POLITECHNIKA WARSZAWSKA Wydział Inżynierii Lądowej ROZPRAWA DOKTORSKA mgr inż. Piotr Knyziak Analiza stanu technicznego prefabrykowanych budynków mieszkalnych za pomocą sztucznych sieci neuronowych. Promotor prof. dr hab. inż. Marek Witkowski Warszawa, 2007r.
STRESZCZENIE W rozprawie podjęto szereg tematów związanych z analizą stanu technicznego prefabrykowanych budynków mieszkalnych. Stworzono bazę danych i oceniono stan techniczny grupy budynków mieszkalnych wykonanych z prefabrykatów wielkopłytowych i wielkoblokowych w Warszawie. Dokonano selekcji parametrów mających największy wpływ na określenie wartości stanu technicznego budynków prefabrykowanych i wyodrębniono te, które mają znacząco większy wpływ na jego wartości.. Opracowano i zweryfikowano metodykę analizy stanu technicznego budynków prefabrykowanych za pomocą sztucznych sieci neuronowych. Opracowano i zweryfikowano metodykę analizy stanu technicznego budynków prefabrykowanych wykorzystującą dane o przeprowadzonych remontach i modernizacjach uzyskane z dokumentacji budynków. Opracowane metodyki pozwalają szacować z dobrą dokładnością stan techniczny budynków prefabrykowanych. ABSTRACT. In dissertation was undertaken the row of subjects connected with analysis of technical state of prefabricated habitable buildings. The base of data was created and the technical state of group of large-block and large-panel habitable buildings in Warsaw was estimated. The selection of parameters having larger influence on qualification of value of technical state of prefabricated buildings was executed and these were separated, which have on his value significantly largest influence. It was elaborated and verified the methodology of analysis of technical state of prefabricated buildings using of artificial neural networks. It was elaborated and verified the methodology of analysis of technical state of prefabricated buildings using data about repairs and modernization collected from building documentations. Elaborated methodologies permit to estimate with good precision the technical state of prefabricated buildings. 2
SPIS TREŚCI: 1. WPROWADZENIE, CEL I ZAKRES PRACY.... 5 1.1. Wprowadzenie.... 5 1.2. Cele i tezy.... 7 1.3. Metodyka.... 8 1.4. Zakres.... 8 2. STAN TECHNICZNY BUDYNKÓW PREFABRYKOWANYCH WYBRANE ZAGADNIENIA.... 10 2.1. Specyfika budynków prefabrykowanych.... 10 2.2. Zużycie techniczne budynków.... 13 2.3. Prognozowanie okresu użytkowania budynków - norma ISO-15686.... 16 2.4. Remonty.... 21 3. WYBRANE METODY OCENY STANU TECHNICZNEGO BUDYNKÓW.... 35 3.1. Ocena zużycia.... 35 3.2. Specyfika budynków prefabrykowanych.... 36 3.3. Wybrane metody określania stopnia zużycia technicznego.... 37 4. WYBRANE ZAGADNIENIA TEORII SZTUCZNYCH SIECI NEURONOWYCH.... 45 4.1. Wprowadzenie i definicje.... 45 4.2. Rys historyczny.... 47 4.3. Dotychczasowe zastosowania sieci neuronowych w budownictwie.... 49 4.4. Właściwości sieci neuronowych.... 54 4.5. Rodzaje sieci neuronowych i sposoby ich uczenia.... 58 4.5.1. Podstawy biologiczne.... 59 4.5.2. Rodzaje sieci.... 63 4.5.3. Metody uczenia sieci neuronowych.... 66 4.5.4. Dobór topologii sieci.... 75 5. KONCEPCJA BADAŃ I METODYKA ZBIERANIA DANYCH.... 79 5.1. Koncepcja badań.... 79 5.2. Metodyka badań i technika zbierania danych.... 80 6. BAZA DANYCH I OCENA STANU TECHNICZNEGO PREFABRYKOWANYCH BUDYNKÓW MIESZKALNYCH W WARSZAWIE.... 84 6.1. Wprowadzenie.... 84 6.2. Uwagi do procesu gromadzenia danych.... 85 6.3. Wnioski z ankiety spółdzielni i jakości dokumentacji w spółdzielniach.... 86 6.4. Stan techniczny budynków na podstawie wykonanych oględzin.... 89 3
6.5. Wady budynków, uszkodzenia i błędy w utrzymaniu.... 101 7. PARAMETRY MAJĄCE NAJWIĘKSZY WPŁYW NA OKREŚLENIE WARTOŚCI STANU TECHNICZNEGO PREFABRYKOWANYCH BUDYNKÓW MIESZKALNYCH WARSZAWIE.... 103 7.1. Analiza istotności, ilości i zmienności danych.... 103 7.2. Arbitralna analiza danych.... 107 7.3. Korelacje pomiędzy danymi.... 108 7.4. Wnioski.... 112 8. OKREŚLANIE STANU TECHNICZNEGO BUDYNKÓW ZA POMOCĄ SZTUCZNYCH SIECI NEURONOWYCH.... 114 8.1. Założenia.... 114 8.2. Wstępne przetwarzane.... 115 8.3. Dobór rekordów do grup danych: uczących, weryfikujących, testujących.... 118 8.4. Uczenie i testowanie różnych typów sieci.... 120 8.4.1. Analiza stanu technicznego budynków za pomocą I grupy parametrów.... 121 8.4.2. Analiza stanu technicznego budynków za pomocą II grupy parametrów.... 136 8.4.3. Analiza stanu technicznego budynków za pomocą III grupy parametrów.. 146 8.5. Wybór najlepszego modelu sieci.... 155 8.6. Analiza wrażliwości.... 156 9. PROPONOWANA METODYKA ANALIZY STANU TECHNICZNEGO BUDYNKÓW Z UWZGLĘDNIENIEM TERMINÓW WYKONANYCH REMONTÓW. METODA REMONTU WAŻONEGO.... 161 9.1. Wprowadzenie.... 161 9.2. Opis metody.... 164 9.3. Zużycie budynków z bazy danych obliczone metodą remontu ważonego.... 172 9.4. Stan techniczny elementów budynków.... 176 10. PODSUMOWANIE.... 180 11. LITERATURA.... 183 12. ZAŁĄCZNIKI... 191 4
Wprowadzenie. 1. WPROWADZENIE, CEL I ZAKRES PRACY. 1.1. Wprowadzenie. Stwierdzenie, iż znajomość stanu technicznego budynku jest ważna, jest tak oczywiste, iż można uznać je za truizm. Jednak w większości przypadków znajomość ta przejawia się poprzez ocenę widocznych w danej chwili oznak zużycia wybranych elementów. Niewidoczne oznaki zużycia mogą być badane poprzez odkrywki lub badania nieniszczące, lecz aby do nich doszło muszą zaistnieć wystarczające widoczne przesłanki. Jedynie w przypadkach specjalistycznych ekspertyz próbuje się wiązać widoczne efekty zużycia z badaniami próbek oraz z analizą czasu i warunków pracy elementów. Zazwyczaj brakuje jednak pełnej informacji o stanie elementów i polityce remontowej na przestrzeni lat użytkowania budynku. Analiza stanu technicznego budynku może zostać dokonana jedną z kilku metod. Różnią się one szczegółowością podejścia, wymogami odnośnie nakładów pracy i czasu potrzebnego na ich wykonanie oraz wykorzystaniem ekspertyz. Ich wyniki mogą być mało dokładne, wymagać dużych nakładów pracy lub wykorzystania wiedzy eksperckiej. Jednak nawet najbardziej dokładne, ale pracochłonne metody wizualne nie są doskonałe dwie ekspertyzy dotyczące tego samego budynku, wykonane przez innych specjalistów mogą różnić się, co do sumarycznej wartości. Wynika to z różnic w oszacowaniu, które pojawiają się przy określaniu zużycia elementów budynku, szczególnie tych ukrytych pod warstwami tynku, farby, posadzkami. Mogą one być oceniane tylko pośrednio poprzez widoczne ubytki, zarysowania, ugięcia, itp. Istniejące metody oceny stanu technicznego albo dają wyniki, pozwalające jedynie z grubsza oszacować zużycie budynków (metody czasowe) te nadają się właściwie wyłącznie do celów księgowania amortyzacji, albo pozwalają na bardzo szczegółową ocenę (metody wizualne) w celu precyzyjnego określenia stanu każdego elementu budynku (włącznie z prowadzeniem odkrywek i badań laboratoryjnych) i przygotowania harmonogramu remontów bieżących lub remontu generalnego. Brak jest metody zapewniającej możliwość szacowania stanu technicznego, określania wartości odniesienia, wartości nominalnej na podstawie danych archiwalnych. W związku z powyższym poszukiwane są nowe rozwiązania, które przy rozpatrywaniu stanu technicznego wielu budynków pomogłyby w oszacowaniu ich bieżącej wartości, pozwoliłyby na prognozowanie zmian i ocenę czy stan danego budynku 5
Wprowadzenie. jest prawidłowy czy też nie prawidłowy. Dodatkowym efektem powinno być również ułatwienie prowadzenia polityki remontowej w spółdzielniach mieszkaniowych. Współczesne obliczenia inżynierskie obiektów budowlanych zostały sformalizowane w szerokim zakresie. Normy podają szczegółowe wytyczne, obliczenia przeprowadzane są na bazie ściśle zdefiniowanych wzorów. Również proces projektowania i konstruowania ograniczony jest zaleceniami opartymi na wzorach. W wyniku tego często proces projektowania ogranicza się jedynie do rozwiązania zadania matematycznego, natomiast zanika podejście inżynierskie 1. Najlepsze efekty uzyskuje się wspólnymi siłami przez specjalistów z różnych dziedzin. Sztuczna inteligencja jest przykładem przyszłościowych badań interdyscyplinarnych. Wielu kojarzy się ona bezpośrednio z informatyką, ale w sztucznej inteligencji komputery są tylko narzędziami, które dzięki interdyscyplinarnemu podejściu pozwalają w nowy, często lepszy sposób podejść do starych zagadnień lub rozwiązywać te problemy, których wcześniej nie potrafiono rozwiązać za pomocą równań matematycznych. Jednym ze sposobów szacowania może być analiza danych za pomocą sztucznych sieci neuronowych (SSN). Są one narzędziem, które pozwala na przetwarzanie dużej liczby danych i jest mało wrażliwe na błędy. Wśród tych danych mogą być te naprawdę istotne, ale i te, które można pominąć. Szczegółowa ich analiza pozwala odpowiedzieć na pytanie, co należy badać dokładnie a co wystarczy jedynie oszacować na podstawie łatwo dostępnych informacji. Prace 2 mające na celu wykorzystanie metod sztucznej inteligencji do określania zużycia technicznego budynków długo użytkowanych (wybudowanych do 1918r) były już w pewnym zakresie prowadzane. Analizowano jednak budynki wykonane z elementów drobnowymiarowych, często o drewnianej konstrukcji stropów międzypiętrowych i drewnianej konstrukcji dachu. Budynki prefabrykowane są użytkowane od niecałych pięćdziesięciu lat, mają inne cechy i wymagają odrębnej analizy. Prawie w całości nadzorowane są przez spółdzielnie mieszkaniowe lub w ostatnich latach przez zrzeszenia mieszkańców, więc można przyjąć, iż ciągle jest nad nimi sprawowany specjalistyczny 1 Buller Andrzej, Kto nie lubi sztucznej inteligencji? http://www.pg.gda.pl/pismopg/nr1_98/htpl.cgi?std=iso&plk=inteligencja.html (13.07.2005). 