primejna neuralnih mreŽa u sgk

PRIMJENA NEURALNIH MREŽA U SUSTAVU GOSPODARENJA KOLNICIMA

GRAĐEVINSKI FAKULTETSVEUČILIŠTA U ZAGREBU

Izradio: Hrvoje Dragovan mag.ing.aedif.

MAGISTARSKI RAD

1. GOSPODARENJA KOLNICIMA

- 1.562,6 km autocesta,- 6.810,6 km državnih

cesta,- 10.819,7 km županijskih

cesta i- 10.279,6 km lokalnih cesta.

1.1. Općenito o gospodarenju kolnicima

- za izgradnju cesta potrebna su znatna financijska ulaganja- ceste uslijed procesa degradacije imaju tendenciju postupnog pada vrijednosti

- planiranim i pravovremenim poduzimanjem različitih mjera održavanja ili obnove, moguće je napredovanje procesa degradacije kolničke konstrukcije djelomično usporiti ili u potpunosti zaustaviti uz ulaganje odgovarajućih financijskih sredstava.

- na ponašanje kolnika djeluje vrsta, vrijeme i prmjenjena kvaliteta održavanja

- nepravodobno održavanje rezultira povećanjem veličine i opsega oštećenja KK, a samim time i na veličinu zahvata i povećanje troškova održavanja

- utjecaj nepravodobnog održavanja kolnika (Stevens) predočena je krivuljom ovisnosti troškova održavanja i stanja kolnika.

Krivulja na zoran način prikazuje opravdanost pravovremenog održavanja i sanacije kolnika, a da pritom kvaliteta kolnika ostaje u rasponu gornjih 40%. Značenje takvog održavanja može se poduprijeti činjenicom i da se za svaku utrošenu kunu ostvaruje ušteda (zbog sprječavanja daljnjeg propadanja) od 4 do 5 kuna u iduće dvije do tri godine. Može se dakle reći da je najkritičnije vrijeme u razdoblju uporabe kolnika ono kada kolnik ulazi u stanje "prosječne" kvalitete, a to se indeksom služnosti (PSI) može iskazati kao područje PSI 2 i 3.

1.2. Proces gospodarenja

U razvijenim zemljama svijeta izgradnja cestovnog sustava dovršena je već prije desetak godina pa je gospodarenje cestovnom infrastrukturom uglavnom usmjereno na očuvanje i održavanje već izgrađenih cestovnih mreža.

Gospodarenje kolnicima može se razmatrati kroz slijedeće međusobno povezane i zavisne funkcije gospodarenja:

FUNKCIJA GOSPODARENJA

PLANIRANJE PRIPREMA IZVOĐENJEPROGRAMIRANJE

2. SUSTAV GOSPODARENJA KOLNICIMA

2.1. Razvoj sustava gospodarenja kolnicima

• U literaturi se pojavljuje krajem šezdesetih, početkom sedamdesetih godina prošlog stoljeća

• ASHTO Road Test, proveden od 1958 do 1961. godine daje golemi doprinos tehnološke osnove gospodarenju cestama

• Početkom 1980-ih dolazi do golemog interesa za sustave gospodarenja cestama, u prvom redu cestovnim kolnicima (mnoge razvijene zemlje Evrope i svijeta)

• Održavanje redovitih konferencija posvećenih temi gospodarenja kolnicima započinju 1985. godine - Toronto

2.2. Sastavni dijelovi sustava gospodarenja kolnicima

Većina definicija sustava gospodarenja kolnicima, slažu se sa pet ključnih sastavnih dijelova sustava, koje je definirao Peterson, 1987:

1. Pregledi stanja cestovnih kolnika. 2. Baza podataka. 3. Analitički alati ili analitičke sheme. 4. Kriteriji odlučivanja. 5. Postupak implementacije

2.3. Osnovne metodologije gospodarenja kolnicima

METODOLOGIJA GOSPODARENJA

KOLNICIMA

RAZINA MREŽE (sustava)

RAZINA PROJEKTA

2.3.1. Pristup na razini cestovne mreže

• Razmatra kolnike na razini cijele cestovne mreže (mreža državnih cesta RH),• Odluke se donose na najvišoj razini (strategija, planiranje, politika, proračun),• Ovaj pristup primjenjuje sumarne podatke vezane za promet, sigurnost,

inventar, stanje kolnika kako bi na osnovu njih identificirale optimalne strategije za cijelu cestovnu mrežu,

• S obzirom na usvojenu strategiju na razini projekta donose se odluke oko opcija održavanja, rekonstrukcije i rehabilitacije (ORiR),

• Iziskuje veliku količinu podataka, računalne modele i osposobljeno osoblje,

• Razmatra manji broj dionica unutar cestovne mreže (npr. mreža državnih cesta pojedine županije),

• Odluke se donose na nižoj razini koja se odnosi na određivanje održavanja, rekonstrukcije i rehabilitacije kolnika (ORiR) i jedinične troškove,

• Najprije se primjenjuju podaci za pojedinačne dionice kako bi se odredile optimalne ORiR strategije za dionice i prioritetne projekte i tek tada se donose odluke na razini mreže uključivanjem ili isključivanjem projekata,

• Donošenjem početnih odluka na nižim razinama ima tendenciju da usmjeravaju na ukupno rješenje na cijelu cestovni mrežu, koje može ili ne mora biti optimalno za razinu cijele mreže,

2.3.2. Pristup na razini projekta

2.4. Komponente sustava gospodarenja

1. Podaci i baze podataka

Svaki se sustav gospodarenja kolnicima može podijeliti na pet osnovnih komponenti:

2. Modeli ponašanja i oštećivanja kolnika

3. Analize 4. Izlazni podaci - rezultati

analiza5. Petlja povratnih

informacija.

