9.1. ZuŜycie techniczne budynków sz jest miarą ich stanu technicznego. Dominujący wpływ na zuŜycie techniczne ma zazwyczaj zuŜycie naturalne, związane z proce-sem starzenia się materiałów budowlanych w określonych warunkach środowi-skowych i eksploatacyjnych. Wpływa na nie równieŜ szereg dodatkowych czynni-ków, w sensie statystycznym losowych, do których zaliczyć naleŜy oddziaływania eksploatacji górniczej. Istotność tych oddziaływań została potwierdzona prowa-dzonymi w ostatnich latach badaniami, które wykonywane były głównie przy uŜyciu metod statystyki matematycznej (np. [Firek 2005, Kocot 1998, Wodyński i Barycz 2002, Wodyński i Kocot 2000, Wodyński 2007]).
Z uwagi na fakt, iŜ na przebieg zuŜycia technicznego budynków wpływa wiele czynników uznano, Ŝe opis zjawiska wymaga utworzenia modelu w wielowymia-rowej dziedzinie opisujących go zmiennych. Działanie takiego modelu bazuje bo-wiem na interakcjach pomiędzy wszystkimi zmiennymi wejściowymi, a aproksy-mowaną wartością stopnia zuŜycia. Biorąc równieŜ pod uwagę niepewność co do wartości czynników wpływających na przebieg procesu (ustalane przez eksperta w czasie inwentaryzacji dane o stanie budynku, prognozowane wskaźniki, opisu-jące oddziaływania górnicze) uznano, Ŝe najefektywniejszym rozwiązaniem bę-dzie stworzenie modelu, którego działanie określone bębę-dzie nie przez zapis deter-ministyczny, w jawnej postaci funkcyjnej, lecz przez regułowy zapis przyczyno-wo-skutkowy z uwzględnieniem niepewności. Przyjmując to załoŜenie sformuło-wano następujące cele pracy:
1) stworzenie wielowymiarowego modelu opisującego przebieg zuŜycia technicz-nego budynków na terenach górniczych,
2) interpretacja struktury utworzonego modelu, a w szczególności badanie wpły-wu czynników górniczych na przyspieszenie procesu zuŜycia technicznego. Uznano, Ŝe narzędziami matematycznymi pozwalającymi na realizacje powyŜ-szych celów są metody sztucznej inteligencji (SI). O ich zastosowaniu zadecydo-wały następujące własności:
- uniwersalność w odniesieniu do aproksymacji funkcji wielu zmiennych, - zdolność uogólniania nabytej w trakcie uczenia wiedzy,
- brak konieczności zadawania startowej formy odwzorowania, - brak wymogów odnośnie jakości danych,
- moŜliwość przeprowadzenia analizy wraŜliwości względem ustalonego modelu, - moŜliwość budowy modelu jako systemu regałowego, co umoŜliwia
uwzględ-nienie niepewności.
Konfrontacja tych własności metod SI z wymienionymi wyŜej celami umoŜliwiła sformułowanie następującej tezy pracy:
Metody sztucznej inteligencji (SI) dają moŜliwość budowy wielowymiarowego mo-delu przebiegu zuŜycia technicznego budynków zlokalizowanych na terenach gór-niczych oraz pozwalają na ocenę wpływu czynników górgór-niczych na przyspieszenie tego procesu.
9.2. Podstawę badań stanowiła baza danych, w której zebrano dane o konstrukcji i sta-nie technicznym oraz potencjalnych czynnikach, wpływających na zuŜycie tech-niczne, w tym oddziaływaniach górniczych. W badaniach uwzględniono 1726 bu-dynków zlokalizowanych na obszarze Górnośląskiego Zagłębia Węglowego (820 obiektów) i Legnicko-Głogowskiego Okręgu Miedziowego (906 obiektów).