2 Urbański P., Ocena stopnia zużycia technicznego wybranej grupy budynków mieszkalnych za pomocą sztucznych sieci neuronowych. Rozprawa doktorska, Instytut Budownictwa Uniwersytetu Zielonogórskiego. Zielona Góra 2001. 6
Cele i tezy. nadzór. Niniejsza praca bazuje na wnikliwej analizie historii remontów budynków, ich stanu technicznego oraz analizie skuteczności zastosowania różnych typów i topologii sieci. 1.2. Cele i tezy. Tworząc koncepcję rozprawy doktorskiej określono następujące cele i zakres badań: Stworzenie bazy danych i ocena stanu technicznego prefabrykowanych budynków mieszkalnych w Warszawie. Selekcja parametrów mających największy wpływ na określenie wartości stanu technicznego budynków. Opracowanie metodyki analizy stanu technicznego budynków za pomocą sztucznych sieci neuronowych. Opracowanie metodyki analizy stanu technicznego budynków, łączącej elementy metod istniejących z nastawieniem na uwzględnienie zależności pomiędzy remontami a stanem technicznym w okresie użytkowania budynków. W pracy przyjęte zostały poniższe tezy: Istnieją parametry mające znacząco większy wpływ na określenie wartości stanu technicznego budynków i można je wyodrębnić. Sztuczne sieci neuronowe są efektywnym narzędziem do szacowania stanu technicznego budynków oraz istnieje metoda pozwalająca na szacowanie stanu technicznego budynków prefabrykowanych przy użyciu sztucznych sieci neuronowych. Istnieje możliwość stworzenia metody analizy stanu technicznego budynków łączącej elementy metod istniejących i uwzględniającej dane archiwalne o przeprowadzonych remontach. Stawiane cele badań uwzględniają zarówno poprawę tradycyjnych metod określania stanu technicznego budynków jak i wykorzystanie nowoczesnego narzędzia, jakim są sztuczne sieci neuronowe. W szczególny sposób położono nacisk na uzyskanie zarówno szczegółowych danych o obecnym stanie jednostkowych obiektów jak i całych osiedli budynków mieszkalnych wykonanych z prefabrykatów wielkopłytowych i wielkoblokowych w Warszawie. Założono, iż uda się opracować narzędzia, dzięki którym łatwiej, niż w obecnych metodach, można będzie oceniać lub chociażby tyko szacować z dobrą dokładnością stan techniczny konkretnych budynków. 7
Metodyka. 1.3. Metodyka. Przeprowadzone prace można podzielić na kilka etapów: - przegląd literaturowy w zakresie sztucznych sieci neuronowych oraz zagadnień związanych z oceną stanu technicznego budynków, remontami i typowymi uszkodzeniami budynków prefabrykowanych, - utworzenie bazy danych odnośnie aktualnego stanu technicznego budynków prefabrykowanych w osiedlach na terenie miasta Warszawy oraz analiza zebranych danych pod kątem przydatności do dalszych prac, - wyselekcjonowanie parametrów mających największy wpływ na określenie wartości stanu technicznego budynków, - opracowanie metodyki i analiza stanu technicznego budynków prefabrykowanych za pomocą sztucznych sieci neuronowych, - weryfikacja opracowanej metodyki analizy stanu technicznego budynków i wykazanie przydatności SSN do analizy stanu technicznego budynków prefabrykowanych. - opracowanie metodyki analizy stanu technicznego budynków, łączącej elementy metod istniejących z nastawieniem na uwzględnienie zależności pomiędzy remontami a stanem technicznym w okresie użytkowania budynków, - weryfikacja opracowanej metodyki i wykazanie jej przydatności. 1.4. Zakres. W pracy podjęto próbę opracowania następujących zagadnień: - przegląd literaturowy metod analizy stanu technicznego budynków, - określenie stanu technicznego grupy budynków prefabrykowanych w Warszawie, - określenie czynników mających istotny wpływ na określenie wartości stanu technicznego, - określenie przydatności różnych typów i topologii sztucznych sieci neuronowych do analizy stanu technicznego budynków prefabrykowanych, - stworzenie metody analizy stanu technicznego za pomocą SNN, która w efektywny sposób pozwoliłaby na szacowanie stanu technicznego wielu budynków, - stworzenie metody analizy stanu technicznego budynków, która bazując na elementach metod istniejących, uwzględniałaby również informacje o przeprowadzonych remontach i modernizacjach, - opracowanie wytycznych dla spółdzielni (zarządzających obiektami), 8