2.5. Generiranje strategije održavanja kolnika

Generiranje i odabir strategije održavanja kolnika ovisi o nekoliko faktora:

2.5.1. Stanje kolnika i kolničke konstrukcije

2.5.2. Ocjena stanja kolnika

Funkcionalna ocjena

Strukturalna ocjena

stanja predstavlja informacije o površinskim svojstvima koje direktno utječu na sigurnost i udobnost korisnika ili uporabivost. Osnovna svojstva koja se istražuju pri funkcionalnoj ocjeni su otpornost na klizanje (hvatljivost) i tekstura površine u smislu sigurnosti te ravnost u smislu uporabivosti.

predstavlja informacije o tome ponaša li se KK zadovoljavajuće pod djelovanjem prometa i uvjeta okoline. Istraživana svojstva mogu biti mehanička svojstva (defleksije) i oštećenja kolnika (pukotine, površinska oštećenja, deformacije profila)

2.5.3. Svojstva kolnika

• ravnost,• tekstura,• otpornost na klizanje

(hvatljivost),

Ključna svojstva kolnika koja su bitna za pravilno donošenje odluka u okviru procesa sustava gospodarenja kolnicima jesu:

Vrsta ocjene

Funkcija kolnika

Svojstvo kolnika

Primjer pokazatelja (indikator ili

indeks)

Funkcionalna ocjena

služnost ravnost

IRI

PSI

QI

sigurnost

teksturamakrotekstura

mikrotekstura

otpornost na klizanje

koeficijent otpornosti na klizanje

IFI

Strukturalna ocjena

strukturalni kapacitet

mehanička svojstva

defleksije

oštećenja kolnika

pukotine

površinska oštećenja

deformacije profila

• mehanička/strukturalna svojstva, i

• oštećenja površine.

2.5.4. Generiranje strategije

Serija zahvata u cilju poboljšanja stanja kolnika koja je primijenjena tijekom vremena, na jedan cestovni element (dionicu ili segment), zove se strategija. Generalno, analiza se sastoje iz dva koraka. Generiranje strategije je prvi korak koji ima zadatak izraditi tj. generirati listu mogućih strategija za svaki cestovni element. Optimalizacija je drugi korak, pri čemu se razmatraju unaprijed postavljena ograničenja i odabire najbolja strategiju za svaki cestovni element.

Određivanje kriterija za primjenu različitih vrsta zahvata na cestovnom kolniku

Postupni pad kvalitete kolnikaPostupni pad kvalitete kolnika

2.5.5.Određivanje vrste zahvata na obnovi kolnika

Odabir zahvata u rasponu od rekonstrukcije do redovnog održavanja ovisi o stanju cestovnog kolnika i njegovoj strukturnoj vrijednosti (nosivosti). U nastavku poglavlja daje opis pojednostavljenog postupka odabira primjerenog i racionalnog zahvata na uređenju kolnika.

3. RAZVOJ SUSTAVA GOSPODARENJA KOLNICIMA

Aktivnosti i napori na uspostavi sustava gospodarenja kolnicima datiraju iz 70-tih godina prošlog stoljeća. U svijetu su operacionalizirani niz sustava koji su do danas dali dobre rezultate.

3.1. Razvoj SGK upotrebom inteligentnih sustava

Umjetna inteligencija - je disciplina koja pokušava manipulirati i predstavljati znanje koje može automatski riješiti probleme koji su prije mogli biti riješeni samo od strane ljudi.

Umjetne neuralne mreže - su modeli strukturirani na bazi organizacije ljudskog mozga koje mogu učiti i naučiti na nizovima primjera, stvaranjem vlastitih pravila za rješavanje problema i proizvoditi valjane odgovore na osnovu predočenih im podataka. Primjena se odnosi na procjenu stanja imovine, predviđanja učinka, odabir projekata i prioriteta.

Ekspertni sustavi - su modeli bazirani na pravilima koji pokušavaju oponašati razmišljanja eksperta iz određenog područja. Primjena za planiranje i optimalizaciju održavanja kolnika.

Fuzzy logika - naziva se još i neizrazita logika, dopušta korištenje korištenje subjektivnih informacija (stručna mišljenja, pravila), najčešće se koriste se za računanje indeksa stanja imovine i optimalizaciju mreže

Soft computing and Hybrid Systems - predstavljaju integracija inteligentnih sustava i drugih tehnologija (strojno učenje i genetski algoritmi) kombinirajući najbolja svojstva od svih. Npr. HS može biti stvoren ili automatski poboljšan pomoću NM i objašnjen preko If-then pravila. Soft computing podrazumijeva Fuzzy logiku, genetičko računalstvo, neuro-računalstvo. Imaju značajnu primjenu pri automatskoj obradi digitalnih slika oštećenja kolnika.

3.2. Razvoj SGK u Hrvatskoj

U Hrvatskoj je takav sustav uspostavljen za potrebe gospodarenja građevinama kojima upravljaju “Hrvatske autoceste”, te sustav gospodarenja mrežom državnih cesta u „Hrvatskim cestama“

SGK su danas u naglom razvoju i primjenjuju se veći niz godina.

Sami sustavi su razvijeni i prilagođeni potrebama i specifičnostima zemalja za koje su uspostavljeni i razlikuju se od zemlje do zemlje. U razvijenim zemljama svijeta i evrope SGK je već naširoko prihvaćen i uspostavljen, a u Hrvatskoj tek pri uspostavi sustav gospodarenja kolnicima samo je sastavni dio sustava gospodarenja postojećom prometnom infrastrukturom.

6. PRIKUPLJANJE PODATAKA U SVRHU OCJENE STANJA KOLNIKA

Određivanje funkcionalnih i strukturalnih svojstava kolnika na osnovu prikupljenih podataka osnovni je preduvjet za provođenje procedure gospodarenja kolnicima. Na osnovu izračunatih pokazatelja stanja kolnika može se prema usvojenim kriterijima odrediti ocjena stanja kolnika. Preko ocjene stanja kolnika moguće je generirati i usvojiti određenu strategiju održavanja kolnika za promatrani dio cestovne mreže ili jednog njenog dijela.

6.1. Način prikupljanja podataka

Analizirani podaci o terenskim mjerenjima različitih vrsta oštećenja kolničke konstrukcije jesu podaci koji su dobiveni od strane "Hrvatskih cesta" - Odjel za gospodarenje, izvanredno održavanje i rehabilitiranje cesta koji su ustupljeni za potrebe izrade ovoga rada. Prikupljeni podaci odnose se na terenska mjerenja mreže državnih cesta na području Osječko-baranjske županije.

Dobivene mjerne podatke s obzirom na način prikupljanja možemo podijeliti na: - automatski prikupljene,- manualno (vizualno) - ručno prikupljene.

Automatsko prikupljanje podataka izvršeno je laserskim Profilographom danskog proizvođača Greenwood koji se nalazi u vlasništvu "Hrvatskih cesta" d.o.o.

Mjereni podaci dobivenu su na osnovu periodičnih mjerenja državnih cesta mjernim uređajem Profilograph Greenvood. Automatsko prikupljanje podataka izvršeno je za tri mjerene veličine: - uzdužna ravnost kolnika IRI - poprečna ravnost – dubina kolotraga, - dubina teksture.

Manualno (vizualno) - ručno prikupljanje podataka

Podaci o površinskim oštećenjima kolnika kao što su pukotine i površine zakrpe prikupljeni su vizualnom identifikacijom sukladno Upustvima za vizualni pregled kolnika državnih cesta, koje je za potrebe “HC” izradio Zavod za prometnice GF Sveučilišta u Zagrebu. Identificirane pukotine na kolničkoj konstrukciji rangirana su u dva razreda; S2 (pukotine manjeg intenziteta) i S3 (pukotine većeg intenziteta), dok je površina zakrpa procijenjena na m2 ili kao ukupan postotak mjerene površine. Ovakav način prikupljanja podataka podrazumijeva da ocjenjivači hodaju trasom ceste i u prethodno pripremljene obrasce unose podatke o stanju oštećenosti površine kolnika.

6.2. Vrste mjernih podataka

Za potrebe rada korišteni su slijedeći mjerni podaci koji su bili relevantni za ocjenu stanja kolnika i izbor strategije održavanja kolnika:

• ravnost kolnika uzdužna i poprečna,• tekstura kolnika,• površinska oštećenja kolnika.

6.2.1. Ravnost kolnika

Općenito se razlikuje uzdužna ravnost (u smjeru vožnje) iskazana kao indeks ravnosti IRI (International Roughness Index) i poprečna ravnost iskazana kao dubina kolotraga ili pogreška profila vozne površine ceste.

6.2.1.1. Uzdužna ravnost IRI (International Roughness Index)

Indeks ravnosti vozne površine mjera je udobnosti vožnje i u funkciji je dopuštene brzine vožnje na određenoj dionici ceste. Uzdužna ravnost vozne površine kolnika u većini se zemalja iskazuje u obliku međunarodnog indeksa ravnosti, IRI u m/ km.

IRI se određuje matematički na temelju vrijednosti izmjerenoga uzdužnog profila dobivenog pomoću profilomjera. Izmjereni uzdužni profil kolnika služi kao podloga za simulaciju kretanja normiranoga dinamičkog modela četvrtine automobila (quartercar simulation model).

RazdiobaIndeks

IRI

IRI na

IRI na ostalim cestama

autocestama i

glavnim cestama

vrlo dobar 0 do 1 < 1.1 <1.2

dobar 1 do 2 1.1 do 1.9 1.2 do 2.5

prihvatljiv 2 do 3 1.9 do 2.6 2.5 do 3.7

loš 3 do 4 2.6 do 3.2 3.7 do 4.9

vrlo loš 4 do 5 >3.2 >4.9

6.2.2.3. Poprečna ravnost kolotrazi – kolotraženje

Kolotrazi su poprečne deformacije kolnika koji se oslikavaju na površini kolnika kao ulegnuća na mjestima odnosno putanjama kotača uslijed prekomjernog prometnog opterećenja.

6.2.2. Tekstura površine kolnika

Tekstura površine kolnika definirana je kao nepravilnost površine kolnika od idealno savršene površine. World Road Association definira četiri osnovna tipa teksture kolnika podijeljeno prema valnoj duljini profila. Ove kategorije uključuju: - mikroteksturu (valna duljina do 0,5 mm), - makrotekstura ( od 0,5 do 50 mm),- megastruktura (od 50 do 500 mm), i- hrapavost (valna duljina veća od 500 mm.

6.2.3. Površinska oštećenja kolnika

Površinska oštećenja reflektiraju propadanje konstrukcije prouzročeno prometnim opterećenjem, djelovanjem okoline i starenjem konstrukcije. Vrsta površinskih oštećenja i njegova veličina pokazatelji su ponašanja kolnika. Evidencija i vrednovanje površinskih oštećenja općenito se provodi ručno metodom vizualne indetifikacije.

Oštećenje kolnika u obliku mrežastih i blok pukotina

Oštećenje kolnika u obliku uzdužnih pukotina i guranja asfalta

Oštećenje kolnika u obliku udarnih rupa i zakrpa

6.3. Predložene procedure gospodarenja kolnicima prema COST action 354

Glavni cilj COST Action 354 "Indikatori ponašanja cestovnih kolnika" je definicija jedinstvenog europskog pokazatelja za cestovne kolnike uključujući potrebe agencija za održavanje i korisnike cesta. Kvantitativna procjena različitih aspekata izvedbe kolnika, kroz provedbu indikatora, može dati smjernice u pogledu sadašnje i buduće potrebe u sklopu projektiranja i održavanja kako na nacionalnoj tako i na europskoj razini. U izradi programa sudjelovalo je 23 europske zemlje i SAD.

7. PRIMJENA NEURALNIH MREŽA U SGK

U sklopu ovoga rada analizira se mogućnost primjene NM u SGK. Primijenjena NM trenirana je na baza podataka koja se sastojala od terenskih podataka dobivenih mjerenjem različitih površinskih oštećenja kolnika na mreži DC Osječko-baranjske županije.

