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 "neural modelling" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-8 z 8
    Tytuł:
    Comprehensive analysis of reclamation of spent lubricating oil using green solvent: RSM and ANN approach
    Autorzy:
    Sarkar, Sayantan
    Datta, Deepshikha
    Chowdhury, Somnath
    Das, Bimal
    Powiązania:
    https://bibliotekanauki.pl/articles/2173421.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    modelling
    optimization
    extraction-flocculation
    artificial neural network
    genetic algorithm
    modelowanie
    optymalizacja
    sztuczna sieć neuronowa
    algorytm genetyczny
    Opis:
    Waste lubricating oil (WLO) is the most significant liquid hazardous waste, and indiscriminate disposal of waste lubricating oil creates a high risk to the environment and ecology. Present investigation emphasizes the re-refining of used automobile engine oil using the extraction-flocculation approach to reduce environmental hazards and convert the waste to energy. The extraction-flocculation process was modeled and optimized using response surface methodology (RSM), artificial neural network (ANN), and genetic algorithm (GA). The present study assessed parametric effects of refining time, refining temperature, solvent to waste oil ratio, and flocculant dosage. Experimental findings showed that the percentage of yield of recovered oil is to the tune of 86.13%. With the Central Composite Design approach, the maximum percentage of extracted oil is 85.95%, evaluated with 80 minutes of refining time, 50.17 C refining temperature, 7:1 solvent to waste oil ratio and flocculant dosage of 3 g/kg of solvent and 86.71% with 79.97 minutes refining time, 55.53 C refining temperature, 4.89:1 g/g solvent to waste oil ratio, 2.99 g/kg of flocculant concentration with Artificial Neural Network. A comparison shows that the ANN gives better results than the CCD approach. Physico-chemical properties of the recovered lube oil are comparable with the properties of fresh lubricating oil.
    Źródło:
    Chemical and Process Engineering; 2022, 43, 2; 119--135
    0208-6425
    2300-1925
    Pojawia się w:
    Chemical and Process Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Heuristic modeling of objects and processes using dynamic neural networks
    Heurystyczne modelowanie obiektów i procesów przy pomocy dynamicznych sieci neuronowych
    Autorzy:
    Przystałka, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/327816.pdf
    Data publikacji:
    2006
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    sztuczna sieć neuronowa
    lokalnie rekurencyjna sieć neuronowa
    systemy dynamiczne
    metoda quasi-Newtonowska
    modelowanie heurystyczne
    artificial neural network
    locally recurrent neural network
    dynamic systems
    quasi-Newton methods
    heuristic modelling
    Opis:
    The methodology of heuristic modeling is one of the subjects included in the activities developed by the Department of Fundamentals of Machinery Design [4, 6]. Among all the approaches of heuristic modeling some of the most common are artificial neural networks. There are many papers and books devoted to applications of neural networks for modeling dynamic systems [1, 2, 4, 5, 6, 7]. In this paper, known approach basing on dynamic neuron model is presented (dynamic neuron with IIR filter in the activation block [2]) but some developments are introduced. Locally recurrent networks which are composed of dynamic neural units described in [2, 5, 7] are able to model behavior of complex dynamic systems. Nevertheless, they have one major disadvantage, that is, neural networks composed of these neurons are not able to represent stochastic behaviors of some objects [4,6]. By introducing the ARMAX (or ARX) system into dynamic neuron model author has received dynamic neuron unit that never behaves in the same way (it brings an artificial neuron closer and closer to the biological model). In this paper the author presents formal description of dynamic neuron unit with ARMAX system in the feedback block. There are also described a general structure of dynamic neural network composed of these neurons, two known training methods and some commonly used quality measures. At the end of the paper three examples of applications are given.
    Metodologia heurystycznego modelowania obiektów i procesów jest jednym z kierunków badań rozwijanym prze Katedrę Podstaw Konstrukcji Maszyn [4, 6]. Spośród wielu metod modelowania heurystycznego duże znaczenie odgrywają metody bazujące na sztucznych sieciach neuronowych. Można wyróżnić wiele ciekawych prac badawczych prowadzonych w kierunku modelowania systemów dynamicznych z zastosowaniem tego typu narzędzia [1, 2, 4, 5, 6, 7]. W artykule zaprezentowano znane podejście bazujące na dynamicznych neuronach (dynamiczny neuron z filtrem IIR w bloku aktywacyjnym [2]) z pewnymi modyfikacjami. Lokalnie rekurencyjne sieci neuronowe złożone z dynamicznych neuronów opisane w [2, 5, 7] nadają się do modelowania zachowania złożonych systemów dynamicznych. Jednakże, posiadają one jedną główną wadę tzn. nie są zdolne do reprezentowania zachowania losowego niektórych obiektów [4, 6]. Poprzez wprowadzenie systemu typu ARMAX (ARX) do modeli dynamicznych neuronów autor otrzymał dynamiczny model neuronu, który nigdy nie zachowują się w ten sam sposób (przybliża to model sztucznego neuronu do jego biologicznego wzoru). W artykule autor prezentuje formalny opis dynamicznego neuronu z systemem typu ARMAX w bloku sprzężenie zwrotnego. Opisuje również ogólną strukturę dynamicznej sieci neuronowej złożonej z tych neuronów, dwa znane algorytmy trenujące oraz powszechnie stosowane miary jakości. Przykładowe zastosowania opisywanych sieci zaprezentowane są w końcowym fragmencie opracowania.
    Źródło:
    Diagnostyka; 2006, 2(38); 31-36
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Black box efficiency modelling of an electric drive unit utilizing methods of machine learning
    Autorzy:
    Bauer, Lukas
    Stütz, Leon
    Kley, Markus
    Powiązania:
    https://bibliotekanauki.pl/articles/1956031.pdf
    Data publikacji:
    2021
    Wydawca:
    Polskie Towarzystwo Promocji Wiedzy
    Tematy:
    electromobility
    powertrain
    electric drives
    artificial neural network
    efficiency modelling
    elektromobilność
    układ napędowy
    napędy elektryczne
    sztuczna sieć neuronowa
    modelowanie wydajności
    Opis:
    The increasing electrification of powertrains leads to increased demands for the test technology to ensure the required functions. For conventional test rigs in particular, it is necessary to have knowledge of the test technology's capabilities that can be applied in practical testing. Modelling enables early knowledge of the test rigs dynamic capabilities and the feasibility of planned testing scenarios. This paper describes the modelling of complex subsystems by experimental modelling with artificial neural networks taking transmission efficiency as an example. For data generation, the experimental design and execution is described. The generated data is pre-processed with suitable methods and optimized for the neural networks. Modelling is executed with different variants of the inputs as well as different algorithms. The variants compare and compete with each other. The most suitable variant is validated using statistical methods and other adequate techniques. The result represents reality well and enables the performance investigation of the test systems in a realistic manner.
    Źródło:
    Applied Computer Science; 2021, 17, 4; 5-19
    1895-3735
    Pojawia się w:
    Applied Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural networks as a friction classifiers
    Sieci neuronowe jako klasyfikatory tarcia
    Autorzy:
    Gocman, K.
    Kałdoński, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/257827.pdf
    Data publikacji:
    2007
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Technologii Eksploatacji - Państwowy Instytut Badawczy
    Tematy:
    tarcie graniczne
    zatarcie
    modelowanie procesów tarcia
    sztuczna sieć neuronowa
    boundary friction
    seizure
    modelling of friction processes
    artificial neural network
    Opis:
    Preliminary results of the influence of load and rotational speed on the moment of friction and wear of a tribological pair are presented in the paper. Tests were carried out at rotational speeds of about 100-2000 rpm and loads of about 500-6000 N. During the tests, the moment of friction, oil temperature and weather conditions were registered. After the tests, the conditions of the wear of tribological pairs were measured. The analysis of results was developed, and a friction classifier was built using artificial neural networks (ANN). The different training algorithms were applied to obtain the best quality models.
    W artykule przedstawiono wstępne wyniki badań wpływu obciążenia i prędkości obrotowej na wartość momentu tarcia i zużycie pary ciernej. Badania przeprowadzono w szerokim zakresie obciążeń (500-6000 N) i prędkości obrotowych (100-2000 obr./min). W czasie pomiarów rejestrowano wartość momentu tarcia, temperaturę środka smarnego oraz warunki otoczenia. Po zakończeniu testów wyznaczono zużycie elementów pary ciernej. Po przeprowadzonej analizie wyników, na bazie sztucznych sieci neuronowych zbudowano klasyfikator tarcia. W czasie budowy modeli zastosowano różne algorytmy uczące, tak aby uzyskać jak najlepszą jakość klasyfikatorów.
    Źródło:
    Problemy Eksploatacji; 2007, 4; 111-118
    1232-9312
    Pojawia się w:
    Problemy Eksploatacji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Optimization of structure of neural models using distributed computing environment
    Optymalizacja struktury modeli neuronowych z zastosowaniem rozproszonego środowiska obliczeniowego
    Autorzy:
    Tomanek, A.
    Przystałka, P.
    Adamczyk, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/327638.pdf
    Data publikacji:
    2006
    Wydawca:
    Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
    Tematy:
    rozproszone obliczenia
    klastery typu ad-hoc
    sztuczna sieć neuronowa
    modelowanie heurystyczne
    optymalizacja struktury sieci neuronowej
    distributed computing
    ad-hoc computing clusters
    artificial neural network
    heuristic modelling
    optimizing neural network architecture
    Opis:
    The main aim of this paper was to identify the optimal structures of considered neural models using the distributed computing environment. In this paper distributed optimizing of feed-forward neural network architectures for given problems is presented. The computing environment is composed of a few important packages and modules and has been created by the authors in order to aid developing some soft computing methods [4], where a lot of calculations are needed. At the beginning the authors decided to adapt a simple systematic-search algorithm that searches through every possible combination of network structures. Since this class of algorithms requires large amount of computation the distributed computing system was employed.