Zakres. Praca składa się z dziesięciu rozdziałów. Rozdział 2 poświęcony jest omówieniu stanu wiedzy z zakresu określania stanu technicznego budynków, prognozowania okresu użytkowania budynków, podawanych w literaturze okresów trwałości elementów, planowania remontów. Rozdział 3 zawiera prezentację wybranych metod oceny stanu technicznego budynków. Rozdział 4 poświęcony jest omówieniu stanu wiedzy z zakresu sztucznych sieci neuronowych. Prezentowane są dane historyczne, podstawy działania, główne typy sieci, metody uczenia sieci oraz porównanie efektywności algorytmów uczących. W rozdziale 5 przedstawiono koncepcję i metodykę badań oraz technikę zbierania danych. W rozdziale 6 zaprezentowane zostały dane o kontrolowanych budynkach, sformułowane zostały wnioski. Rozdział 7 zawiera analizę danych pod kątem ustalenia parametrów mających największy wpływ na określenie stanu technicznego budynków. W rozdziale 8 zaprezentowana została metoda określania stanu technicznego budynków prefabrykowanych za pomocą sztucznych sieci neuronowych. Rozdział 9 zawiera propozycję metody określania stanu technicznego budynków prefabrykowanych z uwzględnieniem danych o wcześniej przeprowadzanych remontach. W rozdziale 10 dokonano podsumowania. Praca zawiera załączniki, w których zestawione są dane z dokumentacji i wizji lokalnych na budynkach, typowe uszkodzenia i błędy w utrzymaniu budynków, wyniki analizy danych. 9
10. PODSUMOWANIE. W rozprawie podjęto szereg tematów związanych z analizą stanu technicznego prefabrykowanych budynków mieszkalnych. Stworzono bazę danych i oceniono stan techniczny grupy budynków mieszkalnych wykonanych z prefabrykatów wielkopłytowych i wielkoblokowych w Warszawie. Dokonano selekcji parametrów mających największy wpływ na określenie wartości stanu technicznego budynków prefabrykowanych i wyodrębniono te, które mają znacząco większy wpływ na określenie wartości stanu technicznego. Opracowano i zweryfikowano metodykę analizy stanu technicznego budynków prefabrykowanych za pomocą sztucznych sieci neuronowych. Opracowano metodykę analizy stanu technicznego budynków prefabrykowanych wykorzystującą dane o przeprowadzonych remontach. Opracowane metodyki pozwalają szacować z dobrą dokładnością stan techniczny budynków prefabrykowanych. W szczególny sposób położono nacisk na uzyskanie zarówno szczegółowych danych o obecnym stanie jednostkowych obiektów jak i całych osiedli budynków mieszkalnych. Stworzona na podstawie zebranych osobiście przez autora danych baza pozwoliła nie tylko na całościową ocenę budynków, ale również na analizę stanu elementów składowych (zestawienie najważniejszych danych oraz zdjęcia wad i uszkodzeń w załącznikach do rozprawy). Analizowane budynki, pochodzące z kilkunastu warszawskich osiedli, w trakcie wykonanych oględzin, były w dobrym ogólnym stanie technicznym. Nie wykazywały widocznych oznak, które świadczyłyby o jakimkolwiek niebezpieczeństwie, które mogłoby grozić ich mieszkańcom. W postaci wykresów od Rys. 31 do Rys. 36 przedstawiono zaobserwowany stan elementów analizowanych budynków a na wykresach od Rys. 107 do Rys. 110 dokonano porównania z wynikami otrzymanymi za pomocą nowej metody wykorzystującej informacje o remontach. Wyciągnięto również wnioski z analizy dokumentacji w spółdzielniach mieszkaniowych. Stwierdzono, iż przeglądy budynków często prowadzone są nieprawidłowo a ich dokumentacja jest zbyt uboga. Sformułowano zalecenia zarówno do formy przeglądów jak i tworzenia ich dokumentacji (załącznik do rozprawy). Prace badawcze doprowadziły do wyodrębnienia parametrów, wpływających w istotny sposób na zmienność wartości stanu technicznego budynków prefabrykowanych. Przeprowadzono wstępną analizę danych pod względem istotności, ilości i zmienności danych (załącznik do rozprawy). Odrzucono 116 parametrów, wyodrębniono zbiór 42 parametrów do dalszej analizy. Następnie dokonano arbitralnej analizy danych, wyodrębniono grupy parametrów do dalszej analizy. W kolejnym etapie przeprowadzono 180
