Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "modelowanie neuronowe" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Mathematical modelling of thermal processes by the use of regression and neural models
    Autorzy:
    Rusinowski, H.
    Plis, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/240114.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    mathematical model
    empirical functions
    neural modeling
    regression modeling
    model matematyczny
    funkcje empiryczne
    modelowanie neuronowe
    Opis:
    The paper presents a description of used methods and exemplary mathematical models which are classified into theoretical-empirical models of thermal processes. Such models encompass equations resulting from the laws of physics and additional empirical functions describing processes for which analytical models are complex and difficult to develop. The principle of developing, advantages and disadvantages of presented models as well as quality prediction assessment were presented. Mathematical models of a steam boiler, a steam turbine as well as a heat recovery steam generator were described. Exemplary calculation results were presented and compared with measurements.
    Źródło:
    Archives of Thermodynamics; 2018, 39, 3; 111-127
    1231-0956
    2083-6023
    Pojawia się w:
    Archives of Thermodynamics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Minimising backbreak at the Dewan Cement limestone quarry using an artificial neural network
    Minimalizacja zasięgu kruszenia złoża poza obszarem prac strzałowych w kamieniołomie wydobywającym wapień do produkcji cementu w Dewan, przy wykorzystaniu sztucznych sieci neuronowych
    Autorzy:
    Muhammad, K.
    Shah, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/219371.pdf
    Data publikacji:
    2017
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    sieci neuronowe
    zasięg kruszenia
    analiza wrażliwości
    modelowanie
    projektowanie robót strzałowych
    kamieniołom
    neural network
    backbreak
    sensitivity analysis
    modeling
    blast design
    quarry
    Opis:
    Backbreak, defined as excessive breakage behind the last row of blastholes in blasting operations at a quarry, causes destabilisation of rock slopes, improper fragmentation, minimises drilling efficiency. In this paper an artificial neural network (ANN) is applied to predict backbreak, using 12 input parameters representing various controllable factors, such as the characteristics of explosives and geometrical blast design, at the Dewan Cement limestone quarry in Hattar, Pakistan. This ANN was trained with several model architectures. The 12-2-1 ANN model was selected as the simplest model yielding the best result, with a reported correlation coefficient of 0.98 and 0.97 in the training and validation phases, respectively. Sensitivity analysis of the model suggested that backbreak can be reduced most effectively by reducing powder factor, blasthole inclination, and burden. Field tests were subsequently carried out in which these sensitive parameters were varied accordingly; as a result, backbreak was controlled and reduced from 8 m to less than a metre. The resulting reduction in powder factor (kg of explosives used per m3 of blasted material) also reduced blasting costs.
    Kruszenie części złoża poza obszarem prowadzonych prac strzałowych oznacza nadmierne pękanie skał poza ostatnim rzędem otworów strzałowych w trakcie prac w kamieniołomach i prowadzi do destabilizacji górotworu poprzez zmianę nachylenia warstw skalnych, powoduje niepotrzebną fragmentację skał i obniża efektywność prac wiertniczych. W pracy tej wykorzystano sztuczną sieć neuronową (ANN) do przewidywania zasięgu kruszenia dalszej części złoża przy wykorzystaniu 12 parametrów wejściowych. Parametry te opisują różne zmienne czynniki, np. charakterystyka materiału wybuchowego czy przyjęty plan prac strzałowych w kamieniołomie Deewan w regionie Hattar w Pakistanie. Prowadzono proces uczenia sieci dla różnej architektury modelu, wybrano model 12-2-1 ANN, jako model najprostszy, zapewniający najlepszy wynik a współczynniki korelacji uzyskane dla fazy uczenia i walidacji wyniosły odpowiednio 0.98 i 0.97. Przeprowadzona analiza wrażliwości modelu wykazała że zasięg kruszenia dalszych części złoża obniżyć można poprzez zmianę parametrów ładunku strzelniczego, zmianę nachylenia otworów strzałowych oraz zmianę przybitki. Badania terenowe w czasie których ulegały zmianie wartości wyżej wymienionych wrażliwych parametrów wykazały, że zasięg kruszenia złoża poza obszarem prac strzałowych ograniczono z uprzednich 8 m do wielkości poniżej jednego metra. Obniżenie współczynnika charakteryzującego ładunek (kg zastosowanego materiału wybuchowego przypadający na 1 m3 rozkruszonego materiału skalnego) pozwoliło także na obniżenie kosztów prac strzałowych.
    Źródło:
    Archives of Mining Sciences; 2017, 62, 4; 795-806
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modelling and Analysis of the Synergistic Alloying Elements Effect on Hardenability of Steel
    Autorzy:
    Sitek, Wojciech
    Trzaska, Jacek
    Gemechu, W. F.
    Powiązania:
    https://bibliotekanauki.pl/articles/2203932.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    hardenability
    artificial neural networks
    multiple regression
    steel alloy
    modelling and simulation
    hartowność
    sztuczne sieci neuronowe
    regresja wielokrotna
    stal
    modelowanie i symulacja
    Opis:
    The paper presents a methodology of modeling relationships between chemical composition and hardenability of structural alloy steels using computational intelligence methods, that are artificial neural network and multiple regression models. Particularly, the researchers used unidirectional multilayer teaching method based on the error backpropagation algorithm and a quasi-newton methods. Based on previously known methodologies, it was found that there is no universal method of modeling hardenability, and it was also noted that there are errors related to the calculation of the curve. The study was performed on large set of experimental data containing required information on about the chemical compositions and corresponding Jominy hardenability curves for over 400 data steel heats with variety of chemical compositions. It is demonstrated that the full practical usefulness of the developed models in the selection of materials for particular applications with intended performance in the area of application.
    Źródło:
    Archives of Foundry Engineering; 2022, 22, 4; 102--108
    1897-3310
    2299-2944
    Pojawia się w:
    Archives of Foundry Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural networks in mining sciences – general overview and some representative examples
    Sieci neuronowe w naukach górniczych – ogólne omówienie i kilka reprezentatywnych przykładów
    Autorzy:
    Tadeusiewicz, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/219318.pdf
    Data publikacji:
    2015
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    neural networks
    applications in mining sciences
    process modeling
    systems modeling
    machine learning
    modeling of the oil mining process
    forecasting of reservoir properties
    sieci neuronowe
    zastosowania w naukach górniczych
    modelowanie procesów
    modelowanie systemów
    uczenie maszyn
    modelowanie procesu wydobycia ropy naftowej
    przewidywanie właściwości zbiornikowych pokładów geologicznych
    Opis:
    The many difficult problems that must now be addressed in mining sciences make us search for ever newer and more efficient computer tools that can be used to solve those problems. Among the numerous tools of this type, there are neural networks presented in this article – which, although not yet widely used in mining sciences, are certainly worth consideration. Neural networks are a technique which belongs to so called artificial intelligence, and originates from the attempts to model the structure and functioning of biological nervous systems. Initially constructed and tested exclusively out of scientific curiosity, as computer models of parts of the human brain, neural networks have become a surprisingly effective calculation tool in many areas: in technology, medicine, economics, and even social sciences. Unfortunately, they are relatively rarely used in mining sciences and mining technology. The article is intended to convince the readers that neural networks can be very useful also in mining sciences. It contains information how modern neural networks are built, how they operate and how one can use them. The preliminary discussion presented in this paper can help the reader gain an opinion whether this is a tool with handy properties, useful for him, and what it might come in useful for. Of course, the brief introduction to neural networks contained in this paper will not be enough for the readers who get convinced by the arguments contained here, and want to use neural networks. They will still need a considerable portion of detailed knowledge so that they can begin to independently create and build such networks, and use them in practice. However, an interested reader who decides to try out the capabilities of neural networks will also find here links to references that will allow him to start exploration of neural networks fast, and then work with this handy tool efficiently. This will be easy, because there are currently quite a few ready-made computer programs, easily available, which allow their user to quickly and effortlessly create artificial neural networks, run them, train and use in practice. The key issue is the question how to use these networks in mining sciences. The fact that this is possible and desirable is shown by convincing examples included in the second part of this study. From the very rich literature on the various applications of neural networks, we have selected several works that show how and what neural networks are used in the mining industry, and what has been achieved thanks to their use. The review of applications will continue in the next article, filed already for publication in the journal „Archives of Mining Sciences“. Only studying these two articles will provide sufficient knowledge for initial guidance in the area of issues under consideration here.
    Liczne i trudne problemy, jakie muszą być obecnie rozwiązywane w naukach górniczych, skłaniają do poszukiwanie i wypróbowywania wciąż nowszych i bardziej sprawnych narzędzi informatycznych, które mogą być wykorzystane do rozwiązywania tych problemów. Wśród narzędzi tego typu, które wprawdzie jeszcze powszechnie wykorzystywane nie są, z pewnością zasługują na uwagę, warto rozważyć przedstawiane w tym artykule sieci neuronowe. Sieć neuronowa, której schemat przedstawiony jest na rysunku 1, jest narzędziem tak zwanej sztucznej inteligencji, wywodzącym się z prób modelowania struktury i funkcji biologicznych systemów nerwowych. Początkowo budowane i badane wyłącznie z ciekawości naukowej, jako komputerowe modele fragmentów ludzkiego mózgu, sieci neuronowe nieoczekiwanie okazały się skutecznym narzędziem w wielu zastosowaniach: w technice, w medycynie, w ekonomii a nawet w naukach społecznych. Mogą one dostarczać pojedynczych rozwiązań (wartości oszacowań poszukiwanych parametrów, lub przesłanek do podjęcia określonych decyzji), bądź całych wektorów rozwiązań – jakkolwiek w tym drugim przypadku celowe jest rozważenie kwestii, czy zastosować jedną sieć o wielu wyjściach, czy kilka sieci mających pojedyncze wyjście (Rys. 2). Przy tworzeniu sieci neuronowych trzeba wybierać stopień złożoności jej struktury, co nie jest łatwe, ponieważ sieć o zbyt ubogiej strukturze (zwłaszcza dysponująca zbyt mała liczbą tak zwanych neuronów ukrytych) może nie podołać rozwiązaniu bardziej złożonego zadania, natomiast sieć mająca zbyt skomplikowaną i bogatą strukturę zawsze sprawia kłopoty podczas procesu uczenia. Proces uczenia jest kluczem do wszystkich zastosowań sieci neuronowych. Kluczem do skutecznego nauczenia sieci rozwiązywania jakiejś klasy zadań jest posiadanie tak zwanego zbioru uczącego, to znaczy zbioru przykładowych zadań wraz z ich prawidłowymi rozwiązaniami (Rys. 4). Wprowadzając na wejście sieci dane stanowiące przesłanki do rozwiązania zadania i porównując odpowiedź sieci z prawidłową odpowiedzią zapisaną w zbiorze uczącym można na podstawie wykrytego błędu automatycznie korygować parametry sieci, co prowadzi zwykle do tego, że sieć po pewnym czasie sama nauczy się rozwiązywania rozważanej klasy zadań. Dzięki korzystaniu z procesu uczenia (opartego na przykładach, a nie na regułach) sieć neuronowa może rozwiązywać zadania, dla których my (użytkownicy sieci) nie dysponujemy wiedzą, jak te zadania należy rozwiązywać (Rys. 6). Dzięki temu sieć neuronowa może służyć jako model dowolnego złożonego procesu, co pozwala na wykonywanie dla tego procesu wielu istotnych czynności (Rys. 7). Niestety, mimo niewątpliwych zalet sieci neuronowych w naukach górniczych są one stosowane raczej rzadko. Prezentowany artykuł ma przekonać Czytelników, że sieci neuronowe mogą się okazać bardzo przydatne także w naukach górniczych. Artykuł stanowi również użyteczne wstępne wprowadzenie do wiedzy o sieciach neuronowych. Praca zawiera bowiem informacje o tym, jak są zbudowane nowoczesne sieci neuronowe, jak one działają i jak można ich używać. To wstępne omówienie przedstawione w artykule może pomóc w tym, by Czytelnik wyrobił sobie opinię, czym jest to narzędzie, jakie ma właściwości i w związku z tym do czego może mu się przydać. Oczywiście skrótowe wprowadzenie do problematyki sieci neuronowych zawarte w prezentowanym artykule nie wystarczy tym Czytelnikom, którzy dadzą się przekonać i naprawdę będą chcieli użyć sieci neuronowych. Będą oni potrzebowali jeszcze sporej porcji szczegółowej wiedzy, żeby mogli zacząć samodzielnie tworzyć takie sieci i ich używać w praktyce. Jednak jeśli decyzja o wypróbowaniu możliwości sieci neuronowych będzie pozytywna, to zainteresowany Czytelnik będzie mógł w artykule znaleźć odnośniki do pozycji literatury, pozwalających szybko i sprawnie poznać technikę sieci neuronowych na poziomie wystarczającym do rozpoczęcia własnych prac z tym wygodnym narzędziem. Będzie to tym łatwiejsze, że obecnie dostępnych jest sporo gotowych programów komputerowych pozwalających szybko i bez wysiłku tworzyć sztuczne sieci neuronowe, uruchamiać je, uczyć i wykorzystywać praktycznie. Oczywiście kluczową sprawą jest kwestia, jak tych sieci używać w naukach górniczych. O tym, że jest to możliwe i celowe przekonują jednak przykłady zawarte w drugiej części opracowania. Z przebogatej literatury, dotyczącej różnych zastosowań sieci neuronowych, wybrano kilkanaście prac, które pokazują, jak i do czego sieci neuronowych w górnictwie użyto i co zostało osiągnięte dzięki ich zastosowaniu. Ten przegląd zastosowań będzie kontynuowany w następnym artykule, zgłoszonym już do publikacji w czasopiśmie „Archiwum Górnictwa” i dopiero przestudiowanie obydwu tych artykułów dostarczy wiedzy wystarczającej do wstępnej orientacji w obszarze rozważanej tu problematyki.
    Źródło:
    Archives of Mining Sciences; 2015, 60, 4; 971-984
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies