Περίληψη
Έγινε εφαρμογή μεθόδων τεχνητής νοημοσύνης σε υπολογιστικά συστήματα που προβλέπουν με επιτυχία την υποστήριξη υπόγειων έργων. Ακολουθούνται δύο βασικά βήματα, η εξαγωγή της γνώσης και η αναπαράστασή της σε ηλεκτρονικό υπολογιστή. Για την εξαγωγή της γνώσης έγινε έρευνα των θεωρητικών υποδείξεων των εμπειρογνωμόνων και των προηγούμενων εφαρμογών τεχνητής νοημοσύνης σε συναφείς τομείς. Οι θεωρητικές υποδείξεις ομαδοποιήθηκαν σε ενιαίους πίνακες, συγκεντρώθηκαν στοιχεία από κατασκευασμένα έργα και δημιουργήθηκε μια βάση δεδομένων. Για την αναπαράσταση της γνώσης βρέθηκαν οι κυριότερες μεταβλητές εισόδου που χρησιμοποιούνται από τους εμπειρογνώμονες, ενοποιήθηκαν οι κανόνες που χρησιμοποιούν για να δώσουν μια εκτίμηση και ποσοτικοποιήθηκαν τα μέτρα υποστήριξης. Οι τεχνικές Τεχνητής Νοημοσύνης που χρησιμοποιήθηκαν είναι τα Έμπειρα συστήματα, η Ασαφής Λογική και τα Νευρωνικά δίκτυα. Διακρίνονται δύο κύριες κατηγορίες προβλέψεων, προβλέψεις βασισμένες σε κανόνες που χρησιμοποιούνται από τ ...
Έγινε εφαρμογή μεθόδων τεχνητής νοημοσύνης σε υπολογιστικά συστήματα που προβλέπουν με επιτυχία την υποστήριξη υπόγειων έργων. Ακολουθούνται δύο βασικά βήματα, η εξαγωγή της γνώσης και η αναπαράστασή της σε ηλεκτρονικό υπολογιστή. Για την εξαγωγή της γνώσης έγινε έρευνα των θεωρητικών υποδείξεων των εμπειρογνωμόνων και των προηγούμενων εφαρμογών τεχνητής νοημοσύνης σε συναφείς τομείς. Οι θεωρητικές υποδείξεις ομαδοποιήθηκαν σε ενιαίους πίνακες, συγκεντρώθηκαν στοιχεία από κατασκευασμένα έργα και δημιουργήθηκε μια βάση δεδομένων. Για την αναπαράσταση της γνώσης βρέθηκαν οι κυριότερες μεταβλητές εισόδου που χρησιμοποιούνται από τους εμπειρογνώμονες, ενοποιήθηκαν οι κανόνες που χρησιμοποιούν για να δώσουν μια εκτίμηση και ποσοτικοποιήθηκαν τα μέτρα υποστήριξης. Οι τεχνικές Τεχνητής Νοημοσύνης που χρησιμοποιήθηκαν είναι τα Έμπειρα συστήματα, η Ασαφής Λογική και τα Νευρωνικά δίκτυα. Διακρίνονται δύο κύριες κατηγορίες προβλέψεων, προβλέψεις βασισμένες σε κανόνες που χρησιμοποιούνται από τα έμπειρα συστήματα και την ασαφή λογική και προβλέψεις βασισμένες στα δεδομένα που χρησιμοποιούνται από τα νευρωνικά δίκτυα και την κλασική στατιστική. Για την εκτίμηση των μέτρων υποστήριξης χρησιμοποιούνται είτε δύο μεταβλητές εισόδου, το πλάτος του ανοίγματος και η ποιότητα βραχομάζας, παρόμοια με την μέθοδο του συστήματος Q, είτε περισσότερες. Σε όλες τις περιπτώσεις οι προβλέψεις των συστημάτων τεχνητής νοημοσύνης συγκρίνονται με τα στοιχεία των κατασκευασμένων έργων και με τις προβλέψεις του συστήματος Q. Από την καταγραφή των επιδόσεων των συστημάτων προέκυψε ότι όλα τα συστήματα που προβλέπουν με βάση τα στοιχεία κατασκευασμένων έργων έχουν την ικανότητα να διακρίνουν τις κρυφές σχέσεις ανάμεσα στα δεδομένα και να γενικεύουν τις προβλέψεις τους με σημαντικό βαθμό επιτυχίας. Τα συστήματα που είναι βασισμένα σε κανόνες έχουν και αυτά παρόμοιες προβλέψεις γεγονός που επιβεβαιώνει ότι οι κανόνες που χρησιμοποιούν οι εμπειρογνώμονες είναι σωστοί και δοκιμασμένοι. Τα συστήματα δυο εισόδων έχουν την δυνατότητα να προβλέπουν καλύτερα από το σύστημα Q όμως οι επιδόσεις τους δεν είναι υπερβολικά υψηλές. Καλύτερες επιδόσεις καταφέρνουν τα συστήματα που χρησιμοποιούν περισσότερες μεταβλητές εισόδου γεγονός που καταδεικνύει ότι για την ακριβή εκτίμηση των μέτρων υποστήριξης πρέπει να λαμβάνονται υπόψη περισσότεροι παράγοντες από το πλάτος του έργου και την ποιότητα της βραχομάζας.
περισσότερα
Περίληψη σε άλλη γλώσσα
The application of Artificial Intelligence computer methods is investigated, in order to develop computational software that predicts successfully design parameters for the construction of underground sites. Two basic steps are followed, knowledge acquisition and suitable representation for use in a computer program. Knowledge is acquired through bibliographic research from expert recommendations and a search for previously used artificial intelligence applications. Various expert recommendations were put together in unified tables. Measured data from previously constructed underground works were gathered in a database. It was found by statistical analysis that the support measures of the underground openings stored in the database are related to the input data collected and therefore these measures can be estimated with the use of artificial intelligence. The representation of gathered knowledge and experience included the selection of the most important input variables used by the e ...
The application of Artificial Intelligence computer methods is investigated, in order to develop computational software that predicts successfully design parameters for the construction of underground sites. Two basic steps are followed, knowledge acquisition and suitable representation for use in a computer program. Knowledge is acquired through bibliographic research from expert recommendations and a search for previously used artificial intelligence applications. Various expert recommendations were put together in unified tables. Measured data from previously constructed underground works were gathered in a database. It was found by statistical analysis that the support measures of the underground openings stored in the database are related to the input data collected and therefore these measures can be estimated with the use of artificial intelligence. The representation of gathered knowledge and experience included the selection of the most important input variables used by the experts, the unification of common expert rules used to define a recommendation and the quantification of support measures. Artificial Intelligence (AI) methods used are expert systems, fuzzy logic and neural networks. There exist two main categories of inference that reach prediction. Rule based inference used by expert systems and fuzzy logic systems and data driven inference used by neural networks and classic statistical methods. Support measures are predicted either by two-input systems or by systems that use more input variables. Two-input systems predict support using the span of the opening and the rock mass quality index Q, similarly to the Q system. More input variables are used by systems that do not need an intermediate rock quality index. All AI systems’ predictions are compared to measured data and Q system predictions. It was found that the AI systems, that are using database records for their predictions, present an ability to pick up hidden relations among data and generalize more or less successfully. Rule based AI systems have a similar performance, suggesting that the rules of the experts are specific and correct. The two-input systems predict better than the Q system but their correlation is not too high. The many-input systems display higher performance indices than those of the two input systems. This suggests that more variables should be considered in underground site design bypassing the determination of a rock mass quality index.
περισσότερα