9.3 Po wstępnej analizie ustalono 3-etapową procedurę budowy modelu, z wykorzy-staniem naleŜącej do rodziny sieci neuronowych metody SVM w podejściu regre-syjnym (ε-SVR) oraz systemów wnioskowania rozmytego: adaptacyjnego systemu Wanga-Mendela oraz ekspertowego systemu Mamdani.
W etapie wstępnym wykorzystano metodę ε-SVR. Analizy poczynione w ramach tego etapu ukierunkowane były na:
- ocenę wpływu poszczególnych zmiennych wejściowych na przebieg zuŜycia technicznego budynków,
- wyłonienie informacji potrzebnych do budowy bazy reguł dla systemu Wanga- Mendela (etap pośredni).
Etap pośredni polegał na budowie sytemu wnioskowania rozmytego Wanga-Mendela. Informacje o relacjach w jego bazie reguł były ustalone w oparciu o wy-niki etapu wstępnego. System Wanga-Mendela stanowił podstawę do budowy ostatecznego modelu przebiegu zuŜycia technicznego.
Etap końcowy sprowadzał się do budowy systemu wnioskowania rozmytego Ma-mdani, w oparciu o relacje przeniesione z bazy reguł utworzonej w ramach etapu pośredniego. Polegało to na przyporządkowaniu dla kaŜdego zestawu poprzedni-ków w bazie reguł systemu Wanga-Mendela optymalnego następnika, w formie
9.4 W etapie wstępnym utworzono 12 modeli ε-SVR aproksymujących wartości stop-nia zuŜycia technicznego budynków. Liczba ta wynikała z kombinacji zestawów zmiennych wejściowych. Przeprowadzona weryfikacja poszczególnych aproksy-matorów, pod kątem jakości dopasowania oraz własności generalizacyjnych, po-zwoliła na wdroŜenie ich do dalszej części badań.
9.5 Analiza wpływu poszczególnych czynników na przebieg zuŜycia technicznego budynków została przeprowadzona w kilku wariantach:
- zbadano, jak zmieniają się podstawowe miary dopasowania modelu do danych wzorcowych w przypadku, gdy dana zmienna została wyłączona z opisu aprok-symatora (amputacja zmiennej),
- przeprowadzono analizę wraŜliwości poszczególnych aproksymatorów wzglę-dem zmiennych wejściowych,
- ustalono jakościowy i ilościowy wpływ skategoryzowanej zmiennej, jaką był wskaźnik remontowy wREM.
9.6. Szczegółową analizę uzyskanych wyników badań przeprowadzonych w ramach etapu wstępnego przedstawiono w rozdziale 6.3. Generalnie naleŜy stwierdzić, Ŝe: 9.6.1. Zdecydowanie najistotniejszy wpływ na przebieg zuŜycia technicznego
budyn-ków ma zmienna opisująca wiek budynku. Wyniki te w pełni potwierdzają re-zultaty wcześniejszych badań.
9.6.2 Spośród przyjętych miar opisujących odkształcenia poziome terenu (ε(+), ε(-), εmax), największy wpływ na przyrost wartości zuŜycia technicznego mają po-ziome odkształcenia rozciągające ε(+); wynik ten pozostaje w zgodzie wynikami badań przeprowadzonymi m.in. w ramach pracy [Firek 2005, Kocot 1998, Wo-dyński 1991].
Stopień istotności dla zmiennych opisujących poziome odkształcenia terenu jest przy tym róŜny dla poszczególnych grup budynków dla których utworzono mo-dele przebiegu zuŜycia technicznego. Dla obszaru GZW są one drugim dominu-jącym czynnikiem, wpływadominu-jącym na zmienność hiperpowierzchni aproksymato-ra. Natomiast dla modeli utworzonych dla obszaru LGOM miary intensywności dla odkształceń poziomych są zdecydowanie mniejsze. Powodem takiego stanu rzeczy jest znacznie mniejszy zakres wartości odkształceń poziomych występu-jących w LGOM (w przypadku badanej grupy budynków nie przekraczały one granicy II kategorii terenu).
