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 "underground networks" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Suitability assessment of artificial neural network to approximate surface subsidence due to rock mass drainage
    Autorzy:
    Hejmanowski, R.
    Witkowska, H.
    Powiązania:
    https://bibliotekanauki.pl/articles/92051.pdf
    Data publikacji:
    2015
    Wydawca:
    Główny Instytut Górnictwa
    Tematy:
    osiadanie
    odwodnienie kopalni podziemnej
    sztuczna sieć neuronowa
    MLP
    subsidence
    drainage of underground mine
    artificial neural networks
    Opis:
    Based on the previous studies conducted by the authors, a new approach was proposed, namely the tools of artificial intelligence. One of neural networks is a multilayer perceptron network (MLP), which has already found applications in many fields of science. Sequentially, a series of calculations was made for different MLP neural network configuration and the best of them was selected. Mean square error (MSE) and the correlation coefficient R were adopted as the selection criterion for the optimal network. The obtained results were characterized with a considerable dispersion. With an increase in the amount of hidden neurons, the MSE of the network increased while the correlation coefficient R decreased. Similar conclusions were drawn for the network with a small number of hidden neurons. The analysis allowed to select a network composed of 24 neurons as the best one for the issue under question. The obtained final answers of artificial neural network were presented in a histogram as differences between the calculated and expected value.
    Źródło:
    Journal of Sustainable Mining; 2015, 14, 2; 101-107
    2300-1364
    2300-3960
    Pojawia się w:
    Journal of Sustainable Mining
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Dynamic fire risk prevention strategy in underground coal gasification processes by means of artificial neural networks
    Dynamiczna strategia zapobiegania ryzyku pożarowemu z użyciem sztucznych sieci neuronowych w procesach podziemnego zgazowania węgla
    Autorzy:
    Krzemień, Alicja
    Powiązania:
    https://bibliotekanauki.pl/articles/218921.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    dynamiczna strategia zapobiegania ryzyku
    prewencja ryzyka pożarowego
    podziemne zgazowanie węgla (PZW)
    dynamic alarm strategy
    fire risk prevention
    Generalized Regression Neural Network
    Multi-Layer Feedforward Networks (MLFN)
    Multivariate Adaptative Regression Splines (MARS)
    underground coal gasification (UCG)
    Opis:
    Based on data collected during an UCG pilot-scale experiment that took place during 2014 at Wieczorek mine, an active mine located in Upper Silesia (Poland), this research focuses on developing a dynamic fire risk prevention strategy addressing underground coal gasification processes (UCG) within active mines, preventing economic and physical losses derived from fires. To achieve this goal, the forecasting performance of two different kinds of artificial neural network models (generalized regression and multi-layer feedforward) are studied, in order to forecast the syngas temperature at the georeactor outlet with one hour of anticipation, thus giving enough time to UCG operators to adjust the amount and characteristics of the gasifying agents if necessary. The same model could be used to avoid undesired drops in the syngas temperature, as low temperature increases precipitation of contaminants reducing the inner diameter of the return pipeline. As a consequence the whole process of UGC might be stopped. Moreover, it could allow maintaining a high temperature that will lead to an increased efficiency, as UCG is a very exothermic process. Results of this research were compared with the ones obtained by means of Multivariate Adaptative Regression Splines (MARS), a non-parametric regression technique able to model non-linearities that cannot be adequately modelled using other regression methods. Syngas temperature forecast with one hour of anticipation at the georeactor outlet was achieved successfully, and conclusions clearly state that generalized regression neural networks (GRNN) achieve better forecasts than multi-layer feedforward networks (MLFN) and MARS models.
    Przedstawione w niniejszej pracy badania koncentrują się na opracowaniu dynamicznej strategii zapobiegania ryzyku pożarowemu w procesach podziemnego zgazowania węgla (PZW) w czynnych kopalniach. Celem badań jest zapobieganie ekonomicznym i fizycznym stratom wynikającym z pożarów. W pracy wykorzystano dane zebrane podczas pilotowego eksperymentu podziemnego zgazowania węgla, który odbył się w 2014 r. w czynnej Kopalni Węgla Kamiennego „Wieczorek”, zlokalizowanej na Górnym Śląsku. W artykule przeanalizowano działanie dwóch różnych modeli sztucznych sieci neuronowych, tj. sieci neuronowych realizujących uogólnione regresje GRNN oraz wielowarstwowych sieci perceptronowych MLFN, w celu prognozowania temperatury gazu syntezowego na wyjściu z georeaktora z godzinnym wyprzedzeniem. Informacja na temat temperatury na godzinę „do przodu” daje wystarczająco dużo czasu operatorowi procesu PZW na dostosowanie ilości i właściwości czynników zgazowujących do zaistniałej sytuacji. Ten sam model można zastosować do uniknięcia niepożądanych spadków temperatury gazu syntezowego. Niska temperatura gazu sprzyja wytrącaniu się osadu (substancji smolistych), powodując zmniejszanie średnicy rurociągu odbioru gazu, co w konsekwencji może prowadzić do całkowitego zatrzymania procesu zgazowania. Model pozwala również na utrzymanie wysokiej temperatury, która prowadzi do zwiększonej wydajności procesu PZW, szczególnie biorąc pod uwagę, że PZW jest procesem bardzo egzotermicznym. Wyniki zrealizowanych badań porównano z rezultatami uzyskanymi za pomocą modelu MARS – nieparametrycznej metody regresji zdolnej do modelowania zależność nieliniowych, których nie można odpowiednio modelować przy użyciu innych metod regresji. Prognoza temperatury gazu na godzinę „do przodu” na wylocie georeaktora została osiągnięta z powodzeniem, a wnioski jasno pokazują, że sieci neuronowe realizujące uogólnione regresje (GRNN – Generalized Regression Neural Networks) osiągają lepsze rezultaty niż wielowarstwowe sieci jednokierunkowe (MLFN – Multi-Layer Feedforward Networks) i modele MARS (Multivariate Adaptative Regression Splines).
    Źródło:
    Archives of Mining Sciences; 2019, 64, 1; 3-19
    0860-7001
    Pojawia się w:
    Archives of Mining Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      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