INTEGRIRANA METODOLOGIJA STROJNEGA UČENJA ZA ANALIZO SLIK BETONSKIH RAZPOK PRIMERJAVA PRESKUSNIH METOD DOLOČANJA ZVOČNE IZOLATIVNOSTI PROTIHRUPNIH OGRAJ186 194 avgust 2023 letnik 72 Gradbeni vestnik letnik 72 avgust 2023 2 Izdajatelj: Zveza društev gradbenih inženirjev in tehnikov Slovenije (ZDGITS), Karlovška cesta 3, 1000 Ljubljana, telefon 01 52 40 200 v sodelovanju z Matično sekcijo gradbenih inženirjev Inženirske zbornice Slovenije (IZS MSG), ob podpori Javne agencije za raziskovalno dejavnost RS, Fakultete za gradbeništvo in geodezijo Univerze v Ljubljani, Fakultete za gradbeništvo, prometno inženirstvo in arhitekturo Univerze v Mariboru in Zavoda za gradbeništvo Slovenije Izdajateljski svet: ZDGITS: prof. dr. Matjaž Mikoš, predsednik izr. prof. dr. Andrej Kryžanowski Dušan Jukić IZS MSG: dr. Rok Cajzek mag. Jernej Nučič Tina Bučić UL FGG: doc. dr. Matija Gams UM FGPA: prof. dr. Miroslav Premrov ZAG: doc. dr. Aleš Žnidarič Uredniški odbor: izr. prof. dr. Sebastjan Bratina, glavni in odgovorni urednik doc. dr. Milan Kuhta Lektor: Jan Grabnar Lektorica angleških povzetkov: Romana Hudin Tajnica: Eva Okorn Oblikovalska zasnova: Agencija GIG Tehnično urejanje, prelom in tisk: Kočevski tisk Naklada: 400 tiskanih izvodov 3000 naročnikov elektronske verzije Podatki o objavah v reviji so navedeni v bibliografskih bazah COBISS in ICONDA (The Int. Construction Database) ter na www.zveza-dgits.si Letno izide 12 številk. Letna naročnina za individualne naročnike znaša 25,50 EUR; za študente in upokojence 10,50 EUR; za družbe, ustanove in samostojne podjetnike 188,50 EUR za en izvod revije; za naročnike iz tujine 88,00 EUR. V ceni je vštet DDV. Poslovni račun ZDGITS pri NLB Ljubljana: SI56 0201 7001 5398 955 Slika na naslovnici: pred mesecem dni odprta brv Medvoški lok je ″preživela″ katastrofalne poplave, foto: Borut Gomboši Glasilo Zveze društev gradbenih inženirjev in tehnikov Slovenije in Matične sekcije gradbenih inženirjev Inženirske zbornice Slovenije. UDK-UDC 05 : 625; tiskana izdaja ISSN 0017-2774; spletna izdaja ISSN 2536-4332. Ljubljana, avgust 2023, letnik 72, str. 185-204 1. Uredništvo sprejema v objavo znanstvene in strokovne članke s področja gradbeništva in druge prispevke, pomembne in zanimive za gradbeno stroko. 2. Znanstvene in strokovne članke pred objavo pregleda najmanj en anonimen recenzent, ki ga določi glavni in odgovorni urednik. 3. Članki (razen angleških povzetkov) in prispevki morajo biti napisani v slovenščini. 4. Besedilo mora biti zapisano z znaki velikosti 12 točk in z dvojnim presledkom med vrsticami. 5. Prispevki morajo vsebovati naslov, imena in priimke avtorjev z nazivi in naslovi ter besedilo. 6. Članki morajo obvezno vsebovati: naslov članka v slovenščini (velike črke); naslov članka v angleščini (velike črke); znanstveni naziv, imena in priimke avtorjev, strokovni naziv, navadni in elektronski naslov; oznako, ali je članek strokoven ali znanstven; naslov POVZETEK in povzetek v slovenščini; ključne besede v slovenščini; naslov SUMMARY in povzetek v angleščini; ključne besede (key words) v angleščini; naslov UVOD in besedilo uvoda; naslov naslednjega poglavja (velike črke) in besedilo poglavja; naslov razdelka in besedilo razdelka (neobvezno); ... naslov SKLEP in besedilo sklepa; naslov ZAHVALA in besedilo zahvale (neobvezno); naslov LITERATURA in seznam literature; naslov DODATEK in besedilo dodatka (neobvezno). Če je dodatkov več, so ti označeni še z A, B, C itn. 7. Poglavja in razdelki so lahko oštevilčeni. Poglavja se oštevilčijo brez končnih pik. Denimo: 1 UVOD; 2 GRADNJA AVTOCESTNEGA ODSEKA; 2.1 Avtocestni odsek … 3 …; 3.1 … itd. 8. Slike (risbe in fotografije s primerno ločljivostjo) in preglednice morajo biti razporejene in omenjene po vrstnem redu v besedilu prispevka, oštevilčene in opremljene s podnapisi, ki pojasnjujejo njihovo vsebino. 9. Enačbe morajo biti na desnem robu označene z zaporedno številko v okroglem oklepaju. 10. Kot decimalno ločilo je treba uporabljati vejico. 11. Uporabljena in citirana dela morajo biti navedena med besedilom prispevka z oznako v obliki oglatih oklepajev: [priimek prvega avtorja ali kratica ustanove, leto objave]. V istem letu objavljena dela istega avtorja ali ustanove morajo biti označena še z oznakami a, b, c itn. 12. V poglavju LITERATURA so uporabljena in citirana dela razvrščena po abecednem redu priimkov prvih avtorjev ali kraticah ustanov in opisana z naslednjimi podatki: priimek ali kratica ustanove, začetnica imena prvega avtorja ali naziv ustanove, priimki in začetnice imen drugih avtorjev, naslov dela, način objave, leto objave. 13. Način objave je opisan s podatki: knjige: založba; revije: ime revije, založba, letnik, številka, strani od do; zborniki: naziv sestanka, organizator, kraj in datum sestanka, strani od do; raziskovalna poročila: vrsta poročila, naročnik, oznaka pogodbe; za druge vrste virov: kratek opis, npr. v zasebnem pogovoru. 14. Prispevke je treba poslati v elektronski obliki v formatu MS WORD glavnemu in odgovornemu uredniku na e-naslov: sebastjan.bratina@fgg. uni-lj.si. V sporočilu mora avtor napisati, kakšna je po njegovem mnenju vsebina članka (pretežno znanstvena, pretežno strokovna) oziroma za katero rubriko je po njegovem mnenju prispevek primeren. Uredništvo Navodila avtorjem za pripravo člankov in drugih prispevkov Gradbeni vestnik letnik 72 avgust 2023 185 VSEBINA CONTENTS dr. Viktor Markelj, univ. dipl. inž. grad. (Ponting, d. o. o.) GRADNJA ŽELEZNIŠKEGA VIADUKTA PESNICA FOTOREPORTAŽA Z GRADBIŠČA 201 Eva Okorn Eva Okorn NOVI DIPLOMANTI KOLEDAR PRIREDITEV ČLANKI PAPERS asist. Luka Gradišar, mag. inž. grad. doc. dr. Matevž Dolenc, univ. dipl. inž. grad. INTEGRIRANA METODOLOGIJA STROJNEGA UČENJA ZA ANALIZO SLIK BETONSKIH RAZPOK INTEGRATED MACHINE LEARNING METHODOLOGY FOR CONCRETE CRACK IMAGE ANALYSIS Andraž Zalar, mag. inž. grad. PRIMERJAVA PRESKUSNIH METOD DOLOČANJA ZVOČNE IZOLATIVNOSTI PROTIHRUPNIH OGRAJ COMPARISON OF TEST METHODS FOR DETERMINATION OF SOUND INSULATION PERFORMANCE OF NOISE BARRIERS 186 194 Gradbeni vestnik letnik 72 avgust 2023 186 asist. Luka Gradišar, doc. dr. Matevž Dolenc INTEGRIRANA METODOLOGIJA STROJNEGA UČENJA ZA ANALIZO SLIK BETONSKIH RAZPOK asist. Luka Gradišar, mag. inž. grad. Luka.Gradisar@fgg.uni-lj.si doc. dr. Matevž Dolenc, univ. dipl. inž. grad. Matevz.Dolenc@fgg.uni-lj.si Katedra za gradbeno informatiko, Fakulteta za gradbeništvo in geodezijo, Univerza v Ljubljani, Jamova cesta 2, 1000 Ljubljana Znanstveni članek UDK/UDC: 004.05:620.1/.2:691.32 INTEGRIRANA METODOLOGIJA STROJNEGA UČENJA ZA ANALIZO SLIK BETONSKIH RAZPOK INTEGRATED MACHINE LEARNING METHODOLOGY FOR CONCRETE CRACK IMAGE ANALYSIS Povzetek V zadnjih letih se intenzivno raziskuje odkrivanje razpok v betonskih konstrukcijah s pomočjo strojnega učenja, natančneje z uporabo globokih nevronskih konvolucijskih mrež. Kljub uporabnosti teh metod je njihova klasifikacija omejena na stanje beto- na - razpokan ali nerazpokan - medtem ko se redko upoštevajo druge pomembne značilnosti betona, kot so velikost razpok ali različni šumi, ki so prisotni na slikah. V tem članku je opisana integrirana metodologija strojnega učenja za analizo slik razpok v betonu, ki temelji na učenju s prenosom znanja in na nenadzorovanem učenju, ki ne potrebuje podatkov za učenje. Metoda izloča značilnosti slik s pomočjo predhodno naučenih nevronskih mrež in jih na podlagi podobnosti razvršča v gruče z uporabo hierarhičnega razvrščanja. Rezultati združevanja v gruče kažejo, da je mogoče slike razdeliti v različne gruče glede na njihove značilnosti, na primer kot so hrapavost površine, vidnost robov, stanje razpokanosti betona, prisotnost različnih predmetov in ostalih šumov. Preizkus te metodologije je pokazal, da je nenadzorovano učenje koristno za analizo slik betonskih razpok, in sicer za razlikovanje med šumnimi slikami in določanjem resnosti razpok. Pridobljene informacije lahko tudi v prihodnje uporabimo za razvoj natančnejših napovednih modelov trajnosti betona oziroma betonskih konstrukcij. Ključne besede: razvrščanje v gruče, prepoznava razpok v betonu, podatkovno rudarjenje, analiza slik, učenje s prenosom znanja, nenadzorovano učenje Summary In recent years, the detection of cracks in concrete structures has been intensively researched using machine learning methods, more specifically deep neural convolutional networks. These methods are usually limited in their ability to classify concrete as cracked or uncracked and disregard other features such as the severity of the cracks. In addition, the classification process can be affected by various sources of interference and noise in the images. This paper describes an integrated method for analysing concrete crack images based on transfer and unsupervised learning, without the need for training dataset. The method extracts image features using pre-trained networks and groups them based on similarity using hierarchical clustering. The clustering results demonstrate the ability to partition images into different clusters based on image features so that different clusters can be identified, including clusters containing images of objects, background debris, edges, surface roughness, and cracked and uncracked concrete. The results of this study demonstrate the potential of unsupervised learning for analysing crack image data to distinguish between noisy images and the severity of cracks, which can provide valuable information for developing more accurate predictive models for the sustainability of concrete structures. Key words: clustering, concrete crack detection, data mining, image analysis, transfer learning, unsupervised learning Gradbeni vestnik letnik 72 avgust 2023 187 asist. Luka Gradišar, doc. dr. Matevž Dolenc INTEGRIRANA METODOLOGIJA STROJNEGA UČENJA ZA ANALIZO SLIK BETONSKIH RAZPOK 1 UVOD Prepoznavanje slik je pomembno področje računalniške- ga vida in je predmet intenzivnih raziskav. Pri avtomatskem prepoznavanju slik se pogosto uporabljajo metode strojnega učenja oziroma bolj specifično konvolucijske nevronske mreže (angl. Convolutional Neural Networks - CNN). Te metode pre- poznajo značilnosti slik s postopkom, imenovanim konvoluci- ja, pri katerem se na sliki uporabljajo filtri za zaznavanje robov, tekstur in oblik [Zhao Z., 2019]. Takšni modeli se pogosto upo- rabljajo za spremljanje stanj konstrukcij, vključno z odkriva- njem razpok v betonu. Zgodnje odkrivanje razpok je ključno za oceno stanja in varnosti betonskih konstrukcij, saj razpoke predstavljajo pomemben pokazatelj njihove trajnosti in upo- rabnosti [Kim, 2019]. Tradicionalne metode odkrivanja razpok, kot so vizualni pregledi ali nedestruktivno testiranje, zahtevajo veliko časa in virov, zaradi česar so se uveljavile različne meto- de za avtonomno odkrivanje razpok v betonskih konstrukcijah, ki zagotavljajo visoko natančnost in učinkovitost [Zhou, 2023]. Modeli, ki temeljijo na konvolucijskih nevronskih mrežah, se za prepoznavanje razpok učijo neposredno iz slikovnih podatkov. Tako naučeni modeli se lahko uporabljajo za različne naloge, kot so klasifikacija slik razpok, zaznavanje robov ali segmenta- cija [Ali L., 2021]. Eden od glavnih izzivov pri uporabi teh mo- delov je, da so za učenje potrebne velike zbirke podatkov, kar zahteva tudi veliko računskih virov. Za prepoznavanje slik se pogosto uporabljajo prilagojeni modeli, ki temeljijo na najso- dobnejših konvolucijskih mrežah, kot so AlexNet, VGG, Incepti- on in ResNets [Zaidi, 2022]. Ti modeli so naučeni na obsežnem naboru podatkov o vsakdanjih slikah, kot je na primer nabor podatkov ImageNet [Deng, 2009]. Tako naučeni model lah- ko razvršča slike, ki so specifične za domeno nabora podatkov za učenje. Čeprav so ti modeli pripravljeni za razvrščanje slik specifične domene, še vedno vsebujejo znanje o prepoznava- nju oblik, ki je lahko uporabno tudi na ostalih področjih. Pri tem postopku, znanem kot učenje s prenosom znanja (angl. Transfer Learning), se že naučeni modeli uporabijo kot izho- dišče za razvoj modelov na drugih specifičnih domenah. To lahko močno zmanjša količino zahtevanih podatkov in raču- nalniških virov, ki so potrebni za usposabljanje modela za novo nalogo, kljub temu pa se še vedno doseže zahtevana stopnja natančnosti [Pan, 2010]. Metoda učenja s prenosom znanja se je uporabila tudi v raziskavi odkrivanja razpok v betonskih kon- strukcijah [Golding, 2022]. V raziskavi so bile predlagane razli- čne kombinacije vnaprej naučenih modelov s prilagojenimi klasifikatorji za izboljšanje učinkovitosti [Islam, 2022]. Ob tem lahko ugotovimo, da imajo modeli, ki temeljijo na uporabi konvolucijskih nevronskih mrež, tudi naslednje omeji- tve: (1) klasifikacija je pogosto omejena zgolj na dve kategoriji: razpokana in nerazpokana, (2) nezaznavanje drugih pomemb- nih značilnosti, npr. velikost razpok [Ali R., 2022], in (3) učinko- vitost teh modelov je omejena s kakovostjo slik betonskih po- vršin, ki pogosto vključujejo precej šuma, različne ovire, sence in podobno, kar lahko vpliva na natančnost napovedi [Li, 2019]. To je eden glavnih razlogov za razvoj novih metod, ki bi učin- kovito razlikovale med podanimi slikami ter jih razvrstile glede na zaznane značilnosti. S tako pridobljenimi informacijami bi lahko izboljšali obstoječe metode in s tem povečali učinkovi- tost modelov [Cohn, 2021]. V ta namen je predlagana uporaba metod nenadzorovanega učenja (angl. Unsupervised Learning), ki vnaprej ne zahtevajo označenih podatkov za učenje, temveč se slike analizirajo le na podlagi njihovih implicitnih značilnostih. To omogoča raz- vrščanje slik v različne gruče, brez vnaprejšnje opredelitve. Te metode so še posebej uporabne v primerih, ko so kategorije slabo določene ali niso podane. V takih primerih se je uporaba nenadzorovanega učenja izkazala za učinkovito in lahko dose- že učinkovitost običajnih modelov [Ji, 2019]. Njena uporaba je bila dokazana na različnih področjih, kot so daljinsko zazna- vanje, obdelava signalov, spremljanja stanja konstrukcij (angl. structural health monitoring) in segmentacija slik razpok v be- tonu [Noh, 2017]. V tej raziskavi je predlagana integrirana metodologija za anali- zo slik razpok v betonu, ki združuje metode učenja s prenosom znanja in nenadzorovano učenje. V predstavljeni metodolo- giji se metoda učenja s prenosom znanja uporablja za zajem slikovnih značilnosti, na podlagi katerih se lahko nato slike razvrstijo v gruče (angl. Clustering). Gruče se nato analizirajo in razvrstijo glede na zaznane lastnosti z metodo nenadzoro- vanega učenja. Poleg tega se za dodatno ločevanje podatkov in vizualizacijo rezultatov uporabljajo tehnike za zmanjševanje dimenzij, ki pomagajo pri iskanju napačno razvrščenih slik in izstopajočih podatkov. Predstavljena metodologija tako omo- goča pridobivanje informacij o drugih značilnostih slik in ne samo analizo slik glede razpokanosti oz. nerazpokanosti be- tonske površine. 2 PREDLAGANA METODOLOGIJA Predlagana metodologija (slika 1) se ukvarja z analizo specifič- nega nabora podatkov, ki vključuje slike razpokane betonske površine. Ta postopek vključuje uporabo vnaprej usposobljenih modelov nevronskih mrež za izločanje značilnosti, ki vsebujejo le najpomembnejše informacije v vektorskem formatu. Te zna- čilnosti se nato uporabijo za izračun razdalj med posameznimi podatkovnimi točkami, ki odražajo podobnosti med slikami. Na podlagi teh razdalj se oblikujejo hierarhične gruče. V nadaljeva- nju analiziramo posamezne gruče. Podatke iz gruč pretvorimo v 2D-prostor z uporabo metod za zmanjšanje dimenzij. Te pre- tvorijo podatke z veliko parametri v manj razsežen namišljen prostor, tako da se še vedno ohranijo ključne lastnosti [Zhao B., 2022]. To omogoča vizualizacijo podatkov in prepoznavanje odstopajočih elementov in osamelcev, ki lahko predstavljajo napačno razvrščene ali označene slike, kar lahko pripomore k izboljšanju napovednega modela. Metodologija je primerna tako za uporabo z označenimi kot tudi z neoznačenimi podat- ki. O označenih podatkih govorimo, kadar podatki vsebujejo vnaprej določene oznake, kot je npr. 