9.6.3. W przypadku zabudowy obszaru LGOM analizą objęto równieŜ zmienną opisują-cą intensywność wstrząsów górniczych asg. Jej wpływ na zmienność modelowa-nego przebiegu zuŜycia techniczmodelowa-nego znacznie przewyŜsza wpływ, jaki mają miary opisujące odkształcenia poziome terenu. Oznacza to, Ŝe wstrząsy górnicze stanowią tu podstawowy czynnik oddziaływań górniczych na budynki. Wyniki te potwierdzają wnioski z pracy [Firek 2005].
9.6.4. Ocena wskaźnika zabezpieczeń (wZAB), który zdefiniowano jako miarę zakresu wykonanych zabezpieczeń profilaktycznych budynków przeciw wpływom gór-niczym, wskazuje na silny wpływ tego czynnika, szczególnie na obszarze LGOM. Świadczy to o efektywności profilaktyki budowlanej na tym terenie. 9.6.5. Wpływ prac remontowych, reprezentowany w badaniach przez wskaźnik
remon-towy (wREM), zaleŜny jest od wieku budynku. Dla budynków starszych, tj. takich, których wiek przekracza 25 lat, ujawnia się intensywny wpływ prowadzonych prac remontowych na zmniejszenie aproksymowanych wartości stopnia zuŜycia technicznego. Dla budynków młodych jest relatywnie mniejszy (np. dla budyn-ków, których wiek nie przekracza 25 lat wpływ remontów nie przekracza 1,5%). 9.7. W etapie pośrednim ustalona została struktura przejściowego systemu Wanga-Mendela. Sprawdzono, czy występujące w jego bazie reguł następniki nie prze-kraczały dopuszczalnych wartości stopnia zuŜycia technicznego (0 – 100%). Wa-runek ten był wymogiem umoŜliwiającym przeprowadzenie transferu bazy reguł systemu Wanga-Mendela do Mamdani. Jak wykazała analiza otrzymanych wyni-ków, warunek ten był spełniony zarówno w przypadku budowy modelu ogólnego (grupa budynków LGOM i GZW), jak równieŜ dla lokalnego modelu dla zabudo-wy obszaru LGOM.
9.8. Końcowy etap pracy polegał utworzeniu w oparciu o system wnioskowania rozmy-tego Mamdani ogólnego modelu przebiegu zuŜycia technicznego budynków na te-renach górniczych. Zgodnie z wynikami przeprowadzonych w ramach etapu wstępnego badań w zakresie oceny istotności poszczególnych zmiennych wej-ściowych, ustalono optymalny zestaw zmiennych, pozwalających na opis przebie-gu zuŜycia technicznego budynków. Zmiennym tymi były:
- wskaźnik remontowy wREM, - wskaźnik zabezpieczeń wZAB.
Przeprowadzono weryfikację tak utworzonego modelu w kontekście jakości dopa-sowania oraz własności generalizacyjnych.
Wykorzystując fakt, iŜ ostateczny model bazuje na strukturze regałowej, wyko-rzystującej formalizmy teorii zbiorów rozmytych, zaproponowano sposób, w jaki moŜna uwzględnić niepewność objawiającą się w trakcie oceny stanu techniczne-go budynków. RozwaŜono 4 przypadki, które wyczerpują wszystkie moŜliwe sce-nariusze, mogące zaistnieć w praktyce podczas oceny stanu technicznego. Wyniki badań przedstawiono w rozdz. 7.
9.9. Przeprowadzone analizy wykazały, Ŝe na obszarze LGOM istotny wpływ na zuŜy-cie zabudowy mają wstrząsy górnicze. Zgromadzone w bazie danych szczegółowe informacje o wstrząsach oddziałujących na badaną zabudowę pozwoliły na budo-wę wstępnego modelu przebiegu zuŜycia technicznego budynków w LGOM z uwzględnieniem tego czynnika, reprezentowanego przez wskaźnik asg (por. rozdz. 8).
