English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Zasadniczym elementem technologii geodezyjnych jest dziedzina przetwarzania informacji, której dynamiczny rozwój wzbogaca klasyczne algorytmy obliczeń numerycznych, stanowiących podstawę finalnego wyznaczenia produktu prac inżynierskich. W kontekście modelowania procesów przemieszczeń i odkształceń  pojawia się ciekawy temat przetwarzania informacji bazującego na sztucznej inteligencji, w szczególności na sztucznych sieciach neuronowych, które mają zdolność modelowania bardzo złożonych procesów. Sztuczne sieci neuronowe powstały na podstawie badań prowadzonych w dziedzinie sztucznej inteligencji. Szczególne znaczenie miały prace dotyczące działania systemu nerwowego istot żywych oraz budowy modeli struktur występujących w mózgu. Sztuczne sieci neuronowe ze względu na ich nieliniowy charakter reprezentują wyrafinowaną technikę modelowania i są zaliczane do metod inteligencji obliczeniowej. Funkcje pełnione przez sieć pozwalają uzyskać korzystne rezultaty praktyczne w obszarze takich zagadnień jak: aproksymacja, interpolacja, rozpoznawanie i klasyfikacja wzorców, kompresja, predykcja i wiele innych. Zastosowanie sieci neuronowych wprowadza jednak do rozwiązania trudny do określenia błąd metody, dlatego zauważono konieczność poszukiwania rozwiązań alternatywnych opartych na przetwarzaniu danych empirycznych. Przykładem takiego rozwiązania jest metoda grupowej obróbki danych (ang. Group Metod of Data Hndling –GMDH) należąca do klasy algorytmów ewolucyjnych. W artykule przedstawiono podstawowe założenia metody grupowej obróbki danych z zasadami budowy i uczenia statycznych sieci neuronowych o wielu wyjściach i jednym wejściu. Sieć GMDH została wykorzystane do modelowania deformacji osi geometrycznej komina stalowego, służącego do odpowietrzania podziemnych zbiorników z gazem, w procesie eksploatacji. Komin jest objęty pomiarami kontrolnymi prowadzonymi podczas jego eksploatacji z częstotliwością co 1 rok

DEFORMACJE KONSTRUKCJI KOMINA STALOWEGO W ASPEKCIE ZASTOSOWANIA GRUPOWEJ OBRÓBKI DANYCH