Метод прогнозування локальних і глобальних характеристик пошкодження будівель при прокладанні тунелів

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Бойчуком Олеславом-Іваном Михайловичем на тему: "Прогнозування локальних і глобальних індикаторів для оцінки пошкоджень будівель, спричинених прокладанням тунелів". Дана робота спрямована на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процеси оцінки пошкоджень будівель внаслідок прокладання тунелів. Предметом дослідження є застосування методів машинного навчання для прогнозування локальних і глобальних індикаторів ушкоджень. Мета роботи полягає в підвищенні точності прогнозування можливих ушкоджень будівель шляхом створення інноваційного гібридного підходу на основі методів Principal Component Analysis (PCA) та Nu Support Vector Regression (NuSVR). Цей підхід дозволяє ефективно аналізувати комплексні дані і забезпечує інтегроване оцінювання локальних і глобальних індикаторів ушкоджень будівель. У межах роботи проведено аналітичний огляд літератури, розглянуто сучасні підходи до прогнозування будівельних ушкоджень із використанням машинного навчання та методів кінцевих елементів. На основі отриманих результатів запропоновано методику, що інтегрує вхідні та вихідні показники у єдине гіпертіло, що дозволяє врахувати взаємозалежність параметрів. Особлива увага приділена використанню інструментів декореляції даних, що підвищує універсальність запропонованої моделі. Результатом дослідження стало створення інноваційного фреймворку PCA-NuSVR, який перевершує існуючі підходи за точністю прогнозування і демонструє високий потенціал для застосування у сфері цивільного будівництва. Загальний обсяг роботи: 80 сторінок, 9 рисунків, 4 таблиці, 32 джерела, 27 формул. The master's qualification thesis was completed by student Boychuk OleslavIvan from group CSAI-22 on the topic: "Prediction of Local and Global Indicators for Building Damage Assessment Caused by Tunneling". The thesis is aimed at obtaining a Master’s degree in the specialty 122 "Computer Science." The object of the research is the processes of building damage assessment due to tunneling. The subject of the research is the application of machine learning methods for predicting local and global building damage indicators. The goal of the work is to improve the accuracy of predicting potential building damage by developing an innovative hybrid approach based on Principal Component Analysis (PCA) and Nu Support Vector Regression (NuSVR). This approach effectively analyzes complex data and ensures integrated evaluation of local and global building damage indicators. Within the framework of the thesis, an analytical literature review was conducted to explore modern approaches to building damage prediction using machine learning and finite element methods. Based on the obtained results, a methodology was proposed that integrates input and output indicators into a unified hyperbody, enabling the consideration of parameter interdependencies. Special attention was given to the use of data decorrelation tools, enhancing the versatility of the proposed model. The research resulted in the creation of the innovative PCA-NuSVR framework, which outperforms existing approaches in prediction accuracy and demonstrates high potential for application in civil engineering. The achieved results enhance the reliability of engineering solutions, minimize risks of building damage, and optimize construction processes in densely populated urban areas. The total volume of the thesis: 80 pages, 9 figures, 4 tables, 32 references, 27 formulas.