis Function – radijalna osnovna funkcija) neuronska mreža i ANFIS (ANFIS - Adaptive-Network-Based Fuzzy Inference System - fazi sistem za zaključivanje zasnovan na adaptivnoj mreži). Nedostajući podaci u skupu merenja mogu biti uzrok problema u okviru procesa učenja i loših performansi dobijenih modela. U cilju nadomeštanja nedostajućih podataka korišćene su tehnike iz domena matematičke statistike. Prisustvo autlajera u mernim podacima ima veliki uticaj na predviđanja podataka koji nedostaju, pa je njihovo prisustvo posebno analizirano. Takođe je analiziran i problem optimizacije ulazno-izlaznih modela, koji podrazumeva određivanje broja prediktora i dimenzije regresionog vektora, kao i broja parametara neuronskih mreža i neuro-fazi sistema. Performanse modela, formiranih na osnovu predloženog koncepta, poređeni su sa rezultatima dobijenim drugim metodama modeliranja istih indikatora ponašanja prikazanim u relevantoj literaturi objavljenoj u poslednjih nekoliko godina. Na osnovu rezultata zaključeno je da je moguće kreirati i obučiti modele zasnovane na tehnikama računarske inteligencije koji će sa velikom preciznošću predviđati bitne indikatore ponašanja brane.

Opis (srp)

Umnoženo za odbranu. Univerzitet u Kragujevcu, Fakultet inženjerskih nauka, 2013, dr inženjerskih nauka, primenjena informatika i računarsko inženjerstvo. Rezime ; Abstract. Bibliografija: listovi 135-141.

Opis (eng)

The dam behavior indicators are relevant factors whose monitoring indicates whether the actual operational state of the dam is in accordance with what is expected and anticipated in the design phase. Such indicators should move in a predefined range, in order to guarantee stability of the dam. This dissertation proposes different approaches to modeling and parametric identification of the dam behavior indicators, such as radial displacements or piezometric water levels, using the techniques of artificial intelligence. The first approach is to replace linear mapping of causal variables into behavior indicators, which is used in multiple linear regression, with nonlinear. The second approach proposed in this paper is based on applying the method of parametric nonlinear system identification. Radial displacements and piezometric water levels are nonlinear, complex functions of causal variables, so for their modeling NARX (Nonlinear Auto Regresive eXogenous), which is employed to describe a wide class of nonlinear dynamic systems, is used. These proposed approaches are used for modeling and parametric identification of radial displacements of dam Bočac, and piezometric water levels of dams Iron Gate II and Prvonek. Nonlinear models based on artificial intelligence techniques have been implemented using the Java programming language and MATLAB. Artificial intelligence techniques used in this work are the multilayer perceptron, RBF (Radial Basis Function) neural network and ANFIS (Adaptive-Network-Based Fuzzy Inference System). The presence of missing data in a set of measurements may be causing problems in the learning process and the poor performance of the obtained models. In order to predict the missing data, the techniques of mathematical statistics have been used. Outliers present in a set of measurements have a big effect on the prediction of missing data, and their presence is specifically analyzed. The problem of optimizing the inputoutput model, which involves determining the number of predictors and dimensions of the regression vector, and the number of parameters of neural networks and neuro-fuzzy systems, is also analyzed. The performance of the models, formed on the basis of the proposed concept, are compared with those obtained by other methods of modeling the same behavioral indicators presented in relevant accompanying literature published in the last few years. Based on the results, it was concluded that it is possible to create and train models based on computational intelligence techniques to predict with great accuracy the essential dam behavior indicators.

Jezik

srpski

Datum

2013

Licenca

Ovo delo je licencirano pod uslovima licence
Creative Commons CC BY-NC-ND 2.0 AT - Creative Commons Autorstvo - Nekomercijalno - Bez prerada 2.0 Austria License.

CC BY-NC-ND 2.0 AT

http://creativecommons.org/licenses/by-nc-nd/2.0/at/