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 "artificial material" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-7 z 7
    Tytuł:
    Model development of the external friction of granular vegetable materials on the basis of artificial neural networks
    Autorzy:
    Francik, S.
    Fraczek, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/25205.pdf
    Data publikacji:
    2001
    Wydawca:
    Polska Akademia Nauk. Instytut Agrofizyki PAN
    Tematy:
    granular vegetable material
    artificial neural network
    external friction
    vegetable
    Źródło:
    International Agrophysics; 2001, 15, 4
    0236-8722
    Pojawia się w:
    International Agrophysics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of artificial neural networks in modelling the contact area of grain seeds
    Wykorzystanie sztucznych sieci neuronowych w modelowaniu powierzchni kontaktu ziarna zbóż
    Autorzy:
    Frączek, J.
    Francik, S.
    Ślipek, Z.
    Knapczyk, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/93661.pdf
    Data publikacji:
    2016
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    contact area
    seed material
    artificial neural network
    powierzchnia kontaktu
    materiał ziarnisty
    sztuczna sieć neuronowa
    Opis:
    The objective of the research was to create a model which defines the relation between a fundamental contact area of a seed and the pressure force, water content in a seed and its geometrical dimensions with application of artificial neural networks (SSN). Computer program Statistica Neural Networks v. 6.0. was used for formation of a neural model. Tests were carried out on Roma wheat seed and Dańkowskie Złote rye with six various water contents: 0.11 0.15 0.19 0.23 0.28 0.33 (kg⋅kg-1 dry mass). Caryopses were loaded with eight values of compression force - from 41 N to 230 N. Multiplicity of iterations was 5. Seed material was moistened to obtain a specific water content. Each seed was loaded with compression force with respectively growing values: 41N, 68N, 95N, 122N, 149N, 176N, 203N and 230N. A four-layer network of Perceptron type with 10 neurons in the first and 8 neurons in the second hidden layer was selected as a model which the best defines the contact area of grain seeds loaded with axial force at various moisture levels. This network has 4 inputs (water content, pressure force, thickness and length of caryopses) and one output (elementary contact area of rye and wheat seeds). Comparison of the neural model with empirical formulas obtained from nonlinear estimation proved a considerable higher precision of the first one.
    Celem badań było utworzenie modelu określającego zależności między elementarną powierzchnią kontaktu ziarna, a siłą nacisku, zawartością wody w ziarnie oraz jego wymiarami geometrycznymi, przy wykorzystaniu sztucznych sieci neuronowych (SSN). Do tworzenie modelu neuronowego wykorzystano program komputerowy Statistica Sieci Neuronowe v. 6.0. Badania przeprowadzono na ziarnie pszenicy Roma oraz żyta Dańkowskie Złote, przy sześciu różnych zawartościach wody: 0,11 0,15 0,19 0,23 0,28 0,33 (kg⋅kg-1 s.m.). Ziarniaki obciążano ośmioma wartościami siły ściskającej – od 41N do 230N. Krotność powtórzeń wynosiła 5. Materiał ziarnisty nawilżano aby uzyskać określoną zawartość wody. Każde ziarno obciążano siłą ściskającą o kolejno rosnących wartościach: 41N, 68N, 95N, 122N, 149N, 176N, 203N i 230N. Jako model najlepiej określający powierzchnię styku ziarna zbóż obciążanego siłą osiową, przy różnej wilgotności wybrano czterowarstwową sieć typu Perceptron o 10 neuronach w pierwszej i 8 neuronach w drugiej warstwie ukrytej. Sieć ta posiada 4 wejścia (zawartość wody, siła nacisku, grubość i długość ziarniaka), i jedno wyjście (elementarna powierzchnia kontaktu ziarna żyta i pszenicy). Porównanie modelu neuronowego z formułami empirycznymi uzyskanymi z estymacji nieliniowej wykazało zdecydowanie większą dokładność pierwszego z nich.
    Źródło:
    Agricultural Engineering; 2016, 20, 4; 27-37
    2083-1587
    Pojawia się w:
    Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Artificial intelligence approach for detecting material deterioration in hybrid building constructions
    Autorzy:
    Chesnokov, Andrei V.
    Mikhailov, Vitalii V.
    Dolmatov, Ivan V.
    Powiązania:
    https://bibliotekanauki.pl/articles/29520106.pdf
    Data publikacji:
    2021
    Wydawca:
    Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
    Tematy:
    hybrid construction
    material deterioration
    artificial neural network
    semi-supervised machine learning
    Opis:
    Hybrid constructions include heterogeneous materials with different behaviors under load. The aim is to achieve a so-called synergistic effect when the advantages of particular structural elements complement each other in a unified system. The building constructions considered in the research include high-strength steel cables, fiberglass rods, and flexible polymer membranes. The membrane is attached to the rods which have been elastically bent from the initially straight shape into an arch-like form. Structural materials inevitably deteriorate during a long operational period. The present study focuses on detecting material deterioration using Artificial Neural Networks (ANNs), which belong to the scope of intelligent techniques for data analysis. Appropriate ANN structures and required features are proposed. A semi-supervised learning strategy is used. The approach allows the training of the networks with normal data only derived from the construction without defects. Material degradationis detected by the level of reconstruction error produced by the network given the input data. The work contributes to the field of structural health monitoring of hybrid building constructions. It provides the opportunity to detect material deterioration given the forces in particular structural elements.
    Źródło:
    Computer Methods in Materials Science; 2021, 21, 2; 83-94
    2720-4081
    2720-3948
    Pojawia się w:
    Computer Methods in Materials Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of Artificial Neural Networks in the Analysis of Mechanisms Destroying Forging Tools
    Autorzy:
    Hawryluk, M.
    Mrzygłód, B.
    Gronostajski, Z.
    Głowacki, M.
    Olejarczyk-Wożeńska, I.
    Powiązania:
    https://bibliotekanauki.pl/articles/353528.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    decision support system
    durability of forging tools
    artificial neural network
    loss of material
    wear
    Opis:
    This article discusses the results of studies using the developed artificial neural networks in the analysis of the occurrence of the four main mechanisms destroying the selected forging tools subjected to five different surface treatment variants (nitrided layer, pad welded layer and three hybrid layers, i.e. AlCrTiSiN, Cr/CrN and Cr/AlCrTiN). Knowledge of the forging tool durability, needed in the process of artificial neural network training, was included in the set of training data (about 800 records) derived from long-term comprehensive research carried out under industrial conditions. Based on this set, neural networks with different architectures were developed and the results concerning the intensity of the occurrence of thermal-mechanical fatigue, abrasive wear, mechanical fatigue and plastic deformation were generated for each type of the applied treatment relative to the number of forgings, pressure, friction path and temperature.
    Źródło:
    Archives of Metallurgy and Materials; 2020, 65, 1; 193-200
    1733-3490
    Pojawia się w:
    Archives of Metallurgy and Materials
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza stanu naprężeń i przemieszczeń konstrukcji aluminiowej z wymienianymi elementami
    The analysis of stresses and displacements in the aluminium structure with replaceable elements
    Autorzy:
    Potrzeszcz-Sut, B
    Pabisek, E.
    Powiązania:
    https://bibliotekanauki.pl/articles/390675.pdf
    Data publikacji:
    2013
    Wydawca:
    Politechnika Lubelska. Wydawnictwo Politechniki Lubelskiej
    Tematy:
    analiza numeryczna
    model materiału Ramberga – Osgooda
    sztuczna sieć neuronowa
    neuronowy model materiału
    numerical analysis
    Ramberg-Osgood material model
    artificial neural network
    neural material model
    Opis:
    Praca dotyczy nieliniowej analizy numerycznej naprężeń i przemieszczeń węzłów kratownicowej wieży aluminiowej. Założono model materiału Ramberga – Osgooda (RO) przedstawiający potęgową zależność między odkształceniem i naprężeniem: ε(σ). W celu identyfikacji zależności odwrotnej – σ(ε), dla materiału aluminiowego, zastosowano sztuczną sieć neuronową (SSN). W związku z koniecznością wzmocnienia konstrukcji, do układu wprowadzono sprężyste elementy stalowe. Przeprowadzono analizę stanu naprężeń i ekstremalnych przemieszczeń podczas cyklicznego obciążania i odciążania układu. Wykonano dwa rodzaje globalnych odciążeń – sprężyste i sprężysto – plastyczne. Przedstawione zostały zależności między wartością parametru obciążenia konfiguracyjnego, a wychyleniem wierzchołka A wieży. Analiza została wykonana za pomocą programu hybrydowego integrującego MES i SSN.
    The paper concerns the non-linear analysis of stresses and displacements in an aluminium truss tower. The Ramberg – Osgood material model was assumed. This model introduced power type relation between stresses and strains. In order to identify the inverse relation, a neural network was used. Because of the need to strengthen the tower, a number of aluminium bars was replaced by steel bars. The perfect elastic material model was assumed for the steel bars. The analysis of stresses and extreme displacements was performed during the cyclic loading and unloading of the system. Two global unloading processes were considered: elastic and elastic-plastic processes. The relationship between the load factor and deflection of the top of the tower is shown. Analysis was performed using a hybrid FEM/ANN program.
    Źródło:
    Budownictwo i Architektura; 2013, 12, 1; 275-282
    1899-0665
    Pojawia się w:
    Budownictwo i Architektura
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Hybrid MES/SSN analysis of the elastic-plastic truss under cyclic loading
    Analiza hybrydowa MES/SSN sprężysto-plastycznej konstrukcji kratowej poddanej obciążeniu cyklicznemu
    Autorzy:
    Potrzeszcz-Sut, B
    Powiązania:
    https://bibliotekanauki.pl/articles/402477.pdf
    Data publikacji:
    2014
    Wydawca:
    Politechnika Świętokrzyska w Kielcach. Wydawnictwo PŚw
    Tematy:
    nonlinear numerical analysis
    inverse problem
    Ramberg-Osgood material model
    artificial neural network
    neural material model
    nieliniowa analiza numeryczna
    problem odwrotny
    model materiału Ramberg-Osgood
    sztuczne sieci neuronowe
    neuronowy model materiału
    Opis:
    The paper presents the application of a hybrid program that integrates finite element method (FEM) and artificial neural network (ANN) for nonlinear analysis of plane truss. ANN, used for the solving the inverse problem has been formulated in ‘off line’ mode. Learning and testing of ANN were carried out using pseudo empirical data. The network formed thereby constitutes the neural material model (NMM), describes the Ramberg-Osgood nonlinear physical relationship. NMM makes it possible to determine the stress and tangential module during cyclic loading of the structure. Numerical tests indicate that the developed FEM/ANN program may be applied to analyse other boundary problems in the uniaxial stress state.
    Źródło:
    Structure and Environment; 2014, 6, 4; 12-16
    2081-1500
    Pojawia się w:
    Structure and Environment
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modelowanie procesu kompostowania nawozów naturalnych w aspekcie generowania ciepła
    Modeling of the natural fertilizers composting process in the heat generating aspect
    Autorzy:
    Olszewski, T.
    Dach, J.
    Jędruś, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/335614.pdf
    Data publikacji:
    2005
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    kompostowanie
    materiał organiczny
    nawóz naturalny
    ciepło
    reaktor
    sztuczna sieć neuronowa
    modelowanie
    heat generating
    composting
    natural fertilizer
    organic matter
    bioreactor
    artificial neural network
    Opis:
    Kompostowanie polega na mikrobiologicznym rozkładzie substancji organicznych w warunkach tlenowych pod wpływem mikroorganizmów termofilnych (bakterii) i pleśni. Podczas kompostowania, którego faza termofilna może trwać z reguły od 4 do 7 tygodni wydzielają się duże ilości energii cieplnej. Szczególnie wysoki poziom utrzymuje się w początkowej fazie - gdyż temperatura wewnątrz pryzmy może wówczas osiągnąć 60-75°C i utrzymać się na tym poziomie przez okres kilkunastu, a nawet kilkudziesięciu dni. W celu przeprowadzenia badań laboratoryjnych, które będą oddawały warunki polowe w 2002 w Instytucie Inżynierii Rolniczej AR w Poznaniu zbudowano bioreaktor do badania przebiegu rozkładu odpadów organicznych. Dzięki odizolowaniu od warunków zewnętrznych i rozbudowanemu systemowi czujników bioreaktor jest doskonałym sprzętem badawczym, pozwalającym na zgromadzenie obszernej bazy danych umożliwiającej zbudowanie modelu kompostowania z uwzględnieniem wydzielającego się w jego trakcie ciepła. Jako narzędzie modelowania posłużyły sztuczne sieci neuronowe.
    Composting process depends on microbiological decomposition of organic matter in oxygenic conditions proceeded by the thermopile microorganisms (bacteries) and moulds. During composting process, which thermopile phase can last from 4 to 7 weeks, there is a lot of heat energy emission. Especially high level of it is received in initial phase - because the temperature inside the composted pile can reach 60-75°C and stays on the level over 50°C for a dozen or even few dozen days. In order to carry out the laboratory experiments, which will fulfill the field conditions in 2002, at the Institute of Agricultural Engineering a bioreactor for the study of the organic material decomposition was constructed. Because of thermal isolation from outside conditions and complex sensor system, bioreactor is perfect experimental set-up, which allows to accumulate a large database. This fact makes possible to create composting model with placing emphasis on heat emission. As a modeling tool, the artificial neural network was used.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2005, 50, 2; 40-42
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-7 z 7

      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