1.Istota ryzyka i jego specyfika w analizowanych nowoczesnych przedsięwzięciach inżynierii środowiska 2.1.Istota ryzyka 2.2.Istota zarządzania ryzykiem 2.3.Charakterystyka analizowanych nowoczesnych przedsięwzięć inżynierii środowiska i aktualny stan wiedzy na temat zarządzania ryzykiem w tego rodzaju przedsięwzięciach 2.3.1.Budownictwo pasywne 2.3.2.Budownictwo zasobooszczędne z wykorzystaniem odnawialnych źródeł energii 2.3.3.Przedsięwzięcia innowacyjne inżynierii środowiska 2.3.4.Zrównoważona budowa infrastruktury podziemnej miast 2.3.5.Przedsięwzięcia inżynierii środowiska realizowane wspólnie przez dwa lub więcej podmiotów 2.4.Specyfika ryzyka i zarządzania ryzykiem w nowoczesnych przedsięwzięciach inżynierii środowiska 3.Proponowana metodyka zarządzania ryzykiem przeznaczona dla nowoczesnych przedsięwzięć inżynierii środowiska 3.1.Założenia przy projektowaniu metodyki 3.2.Charakterystyka proponowanej metodyki zarządzania ryzykiem 4.Proponowany hybrydowy model zarządzania ryzykiem z wykorzystaniem metod zarządzania jakością (metody FMEA i analizy Pareto-Lorenza) - model Ml 4.1.Podstawy teoretyczne modelu Ml 4.2.Proponowane podejście 4.3.Przykład zastosowania modelu Ml do oceny ryzyka w kategorii I NPIS 4.3.1.Identyfikacja ryzyka w budownictwie pasywnym 4.3.2.Jakościowa analiza ryzyka w budownictwie pasywnym 4.3.3.Ilościowa ocena ryzyka w budownictwie pasywnym z wykorzystaniem metody FMEA i analizy Pareto-Lorenza 4.4.Przykład zastosowania modelu M1 do oceny ryzyka w kategorii IV NPIŚ 4.4.1.Ocena częstotliwości występowania i dotkliwości skutków ryzyka w technologii HDD w skali FMEA 4.4.2.Identyfikacja możliwości wykrywania wad w technologii HDD i ich ocena 4.4.3.Wyniki oceny ryzyka w technologii HDD z wykorzystaniem metody FMEA i analizy Pareto-Lorenza 4.5.Przykład zastosowania modelu M1 do oceny ryzyka w kategorii V NPIŚ 5. Proponowane hybrydowe modele zarządzania ryzykiem z wykorzystaniem logiki rozmytej 5.1.Podstawy teoretyczne modeli 5.1.1.Analiza drzewa niezdatności i drzewa zdarzeń 5.1.2.Teoria zbiorów rozmytych 5.2.Model zarządzania ryzykiem z wykorzystaniem hybrydowego drzewa niezdatności zintegrowanego z macierzą reagowania na ryzyko oraz elementów logiki rozmytej - model M2 5.2.1.Opis matematyczny modelu M2 5.2.2.Przykład zastosowania modelu M2 w kategorii I NPIŚ ] 5.2.2.1.Identyfikacja zdarzeń niepożądanych 5.2.2.2.Identyfikacja możliwości reakcji na ryzyko i redukcji ryzyka 5.2.2.3.Jakościowa i ilościowa analiza ryzyka 5.2.2.4.Porównanie różnych możliwości reakcji na ryzyko 5.2.2.5.Podsumowanie przykładu 5.2.3.Przykład zastosowania modelu M2 w kategorii II NPIŚ 5.2.3.1.Identyfikacja ryzyka 5.2.3.2.Identyfikacja możliwości reakcji na ryzyko i redukcji ryzyka 5.2.3.3.Jakościowa i ilościowa analiza ryzyka 5.2.3.4.Porównanie różnych możliwości reakcji