Przeprowadzono weryfikację tak utworzonego modelu w kontekście jakości dopa-sowania i własności generalizacyjnych oraz podano przykład jego zastodopa-sowania.
Literatura
1. Ahlawat A.S, Ramasawamy A., 2001: Mulitiobjective optima structural vibra-tion control using fuzzy logic control system. Journal of structural engineering. Vol. 127, No. 11.
2. Aldawod M., Samali B., Naghdy F., Kwok K. 2001: Active control of along wind response of tall building using a fuzzy controller. Engineering Structures. Elsevier Science Ltd.
3. Battaini M, Casciati F., Faravelli L.: Fuzzy Control of Structural Vibration. An Active Mass System Driven by a Fuzzy Controller. Dept. of Structural Mechan-ics, University of Pavia. Italy.
4. Bi J., Bennet K., Enbrechts M.J, Breneman C.M, Song M., 2003: Dimensional-ity Reduction via Sparse Support Vector Machines.
5. Biondini F., Bontempi F., Malerba P. G., 2000: Fuzzy theory and genetically driven simulation in the reliability assessment of concrete structures. 8th ASCE Specialty Conference on Probabilistic Mechanics and Structural Reliability. 6. Biondini F., Bontempi F., Malerba P. G., 2004: Fuzzy reliability analysis of
concrete structures. Computers and Structures. Elsevier Ltd.
7. Borowiec A., Ziemiański L., 2007: Identyfikacja zmian sztywności we wsporni-ku na podstawie zmian parametrów modelu modalnego. Budownictwo i inŜynie-ria środowiska. Zeszyty Naukowe Politechniki Rzeszowskiej. Rzeszów.
8. Bronszteijn I.N., Siemiendajew K.A., Müsiol G., Muhling H., 2004: Nowocze-sne kompendium matematyki. Wydawnictwo Naukowe PWN. Warszawa
9. Bryt-Nitarska I., 2008: Uszkodzenia budynków na terenach górniczych. Prace naukowe GIG. Bezpieczeństwo i ochrona obiektów budowlanych na terenach górniczych. Górnictwo i środowisko. Kwartalnik wydanie specjalne GiG. Kato-wice.
10. Burges C.J.C., 1998: A Tutorial on Support Vector Machines for Pattern Recog-nition. Data Mining and Knowledge Discovery, 2, 121–167 (1998). 1998 Klu-wer Academic Publishers. Boston.
11. Chang C-C., Lin C-J., 2008: LIBSVM: a Library for Support Vector Machine. Software available at: http://www.csie.nyu.edu.tw/~cjlin/libsvm.
12. Chedid R., Najjar N., 1996: Automatic finite-element mesh generation using ar-tificial neural networks—Part I: Prediction of mesh density. IEEE Trans. Magn. 13. Chiang W., Liu K., Lee J., 2000: Bridge damage assessment through fuzzy Petri
Net based expert system. Journal of Computing in Civil Engineering. ASCE. 14. Choi K-M., Cho S-W., Jung H-J., Lee I-W., 2004: Semi-active fuzzy control for
seismic response reduction using magnetorheological dampers. Earthquake En-gineering and Structural Dynamics. John Wiley & Sons, Ltd.
15. Ciurej H., Rusek J., 2006: Metodyka oceny odporności dynamicznej wybranych obiektów mostowych na terenie LGOM. Czasopismo Techniczne Politechniki Krakowskiej. Kraków.
16. Cytowski J., 1999: Metody i algorytmy sztucznej inteligencji w cyfrowym prze-twarzaniu sygnałów. Akademicka Oficyna Wydawnicza PLJ. Warszawa.
17. Duch W., Korbicz J., Rutkowski L., Tadeusiewicz R., 2000: Biocybernetyka i inŜynieria biomedyczna 2000. red. Maciej Nałęcz. Akademicka Oficyna Wy-dawnicza EXIT.Warszawa.
