[Back]

J. Miima:
"Artificial Neural Networks and Fuzzy Logic Techniques for the Reconstruction of Structural Deformations";
Supervisor, Reviewer: W. Niemeier, H. Kahmen; Institut für Geodäsie, Technische Universität Braunschweig, 2002.

This thesis deals with the use of artificial neural networks and fuzzy logic techniques for modelling structural deformation processes in geodesy. In particular, these tools are used to describe the deformation process of a bridge. Throughout this study, structural deformation is treated as a nonlinear dynamic process that is best modelled using dynamic models.

Dynamic models provide a means to describe how one state develops into another state over the course of time. They are characterized by input signals, which are transmitted through a body to yield output signals. Dynamic modelling may therefore be achieved by data-driven methods that replicate the mapping between given inputs and outputs. The structure in this study is assumed to be deforming as a result of forces acting on it. These forces namely, pressure, temperature, humidity, water level variations, and traffic loading are considered as inputs. The resulting deformations expressed as differences in coordinate components of points on the bridge that are continously measured are considered as outputs.

Artificial neural networks, which mimic the learning capabilities of biological systems, are able to learn the relationship between a given input-output data to any desired arbitrary accuracy. In this sense, neural networks provide a universal functional approximator that is capable and is used in modelling complex input-output dynamic systems. Fuzzy modelling enables the extraction of fuzzy linguistic rules from a given input-output observed data set to describe the evolution of the underlying dynamic systems. These two types of modelling techniques can be used to describe deformation processes as nonlinear dynamic systems and have the advantages of being robust, independent of a priori system information unlike in classical modelling methodology. Fuzzy modelling proveds the added advantage of considering imprecise data which is extremely difficult in classical modelling.

These two techniques have successfully been applied to describe the deformation behavior of a bridge based on multiple-input multiple-output data sets obtained from almost 3-year continuous monitoring measurements on the bridge. The good results indicate that these two tools are capable of describing the complex dynamic behavior of the bridge. They thus offer geodesists alternative modelling tools for the description of structural deformation.

Diese Arbeit behandelt den Einsatz von Methoden künstlicher neuronaler Netze und von Fuzzy Logik zur Modellierung von Bauwerks-Deformationsprozessen in der Geodäsie. Im besonderen werden diese Werkzeuge verwendet, um den Verformungsprozess einer Brücke zu beschreiben. In dieser Studie wird Bauwerksverformung als nichtlinearer dynamischer Prozess behandelt, der am besten durch dynamische Modellierung dargestellt wird.

Dynamische Modelle bieten die Möglichkeit die Entwicklung von zeitlich aufeinander folgenden Zuständen zu beschreiben. Sie werden durch Eingangssignale charakterisiert, die durch einen Körper übertragen werden, um Ausgangssignale zu ergeben. Dynamische Modellierung kann daher durch datenbasierende Methoden betrieben werden, die den Zusammenhang zwischen gegebenen Ein- und Ausgängen nachbilden. In dieser Studie wird angenommen, dass das Bauwerk sich aufgrund einwirkender Effekte verformt. Diese Effekte, im Einzelnen: Druck, Temperatur, Feuchtigkeit, Wasserstandsänderungen und Verkehrslast, werden als Eingänge betrachtet. Die resultierenden Verformungen, als Koordinatendifferenzen kontinuierlich aufgemessener Punkte, werden als Ausgänge bezeichnet.

Künstliche neuronale Netze, die die Lernfähigkeit biologischer Systeme nachahmen, können den Zusammenhang zwischen gegebenen Ein- und Ausgangsdaten bis zu beliebiger Genauigkeit lernen. In diesem Sinne bieten neuronale Netze einen universellen funktionalen "approximator", der dazu fähig ist und dazu genutzt wird, komplexe Ein-/Ausgangs-dynamische Systeme zu modellieren. Fuzzy Modellierung ermöglicht die Ableitung fuzzy linguistischer Regeln aus gegebenen Ein-/Ausgangs-Beobachtungsdaten um die Entwicklung des zugrunde liegenden dynamischen Systems zu beschreiben. Diese zwei Arten von Modellierungsmethoden stehen für die Beschreibung von Deformationsprozessen als nichtlineare dynamische Systeme zur Verfügung und haben die Vorteile robust zu sein, unabhängig von a-priori-Systeminformation, im Unterschied zur klassischen Modellierungsmethodik. Die Fuzzy-Modellierung bietet den zusätzlichen Vorteil inexakte Daten verwerten zu können, was in der klassischen Modellierung äußerst schwierig ist.

Diese zwei Techniken wurden erfolgreich eingesetzt, um das Verformungsverhalten einer Brücke basierend auf (multiple-input multiple output) Datensätze zu modellieren, die von kontinuierlichen Brückenüberwachungsmessungen stammen, welche über einen Zeitraum von nahezu drei Jahren durchgeführt worden waren. Die guten Resultate zeigen, dass diese zwei Werkzeuge fähig sind, das komplexe dynamische Verhalten einer Brücke zu beschreiben. Daher bieten sie dem Geodäten alternative Modellierungsmethoden für die Beschreibung von Bauwerksverformungen.