na ryzyko 5.2.3.5.Podsumowanie przykładu 5.2.4.Przykład zastosowania modelu M2 w kategorii III NPIŚ 5.2.4.1.Identyfikacja ryzyka 5.2.4.2.Identyfikacja możliwości reakcji na ryzyko i redukcji ryzyka 5.2.4.3.Jakościowa i ilościowa analiza ryzyka 5.2.4.4.Porównanie różnych możliwości reakcji na ryzyko 5.2.4.5.Zarządzanie ryzykiem przy wykonywaniu prototypowych ruchomych żaluzji fasadowych zintegrowanych z fotowoltaiką 5.2.5.Przykład zastosowania modelu M2 w kategorii IV NPIŚ 5.2.5.1.Identyfikacja ryzyka 5.2.5.2.Identyfikacja możliwości reakcji na ryzyko i redukcji ryzyka 5.2.5.3.Jakościowa i ilościowa analiza ryzyka 5.2.5.4.Porównanie różnych możliwości reakcji na ryzyko 5.2.5.5.Podsumowanie przykładu 5.2.6.Przykład zastosowania modelu M2 w kategorii V NPIŚ 5.2.6.1.Identyfikacja ryzyka 5.2.6.2.Jakościowa i ilościowa analiza ryzyka 5.3.Model zarządzania ryzykiem z wykorzystaniem hybrydowego rozmytego drzewa niezdatności i drzewa zdarzeń - model M3 5.3.1.Opis matematyczny modelu M3 5.3.2.Przykład zastosowania modelu M3 w kategorii IV NPIŚ 6. Proponowane modele zarządzania ryzykiem z wykorzystaniem uczenia maszynowego 6.1.Podstawy teoretyczne modeli 6.1.1.Istota uczenia maszynowego 6.1.2.Wybrane klasyfikatory stosowane w uczeniu maszynowym 6.1.3.Możliwości wykorzystania uczenia maszynowego w zarządzaniu ryzykiem 6.2.Proponowane podejście (M4-M11) 6.3.Zbieranie danych i identyfikacja atrybutów 6.4.Profilowanie danych 6.5.Przetwarzanie danych 6.6.Sposób oceny jakości modeli 6.7.Proponowany model oceny ryzyka z wykorzystaniem regresji logistycznej (M4) 6.8.Proponowane modele oceny ryzyka z wykorzystaniem uczenia maszynowego w oparciu o K-najbliższych sąsiadów (M5), naiwny klasyfikator Bayesa (M6), kwadratową analizę dyskryminacyjną (M7), drzewa decyzyjne wzmocnione metodą AdaBoost (M8) i maszynę wektorów nośnych (M9) 6.9.Proponowany model oceny ryzyka z wykorzystaniem lasów losowych (M10) 6.10.Proponowany model oceny ryzyka z wykorzystaniem uczenia maszynowego w oparciu o sztuczne sieci neuronowe (Ml 1) 6.11.Uzyskane wyniki 6.11.1. Analiza korelacji 6.11.2.Analiza PCA 6.11.3.Model z wykorzystaniem regresji logistycznej (M4) 6.11.4.Model z wykorzystaniem uczenia maszynowego w oparciu o K-najbliższych sąsiadów (M5) 6.11.5.Model z wykorzystaniem uczenia maszynowego w oparciu o naiwny klasyfikator Bayesa (M6) 6.11.6.Model z wykorzystaniem uczenia maszynowego w oparciu o kwadratową analizę dyskryminacyjną (M7) 6.11.7.Model z wykorzystaniem uczenia maszynowego w oparciu o drzewa decyzyjne wzmocnione metodą AdaBoost (M8) 6.11.8.Model z wykorzystaniem uczenia maszynowego w oparciu o maszynę wektorów nośnych (M9) 6.11.9.Model z wykorzystaniem uczenia maszynowego w oparciu o lasy losowe (Ml0) 6.11.10.Model z wykorzystaniem uczenia maszynowego w oparciu o sztuczne sieci neuronowe (Ml 1)