    Głównym celem przeprowadzonych badań było zidentyfikowania optymalnej struktury rozpatrywanych modeli neuronowych z zastosowaniem środowiska do obliczeń rozproszonych. W artykule zaprezentowano zastosowanie systemu do rozproszonej optymalizacji struktury sztucznej sieci neuronowej typu perceptron wielowarstwowy dla zadanego problemu. Prezentowane środowisko obliczeniowe jest złożone z kilku pakietów oraz modułów i zostało utworzone przez autorów w celu wspomagania rozwoju metodologii modelowania heurystycznego [4], gdzie niezbędnych jest wiele obliczeń. W początkowym stadium rozwoju oprogramowania autorzy zastosowali prosty algorytm przeszukiwania systematycznego każdej możliwej kombinacji struktury sieci. Ponieważ tego typu algorytmy z reguły wymagają dużych mocy obliczeniowych, postanowiono wykorzystać system omawiany w niniejszym artykule.
    Źródło:
    Diagnostyka; 2006, 4(40); 15-18
    1641-6414
    2449-5220
    Pojawia się w:
    Diagnostyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The application of the process modelling of anodic wet-stripping of CrN multi-layer coatings for characteristics prediction
    Zastosowanie modelowania do prognozowania przebiegu anodowego rozpuszczania złożonych powłok CrN
    Autorzy:
    Bujak, J.
    Ruta, R.
    Trzos, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/256710.pdf
    Data publikacji:
    2006
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Technologii Eksploatacji - Państwowy Instytut Badawczy
    Tematy:
    powłoka CrN
    rozpuszczanie anodowe
    modelowanie statystyczne
    sztuczna sieć neuronowa
    model prognostyczny
    multi-layer coating
    anodic wet-stripping
    statistical modelling
    artificial neural network
    prognostic model
    Opis:
    The paper presents the results of experimental research on a process of anodic wet-stripping of CrN multi-layer coatings. The stripping rate was correlated with the coating structure and the current density of the stripping process. The experimental data was statistically analysed and regression models of stripping thickness were created as a function of stripping time. The obtained results indicated that the anodic wet-stripping process can be described by means of linear function only in the case of one-layer coatings. Moreover, the general neural network model was created as a complex model including both quantitative and qualitative variables characterising the wet-stripping process. The developed models enable the estimation of the character and time of the stripping process, depending on the coating thickness, structure and current parameters.
    W artykule przedstawiono wyniki badań eksperymentalnych anodowego procesu rozpuszczania złożonych powłok CrN. Uzyskane wyniki poddano analizie statystycznej, w rezultacie której wyznaczono modele regresyjne przebiegu procesu rozpuszczania w funkcji czasu. Ponadto wykorzystując sztuczne sieci neuronowe opracowano kompleksowy model procesu rozpuszczania anodowego. Opracowane modele umożliwiają oszacowanie przebiegu i czasu rozpuszczania w zależności od grubości powłoki oraz zastosowanych parametrów prądowych.
    Źródło:
    Problemy Eksploatacji; 2006, 4; 7-16
    1232-9312
    Pojawia się w:
    Problemy Eksploatacji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wykorzystanie danych lotniczego skaningu laserowego do klasyfikacji pokrycia terenu dla modelowania hydrodynamicznego
    The use of airborne laser scanning data to land cover supervised classification for hydrodynamic modelling
    Autorzy:
    Tymków, P.
    Borkowski, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/129560.pdf
    Data publikacji:
    2006
    Wydawca:
    Stowarzyszenie Geodetów Polskich
    Tematy:
    digital terrain model (DTM)
    lotniczy skaning laserowy
    klasyfikacja nadzorowana
    sztuczna sieć neuronowa
    numeryczny model terenu
    modelowanie hydrodynamiczne
    airborne laser scanning (ALS)
    supervised classification
    artificial neural network
    hydrodynamic modelling
    Opis:
    Badania nad problematyką zapobiegania powodzi wymagają budowy modeli matematycznych przepływów wezbraniowych. Obliczenia hydrodynamiczne wykonywane są w oparciu o dane charakteryzujące geometrię doliny rzeki oraz opory przepływu, które zależą od pokrycia terenu. W artykule podjęto próbę wykorzystania danych lotniczego skaningu laserowego, wykonanego na potrzeby budowy numerycznego modelu terenu (NMT) dla modelowania hydrodynamicznego, do automatycznej nadzorowanej klasyfikacji pokrycia terenu. Klasyfikację tę oparto o wielowarstwowe sztuczne sieci neuronowe typu feed-forward. Wektor cech klasyfikowanych obiektów (klasyfikacja per-piksel) stanowiły dane o wysokości form pokrycia terenu, kolorowe zdjęcia lotnicze, dane charakteryzujące teksturę obszarów na zdjęciach oraz intensywność odbicia fali elektromagnetycznej skaningu laserowego. Wysokości form pokrycia terenu obliczone zostały na podstawie NMT i numerycznego modelu pokrycia terenu (NMPT) wygenerowanego z danych skaningu lotniczego. Niemetryczne zdjęcia lotnicze wykonane aparatem cyfrowym, poddane kalibracji i mozaikowaniu, stanowiły źródło informacji o jasności odbicia światła obiektów oraz były podstawą obliczeń teksturowych opartych o metodę macierzy sąsiedztwa (GLCM). Jako wektory uczące sieci neuronowej wybrano dziesięć pól testowych o powierzchni 400 m², w tym pięć klas roślinności wysokiej. Otrzymane rezultaty przedstawiono w formie graficznej oraz wykonano ilościową ocenę zgodności wyników z klasyfikacją przeprowadzoną w sposób manualny. Obliczone w tym celu wartości współczynnika κ potwierdzają dużą zgodność wyników klasyfikacji automatycznej z oczekiwanym rezultatem.
    Flood protection research requires building mathematic models of flood flows. Hydraulic calculations are carried out on the basis of geometrical description of the valley as well as on surface roughness which depends on a land cover. Currently, geometric description of the modeling area in the form of cross-sections is often replaced with a digital terrain model (DTM). The data which is required to build DTM can be collected with photogrammetry or the airborne laser scanning method. An attempt at using airborne laser scanning data which was made for DTM and digital surface model (DSM) interpolation, for supervised classification of land cover was discussed. The classification was based on feed-forward artificial neural networks. Two cases were investigated: variant I - overall classification using one artificial neural network with 2 hidden layers of 10 neurons and variant II - individual recognition using different networks with one hidden layer of 10 neurons for each class. The feature vector of classified object (per-pixel classification) included: data concerning vegetation height, color aerial photographs, texture features and laser wave intensities. Heights of vegetation were calculated on the basis of DTM and DSM which were created for hydrodynamic modelling. Non-metric aerial photographs were taken by digital camera. After calibration and mosaic they served as sources of information about the lightness of objects. It was also a basis of GLCM (Grey Level Co-occurrence Matrix) texture feature calculations. Ten training fields of 400 m² were chosen as training vectors. Five of them represented various types of high vegetation. The collected data were visualized and computed numerically. A Kappa (κ) coefficient built on the basis of a confusion matrix was used for the quantitative assessment. The high similarity of the obtained results and reference data was confirmed by the value of the calculated kappa coefficient. Better results were obtained for individual classification (variant II) when the kappa value was 0.86.
    Źródło:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji; 2006, 16; 537-546
    2083-2214
    2391-9477
    Pojawia się w:
    Archiwum Fotogrametrii, Kartografii i Teledetekcji
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Artificial Neural Network to the Control of the Parameters of the Heat Treatment Process of Casting
    Autorzy:
    Wróbel, J.
    Kulawik, A.
    Bokota, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/382692.pdf
    Data publikacji:
    2015
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    heat treatment
    moving heat source
    artificial neural network
    numerical modelling
    control system
    heating process
    obróbka cieplna
    źródło ciepła ruchome
    sztuczna sieć neuronowa
    modelowanie numeryczne
    system sterowania
    proces nagrzewania
    Opis:
    In the paper the use of the artificial neural network to the control of the work of heat treating equipment for the long axisymmetric steel elements with variable diameters is presented. It is assumed that the velocity of the heat source is modified in the process and is in real time updated according to the current diameter. The measurement of the diameter is performed at a constant distance from the heat source (Δz = 0). The main task of the model is control the assumed values of temperature at constant parameters of the heat source such as radius and power. Therefore the parameter of the process controlled by the artificial neural network is the velocity of the heat source. The input data of the network are the values of temperature and the radius of the heated element. The learning, testing and validation sets were determined by using the equation of steady heat transfer process with a convective term. To verify the possibilities of the presented algorithm, based on the solve of the unsteady heat conduction with finite element method, a numerical simulation is performed. The calculations confirm the effectiveness of use of the presented solution, in order to obtain for example the constant depth of the heat affected zone for the geometrically variable hardened axisymmetric objects.
    Źródło:
    Archives of Foundry Engineering; 2015, 15, 1; 119-124
    1897-3310
    2299-2944
    Pojawia się w:
    Archives of Foundry Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-8 z 8

      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