Cilj ovoga rada je provjera mogućnosti upotrebe neuralnih mreža:

- u postupku ocijene stanja kolnika;

- za prognoziranje unaprijed definirane strategije održavanja kolnika predmetne mreže državnih cesta.

7.1. Osnovne postavke analize

Da bi mogla izvršiti analiza potrebno je izvršiti slijedeće:

1. Prikupiti podatke o terenskim mjerenjima koji opsuju stanje kolnika promatrane cestovne mreže,2. Izraditi i definirati BP, i u njoj prikazati odabrane kriterije i procedure donošenje ocjene stanju kolnika,3. Definirati strategije održavanja kolnika,4. Definirati neuralnu mrežu,5. Izvršiti testiranje NM,6. Prikazati rezultate dobivene primjenom NM,7. Analizirati izlazne rezultate.

7.2. Prikupljanje podatakaMjereni podaci dobivenu su na osnovu periodičnih mjerenja DC cesta mjernim uređajem Profilograph Greenvood. Automatsko prikupljanje podataka (bazirano je u rasponima od 100 metara) izvršeno je za tri mjerene veličine i to:

1. uzdužna ravnost kolnika IRI - Internacional Roughness Indeks,2. poprečna ravnost – dubina kolotraga,3. dubina teksture.

Podaci o površinskim oštećenjima kolnika kao što su pukotine i površine zakrpe prikupljeni su vizualnom identifikacijom. Podaci o pukotinama na površini kolničkih konstrukcija rangirana su u dva razreda S2 (pukotine manjeg intenziteta) i S3 (pukotine većeg intenziteta), dok je površina zakrpa procijenjena na m2 mjerene površine. Podaci o vizualnim mjerenjem bazirani su u rasponima od 200 metara.

7.3. Definiranje baze cestovnih podataka

Veličina baze cestovnih podataka ovisi o vrsti prikupljenih podataka i veličini promatrane mreže DC. Prema Odluci o razvrstavanju javnih cesta u DC, ŽC i LC, "NN” 122/08 i Izmjenama i dopunama Odluke o razvrstavanju javnih cesta u DC, ŽC i LC, "NN” 13/09“ , na području Republike Hrvatske mreža DC ukupne je duljine od 6817,5 km. Razdioba mreže DC sa pripadajućim nazivima i duljinama kojima gospodare Hrvatske ceste i njene ispostave prikazano tablično kako slijedi:

Redni broj

ŽupanijaDuljina(km)

Ispostava Hrvatskih cesta

1. Bjelovarsko - bilogorska 287,5 Bjelovar

2. Brodsko - posavska 133,1 Slavonski Brod

3.Dubrovačko - neretvanska

393,7 Dubrovnik

4. Istarska 328,9 Pula

5. Karlovačka 352,8 Karlovac

6. Koprivničko - križevačka 211,8 Varaždin

7. Krapinsko - zagorska 225,1 Zagreb

8. Ličko - senjska 555,1 Gospić

9. Međimurska 89,6 Varaždin

10. Osječko - baranjska 481,3 Osijek

11. Primorsko - goranska 521,0 Rijeka

12. Požeško - slavonska 218,5 Slavonski Brod

13. Splitsko - dalmatinska 757,5 Split

14. Sisačko - moslavačka 384,9 Sisak

15. Šibensko - kninska 367,1 Šibenik

16. Virovitičko - podravska 180,6 Bjelovar

17. Vukovarsko - srijemska 255,8 Osijek

18. Varaždinska 209,3 Varaždin

19. Zadarska 591,0 Zadar

20.Zagrebačka i Grad Zagreb

272,9 Zagreb

Ukupno:

6817,5

Ukupna duljina mreže DC koja se nalazi na području Osječko-baranjske županije iznosi 481,3 km što predstavlja 7% od ukupne duljine kompletne mreže državnih cesta.

Broj cest

eOpis ceste

Duljina (km)

2 Feričanci (g.ž.) - Našice (D53) - Osijek (D7) - Klisa (g.ž.) 82,0

7 GP Duboševica - Beli Manastir (D 517) - Osijek (D2) - Đakovo (D38) - Vrpolje (g.ž.) 91,1

34 Gezinci (g.ž.) - Donji Miholjac (D53) - Valpovo (D517) - Josipovac (D2) 61,0

38 Paka (g.ž.) - Đakovo (D7) 24,6

46 Đakovo (D7) - Đurđanci (g.ž.) 14,3

53 GP Donji Miholjac - Našice (D2) - Krndija (g.ž.) 50,1

211 GP Baranjsko Pertovo Selo - Baranjsko Pertovo Selo (517) 2,0

212 D7 - Kneževi Vinogradi - GP Batina 22,1

213 D2 - Dalj (D519) - GP Erdut 26,7

417 Riječno pristanište Osijek - D2 2,3

418 D2 - zračna luka Klisa 2,5

515 Našice (D515) - Đakovo (D7) 31,4

517 Beli Manastir (D7) - Belišće (D34) - Valpovo (D34) - Koška (D2) 43,8

518 Osijek (D2) - Ada (g.ž.) 19,2

519 Dalj (D213) - Borovo selo (g.ž.) 8,2

Ukupno: 481,3

Definirana baza cestovnih podataka sastoji se od tri međusobno povezane baze podataka koje su poslužile za ocjenu stanja kolnika i odabir strategije održavanja. Osnovna karakteristika ove baze je da su podaci o mreži DC podijeljeni su na segmente duljine od 1 km uvjetovano racionalnošću primjene određene strategije, jer obnova duljina manjih od 1 km nema ekonomsko-tehnološkog opravdanja. Na taj način formirano je baza podataka sa ukupno 471 segment mreže DC koja je poslužila za daljnje analiziranje. Cestovna baza podataka sastoji se od slijedećih baze podataka:

- početna proračunska baza podataka (PPBP),- baza za odabir strategije održavanja kolnika (SBP),- baza za unos u neuralnu mrežu (NMBP).

7.3.1. Početna proračunska baza podataka (PPBP).

Osnovna je zadaća PPBP da na osnovnu ulaznih podataka da ocjenu stanja kolnika i to na dvije osnove; primjenom smjernica iz COST programa i primjenom usvojenih kriterija za ocjenu stanja kolnika.

Osnovne smjernice koje su se upotrijebile za ocjenu stanja kronika baziranih na COST programu sastojale su se iz slijedećih postupaka:

- Pojedinačne srednje vrijednosti ulaznih podataka pojedinog segmenta mreže DC predstavljaju tehničke parametre (TP) koji se preko odabranih transformacijskih funkcija pretvaraju u bezdimenzionalne pojedinačne pokazatelje stanje (Performance Indicators PI). - Skupovi pojedinačnih pokazatelja stanja (PI) korigiranim težinama (W) tvore kombinirane bezdimenzionalne pokazatelje stanja (CPI) obzirom na sigurnost, udobnost i strukturu.

- Kombinirani pokazatelji stanja (CPI) korigirani faktorima težine utjecaja (W) objedinjuju se u opći bezdimenzionalni pokazatelj globalnog stanja (GPI) koji predstavlja ocjenu stanja kolnika za pojedini segment mreže DC.

Smjernice iz COST programa:

Usvojeni kriteriji za ocjenu stanja kolnika.

1.Ocjena uzdužne ravnosti IRI izvršena je prema slijedećem kriteriju;

2. Ocjena poprečne ravnosti – dubine kolotraga prema slijedećem kriteriju;

3. Ocjena dubine teksture – dubina teksture prema slijedećem kriteriju;

4. Ocjena pukotina i zakrpa – postotak pukotina i postotak zakrpa prema slijedećem kriteriju;

Na osnovu smjernica COST programa i primjenom usvojenih kriterija definirana je PPBP. Izlazni rezultat je vrijednost GIP koji daje ocjenu stanja kolnika.

Prikaz rezultata izračuna globalnog indeksa ponašanja - PPBP

7.3.2. Strategije održavanja kolnika - SBP.

Definiranje strategije održavanja i obnove promatrane mreže DC, ostvarena je na osnovu formiranja baze podataka za odabir strategije SBP.

Odabrana strategija održavanja kolnika bazira se na rezultatima ocjene srednjih vrijednosti pojedinačnih mjernih parametara (IRI, kolotrazi, dubina teksture, pukotine i zakrpe) koji su ocjenjeni prema prethodno usvojenim kriterijima (PPBP), i na izračunavanju indeksa PSI (Present Serviceability) kao kontrolnog indeksa u odabiru strategije.

Numeričke vrijednosti ocjenjivanih ulaznih podataka (tehničkih parametara) kretale su se u granicama od 1 do 5, gdje je ocjena 1 vrlo dobro, a ocjena 5 jako loše.

Za potrebe izrade ovoga rada definirane i usvojene su slijedeće strategije:

Strategija 1 - Redovno održavanje kolnika,Strategija 1 - Redovno održavanje kolnika,

Strategija 2 - Tankoslojna presvlaka,Strategija 2 - Tankoslojna presvlaka,

Strategija 3 - Ojačanje kolnika asfaltnim slojevima,Strategija 3 - Ojačanje kolnika asfaltnim slojevima,

Strategija 4 - Zamjena ili nadogradnja kolničke konstrukcije.Strategija 4 - Zamjena ili nadogradnja kolničke konstrukcije.

Izlazni rezultat baze podataka za određivanje strategije (SBP) je odabir jedne od predloženih strategija održavanja kolnika za svaki pojedini segment mreže državnih cesta zasebno. Odabrana strategija predstavlja jedan od izlaznih podataka koji će se predočiti neuralnoj mreži na osnovu kojega će mreža učiti i u konačnici nakon završenog procesa učenja i testiranja moći dati prognozu primjene određena strategije na pojedinačni segment cestovne mreže.

7.3.2. Baza podataka za unos u neuralnu mrežu (NMBP)

Ova baza podataka je glavna baza jer u sebi sadrži podatke iz prethodne dvije (PPBP i SBP). Ona je sastavljena iz dva dijela, ulazni podaci i izlazni podaci.

Ulazni podaci su izmjerene vrijednosti IRI, dubina kolotraga, dubina teksture, površine pukotina i zakrpa predočeni kao njihova srednja vrijednost za pojedini segment mreže cesta. Rezultati izračuna globalnog indeksa ponašanja (GPI) i odabira strategije održavanja predstavljaju izlazne rezultate ove baze podataka.

7.4. Definiranje neuralne mreže

Za problem klasifikacije podataka o mjernim veličinama koje prikazuju sadašnje stanje kolnika na osnovu kojega se definira strategija održavanja u ovom radu odabrana je neuralna mreža NeuroShell 2. Pri korištenju programskog paketa NeuroShell 2, neuralna mreža je definirana na osnovu pet koraka:

1. priprema baze podataka2. učenje (treniranje)mreže3. testiranje mreže

7.4.1. Baza podataka

4. rezultati primjene neuralne mreže5. procjena izlaznih rezultata

7.4.2. Učenje (treiranje) neuralne mrežeUnos podatak u NM (NeuroShell):

- 5 ulaznih podataka (IRI, dubina kolotraga, tekstura, pukotine, zakrpe)- 2 izlazna podatka (strategija održavanja i GIP)

NMBP se sastoji od ukupno 471 stupca i 7 redova što je ukupno 3,297 podataka. Baza koja je predstavljena NM mreži je "reducirana“ . Redukcija baze podataka sastojala se od odabira 10% prethodno odabranih segmenata (47 uzoraka) koji će se u kasnijoj fazi koristiti za procjenu izlaznih rezultata i kontrolu rada NM na novim nepotpunim podacima koje mreža „nije vidjela“. Unesena baza podataka sastoji se od 421 stupca i 7 redova što je ukupno 2,947 podataka.

