du.sePublikationer
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • chicago-author-date
  • chicago-note-bibliography
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Applicering av Long Short-Term Memory för prediktion av markdeformation på svensk järnväg: Utveckling av ett artificiellt neuralt nätverk för prediktion av kommande marksättningar på järnvägssträckan mellan Mölndal och Torrekulla
Högskolan Dalarna, Akademin Industri och samhälle, Informatik.
Högskolan Dalarna, Akademin Industri och samhälle, Informatik.
2020 (Svenska)Självständigt arbete på grundnivå (kandidatexamen), 10 poäng / 15 hpStudentuppsats (Examensarbete)Alternativ titel
Application of Long Short-Term Memory for prediction of land subsidence on Swedish railway : Development of an artificial neural network for prediction of future land subsidence on the railway line between Mölndal and Torrekulla (Engelska)
Abstract [en]

The purpose of this study is to evaluate whether it is possible to predict future land subsidence on the railway line between Mölndal and Torrekulla. The prediction was made using Long Short-Term Memory; an artificial neural network with RNN architecture. The study used the research strategy "design and creation" to develop a neural network in the form of an artefact, it used a document study as a data collection method and a quantitative data analysis. To enable a successful prediction, the study used secondary data consisting of already collected geological data from a three-year project that began in January 2016 and ended in September 2018. Through a technology called Interferometric synthetic-aperture radar (InSAR), an active satellite system that transmits radar signals to the earth for measurements of the ground level. The already collected InSAR data was supplemented with weather data from a nearby weather station, the artefact could achieve a predictive accuracy of 99.1% of all values within an approved prediction interval from the Swedish Transport Administration of + -1 millimetres. The result of the created artefact also showed that the model also managed to achieve a prediction accuracy of 86% of all values within the range + -0.4 millimetres. With the model's prediction accuracy score and an RMSE average of 0.22 for all points, the assessment was made that a prediction of future land subsidence is possible on the railway line between Mölndal and Torrekulla.

Abstract [sv]

Syftet med studien är att utvärdera om det är möjligt att prediktera kommande markdeformation på järnvägssträckan mellan Mölndal och Torrekulla. Prediktionen gjordes med hjälp av Long Short-Term Memory; ett artificiellt neuralt nätverk med Recurrent Neural network-arkitektur. Studien använde sig av forskningsstrategin ”design and creation” för att utveckla det neurala nätverket i formen av en artefakt, en dokumentstudie som datainsamlingsmetod och en kvantitativ dataanalys. För att möjliggöra en lyckad prediktion använde studien sekundärdata bestod av insamlade geologiska data från ett treårsprojekt som påbörjades januari 2016 och avslutades i september 2018. Genom tekniken Interferometric synthetic-aperture radar (InSAR), ett aktivt satellitsystem som skickar radarsignaler till jorden för att mäta marknivån; kompletterades detta med väderdata från en närliggande väderstation. Genom ett kombinerat dataset kunde studiens skapade artefakt uppnå en prediktionsträffsäkerhet på 99,1% av alla värden inom ett godkänt prediktionsintervall från Trafikverket på +-1 millimeter. Resultatet från den skapade artefakten visade även att modellen lyckades även uppnå en prediktionsträffsäkerhet på 86% av alla värden innanför intervallet +-0,4 millimeter. Med modellens uppnådda prediktionsträffsäkerheten och ett Root Mean Square Error-medelvärde på 0.22 för samtliga punkter gjordes bedömningen att en prediktion av kommande markdeformation är möjlig på järnvägssträckan mellan Mölndal och Torrekulla.

Ort, förlag, år, upplaga, sidor
2020.
Nyckelord [en]
Artificiell intelligens, artificial neural network, Long Short-Term Memory, InSAR, land subsidence, Recurrent Neural Network
Nyckelord [sv]
Artificiell intelligens, artificiellt neurala nätverk, Long Short-Term Memory, InSAR, markdeformering, Recurrent Neural Network
Nationell ämneskategori
Systemvetenskap, informationssystem och informatik med samhällsvetenskaplig inriktning
Identifikatorer
URN: urn:nbn:se:du-31906OAI: oai:DiVA.org:du-31906DiVA, id: diva2:1393235
Tillgänglig från: 2020-02-14 Skapad: 2020-02-14

Open Access i DiVA

fulltext(1749 kB)14 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 1749 kBChecksumma SHA-512
35ef3a5fda8ec2bc101132c7af5c16fe06e713a87be7a0a489c7b36ef8d03890485ba544bdeb3693d3171030d65dff171c214e8555fb105e951031ee98e980dc
Typ fulltextMimetyp application/pdf

Av organisationen
Informatik
Systemvetenskap, informationssystem och informatik med samhällsvetenskaplig inriktning

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 14 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 81 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • chicago-author-date
  • chicago-note-bibliography
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf