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 1-4 z 4
    Tytuł:
    Zastosowanie sztucznych sieci neuronowych do wyznaczania współczynnika dyfuzyjności cieplnej
    Determination of thermal diffusivity using artificial neural networks
    Autorzy:
    Chudzik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/155933.pdf
    Data publikacji:
    2013
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sztuczne sieci neuronowe
    przewodność cieplna
    dyfuzyjność cieplna
    materiały termoizolacyjne
    artificial neural networks
    thermal diffusivity
    thermal insulating material
    Opis:
    W artykule przedstawiono wyniki badań nad opracowywaną metodą wyznaczenia współczynnika dyfuzyjności cieplnej materiału termoizolacyjnego. W metodzie tej wykorzystano wymuszenie temperatury o charakterze harmonicznym oraz do pomiaru rozkładu temperatury planowane jest użycie kamery termowizyjnej. W badaniach symulacyjnych wykorzystano stworzony do tego celu trójwymiarowy model zjawiska dyfuzji ciepła w badanej próbce materiału. Do rozwiązania współczynnikowego zagadnienia odwrotnego zaproponowano koncepcję wykorzystania sztucznej sieci neuronowej.
    The paper presents the results of research on methods for determining the coefficient of thermal diffusivity of thermal insulating material. This method uses periodic heating as an excitation and an infrared camera for measuring the temperature distribution on the tested material surface. A three-dimensional model of the phenomenon of heat diffusion in a sample of the tested material was used for simulation investigations. To solve the coefficient inverse problem, there is proposed an idea of using an artificial neural network. The periodic heating technique is based on diffusion of a heat wave in the specimen, which is a response to the temperature harmonic excitation – Section 2. The model of a nonstationary heat flow process in the sample of material is based on a three-dimensional heat-conduction model and includes the third kind Fourier boundary conditions. For solving the system of partial differential equations, used to describe the model, the finite element method was applied [1, 2, 10]. The usability of the artificial neural network [7, 8, 9] in solving the inverse heat transfer problem in a sample of heat insulation material is presented – Section 3. The network determines the value of effective thermal diffusivity on the basis of the amplitude decrease ΔA of the thermal wave on the specimen surface, and the time in which the thermal wave moves by the distance Δz on the specimen side surface. During selection of the optimal neural network architecture many configurations were assessed. Additionally, the influence of the input quantities errors on the estimated values of the thermal parameters was also analysed using the Monte Carlo technique [12]. Simulations of the heat flow process, network training and testing processes and analysis of the error sensitivity were carried out in the Matlab environment.
    Źródło:
    Pomiary Automatyka Kontrola; 2013, R. 59, nr 1, 1; 31-33
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Koncepcja wykorzystania metody termofalowej oraz pomiarów termowizyjnych do wyznaczania parametrów cieplnych materiałów termoizolacyjnych
    The concept of using periodic heating technique for determination of thermal parameters of heat insulation materials
    Autorzy:
    Chudzik, S.
    Minkina, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/151298.pdf
    Data publikacji:
    2013
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sztuczne sieci neuronowe
    przewodność cieplna
    dyfuzyjność cieplna
    materiały termoizolacyjne
    artificial neural networks
    thermal conductivity
    thermal insulating material
    thermal diffusivity
    Opis:
    W artykule przedstawiono wyniki badań nad opracowywaną metodą wyznaczania parametrów cieplnych materiałów termoizolacyjnych. W metodzie tej wykorzystano wymuszenie temperatury o charakterze harmonicznym. Do pomiaru rozkładu temperatury w eksperymencie użyto kamery termowizyjnej. W badaniach symulacyjnych wykorzystano stworzony trójwymiarowy model zjawiska dyfuzji ciepła w badanej próbce materiału. Do rozwiązania współczynnikowego zagadnienia odwrotnego zaproponowano koncepcję wykorzystania sztucznej sieci neuronowej.
    The paper presents results of research on the developed method for determining thermal parameters of a thermal insulating material [2]. This method applies periodic heating as an excitation and an infrared camera is used to measure the temperature distribution on the surface of the tested material – Sections 2 and 3. The author proposed the use of a three-dimensional model of the heat diffusion in a material sample. For solving the system of partial differential equations, the finite element method was applied [11] – Section 2. To solve the coefficient inverse problem, an approach using an artificial neural network is proposed – Section 3. The usability of the artificial neural network in solving the inverse heat transfer problem in a sample of heat insulation material is presented [12, 13]. The network determines the value of effective thermal conductivity and effective thermal diffusivity on the basis of the temperature distribution on the surface of the tested material. Additionally, the influence of the input quantity errors on the estimated values of the thermal parameters was also analysed using the Monte Carlo technique [15] – Section 4. A trained neural network based on the temperature responses on the lateral surface of the sample measured by infrared thermography, quickly would determine the thermo-physical parameters. The obtained results confirm the usefulness of applying artificial intelligence methods to solving the coefficient inverse problem when using infrared measurement methods.
    Źródło:
    Pomiary Automatyka Kontrola; 2013, R. 59, nr 9, 9; 920-923
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie sztucznych sieci neuronowych w zagadnieniu odwrotnym dyfuzji ciepła
    Use of artificial neural networks for solving the heat diffusion inverse problem
    Autorzy:
    Chudzik, S.
    Gryś, S.
    Minkina, W.
    Powiązania:
    https://bibliotekanauki.pl/articles/152202.pdf
    Data publikacji:
    2009
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    sztuczne sieci neuronowe
    przewodność cieplna
    dyfuzyjność cieplna
    materiały termoizolacyjne
    artificial neural networks
    thermal conductivity
    thermal diffusivity
    thermal insulating material
    Opis:
    W artykule przedstawiono koncepcję wykorzystania sztucznych sieci neuronowych do rozwiązania współczynnikowego zagadnienia odwrotnego dyfuzji ciepła. Opisywane rozwiązanie jest częścią projektu, którego celem jest opracowanie systemu pomiarowego wykorzystującego sondę cieplną do doraźnej kontroli parametrów cieplnych materiałów termoizolacyjnych. Przedstawiono wybrane wyniki badań symulacyjnych pozwalających porównać różne architektury sieci neuronowych. Symulacje obejmują proces uczenia i testowania sieci. Zbadano także wpływ błędów pomiarowych wielkości wejściowych na identyfikowane przez sieć neuronową parametry cieplne materiału. Przedstawiane symulacje przeprowadzono w środowisku Matlab.
    The paper presents an idea of a measurement system with a hot probe for testing thermal parameters of heat insulation materials. In contrast to classical methods of linear heat source [1, 2, 5, 6, 7, 8], there are not assumed any significant simplifications in the model of heat flow in the material sample. The model of non-stationary heat flow in the material sample with a hot probe and auxiliary thermometer is based on a two-dimensional heat-conduction model and includes the heat capacity of the probe handle [3, 4, 9, 10]. The finite element method was used for solving the system of partial differential equations describing the model [11, 12] - Sections 2 and 3. The usability of the artificial neural network [14] for solving the inverse heat transfer problem in a sample of heat insulation material is presented [13, 15]. The network determines the values of the effective thermal conductivity and diffusivity on the basis of the temperature responses of the hot probe and auxiliary thermometer. In order to select the optimal neural network architecture, there were compared many network configurations in Sections 4, 5 and 6. Additionally, the influence of input quantity errors on the estimated values of the thermal parameters was analysed using the Monte Carlo method [16, 17, 18] - Sections 7 and 8. The simulations of the heat flow process, network training and testing processes as well as the analysis of the error sensitivity were carried out in the Matlab environment.
    Źródło:
    Pomiary Automatyka Kontrola; 2009, R. 55, nr 2, 2; 83-88
    0032-4140
    Pojawia się w:
    Pomiary Automatyka Kontrola
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of Artificial Neural Networks in Modeling of Manufactured Front Metallization Contact Resistance for Silicon Solar Cells
    Zastosowanie sztucznych sieci neuronowych w modelowaniu rezystancji kontaktu wytwarzanej przedniej metalizacji krzemowych ogniw słonecznych
    Autorzy:
    Musztyfaga-Staszuk, M.
    Honysz, R.
    Powiązania:
    https://bibliotekanauki.pl/articles/356591.pdf
    Data publikacji:
    2015
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    computational material science
    artificial neural networks
    silicon solar cell
    selective laser sintering
    screen printing
    co-firing in the furnace
    zastosowanie sztucznych sieci neuronowych
    krzemowe ogniwa słoneczne
    selektywne spiekanie laserowe
    sitodruk
    wypalanie w piecu
    Opis:
    This paper presents the application of artificial neural networks for prediction contact resistance of front metallization for silicon solar cells. The influence of the obtained front electrode features on electrical properties of solar cells was estimated. The front electrode of photovoltaic cells was deposited using screen printing (SP) method and next to manufactured by two methods: convectional (1. co-fired in an infrared belt furnace) and unconventional (2. Selective Laser Sintering). Resistance of front electrodes solar cells was investigated using Transmission Line Model (TLM). Artificial neural networks were obtained with the use of Statistica Neural Network by Statsoft. Created artificial neural networks makes possible the easy modelling of contact resistance of manufactured front metallization and allows the better selection of production parameters. The following technological recommendations for the screen printing connected with co-firing and selective laser sintering technology such as optimal paste composition, morphology of the silicon substrate, co-firing temperature and the power and scanning speed of the laser beam to manufacture the front electrode of silicon solar cells were experimentally selected in order to obtain uniformly melted structure well adhered to substrate, of a small front electrode substrate joint resistance value. The prediction possibility of contact resistance of manufactured front metallization is valuable for manufacturers and constructors. It allows preserving the customers’ quality requirements and bringing also measurable financial advantages.
    Artykuł przedstawia zastosowanie sztucznych sieci neuronowych do predykcji rezystancji przedniej metalizacji w krzemowych ogniwach słonecznych. Oceniono wpływ tak wytworzonej elektrody przedniej na własności elektryczne ogniw fotowoltaicznych. Przednią elektrodę ogniw fotowoltaicznych naniesiono metodą sitodruku SP (ang. Screen Printing) i następnie wytwarzano dwoma metodami: konwencjonalną (1. wypalanie w piecu taśmowym) i niekonwencjonalną (2. selektywne spiekanie laserowe). Do wyznaczenia rezystancji elektrod przednich zastosowano metodę linii transmisyjnych TLM (ang. Transmission Line Model). Sztuczne sieci neuronowe zostały opracowane z wykorzystaniem pakietu Statistica Neural Network firmy Statsoft. Opracowane sztuczne sieci neuronowe umożliwią modelowanie rezystancji wytworzonej przedniej metalizacji i ułatwią lepszy dobór parametrów produkcji. Następujące zalecenia technologiczne sitodruku połączonego z wypalaniem w piecu i selektywnym spiekaniem laserowym takie jak optymalny skład pasty, morfologię podłoża krzemowego, temperaturę wypalania oraz moc i prędkość skanowania wiązki laserowej, do wytworzenia przedniej elektrody krzemowych ogniw słonecznych dobrano eksperymentalnie celem uzyskania celem uzyskania jednolicie stopionej struktury dobrze przylegającej do podłoża, małej wartości rezystancji połączenia elektrody przedniej z podłożem. Możliwość estymacji rezystancji przedniej metalizacji jest wartościowa dla producentów i konstruktorów. Pozwala ona na dotrzymanie wymagań klienta i przynosi wymierne zyski.
    Źródło:
    Archives of Metallurgy and Materials; 2015, 60, 3A; 1673-1678
    1733-3490
    Pojawia się w:
    Archives of Metallurgy and Materials
    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