Odabir tipa NM

Definiranje slabova i aktivacijskih funkcija

Proces učenja NM

7.4.3. Testiranje neuralne mreže

Prikaz izlaznog prozora - izlazni podaci - Actual (1) i (2) stvarni izlazni podaci, Network (1) i (2) proračunati izlazni podaci NM, Act-Net (1) i (2) apsolutna pogreška između stvarnih izlaza i izlaza proračunatih na osnovu NM.

Prikaz cjelokupnih izlaznih rezultata učenja i testiranja predočeni su grafički i tablično. Grafički prikaz rezultata dan je u obliku dijagrama usporedbe izlaznih podataka i podataka proizašlih iz neuralne mreže, te prikaza kretanja apsolutne pogreške proizašle iz razlike između definiranih izlaznih i proračunatih podataka.

USPOREDBA ODABRENE STRATEGIJ E ODRŽAVANJ A K OLNIK A I

STRATEGIJ E ODRŽAVANJ A PROIZAŠLE IZ NEURALNE MREŽE

1.00

2.00

3.00

4.00

5.00

0 50 100 150 200 250 300 350 400 450

segmenti mreže državnih cesta

str

atg

ija o

drž

av

an

ja

odabrana strategija strategija neuralna mreža

USPOREDBA VRI J EDNOSTI GLOBALNOG INDESK A PONAŠANJ A GP I IZRAČUNATOG NA OSNOVIU

SMJ ERNICA COST ACTION 354 I IZLAZNIH VRI J EDNOSTI PRORAČUNATIH NEURALNOM MREŽOM

0.00

1.00

2.00

3.00

4.00

5.00

6.00

0 50 100 150 200 250 300 350 400 450


GP

I glo

ba

lni i

nd

ek

s p

on

aš

an

ja

GPI - COST action 354 Neuralna mreža

K RETANJ E APSOLUTNE POGREŠK E ODREĐIVANJ E STRATEGI J E

(razlika ulaznih podataka i rezultati neuralne mreže)

-1.00

-0.80

-0.60

-0.40

-0.20

0.00

0.20

0.40

0.60

0.80

1.00

1 21 41 61 81 101 121 141 161 181 201 221 241 261 281 301 321 341 361 381 401 421

segmenti mreže državne ceste

vro

jed

no

st

po

gre

šk

e

Apsolutna pogreška - neuralna mreža

K RETANJ E APSOLUTNE POGREŠK E K OD ODREĐIVANJ A GP I

(razlika ulazni rezultati i rezultati neuralne mreže)

-0.40

-0.20

0.00

0.20

0.40

0.60

0.80

1 21 41 61 81 101 121 141 161 181 201 221 241 261 281 301 321 341 361 381 401 421


vri

jed

no

st

po

gre

šk

e

Apsolutana pogreška - neuralna mreža

7.4.4. Rezultati primjene NM

Rezultat "naučenosti" neuralne mreže može se procijeniti pomoću koeficijenta determinacije R2 i postotka podataka unutar definiranih granica (5%, 5%-10%, 10%-20%, 20%-30% i preko 30% aktualnih podataka). Prikaz statističkih kriterija usporedbe koji su se koristili pri procjeni podataka dani su tablično:

Na osnovi predočenih rezultata može se zaključiti da je definirana i upotrebljena NM prilikom rješavanja razmatranog problema prognoze strategije održavanja kolnika i određivanja vrijednosti GIP uspostavila visoko koeficijent determinacije.

Postotak procijenjenih podataka unutar granice do 5% za procjenu strategije održavanja je 79,24 %, a procjena GPI je 89,62 %. Na osnovu gore navedenog ova NM prihvaća se za rješavanje ovoga problema i preporuča se za uporabu prilikom rješavanja budućih sličnih ili istih problema.

TEŽINSKI FAKTORI UTJECAJA ULAZNIH PARAMETARA NA ODREĐIVANJE STRATEGIJE OBNOVE KOLNIKA

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

IRI (m/km) 0.35 dubina kolotraga (mm)0.20

dubina teksture (mm)0.09

pukotine (m2) 0.18 zakrpe (m2) 0.15

Prikaz težinskih faktora utjecaja ulaznih parametara na izlazne rezultate

TEŽINSKI FAKTORI UTJECAJA ULAZNIH PARAMETARA NA ODREĐIVANJE GLOBALNOG INDEKSA PONAŠANJA GPI

0

0.05

0.1

0.15

0.2

0.25

0.3

0.35




TEŽINSKI FAKTORI UTJECAJA ULAZNIH PARAMETARA NA REZULTATE ODREĐIVANJE GPI I STRATEGIJE ODRŽAVANJA KOLNIKA

0

0.1

0.2

0.3

0.4

0.5

0.6




7.5. Procjena izlaznih rezultata

U nastavku razmatranja razmotriti će se mogućnost upotrebe ove NM mreže na novom setu pridodanih podataka koje mreža "nije vidjela". Konkretno u ovom koraku usvojenoj mreži koja je "naučila" međusobne odnose između ulaznih i izlaznih varijabli (trenirana je, i testirana na reduciranoj bazi podataka) pridodati će se ostatak od 10% unaprijed odabranih uzoraka iz NMBP (podaci o 47 preostala uzorka). Izbor unaprijed odabranih uzoraka prvenstveno je ovisio u duljinama promatranih dionica državnih cesta.

Neuralnoj mreži će se prezentirati samo ulazni podaci o izmjerenim vrijednostima IRI, dubine kolotraga, makrotekstura, pukotine i zakrpe, dakle 5 ulaznih podataka.

Izlazni podaci mreži se neće prezentirati nego će se ostaviti mogućnost mreži da sama procjeni izlazne podatke u oblika strategije održavanja i određivanja vrijednosti GPI na osnovu prethodnog "iskustva" na podacima iz reducirane baze podataka.

