Нейромережевий ансамблевий метод прогнозування рівня пошкоджень армування залізобетонного мосту

Abstract

Магістерська кваліфікаційна робота виконана студентом групи КНСШ-22 Нестеренком Іллею Олександровичем. Тема “Нейромережевий ансамблевий метод прогнозування рівня пошкоджень армування залізобетонного мосту”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є процеси передбачення стану мостової конструкції. Предметом досліджень є каскадні методи апроксимації табличних наборів даних обмеженого обсягу. Досягнення мети відбувається завдяки вдосконаленню базового каскаду нейронних мереж узагальненої регресії за рахунок: (а) розроблення додаткової ітераційної процедури уточнення пронозу на другому рівні каскаду та підбору оптимальних параметрів його роботи; (б) розроблення додаткової процедури розширення простору вхідних даних. У результаті виконання дипломної роботи удосконалено дворівневий каскад з трьох нейронних мереж узагальненої регресії для розв’язання задачі оцінки стану армування залізобетонного мосту; розглянуто принцип роботи удосконаленого каскаду; розроблено програмну реалізацію запрононованого методу уддосконалення каскаду; проведено моделювання роботи удосконаленого каскаду, проведено підбір оптимальних параметрів його роботи, а також виконано порівняння його ефективності з ефективністю наявних аналогів; за результатами порівняння визначено, що удосконалений каскад наразі є найкращим методом розв’язання поставленої задачі. Загальний обсяг роботи: 53 сторінки, 17 рисунків, 34 посилання. Master’s degree work of the student of the group CSAI-22 Nesterenko Illia Oleksandrovych. The topic is "ANN-based ensemble method for predicting the level of damage to a reinforced concrete bridge". The work is aimed at obtaining a master's degree in 122 "Computer Science". The object of research is the processes of predicting the state of a bridge structure. The subject of research is cascade methods of approximation of tabular data sets of limited size. The goal is achieved by improving the basic cascade of generalized regression neural networks by: (a) developing an additional iterative procedure for refining the prediction at the second level of the cascade and selecting the optimal parameters of its operation; (b) developing an additional procedure for expanding the input data space. As a result of the thesis, a two-level cascade of three generalized regression neural networks was improved to solve the problem of assessing the state of reinforcement of a reinforced concrete bridge; the principle of operation of the improved cascade was considered; a software implementation of the proposed method of improving the cascade was developed; the operation of the improved cascade was simulated, the optimal parameters of its operation were selected, and its efficiency was compared with the efficiency of existing analogues; based on the results of the comparison, it was determined that, as of now, the improved cascade is the best method for solving the problem of predicting the state of a bridge structure. The total volume of work: 53 pages, 17 figures, 34 references.