'razpoka'/'ni razpoke'. V tem primeru ti zagotavljajo dodaten kontekst za uporabnika, vendar ne prispevajo k učenju nenadzorovanih modelov. Slika 1. Delotok predlagane metodologije. Gradbeni vestnik letnik 72 avgust 2023 188 2.1 Učenje s prenosom znanja Pri prepoznavanju slik se za prenos znanja pogosto uporablja- ta dva ključna pristopa: prilagajanje uteži in izločanje značil- nosti. Pri prilagajanju uteži se arhitektura predhodno nauče- nega modela ohrani, prilagodi pa se uteži nevronskih celic s pomočjo učenja na novem naboru podatkov. Na drugi strani, pri izločanju značilnosti, se odstranijo zadnje plasti vnaprej naučene nevronske mreže in nadomestijo z novo nevronsko mrežo, medtem ko se ostalo 'zamrzne' [Ribani, 2019]. Rezultat tega pristopa je običajno visokodimenzionalni vektor, ki vse- buje numerične vrednosti specifičnih značilnosti. Te vrednosti se lahko uporabijo za različne naloge, kot so na primer klasifi- ciranje slik, iskanje podobnih slik v naboru podatkov ali iskanje podobnih slik [Wu, 2017]. Ta pristop je še posebej uporaben v primerih, ko imamo na voljo omejeno količino učnih podatkov [Shaha, 2018]. V tej študiji se uporablja tehnika izločanja značilnosti, vendar brez učenja nove nevronske mreže. V ta namen se uporabijo predhodno naučeni modeli, predvsem VGG-16, VGG-19 in In- ception v3. Med njimi je model Inception v3 pokazal najvišjo uspešnost pri izločanju značilnosti slik razpokanega betona [Gradišar, 2023]. Zadnji sloj v modelu nevronske mreže, ki se običajno uporablja za klasifikacijo, pa se odstrani. Na ta način se visokodimenzionalni slikovni prostor predstavi v kompaktnem nizkodimenzionalnem prostoru glavnih zna- čilnosti, v katerem so zajete najpomembnejše značilnosti slike. To nam omogoči izluščiti značilnosti na novem nabo- ru podatkov in jih uporabiti za razvrščanje podobnih slik v gruče. 2.2 Nenadzorovano učenje Nenadzorovano učenje, podpodročje strojnega učenja, je postopek učenja na neoznačenih podatkih z namenom prepoznavanja implicitnih struktur podatkov. V nasprotju z učenjem s prenosom, ki za učenje modela za napovedovanje uporablja označene podatke, se pri nenadzorovanem uče- nju iščejo le razlike med neoznačenimi podatki ter odkriva- jo vzorci in povezave med njimi, brez vnaprej pripravljenih točnih pravil. Zaradi pomanjkanja označenih podatkovnih ali s tem povezanih visokih stroškov se metode nenadzoro- vanega učenja pogosto uporabljajo na različnih področjih, kot so podatkovno rudarjenje, obdelava naravnega jezika in računalniški vid. Te metode vključujejo razvrščanje v gruče, zmanjševanje razsežnosti, odkrivanje anomalij in generativ- ne modele, ki se lahko uporabljajo za različne vrste podat- kov, vključno s slikami, besedilom in podatki časovnih vrst [Witten, 2005]. Za iskanje podobnih podatkov se lahko uporablja hierarhič- no razvrščanje, pri katerem se na podlagi izračunanih razdalj med njimi oblikujejo hierarhične gruče. Posamezne podat- kovne točke se v vsaki iteraciji združujejo v vedno večje gruče, kar ustvari hierarhično strukturo. Gruče se sestavijo na način, ki najmanj poveča varianco med podatkovnimi točkami in zdru- ženimi skupinami. Tako nastanejo gruče, podobne po velikosti in obliki, ki se jih prikaže v dendrogramu (slika 2) [Murtagh, 2014]. Visokodimenzionalni podatki lahko predstavljajo nekaj izzi- vov v smislu vizualizacije ali zahtevanih računskih virov. V ta namen se lahko za reševanje teh vprašanj uporabijo tehnike zmanjševanja dimenzije. Njihov cilj je zmanjšati število zna- čilnosti z ustvarjanjem novih, nepovezanih spremenljivk, ki zajamejo najpomembnejše informacije v podatkih [Zhao B., 2022]. Te nove spremenljivke se lahko uporabijo za predstavi- tev podatkov v manj razsežnem prostoru, kar olajša vizualizaci- jo podatkov in njihovo nadaljnje ločevanje ali iskanje napačno razvrščenih primerov. Slika 2. Postopek razvrščanja slik razpok betona v gruče glede na podobnost. asist. Luka Gradišar, doc. dr. Matevž Dolenc INTEGRIRANA METODOLOGIJA STROJNEGA UČENJA ZA ANALIZO SLIK BETONSKIH RAZPOK Gradbeni vestnik letnik 72 avgust 2023 189 3 PREIZKUS IN REZULTATI Za preizkus metodologije so bile pridobljene slike razpoka- nega in nerazpokanega betona iz javnega nabora podatkov, SDNET2018 [Maguire, 2018]. Slike so bile obdelane z vnaprej naučenim modelom nevronske mreže (uporabili smo model Inception v3), kateri je bil odstranjen zadnji sloj z namenom izločanja značilnosti, kot je opisano v razdelku 2.1. Iz izloče- nih značilnosti so bile izračunane razdalje med podatkovnimi točkami in nato oblikovane hierarhične gruče. Poskus je bil razdeljen na dva dela: (i) ocenjevanje podatkov v skupinah in (ii) analiza podatkov iz posameznih skupin z uporabo metod za zmanjševanje dimenzij. Za potrebe analize smo uporabili Orange [Demšar, 2013], od- prtokodno orodje za rudarjenje podatkov. Program ponuja zbirko gradnikov za strojno učenje in vizualizacijo podatkov, ki omogoča uporabnikom izvajanje različnih nalog analize po- datkov. Zbirka orodij podpira gradnjo delotokov s povezova- njem različnih gradnikov za pripravo in analizo podatkov ter vizualizacijo. Natančneje, v naši analizi podatkov o slikah be- tonskih razpok je bil izdelan delotok (slika 3), ki je vključeval gradnike za vstavljanje slik, izračun razdalje, hierarhično raz- vrščanje v gruče in zmanjšanje dimenzij z metodo t-SNE [van der Maaten, 2008]. Testni podatki (slike betonskih razpok) so bili pridobljeni iz nabora podatkov SDNET2018, ki je javno dostopen nabor podatkov in vključuje 56.000 označenih slik razpokanih in nerazpokanih betonskih površin, vključno z različnimi dodatnimi elementi, kot so sence, nepravilnosti, robovi, lu- knje, hrapavost površine in ostanki ozadja. Nabor podatkov vsebuje raznolik izbor betonskih površin iz treh različnih virov: mostnih ploščadi, zidov in pločnikov. Ločljivost slik je bila 256 × 256 slikovnih pik v barvnem spektru RGB [Ma- guire, 2018]. Pri tem je treba poudariti, da gre za označene podatke, saj vsebujejo oznako, ali je na sliki prisotna razpo- ka ali ne. 3.1 Razvrstitev podatkov v gruče Za razvrstitev v gruče se je podrobno analiziralo vse slike iz predstavljenega nabora podatkov po predpostavljeni meto- dologiji. Za preverjanje se je spremljajo razvrstitev slik v posa- meznih skupinah glede na razmerje med obema razredoma slik – število slik z razpokanim betonom in nerazpokanim beto- nom. Spodaj predstavljeni rezultati so osredotočeni na analizo zbirke slik betonskih sten, ki vsebuje 18.139 segmentov slik, od katerih je 3.851 označenih kot razpokane, 14.287 pa kot neraz- pokane. V tem primeru oznake slik služijo ugotavljanju kako- vosti razvrščanja slik v različne gruče. Ta proces je potekal tako, da se je slika celotne stene razdelila na manjše segmente, iz katerih je bilo mogoče prepoznati spe- cifične značilnosti slike. Vsak segment slike se je nato analiziral Slika 3. Orange – odprtokodno orodje za rudarjenje podatkov v Pythonu. Slika 4. Razdelitev slike stene na segmente in njihova razvr- stitev v tri značilne gruče: gruča slik nerazpokanega betona (modro), gruča slik z razpokami in gruča slik (rdeče), ki prika- zujejo odprtine v betonu (vijolično). asist. Luka Gradišar, doc. dr. Matevž Dolenc INTEGRIRANA METODOLOGIJA STROJNEGA UČENJA ZA ANALIZO SLIK BETONSKIH RAZPOK Gradbeni vestnik letnik 72 avgust 2023 190 z nevronsko mrežo, ki je vsakemu segmentu dodelila vektor značilnih vrednosti. Na podlagi teh vrednosti se je izračunala razdalja med slikami, ki je predstavljala podobnost med njimi. Preko gručenja so se glede na razdalje segmenti slik razvrstili v posamezne gruče, ki so bile nato vizualno pregledane, da so se ugotovile njihove značilnosti. Ta proces je prikazan na sliki 4, ki prikazuje razdelitev celotne slike stene na segmente in njihovo razvrstitev v tri značilne gruče: gruča slik nerazpokane- ga betona, gruča slik z razpokami in gruča slik, ki prikazujejo odprtine v betonu. Analiza celotnega obsega slik je pokazala, da je mogoče pre- poznati gruče, ki vsebujejo razpokan ali nerazpokan beton s točnostjo 84,5 % in natančnostjo 86,2 % [Gradišar, 2023]. Sicer ta metoda dosega slabše rezultate kot konvencionalne kon- volucijske nevronske mreže [Ali R., 2022], vendar omogoča prepoznati dodatne gruče, ki vsebujejo različne šume ali ele- mente (sence, ovire, nepopolnosti povrišin), prisotne v podat- kovnem nizu (slika 5). Prav tako je mogoče najti tudi slike raz- pokanega betona, ki so glede na velikost razdeljene v različne gruče, tj. od gruče z ozkimi razpokami (slika 6 levo) do gruče z zelo širokimi razpokami (slika 6 desno). Slika 5. Gruče z visoko ločljivostjo, ki vključujejo slike betona brez razpok: (levo) gruča slik z ovirami; (sredina) gruča slik z nepopolnostmi; (desno) gruča slik betona brez razpok. Slika 6. Gruče z visoko ločljivostjo, ki vsebujejo slike razpokanega betona: (levo) gruča slik z ozkimi razpokami; (sredina) gru- ča slik srednje širokih