Da zaključimo, NM sama uči i testira se na reduciranoj bazi podataka, po naučenosti ista se primjenjuje za rješavanja "novog" problema odabira strategije održavanja i određivanja GPI, za novo pridodani set nepotpunih podataka.

Nakon unosa novog seta podataka u NMBP i prezentiranje baze NM, NM je shvatila da za "novo" pridodani set ulaznih varijabli ne postoje izlazne varijable, te ih je sama pridodala na osnovu "naučenog iskustva" iz prethodne iteracije učenja.

7.5.1. Analiza određivanja strategije održavanja

KRETANJE APSOLUTNE GREŠKE -ODREĐIVANJE STRATEGIJE ODRŽAVANJA KOLNIKA UPORABOM NEURALNE MREŽE

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47

segmenti državne ceste

vri

jed

no

st

gre

šk

e

APSLUTNA GREŠKA

PROGNOZE STRATEGIJE ODRŽAVANJA KOLNIKA NA OSNOVU NEURALNE MREŽE (mreži su samo predstavljeni ulazni podaci bez izlaza

1

2

3

4

5

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47


stra

teg

ija o

drž

avan

ja

STRATEGIJA ODRŽAVANJA KOLNIKAN.M. PROCJENA STRATEGIJE

Unošenjem novog seta podataka u NM, NM je na osnovu prethodnog iskustva procijenila vrijednost izlazne varijable. Izlazna varijabla u ovom slučaju predstavlja strategiju održavanja kolnika.

Prikaz primijenjenih statističkih kriterija za ocjenu odabira strategije održavanja prikazano je tablično.

Upotrijebljeni statistički kriteriji su: koeficijent determinacije (R2), koeficijent korelacije (r), standardna vrijednost pogreške, najmanja i najveća apsolutna pogreška. Iz priloženih rezultata vidi se da je koeficijent determinacije i koeficijent korelacije visoki što znači da su procijenjene vrijednosti NM mrežom zadovoljavajuće.

Zaokruživanjem vrijednosti dobivenih rezultata na puni broje (strategije održavanja definirane su cijelim brojem od 1 do 4) i usporedbom sa stvarno odabranom strategijom uočilo se da je NM pogrešno procijenila tip strategije na samo dva uzorka.

Iz toga proizlazi da je postotak pogađanja neuralne mreže 95,74 %. Možemo reći da će neuralna mreža u 95 % slučajeva točno odrediti strategiju održavanja.

7.5.2. Analiza određivanja GIP

Procijenjena vrijednost varijable u ovom slučaju je ocjena stanja kolnika predstavljena globalnim indeksom ponašanja (GPI). Za ocjenu izlaznih rezultata primijenjeni su slijedeći statistički kriteriji su: koeficijent determinacije (R2), koeficijent korelacije (r), standardna vrijednost pogreške, najmanja i najveća apsolutna pogreška. Iz priložene tablice se vidi da su koeficijent determinacije i koeficijent korelacije visoki što znači da su razlike u procijenjenim vrijednostima GPI i stvarno izračunatih GPI male.

Obradom dubivenih rezultata, zaokruživanjem na treću decimalu, procijenjene vrijednosti GPI usporedile su se sa stvarno izračunatim. Nakon usporedbe ustanovljeno je da šest uzoraka od ukupno 47 daju netočnu vrijednost. Naime ovdje je kriterij usporedbe bio nešto stroži. Na osnovu usporedbe može se reći da će NM u 87% slučajeva ispravno predvidjeti vrijednost GIP kolnika. Smanjivanjem kriterija usporedbe dobiva se veća točnost pogađanja, primjerice ako je kriterij usporedbe na dvije decimale postotak pogađanja je 89%.

PROGNOZA OCJENE GLOBALNOG INDEKSA PONAŠANJE (mreži su predstavljeni samo ulazni podaci)

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0

4.5

5.0

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47


GP

I glo

ba

lni i

nd

ek

s p

on

aš

an

ja

GPI

N.M. PROCJENA GPI

KRETANJE APSOLUTNE GREŠKE ODREĐIVANJE GLOBALNOG INDEKSA PONAŠANJA

-0.6

-0.4

-0.2

0.0

0.2

0.4

0.6

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47


vrije

dnos

t gre

ške

APSLUTNA GREŠKA

Praćenje i prikupljanje informacija o sadašnjem stanju kolnika, analiziranje prikupljenih podataka primjenom određenih postupak, ocjenjivanje stanja kolnika i odabir strategije održavanja su osnovne zadaće SGK.

Za uspješnost cijelog SGK kolnicima od iznimne je važnosti poznavanje stanja kolnika, strukturalnog i funkcionalnog, i to od trenutka izgradnje do trenutka kada se kolnik razmatra.

Stanje kolnika prati se tijekom vremena bilježenjem promjena koje se događaju na njemu putem prikupljanja i analize parametara kojima se opisuju ključna svojstva kolnika, a to su uzdužna i poprečna ravnost, tekstura, otpornost na klizanje, mehanička/strukturalna svojstva te oštećenja površine.

U ovom radu ključna svojstva su opisana i dani su parametri kojim se ta svojstva vrednuju.

Svojstva kolnika vrednuju se na osnovu kombiniranih i predkombiniranih indeksa ponašanja, a u cilju određivanja stanja kolnika izraženim globalnim indeksom ponašanja (GPI).

ZAKLJUČAK

U Hrvatskoj je završena era izgradnje prometnica višeg ranga, te je za vjerovati da će se težište ulaganja u prometnice prebaciti na gospodarenje postojećom cestovnom mrežom cesta. Sudeći prema tome sustav gospodarenje dobiti će sve veći značaj. Ispunjenje slijedećih preduvjeta je od ključne važnosti pri uspostavi sustava gospodarenja:

- Detaljno poznavanje vrste i strukture svih dijelova cestovne mreže,

- Poznavanje sadašnjeg stanja svih dijelova cestovne mreže, položaja, vrsta i veličina oštećenja te njihov utjecaj na udobno i sigurno odvijanje prometa,

- Poznavanje mehanizma nastanka i mogućeg napredovanja oštećenja

- Poznavanje tehnologija mogućih načina popravaka,

- Poznavanje troškova primjene određene tehnologije usporedivo sa koristima koje će njena primjena donesti trenutno i u duljem vremenskom razdoblju;

- Poznavanje veličine, vrste i strukture posrednih troškova koji su rezultat lošeg stanje prometnice

- Poznavanje i primjena procedura kojima će se na razini mreže prometnica intervenirati na najefikasniji način u međuodnosu troškova i postignutog (traženog) stanja.

Ispunjenjem ovih preduvjeta dobiva se kvalitetna osnova za sustav gospodarenja, a njegovom se primjenom prometnicama zaista može sustavno gospodariti.

U okviru ovoga rada usvojene su osnovne postavke programa Cost Action 354 Performance Indicators for Roada Pavements u pogledu određivanja pokazatelja indeksa stanja kolnika sa stanovišta udobnosti, sigurnosti i nosivosti (strukture) koji su poslužili za izračun GIP. Globalni indeks ponašanja (GPI) kolnika je osnova za definiranje stanja kolnika.

Za potrebe određivanje GIP i usvajanja predloženih strategija održavanja kolnika, izrađena je NM. Baza podataka za unos u NM (NMBP) sačinjavala je podatke o terenskim mjerenjima različitih vrsta oštećenja kolničke konstrukcije (uzdužna i poprečna ravnost, dubina kolotraga, dubina teksture, površine pukotina i zakrpa na kolniku) bazirana na duljini cestovne mreže od 460,32 km koja predstavlja uzorak od 7% udjela u cestovnoj mreži državnih cesta u Republici Hrvatskoj.

Primijenjena je NM Backpropagation Neural Network (BNN) u sklopu računalnog paketa NeuroShel 4.0.

Na osnovi izlaznih rezultata može se zaključiti da je definirana i upotrebljena NM prilikom rješavanja razmatranog problema prognoze strategije održavanja kolnika i određivanja vrijednosti GIP uspostavila visoko koeficijent determinacije.

Odnosno da je postotak podataka koje je NM procijenila unutar 5% zadovoljavajući za promatranu problematiku. Postotak procijenjenih podataka unutar granice do 5% za procjenu strategije održavanja je 79,24 %, a procjena GPI je 89,62 %. Na osnovu gore navedenog NM prihvaća se za rješavanje ovoga problema i preporuča se za uporabu prilikom rješavanja budućih sličnih ili istih problema.

Ocjene izlaznih rezultata NM upućuju na velike mogućnosti primjene neuralnih mreža u okviru SGK. Te mogućnosti se prvenstveno mogu opisati sposobnošću NM da za svaki set novo izmjerenih terenskih mjerenja (tehničkih parametara) za različite dionice cesta državnih cesta (npr. novo izmjerene vrijednosti na nekim novim dionicama cestovne mreže,) mreža može sa visokim stupnjem pouzdanosti prognozirati GIP i inicirati strategiju održavanja na osnovu pravila koje je naučila u prethodnom procesu učenja.

U nastavku rada razmotrena je mogućnost uporabe definirane i usvojene NM na novom setu “novih” pridodanih podataka koje mreža "nije vidjela". Novi set je sačinjavao uzorke koji su bili unaprijed izdvojeni (podaci o 47 segmenta mreže DC). Struktura uzoraka je bila nepotpuna, sačinjavala je samo ulazne podatke o terenskim mjerenjima (IRI, dubina kolotraga, tekstura, i podaci o površinskim oštećenjima kolnika).

Nakon unosa novog seta podataka u NMBP i prezentiranje baze NM, NM je shvatila da za "novo" pridodani set ulaznih varijabli ne postoje izlazne varijable, te ih je sama pridodala na osnovu "naučenog iskustva" iz prethodne iteracije učenja.

Statističkom obradom izlaznih rezultata došlo se do zaključka da je uspostavljen visok koeficijent determinacije i koeficijent korelacije između stvarnih podataka i podataka koje je pretpostavila NM.

NM u 95% slučajeva točno prognozira strategiju održavanja, dok je postotak prognoziranja vrijednosti GIP nešto manji i nalazi se u granicama od 87% do 89% ovisno o usvojenom kriteriju usporedbe.

Na osnovu izložene problematike mogu se dati daljnje preporuke za razvoj uporabe NM u SGK. U daljnji razvoj NM u svakom pogledu trebao bi se uključiti postupak implementaciju procjene troškova održavanja za pojedini segment mreže državnih cesta. Stvaranje financijske baze podataka u sklopu cjelovite cestovne baze podataka, NM bi se otvorila mogućnost procjene troškova održavanja kolnika s obzirom GIP i primijenjenu strategiju. Tako formirana NM, kao sastavni dio sustava gospodarenja kolnicima od izuzetne važnosti je pri planiranju održavanja kolnika za određeni vremenski period.

Potrebno je napomenuti da se tijekom treniranja i testiranja NM mreže došlo do zaključka da su veličina, struktura i cjelovitost cestovne baze osnovni preduvjet za uspješno korištenje NM.

Iz prikazanog primjera može se zaključiti da se razmatrana i prezentirana NM može koristiti za klasificiranje ulaznih podataka o stanju kolnika i oštećenju površine kolnika.

Na osnovu ocjene izlaznih rezultata procjene strategije i GPI, posebice visokog uspostavljenog koeficijenta determinacije (R2) i koeficijenta korelacije između ulaznih i izlaznih varijabli NM može se prihvatiti za procjenu određivanja strategije održavanja i GPI i preporuča se za uporabu prilikom rješavanja budućih sličnih ili istih problema.

HVALA NA PAŽNJI !

primejna neuralnih mreŽa u sgk

Documents