analizę korelacji pomiędzy wszystkimi parametrami wytypowanymi we wstępnej analizie. Potwierdziła ona, że ewentualne wyższe korelacje występują jedynie pomiędzy elementami w grupach wytypowanych w drugim etapie. Ostatecznie wytypowano trzy grupy parametrów do analizy za pomocą sztucznych sieci neuronowych. Po wytypowaniu najlepszego typu i topologii sieci oraz grupy parametrów, dla której osiągane są najlepsze wyniki predykcji wykonano analizę wrażliwości sieci na dobór parametrów. Po tej analizie pozostało 5 parametrów: stolarka okienna mieszkań, przewody inst. wody zimnej i ciepłej, pokrycie dachu, izolacja termiczna ścian osłonowych, izolacja termiczna ścian szczytowych, Zaproponowano metodykę szacowania wartości stanu technicznego budynków mieszkalnych prefabrykowanych za pomocą sztucznych sieci neuronowych. Dokonano analizy wybranych wcześniej trzech grup parametrów za pomocą różnych typów SSN z uwzględnieniem doboru topologii i metod ich uczenia. Wybrany został optymalny typ sieci, jej topologia oraz metoda uczenia. Spośród wszystkich najlepszy wynik osiągnęła sieć typu Multilayer Perceptron o architekturze 10-4-1 wykorzystująca I grupę parametrów. Osiągnięty współczynnik korelacji równy 0.9873 należy uznać za wysoki a wartości błędów (np. MSE = 0.0003, MAE = 0.0136) za niskie. Dla wytypowanej, najlepszej sieci przeprowadzona została analiza wrażliwości sieci na dobór parametrów z bazy danych. Zostały porównanie wyniki otrzymane metodą tradycyjną z wynikami otrzymywanymi za pomocą SSN. Metoda wydaje się być celowa do prawidłowego gospodarowania dużymi zasobami mieszkaniowymi. Prognozowanie będzie tanie i w wielu wypadkach wystarczająco dokładne. Do komercyjnego wykorzystania metoda ta powinna zostać przystosowana głównie poprzez rozszerzenie typów budynków, rozszerzenie bazy danych, stworzenie komputerowych programów obsługi ułatwiających pracę. Zaproponowano również metodykę szacowania wartości stanu technicznego budynków mieszkalnych prefabrykowanych z wykorzystaniem danych o remontach (metoda remontu ważonego). Starano się stworzyć metodę, która jak najmniej arbitralnie pozwoli oceniać zasoby mieszkaniowe. W pracach wykorzystano elementy metod istniejących, pozwala to na znacznie łatwiejsze jej wdrożenie. Metoda ta komponuje się z założeniami europejskiej normy prognozowania okresu użytkowania budynków ISO-15686 (zobacz rozdział 2.3). 181
Wykorzystując tą metodę i daleko idące prognozowanie czasu użytkowania budynków i ich elementów można usprawnić zarządzanie nowotworzonymi zasobami mieszkaniowymi. Wystarczy dostosować tablice standardowych współczynników dla technologii tradycyjnej a nie prefabrykowanej lub przyjąć wartości dla konkretnych budynków z dokumentacji. Zaproponowano również definicję wartości [R] dla określania stopnia realizacji remontów danego budynku. Umożliwia ona kontrolę zarządzania budynkiem, jak i porównanie tempa zużycia budynku i jego elementów do wartości standardowych lub planowanych. Przyjęte w rozprawie tezy zostały zdaniem autora udowodnione a postawione cele osiągnięte. 182
11. LITERATURA. (W porządku alfabetycznym) 1. Apostolos P., Wiley&Sons, Neural Network in the Capital Markets, 1995, s. 33 i dalsze. 2. Arendarski Jerzy. Trwałość i niezawodność budynków mieszkalnych wznoszonych metodami uprzemysłowionymi. Arkady. Warszawa 1978. 3. Barbara Borowik. Pamięci asocjacyjne. Mikom. Warszawa 2002. 4. Biernacki J., Leśniak A., Zastosowanie sztucznych sieci neuronowych do wyznaczania wskaźnika kosztów pośrednich robót budowlanych, Konferencja Naukowa Zarządzanie Procesami Inwestycyjnymi w Budownictwie, Kraków 13-15 maja 2004. 5. Bolkowski Jerzy, Remonty zasobów mieszkaniowych - problem do rozwiązania, Przegląd Budowlany, 2/2001, s. 33-34. 6. Buda-Ożóg L., Łakota W., Cracking and failure estimation of reinforced concrete beams on the basic of dynamics characteristics, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 7. Burczyński T., Soft computing in structural optimization and defect identification, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 8. Dębski Piotr, Prognozowanie wydatków na remonty przy użyciu sztucznych sieci neuronowych, Polit. Łódzka, Przegląd Budowlany, 10/2001, str. 34-36. 9. Findeisen W., Szymanowski J., Wierzbicki A., Teoria i metody obliczeniowe optymalizacji. PWN Warszawa 1980. 10. Fortuna Marzena, Stan zasobów mieszkaniowych w Polsce w latach 1995-2001 (cz. III), Przegląd Budowlany 4/2003. 11. Fryze Witold, Kowalewski Jerzy i inni. Diagnostyka konstrukcji budynków mieszkalnych i metody wzmacniania ścian i stropów. Praca naukowo-badawcza. ITB. 1990, str. 55-58. 12. Gately Ed, Sieci neuronowe. Prognozowanie finansowe i projektowanie systemów transakcyjnych, WIG - Press, Warszawa 1999, s. 9-11. 13. Ghaboussi J., Joghataieb A., Active control of structures using neural networks, J. Engineering Mechanics, 1995. 14. Głowiński Cezary, Sztuczna inteligencja, PC Kurier, 3/1999. 15. Hebb D., The organization of Behavior, J. Wiley, New York, 1949. 183
16. Hopfield J.J., Neural networks and physical systems with emergent collective computational abilities, Proc. of the National Acad. of Sciences of the USA, vol. 79, 2554-2558, 1982. 17. Hurtado J. E., Support Vector Machines and Neural Networks for parsimonious Monte Carlo simulation in structural reliability analysis, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 18. Innowacyjne technologie w modernizacji starych budynków w Niemczech, firma BASF, Przegląd Budowlany 4/2005. 19. Inwestycje i środki trwałe, dla lat 1996-2000, GUS. 20. Jakubek M., Application of a neuro-fuzzy network to HPC strength prediction, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 21. Jakubek M., Pabisek E., Waszczyszyn Z., Oszacowanie parametrów charakterystyk podatnych połączeń stalowych za pomocą sieci neuro-rozmytej. XLVIII Konferencja Naukowa KILiW PAN i KN PZITB, Opole-Krynica 2002. 22. Janik Ireneusz, Nowe i zmodernizowane systemy prefabrykowane, Materiały Budowlane 4/2001, s. 70/71. 23. Kaliszuk J., Realiability of a cylindrical shell using a hybrid FEM/ANN simulation in the Monte Carlo method, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 24. Kaliszuk J., Urbańska A., Waszczyszyn Z, Furtak K., Neuronowa analiza trwałości zmęczeniowej betonu na podstawie badań doświadczalnych, XLV Konferencja Naukowa KILiW PAN i KN PZITB, Opole-Krynica 1999. 25. Kączkowski Z., Rakowski G., Waszczyszyn Z., Mechanika konstrukcji inżynierskich, XLVIII Konferencja Naukowa KILiW PAN i KN PZITB, Opole-Krynica 2002. 26. Kądziołka K., Waszczyszyn Z., Sulewska M, Wyznaczanie dynamicznego modułu odkształcenia gruntów niespoistych za pomocą sztucznych sieci neuronowych, XLVIII Konferencja Naukowa KILiW PAN i KN PZITB, Opole-Krynica 2002. 27. Knyziak P., Kacprzyk Z., Łukasiak T., Sztuczne sieci neuronowe jako systemy ekspertowe w przewidywaniu awarii, Theoretical Foundations of Civil Engineering, Warsaw-Dniepropetrovsk, 2004. 184
28. Kogut J., Application of the feedforward neural network in the processing of SASW signals, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 29. Konecki Wacław, Sitkowski Janusz, Ulatowski Andrzej. Remonty budynków mieszkalnych wznoszonych metodami uprzemysłowionymi. Arkady. Warszawa 1978. 30. Krok A., Waszczyszyn Z., Application of neural networks and Kalman Filtering to simulation of displacement response spectra on buildings subjected to paraseisminc excitation, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 31. Lagaros N., Papadrakakis M., Charmpis D., Tsompanakis., Advanced soft computing techniques in structural optimization, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 32. Lagaros N., Papadrakakis M., Fragiadakis M., Stefanou G., Tsompanakis., Recent developments in neural network-aided stochastic computations and earthquake engineering, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 33. Lasecki J., Zastosowanie algorytmów genetycznych i sieci neuronowych w rozwiązywaniu problemów optymalizacyjnych.. 34. Lefik M., "Inteligentna" baza danych o stanie technicznym obiektów inżynierskich koncepcja zastosowania sieci neuronowych, Mat. XL Konf. Nauk. KILiW PAN i KN PZITB, t. 6, Krynica, 1994. 35. Lefik M., IAC neural network with modifiable weights as an "intelligent" database containing geotechnical properties of soils, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 36. Leśniewski M., Cegły, wielka płyta i beton, Miesięcznik Polit. Warszawskiej, 1/2000. 37. Lewicki Bohdan, Ocena rys w ścianach i stropach budynków wielkopłytowych, MB 1/2001, s.17-21. 38. Macukow B., Grzęda M, Sieci neuronowe w różnych dziedzinach nauki, materiały konferencyjne Rzeszów, 28-29 maja 1999, str. 37-63. 39. McCulloch W.S., Pitts W.H. A logical calculus of ideas immanent in nervous activity Bull. Math. Biophysics, 1943, vol. 5, pp. 115-119. 185
40. Miller B., Ziemiański L.: Neural networks in updating of a twelve storey frame model, Computational Engineering using Metaphors from Nature, Civil-Comp Press, Edinburgh, 2000. 41. Minsky M.L., Papert S.A., Perceptrons, MIT Press, Cambridge, Ma., 1969. 42. Mulawka Jan J., Systemy Expertowe, WNT, Warszawa 1997. 43. Narodowy Spis Powszechny 2002, raport GUS. 44. Nowogońska B., Ocena potrzeb remontowych na podstawie okresów trwałości elementów budynków, Przegląd Budowlany, 2/2005, str. 14-18. 45. Nowogońska Beata, Potraktowanie elementów budynku jako obiektów technicznych w celu prognozowania terminów remontów, Przegląd Budowlany, 3/2005. 46. Osman N., McManus K., Tran H., Krezel A., The prediction of damage condition in regards to damage factor influence of light structures on expansive soils in Victoria, Australia, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 47. Osowski Stanisław, Sieci neuronowe do przetwarzania informacji. Oficyna Wydawnicza PW, Warszawa 2000. 48. Papadrakakis M., Papadopulos V., Lagaros N., Structural reliability analysis of elasticplastic structures using neural networks and Monte Carlo simulation, Comp. Meth. Appl. Mech. Engrg., 1996. 49. Piątkowski G., Ziemiański L., Detection of the void and additional mass in cantilever plates by using the neural networks, 15th International Conference on Computer Methods in Mechanics CMM-2005, Gliwice 2005. 50. Piątkowski G., Ziemiański L., Neural processing of experimental data in the problem of detection of concentrated mass at vibrating plate, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 51. Popielas Tadeusz, Modernizacja instalacji centralnego ogrzewania, Materiały Budowlane 11/2003, s. 47-48. 52. Praca zbiorowa. Określenie wpływu rozwoju techniki budowlanej na przekształcenie zespołów zabudowy mieszkaniowej. ITB, Warszawa 1972 (nie publikowana). 53. Prystupa Mieczysław, Problematyka oceny stanu technicznego obiektów budowlanych w wycenie nieruchomości, VIII Konferencja Naukowo-Techniczna, Cedzyna k. Kielc, 21-23 kwietnia 2004r. 186
54. Remonty zasobów mieszkaniowych - problem do rozwiązania, Bolkowski Jerzy, Przegląd Budowlany, 2/2001, s. 33-34 55. Rosenblatt F., The perceptron: A probabilistic model for information storage and organization in the brain, Psychological Review, Vol. 65, 1958, str. 386-408 oraz Principles of Neurodynamics, Washington D.C., Spartan Press, 1962. 56. Rumelhart D.E., Hinton G. E., Williams R. J., Lerning internal representation by error propagation. in Parallel distributed processing: Explorations in the Microstructures of Cognition, Rumelhart D.E., McClelland J. L., (Eds.), vol. 1, MIT Press, Cambridge, 1986. 57. Skrobol A., Coupling of evolutionary algorithms and artificial neural network in defect identification, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 58. Słoński M., HPC strength prediction using Bayesian neural networks, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC- 2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 59. Ściślewski Z., Suchan M., Trwałość i utrzymanie budynków wielkopłytowych, KN-TITB, Mrągowo 1999, s.201-208. 60. Ściślewski Z., Suchan M., Wójtowicz M., Problemy eksploatacji elementów narażonych na oddziaływanie atmosferyczne, Materiały Budowlane 1/2001, s. 14-16. 61. Ściślewski Zbigniew, Trwałość elementów wielkiej płyty, Materiały Bud. 11/2004, s. 3-4. 62. Taczanowska Teresa, Rys historyczny prefabrykacji w Polsce, Przegląd Budowlany 5/2002, s. 4-6. 63. Tadeusiewicz R., Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa, 1993. 64. Thierry J., Zaleski S., Remonty budynków i wzmacnianie konstrukcji. Arkady, Warszawa 1982. 65. Thierry Józef. Remonty budynków i wzmacnianie konstrukcji. Arkady. Warszawa 1982. 66. Urbańska A., Kaliszuk J., Waszczyszyn Z., Neuronowa analiza połączeń rurowych w ramach stalowych, X Międzynarodowa Konf. Naukowo-Techn. Konstrukcje Metalowe - Gdańsk 2001, T.2, 325-334. 67. Urbańska A., Ligęza W., Waszczyszyn Z., Analiza skurczu betonu za pomocą sieci neuronowej RBF, XLVIII Konferencja Naukowa KILiW PAN i KN PZITB, Opole- Krynica 2002. 68. ustawa: Prawo budowlane art. 62 ust. 1 pkt 2 ustawy z dnia 7.07.1994 r. (dz. U. z 1994 r. Nr 89 poz. 414 z późniejszymi zmianami). 187
69. Von Neumann, J. The Computer and the Brain. Yale University Press. New Haven and London. 1958. 70. Waszczyszyn Z., Jakubek M., Tomana A., Zajączkowski L., Sztuczne sieci neuronowe w wycenie działek budowlanych, 49 Konferencja Naukowa KILiW PAN i KN PZITB, Warszawa-Krynica 2003. 71. Waszczyszyn Z., Kuźniar K., Obiała R., Słoński M., Some new results and prospect of neural analysis of building vibration problems, Fifth International Conference on Engineering Applications of Neural Networks, Warsaw 13-15.09.1999. 72. Waszczyszyn Z., Petit J., Zastosowanie sztucznych sieci neuronowych do identyfikacji charakterystyk stalowych połączeń podatnych, XLIII Konferencja Naukowa KILiW PAN i KN PZITB, Materiały T.2, Poznań-Krynica 1997, 149-156. 73. Waszczyszyn Z., Urbański P., Neuronowa predykcja stopnia zużycia technicznego budynków mieszkalnych, XLVIII Konferencja Naukowa KILiW PAN i KN PZITB, Opole-Krynica 2002. 74. Waszczyszyn Z., Wprowadzenie do sztucznych sieci neuronowych i ich zastosowań w mechanice konstrukcji, materiały konferencyjne Rzeszów, 28-29 maja 1999. 75. Waszczyszyn Z., Zastosowanie sztucznych sieci neuronowych w inżynierii lądowej. XLI Konferencja Naukowa KILiW PAN i KN PZITB, Kraków-Krynica 1995, Tom 9. 76. Widera Jerzy, Modernizacja budynków wielkopłytowych w RFN, Przegląd Budowlany 9/98, str. 40-41. 77. Więckowski Andrzej, Problemy rehabilitacji prefabrykowanych budynków mieszkalnych i rachunek sozoekonomiczny, Przegląd Budowlany, 10/2001, str. 16-22. 78. Wodyński Aleksander, Firek Karol, Kocot Wojciech, Ocena wpływu remontów oraz zabezpieczeń profilaktycznych na trwałość budynków murowanych w LGOM, Inżynieria środowiska, Tom 11, Zeszyt 1, 2006, str. 39-52. 79. Zasady ustalania zużycia obiektów budowlanych, WACETOB, Warszawa 1998. 80. Zielinski Jerzy, Modernizacja budynków wielkopłytowych z uwzględnieniem doświadczeń zagranicznych, Materiały Budowlane 1/2001, str. 2-5. 81. Zieliński Jerzy S., "Inteligentne systemy w zarządzaniu. Teoria i praktyka", PWN, Warszawa 2000, str.172. 82. Ziemiański L., Borowiec A., Application of neural networks in the identification of damage in a multispan beam, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 188
83. Ziemiański L., Harpula G., The use of neural networks for damage detection in eight storey frame structure, Fifth International Conference on Engineering Applications of Neural Networks, Warsaw 13-15.09.1999. 84. Ziemiański L., Miller B., Piątkowski G., Dynamic model updating by neural networks, Fifth International Conference on Engineering Applications of Neural Networks, Warsaw 13-15.09.1999. 85. Ziemiański L., Piątkowski G., Use of neural networks for damage detection in structural elements using wave propagation, B.H.V. Topping, Computational Engineering Using Metaphoros from Nature, 25-30, Edinburgh, Civil-Comp Ltd, 2000. 86. Ziemiański L., The use of neural networks in the parametric identification using dynamic responses - selected problems, International Symposium on Neural Networks and Soft Computing in Structural Engineering NNSC-2005, Politechnika Krakowska, Kraków 30.06-2.07.2005. 87. Zużycie obiektów budowlanych. WACETOB, Warszawa 2000. Materiały opublikowane w Internecie: 1. Ashish Shah. CHALLENGES IN RESIDUAL SERVICE LIFE ASSESSMENT FOR REFURBISHMENT PROJECTS http://business.unisa.edu.au/prres/proceedings/ Proceedings2005/Shah_Challenges_In_Residual_Service_Life.pdf (2005-08-05). 2. Buller Andrzej, Kto nie lubi sztucznej inteligencji? http://www.pg.gda.pl/pismopg/ nr1_98/htpl.cgi?std=iso&plk=inteligencja.html (13.07.2005). 3. business.unisa.edu.au/prres/proceedings/proceedings2005/shah_challenges_in_residual _ Service_Life.pdf (2005-08-05). 4. Ministerstwo Infrastruktury, Departament Mieszkalnictwa, Obecny stan spółdzielczości mieszkaniowej www.mi.gov.pl/prezentacje/104.html (26.07.2005). 5. Nastalski Zbigniew, Algorytmy konstruktywistyczne, materiały opublikowane w Internecie, 6. norma ISO-15686-1; żródło: http://www.itb.pl/norma-1.htm (2005-06-10). 7. Program gospodarowania mieszkaniowym zasobem Gminy - Miasta Stargardu Szczecińskiego na lata 2004-2008. http://www.stargard.pl/strony/gosp-proggosp.pdf (3.07.2005). 8. Rośczak Paweł, Implementacja i wykorzystanie wielowarstwowej sieci perceptronowej w modelowaniu makroekonomicznym. 2003. http://www.rosczak.com/mlp/mlp.html 189
9. Schießl Peter. Activities in ISO on Service Life Design. Service Life Design of Concrete Structures - From Theory to Standardisation, Third Workshop, Tromso, June 2001 http://www.duranetwork.com/ tromsoreport02/activities.doc (05.08.2005) 10. Slavian Radev, Systemy Ekspertowe, http://aragorn.pb.bialystok.pl/~radev/semag/lices/exps.doc (6.09.2005). 11. Slot Krzysztof, http://www.eletel.p.lodz.pl/~kslot/ai/ai_pl/siecrbf.pdf 12. Urząd Mieszkalnictwa i Rozwoju Miast, Komunikat Nr 35 (162) z dnia 14.07.99r., Założenia polityki mieszkaniowej państwa na lata 1999-2003, http://www.mi.gov.pl/umirm/komunikaty/komunik/komu35.doc 13. Walukiewicz Henryk, Budować i filozofować. Wykład inauguracyjny r. ak. 1998/1999 na Wydz. Bud. Lądowego PG. http://www.pg.gda.pl/pismopg/98_08/s14.htm (13.07.2005). 14. Wikipedia. http://pl.wikipedia.org/wiki/sie%c4%87_neuronowa (14.07.2005). 15. www.dryvit.com.pl 16. www.itb.pl/norma-1.htm (10.06.2005) 17. www.itb.pl/norma-2.htm (10.06.2005) 18. www.phys.uni.torun.pl/~duch/zajecia/05semmaginf/01nnkonstr.pdf, Toruń 2005. 190
12. ZAŁĄCZNIKI Wzór ankiety budynku. Wzór ankiety spółdzielni. Zestawienie najważniejszych danych z ankiet budynków w formie kart informacyjnych. Wady budynków, uszkodzenia i błędy w utrzymaniu (zdjęcia). Zestawienie analizy danych ze względu na istotność, ilość, zmienność. Programy w VBA napisane do obsługi i przetwarzania bazy danych. Zalecenia dla spółdzielni mieszkaniowych. 191