razpok; (desno) gruča slik s širokimi razpokami. Slika 7. Gruče z nizko ločljivostjo, ki vsebujejo slike betona z razpokami in brez razpok: (levo) gruča slik z odprtinami; (sredina) gruča slik z luknjasto površino; (desno) gruča slik z zelo ozkimi razpokami. asist. Luka Gradišar, doc. dr. Matevž Dolenc INTEGRIRANA METODOLOGIJA STROJNEGA UČENJA ZA ANALIZO SLIK BETONSKIH RAZPOK Gradbeni vestnik letnik 72 avgust 2023 191 Prisotne so tudi gruče slik z nizko ločljivostjo, ki vključujejo mešanico slik iz obeh razredov. To velja za predvsem za gruče slik, ki vsebujejo zelo majhne in ozke razpoke (slika 7 desno) ali kjer v sliki prevladujejo ostale posebnosti (slika 7 levo). V teh primerih razvrščanja v gruče je težje razlikovati med obema razredoma, saj so si slike zelo podobne ne glede na to, ali vse- bujejo razpoke ali ne. Kljub navedenemu zagotavlja analiza podatkov, ki so razvršče- ni v gruče, dragocen vpogled v značilnosti podatkovnih nizov in omogoča bolj poglobljeno razumevanje rezultatov. S pomočjo razvrščanja v gruče lahko dodamo slikam dodatne oznake za razlikovanje različnih značilnosti, kot so nepravilnosti v slikah ali velikosti razpok. Prav tako je mogoče iz nabora podatkov pred uporabo dodatnih napovednih modelov odstraniti slike brez razpok, kar lahko uporabimo za gradnjo natančnejših na- povednih modelov in izboljšanje splošne učinkovitosti postop- ka razvrščanja slik. 3.2 Analiza podatkov iz posameznih skupin Za nadaljnjo analizo rezultatov so bile za posamezne gruče uporabljene metode za zmanjšanje dimenzij. V ta namen je bil visokodimenzionalni vektor izločenih podatkov pretvorjen v vektor z dvema glavnima komponentama z uporabo meto- de glavnih komponent (angl. Principal Component Analysis - PCA). Za prikaz slik je bila uporabljena statistična metoda t-SNE (angl. t-distributed Stochastic Neighbor Embedding). 2D-diagram prikaza lahko uporabimo za iskanje morebitnih napačno razvrščenih slik ali dodatne povezave med slikovni- Slika 8. 2D-diagram razpršitve t-SNE, ki vizualizira slikovne podatke iz skupin in omogoča identifikacijo morebiti napačno označenih slik. Slika 9. 2D-diagram razpršitve t-SNE, ki prikazuje slike z razpokami, ki se zmanjšujejo s koordinato x in kjer se površinske nepopolnosti povečujejo s koordinato y. asist. Luka Gradišar, doc. dr. Matevž Dolenc INTEGRIRANA METODOLOGIJA STROJNEGA UČENJA ZA ANALIZO SLIK BETONSKIH RAZPOK Gradbeni vestnik letnik 72 avgust 2023 192 mi značilnostmi in njihovim položajem v diagramu. S tem po- stopkom je bilo odkritih več napačno označenih slik, namreč s slike 8 je razvidno, da so bile nekatere od slik označene kot nepoškodovane, vendar so ob vizualnem pregledu vsebovale le sence ali druge nepravilnosti zaradi majhnih lukenj (a) na površini, druge pa so bile označene kot nerazpokane, vendar so imele vidne razpoke (b). Ob tem je treba opozoriti, da vse iz- stopajoče navidezne podatkovne točke niso napačno označe- ne, saj so si nekatere točke zaradi drugih prevladujočih znakov zelo podobne, z razpokami ali brez njih. Vizualizacija podatkov iz manjših podskupin pa olajša njihov pregled in določanje nji- hovih značilnosti. Vizualizacija slik na razpršeni ploskvi omogoča tudi prepozna- vanje korelacij med koordinatami glavnih komponent in zna- čilnostmi slik. Pri analizi večje gruče slik, ki je vključevala slike razpokanega betona, smo ugotovili slednje povezave. Ugoto- vili smo, da se velikost razpok zmanjšuje v smeri x-koordinate, medtem ko y-koordinata označuje obseg površinskih nepo- polnosti in hrapavosti, kot je prikazano na sliki 9. 3.3 Diskusija Rezultati prikazujejo uspešno razvrščanje v gruče brez potrebe po učenju novih modelov ali po uporabi označenih slikovnih po- datkov. Za ta namen so bili slikovni podatki obdelani z vnaprej naučenim modelom nevronske mreže - v našem primeru smo uporabili model Inception v3. Z razvrščanjem v gruče smo us- peli razlikovati med slikami razpokanega in nerazpokanega betona ter različnimi nepravilnostmi (ovire, nepopolnosti, ro- bovi in hrapavost površine) v slikah podatkovnega niza. Poleg tega smo z uporabo tehnik za zmanjšanje dimenzionalnosti odkrili več potencialno napačno označenih slik v uporablje- nem podatkovnem naboru. Razvrščanje v gruče dveh razredov slik (razpokanega in neraz- pokanega betona) ne dosega enake uspešnosti kot uveljavljeni modeli konvolucijskih nevronskih mrež. To je posledica težav pri razlikovanju med dvema razredoma, kadar na sliki prevla- dujejo nepravilnosti ali dodatni elementi. V takih primerih raz- vrščanje v gruče pogosto združuje slike ne glede na prisotnost razpok. To pomanjkljivost bi lahko odpravili s segmentacijo slik na manjša območja, kar bi povečalo njihovo različnost in iz- boljšalo učinkovitost razvrščanja v gruče. Kljub temu pa razvr- ščanje v gruče zagotavlja pomembne dodatne informacije, ki se jih lahko uporabi za izboljšanje nabora podatkov, na primer z odstranjevanjem slik z nepravilnostmi ali slik, ki ne prikazu- jejo betona. 4 SKLEP Raziskava predlaga integrirano metodologijo za analizo slik razpok v betonu, ki temelji na učenju s prenosom in nenad- zorovanem učenju. Predstavljen pristop izloča značilnosti slik s pomočjo predhodno naučenih modelov nevronskih mrež in jih na osnovi podobnosti razvršča v gruče. Za dodatno razliko- vanje in vizualizacijo podatkov smo uporabili tehniko zmanjše- vanja dimenzionalnosti, kar je olajšalo pregled razvrščenih slik in iskanje napak. Rezultati študije potrjujejo uporabnost predlaganega pristo- pa za analizo slikovnih podatkov o razpokah v betonu z inte- gracijo učenja s prenosom in nenadzorovanega učenja. Iz pri- dobljenih izkušenj lahko izluščimo več potencialnih aplika- cij: (1) razvrščanje v gruče lahko služi za identifikacijo motenj na slikah in njihovo odstranitev iz velikih podatkovnih zbirk, (2) slike razpokanega betona je mogoče razvrstiti v gruče glede na stopnjo razpokanosti in (3) zmanjšanje dimenzionalnosti se lahko uporabi za vizualizacijo rezultatov razvrščanja, identifika- cijo napačno razvrščenih slik, izločanje ključnih značilnosti iz skupin slik in povezovanje le-teh z njihovimi lastnostmi v real- nem svetu. Raziskava ponuja tudi alternativno poenostavljeno metodo za odkrivanje razpok v betonu, ki ne zahteva učenja ali uč- nih podatkov. Predlagano metodologijo bi lahko nadgradili z uporabo nadzorovanih tehnik razvrščanja in tako optimizirali rezultate obstoječih metod. 5 ZAHVALA Raziskava je bila financirana v okviru programa mladih razi- skovalcev Javne agencije za raziskovalno dejavnost Republike Slovenije ter raziskovalnega programa E-Gradbeništvo (P2-0210). 6 LITERATURA Ali, L., Alnajjar, F., Jassmi, H. A., Gocho, M., Khan, W., Serhani, M. A., Performance Evaluation of Deep CNN-Based Crack De- tection and Localization Techniques for Concrete Structures, Sensors, 21, 1688, https://doi.org/10.3390/s21051688, 2021. Ali, R., Chuah, J. H., Talip, M. S., Mokhtar, N., Shoaib, M. A., Structural Crack Detection Using Deep Convolutional Neural Networks, Automation in Construction, 133, 103989, https://doi. org/10.1016/j.autcon.2021.103989, 2022. Cohn, R., Holm, E., Unsupervised Machine Learning Via Trans- fer Learning and k-Means Clustering to Classify Materials Ima- ge Data, Integrating Materials and Manufacturing Innovation, 10, 231–244, https://doi.org/10.1007/s40192-021-00205-8, 2021. Demšar, J., Curk, T., Erjavec, A., Gorup, C., Hočevar, T., Milutino- vič, M., Zupan, B., Orange: Data Mining Toolbox in Python, Jour- nal of Machine Learning Research, 14, 2349–2353, 2013. Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., Fei-Fei, L., ImageNet: A Large-Scale Hierarchical Image Database, IEEE Conference on Computer Vision and Pattern Recognition, Miami, FL, USA, 22–24 junij, 248–255, 2009. Golding, V. P., Gharineiat, Z., Munawar, H. S., Ullah, F., Crack De- tection in Concrete Structures Using Deep Learning, Sustain- ability, 14, 8117, https://doi.org/10.3390/su14138117, 2022. Gradišar, L., Dolenc, M., Transfer and Unsupervised Learning: An Integrated Approach to Concrete Crack Image Analysis, Sustain- ability, 15, 3653, https://doi.org/10.3390/su15043653, 2023. asist. Luka Gradišar, doc. dr. Matevž Dolenc INTEGRIRANA METODOLOGIJA STROJNEGA UČENJA ZA ANALIZO SLIK BETONSKIH RAZPOK Gradbeni vestnik letnik 72 avgust 2023 193 Islam, M. M., Hossain, M. B., Akhtar, M. N., Moni, M. A., Hasan, K. F., CNN Based on Transfer Learning Models Using Data Au- gmentation and Transformation for Detection of Concrete Crack, Algorithms, 15, 287, https://doi.org/10.3390/a15080287, 2022. Ji, X., Vedaldi, A., Henriques, J., Invariant Information Cluste- ring for Unsupervised Image Classification and Segmentation, IEEE/CVF International Conference on Computer Vision, Seoul, South Korea, 27. oktober–2. november, 9864–9873, 2019. Kim, H., Ahn, E., Shin, M., Sim, S-H., Crack and Noncrack Classi- fication from Concrete Surface Images Using Machine Lear- ning, Structural Health Monitoring, 18(3), 725-738, https://doi. org/10.1177/147592171876874, 2019. Li, S., Zhao, X., Image-Based Concrete Crack Detection Using Convolutional Neural Network and Exhaustive Sear- ch Technique, Advances in Civil Engineering, 12, https://doi. org/10.1155/2019/6520620, 2019. Maguire, M., Dorafshan, S., Thomas, R. J., SDNET2018: A Con- crete Crack Image Dataset for Machine Learning Applications, Utah State University, Logan, UT, USA, https://doi.org/10.15142/ T3TD19, 2018. Murtagh, F., Legendre, P., Ward’s Hierarchical Agglomerati- ve Clustering Method: Which Algorithms Implement Ward’s Criterion? Journal of Classification, 31, 274–295, https://doi. org/10.1007/s00357-014-9161-z, 2014. Noh, Y., Koo, D., Kang, Y.-M., Park, D., Lee, D., Automatic Crack Detection on Concrete Images Using Segmentation via Fuzzy c-Means Clustering, International Conference on Applied System Innovation (ICASI), Sapporo, Japan, 13.–17. maj 2017, 877, 2017. Pan, S. J., Yang, Q., A Survey on Transfer Learning, IEEE Tran- sactions on Knowledge and Data Engineering, 22, 1345–1359, https://doi.org/10.1109/TKDE.2009.191, 2010. Ribani, R., Marengoni, M., A Survey of Transfer Learning for Convolutional Neural Networks, 32nd SIBGRAPI Conferen- ce on Graphics, Patterns and Images Tutorials (SIBGRAPI-T), Rio de Janeiro, Brazil, 28-31 oktober 2019, 47-57, https://doi. org/10.1109/SIBGRAPI-T.2019.00010, 2019. Shaha, M., Pawar, M., Transfer Learning for Image Classification, Second International Conference on Electronics, Communica- tion and Aerospace Technology, Coimbatore, Indija, 29.–31. ma- rec 2018, 656–660, https://doi.org/10.1109/ICECA.2018.8474802, 2018. van der Maaten, L., Hinton, G., Visualizing Data using t-SNE, Jour- nal of Machine Learning Research, 9, 2579-2605, 2008. Witten, I. H., Frank, E., Hall, M. A., Data Mining: Practical Ma- chine Learning Tools and Techniques, Morgan Kaufmann, San Francisco, CA, USA, 664, 2005. Wu, C., Manmatha, R., Smola, A. J., Krähenbühl, P., Sampling Matters in Deep Embedding Learning, IEEE International Con- ference on Computer Vision, Venice, Italy, 22.–29. oktober 2017, 2859–2867, https://doi.org/10.1109/ICCV.2017.309, 2017. Zaidi, S. S., Ansari, M. S., Aslam, A., Kanwal, N., Asghar, M., Lee, B., A Survey of Modern Deep Learning Based Object Detecti- on Models, Digital Signal Processing, 126, 103514, https://doi. org/10.1016/j.dsp.2022.103514, 2022. Zhao, B., Dong, X., Guo, Y., Jia, X., Huang, Y., PCA Dimensionality Reduction Method for Image Classification, Neural Processing Letters, 54, 347–368, https://doi.org/10.1007/s11063-021-10632-5, 2022. Zhao, Z., Zheng, P., Xu, S., Wu, X., Object Detection with Deep Learning: A Review, IEEE Transactions on Neural Networks and Learning Systems, 99, 1–21, https://doi.org/10.1109/TNN- LS.2018.2876865, 2019. Zhou, S., Canchilam, C., Song, W., Deep learning-based crack segmentation for civil infrastructure: Data types, architectures, and benchmarked performance, Automation in Construction, 146, 104678, https://doi.org/10.1016/j.autcon.2022.104678, 2023. asist. Luka Gradišar, doc. dr. Matevž Dolenc INTEGRIRANA METODOLOGIJA STROJNEGA UČENJA ZA ANALIZO SLIK BETONSKIH RAZPOK Gradbeni vestnik letnik 72 avgust 2023 194 Andraž Zalar PRIMERJAVA PRESKUSNIH METOD DOLOČANJA ZVOČNE IZOLATIVNOSTI PROTIHRUPNIH OGRAJ Andraž Zalar, mag. inž. grad. andraz.zalar@zag.si Zavod za gradbeništvo Slovenije, Dimičeva ulica 12, Ljubljana Strokovni članek UDK/UDC: 628.517.2:625.745 PRIMERJAVA PRESKUSNIH METOD DOLOČANJA ZVOČNE IZOLATIVNOSTI PROTIHRUPNIH OGRAJ COMPARISON OF TEST METHODS FOR DETERMINATION OF SOUND INSULATION PERFORMANCE OF NOISE BARRIERS Povzetek Protihrupne ograje so dobra rešitev za zaščito bivalnega okolja pred prometnim hrupom. Prispevek predstavlja zvočno izolativ- nost ograj. Ugotavlja se z laboratorijskimi in terenskimi merilnimi metodami, pri čemer se rezultati meritev po obeh metodah zaradi različnih zvočnih polj nekoliko razlikujejo. V nadaljevanju se s primerjavo rezultatov laboratorijskih in terenskih meritev zvočne izolativnosti na istih vzorcih ograj določi medsebojna povezava rezultatov obeh vrst meritev v obliki linearne regresije. To se primerja z regresijo, dobljeno v študiji projekta QUIESST. Treba je poudariti, da je zvočna izolativnost vzorcev v prispevku obravnavanih ograj večinoma bistveno manjša od zvočne izolativnosti ograj, obravnavanih v študiji QUIESST. Ključne besede: protihrupne ograje, zvočna izolativnost, merilne metode, primerjava merilnih metod Summary Noise barriers are a good solution to protect the residential environment from traffic noise. This research paper presents sound insulation performance of barriers. It is determined by laboratory and in-situ measurement methods, although the results of measurements using both methods differ somewhat due to the different sound fields. In the following, by comparing the re- sults of laboratory and in-situ sound insulation measurements on the same test samples of barriers, the correlation between both types of measurements is determined in the form of linear regression. This regression is compared with the one obtained in the study of the QUIESST project. It should be emphasized that the samples measured in this paper mostly perform signifi- cantly lower in terms of sound insulation than those used in the QUIESST study. Key words: noise barriers, sound insulation performance, measurement methods, comparison of measurement methods Gradbeni vestnik letnik 72 avgust 2023 195 Andraž Zalar PRIMERJAVA PRESKUSNIH METOD DOLOČANJA ZVOČNE IZOLATIVNOSTI PROTIHRUPNIH OGRAJ 1 UVOD Splošno najbolj moteč hrup v bivalnem okolju je hrup ce- stnega prometa [Čudina, 2001]. Zaradi povečevanja števila motornih vozil ta hrup še narašča, zato se omejuje z različni- mi protihrupnimi ukrepi. Med najpogostejše ukrepe v Slove- niji sodijo protihrupne ograje, saj z vidika zmanjšanja hrupa predstavljajo učinkovito in enostavno rešitev. Najmanj pose- gajo v sam vir hrupa oz. cestni promet in sprejemnike, npr. stanovanjske objekte, zaščitijo pa lahko velika območja v bližini cest. V prispevku so predstavljene akustične lastnosti ograj in njihov vpliv na učinkovitost pri zaščiti pred hrupom prometa. V nadaljevanju prispevek prikaže ovrednotenje akustičnih lastnosti ograj z uporabo standardiziranih labo- ratorijskih in terenskih merilnih metod ugotavljanja zvočne izolativnosti. Po laboratorijskih in terenskih merilnih meto- dah dobljene vrednosti zaradi uporabe različnih zvočnih polj medsebojno niso neposredno primerljive. Zaradi različ- nih v nadaljevanju prispevka opisanih dejavnikov je smiselno iz vrednosti rezultatov laboratorijskih meritev določiti vred- nosti rezultatov terenskih meritev in obratno. Namen prispevka je potrditi, da je z laboratorijskimi in te- renskimi meritvami zvočnih izolativnosti istih vzorcev ograj možno določiti regresijo, ki opiše povezavo med vrednostmi rezultatov laboratorijskih in terenskih meritev zvočne izola- tivnosti. Naslednji cilj je potrditev skladnosti dobljene regre- sije z regresijo, dobljeno v študiji projekta QUIESST (QUIete- ning the Environment for a Sustainable Surface Transport), kjer je pri meritvah sodelovalo več evropskih laboratorijev [Conter, 2021]. Ograje, obravnavane v prispevku, imajo ve- činoma majhno zvočno izolativnost. Študija QUIESST takih ograj ni obravnavala. Torej se z določitvijo regresije, doblje- ne v prispevku, potrdi njena uporabnost tudi za ograje z majhno zvočno izolativnostjo. 2 AKUSTIČNE LASTNOSTI PROTIHRUPNIH OGRAJ Pri cestah brez protihrupnih ograj se zvok med prometom, ki predstavlja zvočni vir, in sprejemnikom prenaša nepo- sredno ter z odbojem zvoka od tal do sprejemnika [Kotzen, 2009]. S postavitvijo ograje se ti dve poti prekineta. Kot je prikazano na sliki 1, se pri tem zvok deloma prenaša skozi ograjo, deloma od nje odbija, deloma v njej absorbira in deloma ukloni preko nje. Od zvočnega vira na eni strani do sprejemnika na drugi strani ograje se prenaša zvok torej ne- posredno skozi ograjo in z uklonom okrog stranskih robov ograje ter preko ograje. 3 ZVOČNA IZOLIRNOST V splošnem predstavlja mero za zvočno izolativnost ogra- je zvočna izolirnost R, ki je definirana kot logaritemsko raz- merje vpadle in prenesene zvočne moči. Določi se z enačbo [Simons, 2004]: (1) kjer je: τ - koeficient prenosa zvoka (/), W1 - zvočna moč, ki vpada na ograjo s strani vira (W), W2 - zvočna moč, ki se prenaša skozi ograjo in seva proti sprejemniku (W). Konkretno za hrup prometa se zvočna izolativnost ograje ovrednoti z enoštevilčno vrednostjo izolirnosti pred zvokom v zraku DLR, izmerjeno v laboratoriju, in enoštevilčno vredno- stjo izolirnosti pred zvokom v zraku DLSI, izmerjeno na tere- nu. Obe vrednosti sta predstavljeni v nadaljevanju prispevka. 3.1 Laboratorijska metoda ugotavljanja zvočne izolirnosti ograj Enoštevilčno vrednost izolirnosti pred zvokom v zraku DLR se uporablja za prikaz in primerjavo splošne zvočnoizolacij- ske učinkovitosti različnih ograj, projektiranih za ceste v od- mevnih pogojih, na primer v globokih vkopih ali ob visokih stavbah. Dobljena je v laboratoriju z meritvami po presku- sni metodi za ugotavljanje izolirnosti ograj pred zvokom v zraku v difuznem (razpršenem) zvočnem polju. Metoda je Slika 1. Prenos zvoka pri postavljeni ograji [Vanhooreweder, 2017]. Gradbeni vestnik letnik 72 avgust 2023 196 določena v standardu [SIST, 2018a]. Pri meritvah se upora- bljata dve sosednji sobi. Ena je soba z virom hrupa (oddaj- na soba), druga pa sprejemna soba. Preskusni vzorec ogra- je, sestavljen iz akustičnih elementov in stebra, je vstavljen v preskusno odprtino med obema sobama in sestavljen na enak način kot na terenu (sliki 2 in 3). V oddajni sobi je postavljen neusmerjeni zvočnik, ki ustvarja odmevne po- goje kot približek difuznega zvočnega polja. Difuzno zvoč- no polje je definirano kot idealno odmevno zvočno polje, v katerem je gostota zvočne energije enakomerna po celot- nem prostoru, in če izberemo katerokoli točko v prostoru, bo obstajala enaka verjetnost, da bo zvočni val, ki prihaja v to točko, prispel v kateremkoli trenutku iz katerekoli sme- ri [Hopkins, 2007]. Neprekinjeno premikajoča se mikrofo- na, eden v oddajni in drugi v sprejemni sobi, istočasno po prostoru merita ravni zvočnega tlaka v terčnih frekvenčnih pasovih s srednjimi frekvencami med 100 in 5000 Hz [SIST, 2021]. V sprejemni sobi se izvedejo še meritve odmevnega časa. To je čas, ki je potreben, da po prekinitvi zvoka iz zvoč- nika pade raven zvočnega tlaka v prostoru za 60 dB [SIST, 2004]. Izmerjene ravni zvočnega tlaka v oddajni in sprejemni sobi ter odmevni čas so osnova za izračun laboratorijske zvočne izolirnosti Ri i-tega terčnega pasu po enačbi [SIST, 2021]: (2) kjer je: L1i - povprečna raven zvočnega tlaka i-tega terčnega pasu v oddajni sobi (dB), L2i - povprečna raven zvočnega tlaka i-tega terčnega pasu v sprejemni sobi (dB), S - površina odprtine med oddajno in sprejemno sobo, v katero je vstavljen preskusni vzorec (m2), Ti - odmevni čas i-tega terčnega pasu (s), V - volumen sprejemne sobe (m3). Posamezne izmerjene zvočne izolirnosti Ri v i-tih terčnih pa- sovih med 100 in 5000 Hz se utežijo z uporabo v standardu [SIST, 1999] definiranih ravni zvočnega tlaka za frekvenčni spekter prometnega hrupa, kar je osnova za izračun enošte- vilčne vrednosti izolirnosti ograje DLR po enačbi [SIST, 2018a]: (3) kjer je: Ri - zvočna izolirnost i-tega terčnega pasu (dB), Li - raven zvočnega tlaka za frekvenčni spekter prome- tnega hrupa v i-tem terčnem pasu ob upoštevanju korekcije po korekcijski krivulji A (dB). Pri ograji z vrednostjo DLR vsaj 25 dB je prispevek skozi ogra- jo prenesenega zvoka zanemarljiv v primerjavi s celotnim zvokom, ki se prenese od zvočnega vira na eni do sprejem- nika na drugi strani ograje. V tem primeru se predpostavi, da se celoten zvok prenese z uklonom okrog robov pri stra- neh ograje ali preko vrha ograje. Takšna ograja ima zadostno izolirnost in se obravnava kot zvočno neprepustna [Kotzen, 2009]. Slika 2. Skica postavitve vzorca ograje v laboratorijski preskusni odprtini [SIST, 2018a]. Slika 3. Laboratorijsko merjenje zvočne izolirnosti ograj. Andraž Zalar PRIMERJAVA PRESKUSNIH METOD DOLOČANJA ZVOČNE IZOLATIVNOSTI PROTIHRUPNIH OGRAJ Gradbeni vestnik letnik 72 avgust 2023 197 3.2 Terenska metoda ugotavljanja zvočne izolirnosti ograj Enoštevilčna vrednost izolirnosti pred zvokom v zraku DLSI se uporablja za prikaz in primerjavo splošne zvočnoizola- cijske učinkovitosti različnih ograj, projektiranih za ceste v neodmevnih pogojih, ocenjevanje ustrezne zvočne izo- lirnosti ograj na terenu in preverbo skladnosti vgrajenih ograj z načrti. Dobljena je na mestu vgradnje ograj ali na testnem polju s terenskimi meritvami po preskusni meto- di za ugotavljanje izolirnosti ograj pred zvokom v zraku v usmerjenem zvočnem polju. Metoda je določena v stan- dardu [SIST, 2018b]. Meritve potekajo na način, da se na eno stran ograje na- mesti zvočnik z usmerjenim zvočnim poljem, ki generira impulzni zvočni signal, na drugo stran pa merilno gredo, sestavljeno iz okvirja, na katerem je devet vertikalnih in medsebojno enako razporejenih mikrofonskih pozicij v kvadratni 3×3 razporeditvi (sliki 4 in 5). Mikrofon, ki se na- mesti na vsako izmed devetih merilnih mest merilne gre- de, z meritvijo impulznega odziva beleži signal skozi og- rajo prenesenega zvoka. Načrt postavitve pri meritvah je podan na sliki 6. Za pridobitev rezultatov referenčnega direktnega zvoka v prostem polju se enaka meritev kot pri merjenju z ograjo po- novi še na mestu brez vmesne ograje. S primerjavo močno- stnih spektrov direktnega in skozi ograjo prenesenega signa- la, ki predstavljata porazdelitev moči signala po frekvencah tega signala, se določi posamezna impulzna zvočna izolir- nost ograje v i-tem terčnem pasu SIi med 100 in 5000 Hz. Pri tem v obravnavo ne sme biti zajet uklon zvoka preko ro- bov ograje, kar je odvisno od najmanjše dimenzije (višine ali dolžine) obravnavane ograje. Zato se z grafa, prikazanega v standardu [SIST, 2018b], določi glede na najmanjšo dimen- zijo ograje najnižji za upoštevanje pri določitvi izolirnosti SIi še zanesljiv terčni pas od 100 Hz navzgor fmin. Posamezne izo- lirnosti SIi se utežijo z uporabo ravni zvočnega tlaka za fre- kvenčni spekter prometnega hrupa, kar je osnova za izračun enoštevilčne vrednosti izolirnosti ograje DLSI po enačbi [SIST, 2018b]: (4) Slika 6. Prikaz merjenja skozi ograjo prenesenega zvoka pri terenskih meritvah zvočne izolirnosti [SIST, 2018b]. Slika 4. Merilna greda in merilne točke [SIST, 2018b]. Slika 5. Merilna greda z mikrofonom pri terenskih meritvah zvočne izolirnosti z vmesno ograjo. Andraž Zalar PRIMERJAVA PRESKUSNIH METOD DOLOČANJA ZVOČNE IZOLATIVNOSTI PROTIHRUPNIH OGRAJ Gradbeni vestnik letnik 72 avgust 2023 198 kjer je: m - število najnižjega še zanesljivega terčnega pasu od 100 Hz navzgor fmin, Li - raven zvočnega tlaka za frekvenčni spekter prome- tnega hrupa v i-tem terčnem pasu ob upoštevanju korekcije po korekcijski krivulji A (dB), SIi - impulzna zvočna izolirnost ograje v i-tem terčnem pasu (dB). V primeru, da je ograja sestavljena iz akustičnih elementov in stebrov, se meritev in izračun vrednosti DLSI izvedeta tako pri akustičnem elementu kot tudi pri stebru. S kombinacijo obeh vrednosti se določi skupna vrednost DLSI,G po enačbi [SIST, 2018b]: (5) kjer je: DLSI,E - enoštevilčna vrednost izolirnosti akustičnega elementa (dB), DLSI,P - enoštevilčna vrednost izolirnosti stebra (dB). 4 PRIMERJAVA LABORATORIJSKE IN TERENSKE METODE Laboratorijska in terenska metoda preiskav za ugotavlja- nje zvočne izolirnosti ograj imata vsaka svoje prednosti. Z laboratorijskimi preiskavami proizvajalci ograj ugotavlja- jo ustreznost ograj še pred njihovo izgradnjo na terenu. Terenske preiskave so glede na laboratorijske enostavnej- še za izvedbo, saj ograj ni treba transportirati v laboratorij, ampak se lahko preverjajo kar na samem mestu vgradnje. Pomembna prednost terenskih preiskav je tudi odkrivanje in odpravljanje različnih napak pri sami izvedbi vgradnje, kot so npr. vrzeli, slabi stiki, neustrezna sestava ograj in drugo. Pri načrtovanju ograj je npr. lahko zahtevano, da se mo- rajo ograje uvrstiti v določeno kategorijo zvočnoizolacijske učinkovitosti, ki je definirana le v standardu o laboratorij- skih preiskavah [SIST, 2018a], v standardu o terenskih pre- iskavah [SIST, 2018b] pa ne. S kategoriziranjem se preveri akustična ustreznost ograj. V primeru, da je možno izvesti le terenske preiskave, npr. zaradi že vgrajenih ograj na sa- mem mestu vgradnje, ali če želimo npr. ugotoviti zvočno izolirnost ograje v neodmevnih zvočnih pogojih, ki so pri- sotni na mestu vgradnje, vendar pa v laboratoriju niso za- gotovljeni, je treba rezultate terenskih preiskav pretvoriti v laboratorijske. Ti rezultati medsebojno niso neposredno primerljivi [SIST, 2018b], saj je, kot že omenjeno, pri terenskih preiskavah zvočno polje usmerjeno (zvočno valovanje se od zvočnika proti mikrofonu brez odbojev širi pod določenim vpadnim kotom), pri laboratorijskih pa je odmevno (vsi vpadni koti zvočnih valov na mikrofon so enako verjetni). Zato se je iz- vedla raziskava, s katero se je ugotavljalo, v kakšni medseboj- ni povezavi so rezultati obeh meritev. Opravile so se meritve zvočne izolirnosti različnih vzorcev ograj. Vsak vzorec se je meril tako na terenu kot v laboratoriju. Iz dobljenih rezulta- tov meritev se je nato s pomočjo linearne regresije določila povezanost laboratorijskih in terenskih rezultatov. V raziskavi ugotovljena linearna regresija, ki rezultatom labo- ratorijskih meritev zvočne izolirnosti ograj DLR priredi rezul- tate DLSI,I, ki bi bili dobljeni s terenskimi meritvami, je pred- stavljena z enačbo: (6) Z linearno regresijo se lahko ugotavlja tudi obratno, torej da rezultatom terenskih meritev zvočne izolirnosti DLSi, priredi- mo rezultate DLRI,I, ki bi bili dobljeni z laboratorijskimi me- ritvami, in sicer z naslednjo enačbo, določeno na podlagi izvedene raziskave: (7) Korelacijski koeficient linearne regresije R2 je 0,988, kar naka- zuje, da z dobljeno linearno regresijo lahko zelo dobro opi- šemo povezavo med laboratorijskimi in terenskimi rezultati. Dobljeni rezultati so se primerjali z rezultati raziskovalne študije, narejene v okviru evropskega projekta QUIESST, kjer so se izvedli medlaboratorijski preizkusi za različne vrste ograj. Po študiji QUIESST je linearna regresija, ki iz rezultatov laboratorijskih meritev zvočne izolirnosti ograj DLR priredi rezultate terenskih meritev DLSI,Q, podana z na- slednjo enačbo: (8) Korelacijski koeficient linearne regresije R2 je po tej enačbi 0,954. Tudi študija QUIESST torej potrjuje zelo dobro poveza- nost med laboratorijskimi in terenskimi rezultati. Na sliki 7 so prikazane primerjalne vrednosti laboratorij- skih in terenskih meritev zvočne izolirnosti, izmerjene na vzorcih v prispevku predstavljene študije in dobljene iz re- zultatov vzorcev iz študije QUIESST, poleg tega pa še pre- mici linearne regresije izmerjenih vzorcev DLSI,I in linearne regresije iz študije QUIESST DLSI,Q. Linearni regresiji DLSI,I in DLSI,Q sta enakovredni, kar je razvidno iz grafičnega ujema- nja obeh regresijskih premic na sliki 7. Analitično pa se njuno enakovrednost potrdi z izračunom standardne na- pake linearne regresijske ocene za DLSI,I in DLSI,Q, pri čemer je seštevek obeh standardnih napak večji od medsebojne razlike med realno največjima izračunanima terenskima vrednostma zvočne izolirnosti DLSI,I in DLSI,Q po enačbah (6) in (8). Kot je razvidno s slike 7, je večina v študiji izmerjenih vzorcev ograj imela nizke vrednosti izolirnosti (DLR pod 25 dB). Takih vzorcev študija QUIESST ni zajela v obravnavo. Tako se je z določitvijo linearne regresije potrdila njena uporabnost tudi pri zvočno manj izolativnih ograjah z DLR vrednostjo, manjšo od 25, vendar večjo od 10 dB. Andraž Zalar PRIMERJAVA PRESKUSNIH METOD DOLOČANJA ZVOČNE IZOLATIVNOSTI PROTIHRUPNIH OGRAJ Gradbeni vestnik letnik 72 avgust 2023 199 5 UKLON ZVOKA V povezavi s prenosom zvoka od zvočnega vira na eni stra- ni ograje do sprejemnika na drugi strani je treba omeniti tudi uklon zvoka okrog robov pri straneh ograje in pre- ko vrha ograje, saj je ta najpomembnejši vzrok omejeva- nja zvočno izolacijske učinkovitosti ograj. Njegov vpliv na zvočno izolacijsko učinkovitost ograj je sicer neizogiben, vendar lahko k njegovemu zmanjšanju in posledično večji učinkovitosti ograj največ prispevajo višje in bolj navpične ograje. Dodatno lahko k temu pripomoreta še povečanje površine absorpcijskih oblog na ograjah in namestitev dodatnih ovir na vrhu ograj. Pri višjem deležu tovornega prometa glede na promet osebnih vozil je učinkovitost ograj manjša, saj se nizkofrekvenčni zvok, ki ga v prometu ustvarjajo predvsem tovorna vozila, v primerjavi z visoko- frekvenčnim veliko enostavneje uklanja preko ograje [Vanhooreweder, 2017]. 6 SKLEP Laboratorijski in terenski rezultati meritev zvočne izolirnosti ograj zaradi različnih zvočnih polj med seboj niso nepo- sredno primerljivi. Lahko se zgodi, da je zaradi izpolnjevanja zahtev treba ograje uvrstiti v določene kategorije zvočno- izolacijske učinkovitosti, ki so definirane le pri laboratorij- skih meritvah. Zato je v primeru, ko je možna le izvedba te- renskih meritev, treba določiti povezavo med rezultati obeh vrst meritev. V prispevku obravnavana študija je potrdila, da je z laboratorijskimi in terenskimi meritvami zvočnih izolir- nosti istih vzorcev ograj možno določiti linearno regresijo, ki dobro opiše to povezavo. Dobljena linearna regresija se uje- ma z linearno regresijo iz študije projekta QUIESST. Obrav- navane ograje so imele večinoma manjšo zvočno izolirnost od tistih, zajetih v študiji QUIESST. V prispevku predstavljena povezava med rezultati laboratorijskih in terenskih meritev je torej potrdila njeno uporabnost tudi pri ograjah z nizkimi vrednostmi zvočnih izolirnosti, katerih izmerjena vrednost DLR pa je večja od 10 dB. 7 LITERATURA Conter, M., Deliverable 2.2: Final report on the main results of WP2 (including M2.1, M2.2. and M2.3) - Acoustic assessment of the intrinsic performances of noise barriers. CEDR Trans- national Road Research Programme 2018, spletna stran portala - https://drive.google.com/file/d/1zYBkZZiiUqyy0ef- SLsgpesUR816lWXdj/ view?pli=1, 2021. Čudina, M., Tehnična akustika. Merjenje, vrednotenje in zmanjševanje hrupa in vibracij, Ljubljana, Univerza v Ljublja- ni, Fakulteta za strojništvo, 2001. Hopkins, C., Sound Insulation. 1st ed., Oxford, Burlington, El- sevier Ltd., 2007. Kotzen, B., English, C., Environmental Noise Barriers. A guide to their acoustic and visual design, London, New York, Spon Press, 2009. Slika 7. Primerjalne vrednosti laboratorijske in terenske zvočne izolirnosti izmerjenih vzorcev in vzorcev iz študije QUIESST ter premici linearne regresije DLSI,I in DLSI,Q. Andraž Zalar PRIMERJAVA PRESKUSNIH METOD DOLOČANJA ZVOČNE IZOLATIVNOSTI PROTIHRUPNIH OGRAJ Gradbeni vestnik letnik 72 avgust 2023 200 Simons, M. W., Waters, J. W., Sound Control in Buildings. A Guide to Part E of the Building Regulations, Oxford, Black- well Publishing Ltd., 2004. SIST, SIST EN 1793-3: 1999, Protihrupne ovire za cestni promet - Preskusna metoda za ugotavljanje akustičnih lastnosti - 3. del: Normalizirani spekter hrupa cestnega prometa, Slo- venski inštitut za standardizacijo, Ljubljana, 1999. SIST, SIST EN ISO 354: 2004, Akustika - Merjenje absorpcije zvoka v odmevnici, Slovenski inštitut za standardizacijo, Lju- bljana, 2004. SIST, SIST EN 1793-2: 2018, Protihrupne ovire za cestni promet - Preskusna metoda za ugotavljanje akustičnih lastnosti - 2. del: Karakteristike, značilne za izolacijo pred zvokom v zraku, Slovenski inštitut za standardizacijo, Lju- bljana, 2018a. SIST, SIST EN 1793-6: 2018, Protihrupne ovire za cestni pro- met - Preskusna metoda za ugotavljanje akustičnih last- nosti - 6. del: Bistvene karakteristike - Terenske vrednosti izolirnosti pred zvokom v zraku pri usmerjenem zvočnem polju, Slovenski inštitut za standardizacijo, Ljubljana, 2018b. SIST, SIST EN ISO 10140-2: 2021, Akustika - Laboratorijsko merjenje zvočne izolirnosti gradbenih elementov - 2. del: Merjenje izolirnosti pred zvokom v zraku, Slovenski inštitut za standardizacijo, Ljubljana, 2021. Vanhooreweder, B., Marcocci, S., De Leo, A., Technical Report 2017-02. State of the art in managing road traffic noise: noise barriers. Conference of European Directors of Roads, Bruselj, CEDR's Secretariat, spletna stran portala - https://www.cedr. eu/download/ Publications/2017/CEDR-TR2017-02-noise- barriers.pdf, 2017. Andraž Zalar PRIMERJAVA PRESKUSNIH METOD DOLOČANJA ZVOČNE IZOLATIVNOSTI PROTIHRUPNIH OGRAJ Gradbeni vestnik letnik 72 avgust 2023 201 FOTOREPORTAŽA GRADNJA ŽELEZNIŠKEGA VIADUKTA PESNICA Slika 1. Dvotirni viadukt Pesnica dolžine 912 m, avgust 2023 (foto: Ponting, d. o. o.). Lokacija: Pesnica pri Mariboru Investitor: Direkcija RS za infrastrukturo Projektant viadukta: Ponting, d. o. o., Maribor, odg. projektant dr. Viktor Markelj, univ. dipl. inž. grad. Inženir: DRI upravljanje investicij, d. o. o., Ljubljana Izvajalec odseka: JV Pomgrad, d. d., Kolektor Koling, d. o. o., SŽ-ŽGP Ljubljana, d. d., GH-Holding, d. o. o., Gorenjska gradbena družba, d. d. Izvajalec viadukta: Pomgrad, d. d., Murska Sobota Končna vrednost del: 14,8 mio. EUR z DDV (objekt je sofinanciran s strani Evropskega kohezijskega sklada) GRADNJA ŽELEZNIŠKEGA VIADUKTA PESNICA Fotoreportaža Gradbeni vestnik letnik 72 avgust 2023 202 Slika 2. Kompleksna armatura razdeljenega stebra (foto: Srečko Prša, Pomgrad, d. d.). Slika 3. Razdeljeni steber je podpora dveh okvirjev (foto: Ponting, d. o. o.). Konec leta 2020 se je začela gradnja novega 3,7 km dolgega železniškega odseka med Mariborom in Pesnico. Poleg 1,5 km dolgega predora se na tem odseku proge nahaja tudi novi dvotirni viadukt Pesnica širine 14,36 m ter dolžine 912,60 m, s čimer bo to najdaljši železniški viadukt v Sloveniji. Viadukt premošča poplavno dolino reke Pesnice in pritoka Cirknice, poteg tega pa premošča še avtocesto A1 Ljubljana–Šentilj, glavno cesto Pesnica–Lenart ter lokalne ceste. Viadukt je namenjen elektrificirani dvotirni železniški progi, ki pa bo v prvi fazi izvedena kot enotirna. Tesna obremenitev viadukta je bila izvedena avgusta 2023, nakar je bil sproščen tudi železniški promet po tem novem odseku. V ekstremnem vremenu, ki je doletelo Slovenijo to poletje, je poplavljala tudi reka Pesnica. Zato je treba poudariti, da je koncept viadukta odporen proti velikim železniškim obtežbam pa tudi proti vsem ekstremnim naravnim dogodkom kot so poplave, plazovi, neurja z vetrovi, spremembe temperature in potresi. Viadukt je inovativno zasnovan kot serija integralnih okvirjev ter je v celoti brez konstrukcijskih ležišč. Posamezen okvir sestavlja- jo piloti, trije različni tipi stebrov ter prednapeta prekladna konstrukcija. Elementi so med sabo monolitno povezani v duktilno okvirno konstrukcijo, s čimer imajo dodatno rezervo nosilnosti. Viadukt je sestavljen iz 7 okvirjev dolžine 112 m ter dveh kraj- nih okvirjev polovične dolžine. Oba krajna opornika sta nepomična, brez ležišč, monolitno povezana s prekladno konstrukcijo. Prekladna konstrukcija ima prečni prerez dveh reber konstrukcijske višine 2,30 m. Prednapenjanje segmenta dolžine 112 m je inovativno iz sredine s po 8 kablov na rebro, pri čemer je vsak kabel prednapet s silo 3800 kN. Kabli so elektroizolirani v PEHD- cevi sistema Freyssinet. Preko viadukta in opornikov poteka tir na togi podlagi (TTP), kar je prva implementacija TTP na viaduktu v Sloveniji. Tir poteka kot zvezno zavarjen tir brez dilatacijskih naprav v progi, kar je velik prispevek k varnosti prometa, stroškom izgradnje in vzdrževanja ter varovanju okolja pred hrupom. GRADNJA ŽELEZNIŠKEGA VIADUKTA PESNICA Fotoreportaža Gradbeni vestnik letnik 72 avgust 2023 203 Slika 4. Viadukt z odrom za novi segment (foto: Srečko Prša, Pomgrad, d. d.). Slika 6. Betoniranje zadnjega segmenta, oktober 2022 (foto: Pomgrad, d. d.). Slika 5. Pogled od spodaj (foto: Ponting, d. o. o.). GRADNJA ŽELEZNIŠKEGA VIADUKTA PESNICA Fotoreportaža Gradbeni vestnik letnik 72 avgust 2023 204 Sliki 7 in 8. Viadukt premošča avtocesto, glavno cesto, poplavno območje, reko pesnico in Cirknico ter lokalne ceste (foto: Ponting, d. o. o.). Slika 9. Prva aplikacija tira na togi podlagi na viaduktu v Sloveniji (foto: Ponting, d. o. o.). Slika 11. Viadukt se nevsiljivo vklaplja v okolje (foto: Ponting, d. o. o.). Slika 10. Med okvirji so vgrajene hidravlične naprave za pre- nos udarnih sil STU 2500 kN (foto: Ponting, d. o. o.). Avtor fotoreportaže: dr. Viktor Markelj, univ. dipl. inž. grad. (Ponting, d. o. o.) GRADNJA ŽELEZNIŠKEGA VIADUKTA PESNICA Fotoreportaža Gradbeni vestnik letnik 72 avgust 2023 205 Rubriko ureja Eva Okorn, gradb.zveza@siol.net UNIVERZA V LJUBLJANI, FAKULTETA ZA GRADBENIŠTVO IN GEODEZIJO UNIVERZA V MARIBORU, FAKULTETA ZA GRADBENIŠTVO, PROMETNO INŽENIRSTVO IN ARHITEKTURO UNIVERZA V MARIBORU, FAKULTETA ZA GRADBENIŠTVO, PROMETNO INŽENIRSTVO IN ARHITEKTURO – EKONOMSKO POSLOVNA FAKULTETA NOVI DIPLOMANTI GRADBENIŠTVA I. STOPNJA – UNIVERZITETNI ŠTUDIJSKI PROGRAM VODARSTVO IN OKOLJSKO INŽENIRSTVO Lana Radulović, Vpliv prestrezanja padavin na mikrostrukturo padavin, mentorica prof. dr. Mojca Šraj, somentor doc. dr. Nejc Bezak; https://repozitorij.uni-lj.si/IzpisGradiva.php?id=148101 I. STOPNJA – UNIVERZITETNI ŠTUDIJSKI PROGRAM GRADBENIŠTVO Zala Petauer, zaključek študija brez zaključnega dela. Nejc Luetić, zaključek študija brez zaključnega dela. INTERDISCIPLINARNI ŠTUDIJ GOSPODARSKEGA INŽENIRSTVA – SMER GRADBENIŠTVO II. STOPNJA – MAGISTRSKI ŠTUDIJSKI PROGRAM Elvis Zadravec, Uvedba delotoka BIM in koordinacije BIM v gradbeno podjetje, mentorja izr. prof. dr. Andrej Tibaut in izr. prof. dr. Igor Perko, somentorica asist. dr. Sara Filipa Guerra de Oliveira; https://dk.um.si/IzpisGradiva.php?id=83342&lang=slv II. STOPNJA – MAGISTRSKI ŠTUDIJSKI PROGRAM GRADBENIŠTVO (smeri Gradbene konstrukcije, Geotehnika-hidrotehnika, Nizke gradnje) Ožbej Vene, Analiza učinkovitosti prezračevanja stavb na osnovi meritev in simulacij koncentracij ogljikovega dioksida in radona, mentorica izr. prof. dr. Mateja Dovjak, somentorica prof. dr. Janja Vaupotič; https://repozitorij.uni-lj.si/IzpisGradiva.php?id=148100 Ana Likovič, Projektiranje konstrukcij s steklenimi nosilnimi elementi s primerom zimskega vrta, mentor izr. prof. dr. Primož Može, somentor doc. dr. David Antolinc; https://repozitorij.uni-lj.si/IzpisGradiva.php?id=148082 KOLEDAR PRIREDITEV 12.-15.9.2023 TKZ2023- 20th Technical Dam Control International Conference Chorzów, Poljska https://tkz.is.pw.edu.pl/en/ 17.-20.9.2023 ICPIC2023 - 17th International Congress on Polymers in Concrete Varšava, Poljska https://icpic23.org/ 17.-21.9.2023 12ICG - 12th International Conference on Geosynthetics Rim, Italija www.12icg-roma.org 18.-20.9.2023 FRC 2023 - 4th ACI-fib-RILEM Workshop on Fiber Reinforced Concrete: From Design to Structural Applications Tempe, Arizona, ZDA https://faculty.engineering.asu.edu/frc2023 18.-22.9.2023 ICCC 2023 — 16th International Congress on the Chemistry of Cement 2023 Bangkok, Tajska www.iccc2023.org 21.-23.9.2023 ICCUE 2023 - 10th International Conference on Civil and Urban Engineering Rim, Italija www.iccue.org/ 22.-24.9.2023 ICCPM 2023 — The 14th International Conference on Construction and Project Management Peking, Kitajska www.iccpm.org/ 28.-30.9.2023 11th International Conference on Auditorium Acoustics 2023 Atene, Grčija https://auditorium2023.org/ 3.-5.10.2023 SEG 2023 — Symposium on Energy Geotechnics Delft, Nizozemska https://seg23.dryfta.com 13.-15.10.2023 ICACHE 2023 — 2023 9th International Conference on Architectural, Civil and Hydraulic Engineering Čingdao, Kitajska www.icache.net/ 19.-20.10.2023 3. slovenski kongres o vodah Ptuj, Slovenija https://kongresvode.si/ 23.-25.10.2023 TINCE’23 - Technological Innovations in Nuclear Civil Engineering Pariz, Francija www.sfen.org/evenement/tince23/ 26.-27.10.2023 44. zborovanje gradbenih konstruktorjev Slovenije Bled, Slovenija www.sdgk.si/ 14.-15.11.2023 4th BahnBau Kongress - The Future of Track Construction Darmstadt, Nemčija www.bahnbau-kongress.com/de/ 14.-17.11.2023 WLF6 - 6th World Landslide Forum Firence, Italija https://wlf6.org/ 15.-17.11.2023 14. mednarodna konferenca o predorih in podzemnih objektih Ljubljana, Slovenija https://conference.ita-slovenia.si/ 25.-29.6.2024 28th European Young Geotechnical Engineers Conference 2024 Skopje, Makedonija https://mag.net.mk/ Rubriko ureja Eva Okorn, ki sprejema predloge za objavo na e-naslov: gradb.zveza@siol.net