Tytuł pozycji:
Ocena wpływu drgań komunikacyjnych na budynki za pomocą maszynowego uczenia
Drgania komunikacyjne mogą powodować spękania tynków, zarysowania, a nawet zawalenie się budynku. Pomiary na rzeczywistych obiektach są pracochłonne i kosztowne, a nie zawsze uzasadnione. Należy więc utworzyć model, dzięki któremu można przewidzieć szkodliwe oddziaływanie drgań komunikacyjnych na budynek. Po przeprowadzeniu własnych badań pomiarowych oraz analizie literatury utworzono model bazujący na maszynach wektorów wspierających, uwzględniając następujące czynniki: stan budynku; odległość budynku od krawędzi drogi; absorpcję drgań w gruncie; typ nawierzchni; stan nawierzchni oraz rodzaj pojazdu. Wyniki analiz pokazują, że uczenie maszynowe jest obiecującym narzędziem w prognozowaniu wpływu drgań komunikacyjnych na budynki, ponieważ odznacza się wiarygodnością nawet ponad 84%.
Traffic induced vibrations may cause plaster cracks, scratches and even collapse of the building. The measurements on real structures are laborious and expensive, and not always justified. The aim is to create a model that can predict the risk of harmful impact of traffic-induced vibrations on the building. After carrying out own measurement studies and analyzing the literature, a model based on Support Vector Machines has been created, taking into account the following factors: building condition, distance of the building from the road edge, soil absorption, type of pavement, condition of the pavement and type of vehicle. The results show that machine learning is a likely tool in forecasting the impact of traffic-induced vibrations on buildings, with high reliability, even over 84%.
Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).