19. Faravelli L., Yao T., 1996: Use of adaptive networks in fuzzy control of civil structures. Microcomputers in Civil Engineering. Blackwell Publishers. Cam-bridge.
20. Firek K., 2005: Badanie wpływu czynników górniczych i budowlanych na zuŜy-cie techniczne tradycyjnej zabudowy terenu górniczego LGOM. Praca doktor-ska, niepublikowana. Akademia Górniczo-Hutnicza. Kraków.
21. Firek K., Wodyński A., 2007: Assessment of surface deformation impacts on technical wear of masonry buildings located in the Legnica-Głogów Copper Dis-trict. Schriftenreihe des Institutes für Markscheidewesen und Geodäsie an der Technischen Universität Bergakademie Freiberg, Heft 2006-1, 8 Geokinema-tischer Tag, Freiberg.
22. Fischer T., Alvarez M., De la Llera J.C., Riddell R., 2002: An integrated model for earthquake risk assessment of buildings. Engineering Structures 24 (2002). Elsevier Science Ltd.
23. Giovinazzi S., Lagomarsino S., 2004: A macroseismic method for the vulner-ability assessment of buildings. 13th World Conference on Earthquake Engineering. Vancouver, B.C., Kanada.
24. Górecki H. 2006: Optymalizacja i sterowanie systemów dynamicznych. Uczel-niane Wydawnictwa Naukowo-Dydaktyczne Akademii Górniczo-Hutniczej w Krakowie. Kraków.
25. Gruszczyński W., 2008: Zastosowanie sieci neuronowych do prognozowania de-formacji górniczych. Rozprawa doktorska. Akademia Górniczo-Hutnicza. Kra-ków.
26. Hajdasz H., 1992: Sposoby ustalania zuŜycia technicznego budynków i budowli. Katowice.
27. Hoła J., Schabowicz K., 2004: Nowy sposób identyfikacji wytrzymałości betonu na podstawie badań nieniszczących. InŜynieria i Budownictwo 10/2004. War-szawa.
28. Hoła J., Schabowicz K., 2005: Application of artificial neural networks to de-termine concrete compressive strength based on non-destructive tests. Journal of civil engineering and management.
29. Huzar Z., 2002: Elementy logiki dla informatyków. Oficyna Wydawnicza Poli-techniki Wrocławskiej. Wrocław.
30. Instrukcja GIG nr 12 2000: Zasady oceny moŜliwości prowadzenia podziemnej eksploatacji górniczej z uwagi na ochronę obiektów budowlanych. Katowice 2000.
31. Jankowski N., 2003: Ontogeniczne sieci neuronowe. Akademicka Oficyna Wy-dawnicza EXIT, Warszawa.
32. Jankowski N., Grabczewski K., 2003: Toward optimal SVM. The third IASTED International Conference on Artificial Intelligence and Applications, Anheim, Calgary, Zurich. The International Association of Science and Technology for Development, ACTA Press.
33. Janusz W., Jarosz A., 1976: Nieciągłe deformacje powierzchni wywołane płytką podziemną eksploatacją górniczą. Materiały konferencji „Budownictwo na tere-nach górniczych o duŜych deformacjach powierzchni”. Katowice.
34. Kasina Z., 2009: Teoria sygnału sejsmicznego. Wydawnictwa AGH. Kraków. 35. Kim D-H., Lee I-W. 2001: Neuro-control of seismically excited steel structure
through sensitivity evaluation scheme. Earthquake Engineering and Structural Dynamics. John Wiley & Sons, Ltd.
36. Klir G.J., ST. Clair U, Yuan B., 1997: Fuzzy set theory: foundations and appli-cations. Prentice-Hall. Inc.
37. Knyziak P., 2007: Analiza stanu technicznego prefabrykowanych budynków mieszkalnych za pomocą sztucznych sieci neuronowych. Rozprawa doktorska. Politechnika Warszawska. Warszawa.
38. Kocot W., 1998: Diagnozowanie stanu technicznego budynków o tradycyjnej konstrukcji na terenach górniczych. Rozprawa doktorska, AGH, Kraków.
39. Kogut J., 1999: Analiza spektrum odpowiedzi drgań drogowych. Rozprawa dok-torska. Politechnika Krakowska. Kraków.
40. Kogut J., 2007: Szacowanie parametrów dynamicznych podłoŜa gruntowego. Czasopismo Techniczne B. Wydawnictwo Politechniki Krakowskiej. Kraków. 41. Konarzewska M., Konarzewski A., 2006: Chosen aspects of defining technical
wear of buildings. Ukio Technologinis ir Ekonominis Vystymas. Technological and Economic Development of Economy. Vol XII, No 3.
42. Konior J., 1997: Wpływ utrzymania budynków mieszkalnych na stopień tech-nicznego zuŜycia ich elementów. Rozprawa doktorska. Politechnika Wrocław-ska. Wrocław.
43. Kotulski Z., Szczepiński W., 2004: Rachunek błędów dla inŜynierów. WNT. Warszawa.
44. Kucharska-Stasiak E., 1995: Metody pomiaru zuŜycia obiektów budowlanych. Przegląd Budowlany 2/1995. Warszawa.
45. Kuźniar K., 2004: Analiza drgań budynków ścianowych o średniej wysokości podlegających wstrząsom górniczym z wykorzystaniem sieci neuronowych. Wydawnictwo Politechniki Krakowskiej. Kraków.
46. Kuźniar K., Maciąg E. 2007: Symulacja drgań fundamentu wzbudzanych wstrząsami górniczymi z zastosowaniem SSN. Czasopismo Techniczne B. Wy-dawnictwo Politechniki Krakowskiej. Kraków.
47. Kuźniar K., Waszczyszyn Z., 2002: Neural analysis of vibration problems of real flat buildings and data pre-processing. Engineering Structures. Elsevier Sci-ence Ltd.
48. Kwaśnicka H., Markowska-Kaczmar U., 2005: Sieci neuronowe w zastosowa-niach. Oficyna Wydawnicza Politechniki Wrocławskiej. Wrocław.
49. Kwiatek J., 1976: Pionowe oddziaływania między budowlą a podłoŜem górni-czym poziomo rozluźnionym. Ochrona Terenów Górniczych, nr 36, Katowice. 50. Kwiatek J., 2002: Obiekty budowlane na terenach górniczych. Wydawnictwo
Głównego Instytutu Górnictwa, Katowice.
51. Kwiatek J., 2004: Podstawy budownictwa na terenach górniczych. Uczelniane Wydawnictwa Naukowo-Dydaktyczne AGH, Kraków.
52. Lahiri. S.K., Ghanta K.C., 2008: The Support Vector regression with the pa-rameter tuning assisted by a differential evolution technique: study of the critical velocity of a slurry flow in a pipeline. Chemical Industry & Chemical Enginner-ing Quartely. West Bengal India.
53. Lefik M., 1994: “Inteligentna” baza danych o stanie technicznym obiektów in-Ŝynierskich – koncepcja zastosowania sieci neuronowych. XL konferencja Na-ukowa Komitetu InŜynierii Lądowej i Wodnej PAN i Komitetu Nauki PZITB. Rzeszów-Krynica-Warszawa.
54. Liang M-T., Chen S., Lee C-W., Yeh C-J. 2005: Application of fuzzy optimum system hierarchy analysis selection method to determining repair order for
exist-55. Liang M-T., Lin C-M., Yeh C-J., 2003: Comparison matrix method and its ap-plications to damage evaluation for existing reinforced concrete bridges. Journal of Marine Science and Technology.
56. Lowther D.A., Dyck D.N., 1993: A density driven mesh generator guided by a neural network. IEEE Trans. Magn.
57. Łęski J. 2008: Systemy neuronowo-rozmyte. WNT, Warszawa.
58. Łukaszewicz J., 1958: Elementy logiki matematycznej. PWN. Warszawa.
59. Maciąg E., 2000: Ocena wpływów wstrząsów górniczych na budynki. Materiały Sympozjum Warsztaty 2000 nt. „ZagroŜenia naturalne w górnictwie”, Ustroń Śląski – Kraków.
60. Maciąg E., Tatara T., 2000: Analiza oddziaływania wstrząsów górniczych na ni-ską zabudowę mieszkalną. Mat. IX Sympozjum NT. „Wpływy sejsmiczne i pa-rasejsmiczne na budowle”. Politechnika Krakowska. Kraków.
61. Malinowska A., 2009. Ocena zagroŜenia uszkodzeniami obiektów budowlanych na terenach górniczych z wykorzystaniem wnioskowania rozmytego. Rozprawa doktorska, AGH, Kraków.
62. Matlab: Fuzzy Logic Toolbox, 1984-2007: The MathWorks, Inc.
63. Matlab: Genetic Algorithm and Direct Search Toolbox. 1984-2007: The Ma-thWorks, Inc.
64. Osowski S., 2006: Sieci neuronowe do przetwarzania informacji. Oficyna Wy-dawnicza Politechniki Warszawskiej, Warszawa.
65. Osowski S., Cichocki A., Siwek K., 2006: Matlab w zastosowaniu do obliczeń obwodowych i przetwarzania sygnałów. Oficyna Wydawnicza Politechniki Warszawskiej. Warszawa.
66. Ostanin A., 2007: Informatyka z matlabem. Wydawnictwo Politechniki Biało-stockiej. Białystok.
67. Park H-S., Adeli H., 1997: Data parallel neural dynamics model for integrated design of large steel structures. Microcomputers in Civil Engineering. Blackwell Publishers. USA.
68. Piegat A., 2003: Modelowanie i sterowanie rozmyte. Akademicka Oficyna Wy-dawnicza EXIT, Warszawa.
69. Piróg J. 1995: Ekonomiczne aspekty zuŜycia budynków w podejściu kosztowym wycen nieruchomości. I Konf. Nauk.-Tech. PZiTB/ITB Kielce-Cedzyna.
70. Popiołek E., 2009: Ochrona terenów górniczych. Wydawnictwa Akademii Gór-niczo-Hutniczej. Kraków.
71. Przychodzki M., Lewandowski R., 2008: Neuronowy filtr Kalmana w aktywnej redukcji drgań konstrukcji budowlanych. DYNKON 2008. XIII Sympozjum Dynamiki Konstrukcji. Zeszyty Naukowe Politechniki Rzeszowskiej.
72. Rueda I.E.A, Arciniegas F.A., 2004: SVM Sensitivity Analysis: An Application to currency Crises Aftermarks. IEEE trans. Systems, Man and Cybernetics. Vol 34. No. 3.
73. Rusek J., 2009: Budowa modelu przebiegu zuŜycia technicznego budynków na terenach górniczych z wykorzystaniem metody wektorów podpierających ,,Support Vector Machine" w ujęciu regresyjnym. X Dni Miernictwa Górnicze-go i Ochrony Terenów Górniczych. Kraków 28–29.05.2009. AGH Uczelniane Wydawnictwa Naukowo-Dydaktyczne. Kraków.
74. Rutkowska D., Piliński M., Rutkowski L., 1999: Sieci neuronowe algorytmy ge-netyczne i systemy rozmyte. Wydawnictwo Naukowe PWN. Warszawa.
75. Rutkowski L., 2005: Metody i techniki sztucznej inteligencji. Wydawnictwo Naukowe PWN. Warszawa.
76. Sarma K.C., Adeli H., 2001: Bilevel parallel genetic algorithms for optimization of large steel structures. Computer-Aided Civil and Infrastructure Engineering. Blackwell Publishers. USA.
77. Schölkopf B., Smola A.J., 2002: Learning with Kernels. MIT Press. Cambridge, Massachusetts.
78. Sivanandam S.N., Sumathi S., Deepa S.N., 2007: Introduction to fuzzy logic us-ing Matlab. Sprus-inger-Verlag Berlin Heidelberg.
79. Stachurski A., 2009: Wprowadzenie do optymalizacji. Oficyna Wydawnicza Po-litechniki Warszawskiej. Warszawa.
80. Stadnicki J., 2006: Teoria i praktyka rozwiązywania zadań optymalizacji. WNT, Warszawa.
81. Suykens J.A.K.,Van Gestem T., De Brabanter J., De Moor B., Vandewalle J. 2002: Least squares support vector machines. World Scientific, Singapore. 82. Szeliga E., Witkowski M., 1997: Assessment of structural reliability using the
fuzzy sets theory. Archiwum InŜynierii Lądowej. PWN. Warszawa.
83. Tadeusiewicz R. 2001: Wprowadzenie do sieci neuronowych. StatSoft Polska. 84. Tatara T., 2002: Działania drgań powierzchniowych wywołanych wstrząsami
górniczymi na niską tradycyjną zabudowę mieszkalną. Zeszyty Naukowe Poli-techniki Krakowskiej, seria: InŜynieria Lądowa, nr 74.
85. Tikka J., Hollmen J., 2008: Selection of important input variables for RBF net-work using partial derivatives - ESANN’2008 proceedings, European Sympo-sium on Artificial Neural Networks-Advances In Computational Intelligence and Learning. Bruges (Belgium).
86. Triantafyllidis D.G., Labridis D.P., 2002: A Finite-Element Mesh Generator Based on Growing Neural Networks. Transactions on neural networks. IEEE. 87. Urbański P., 2001: Ocena stopnia zuŜycia technicznego wybranej grupy
budyn-ków za pomocą sztucznych sieci neuronowych. Rozprawa doktorska. Politech-nika Zielonogórska, Wydział Budownictwa i inŜynierii Sanitarnej, Zielona Góra. 88. Urbański P., Waszczyszyn Z., 2002: Neuronowa predykcja stopnia zuŜycia technicznego budynków mieszkalnych. XLVIII Konferencja Naukowa Komitetu InŜynierii Lądowej I Wodnej PAN i Komitetu Nauki PZiTB. Opole-Krynica. 89. Vapnik V., 1998: Statistical learning theory. John Wiley & Sons, New York. 90. Winniczek W., 1993:Wycena budynków i budowli podejściem
odtworzenio-wym. CUTOB-PZiTB. Wrocław.
91. Witkowska D., 2002: Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe. Wydawnictwo C.H.Beck. Warszawa.
92. Wodyński A. 1991: Wpływ powolnych i długotrwałych deformacji powierzchni na zagroŜenie zabudowy. ZN AGH, seria: Geodezja, nr 111, Kraków.
93. Wodyński A., Barycz S., 2002: Analiza porównawcza stanu technicznego i za-kresu uszkodzeń budynków na terenie górniczym LGOM. Materiały Szkoły Eksploatacji Podziemnej 2002, seria: Sympozja i Konferencje, nr 54, PAN/AGH, Kraków/Szczyrk.
94. Wodyński A, Firek K., Kocot W., 2006: Ocena wpływu remontów oraz zabez-pieczeń profilaktycznych na trwałość budynków murowanych w LGOM. Zeszy-ty Naukowe AGH, seria: InŜynieria Środowiska, tom 11, z. 1, Kraków.
95. Wodyński A., 2007: ZuŜycie techniczne budynków na terenach górniczych. Uczelniane Wydawnictwa Naukowo-Dydaktyczne, Akademia Górniczo-Hutnicza, Kraków.