Informacja

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

Wyszukujesz frazę "Durlej, Małgorzata" wg kryterium: Autor


Wyświetlanie 1-2 z 2
Tytuł:
Numerical modelling of interlayer adhesion in the layer of recycled material with the use of the Leutner apparatus and computed tomography scanning
Numeryczne modelowanie sczepności międzywarstwowej w warstwie recyklowanej z wykorzystaniem badań w aparacie Leutnera oraz tomografii komputerowej
Autorzy:
Mazurek, Grzegorz
Durlej, Małgorzata
Iwański, Marek
Powiązania:
https://bibliotekanauki.pl/articles/2055084.pdf
Data publikacji:
2021
Wydawca:
Politechnika Świętokrzyska w Kielcach. Wydawnictwo PŚw
Tematy:
finite element method
Leutner test
contact phenomena
calibration of the cohesion contact model
metoda elementów skończonych
badanie Leutnera
zjawiska kontaktowe
kalibracja modelu kohezyjnego
Opis:
The work has investigated the actual mechanism of the adhesion between successive asphalt layers, taking into account the macrostructure of the pavement layers, which are made of heterogeneous materials. The interaction between the joined layers was determined by applying a cohesion contact model. The parameters of the model were identified using the results obtained in the course of the actual Leutner tests. The heterogeneity of the structure was mapped based on a digital image of a tomographic cross-section. The separation of the materials included in the individual layers was performed with the use of a script in the MatLab program. Thanks to this, the batch file for the Abaqus program was prepared thoroughly. As a result, it was possible to map as closely as possible the profile of the deformation caused by the loss of the interlayer adhesion. Based on the data analysis, it was found that in the layer of the base course constructed from cold-applied recycled materials, the loss of interlayer adhesion is related to the state of non-linear mastic deformation. As a consequence, it was found that large deformations in the mastic structure would cause losses of aggregate grains in the recycled layer. In addition, a large horizontal displacement within the layer of the base course made of recycled material is one of the likely causes of edge fractures in the road structure.
W pracy został rozpoznany rzeczywisty mechanizm pracy połączenia między warstwami asfaltowymi uwzględniający makrostrukturę warstw nawierzchni, które są w istocie rzeczy materiałami niejednorodnymi. Interakcję pomiędzy łączonymi warstwami określono poprzez zastosowanie modelu kohezyjnego. Jego parametry zostały zidentyfikowane przy wykorzystaniu wyników pochodzących z rzeczywistych badań Leutnera. Niejednorodność struktury odwzorowano na podstawie cyfrowego obrazu przekroju tomograficznego. Separacja materiałów wchodzących w skład poszczególnych warstw została wykonana z wykorzystaniem skryptu w programie MatLab. Dzięki temu w sposób kompleksowy został przygotowany plik wsadowy do programu Abaqus. W rezultacie udało się odwzorować możliwie najwierniej stan odkształcenia, jaki powstaje w wyniku utraty sczepności międzywarstwowej. Na podstawie analizy danych stwierdzono, że w warstwie recyklowanej podbudowy w technologii na zimno utrata sczepności międzywarstwowej jest sprzężona z nieliniowym stanem odkształcenia w mastyksie. W konsekwencji stwierdzono, że duże odkształcenia w mastyksie spowodują w warstwie recyklowanej ubytki ziarn kruszywa. Ponadto duże przemieszczenia poziome w warstwie recyklowanej podbudowy są jedną z prawdopodobnych przyczyn odłamania krawędzi w konstrukcji drogi.
Źródło:
Structure and Environment; 2021, 13, 4; 95--103
2081-1500
Pojawia się w:
Structure and Environment
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Application of deep learning techniques in identification of the structure of selected road materials
Zastosowanie techniki głębokiego uczenia do identyfikacji struktury wybranych materiałów drogowych
Autorzy:
Mazurek, Grzegorz
Durlej, Małgorzata
Šrámek, Juraj
Powiązania:
https://bibliotekanauki.pl/articles/27314909.pdf
Data publikacji:
2023
Wydawca:
Politechnika Świętokrzyska w Kielcach. Wydawnictwo PŚw
Tematy:
deep learning
tomograph
R programming language
classification
road surfaces
correlation
digital image
głębokie uczenie
tomograf
język programowania R
klasyfikacja
nawierzchnie drogowe
korelacja
obraz cyfrowy
Opis:
In research, there is a growing interest in using artificial intelligence to find solutions to difficult scientific problems. In this paper, a deep learning algorithm has been applied using images of samples of materials used for road surfaces. The photographs showed cross-sections of random samples taken with a CT scanner. Historical samples were used for the analysis, located in a database collecting information over many years. The deep learning analysis was performed using some elements of the VGG16 network architecture and implemented using the R language. The learning and training data were augmented and cross-validated. This resulted in the high level of 96.4% quality identification of the sample type and its selected structural features. The photographs in the identification set were correctly identified in terms of structure, mix type and grain size. The trained model identified samples in the domain of the dataset used for training in a very good way. As a result, in the future such a methodology may facilitate the identification of the type of mixture, its basic properties and defects.
W badaniach naukowych obserwuje się coraz większe zainteresowanie wykorzystaniem sztucznej inteligencji do poszukiwania rozwiązań trudnych problemów naukowych. W niniejszym artykule został zastosowany algorytm głębokiego uczenia z użyciem obrazów próbek materiałów wykorzystywanych do budowy nawierzchni drogowych. Fotografie przedstawiały przekroje losowych próbek wykonane za pomocą tomografu komputerowego. Do analizy wykorzystano próbki historyczne, znajdujące się w bazie danych zbierającej informacje z wielu lat. Analizę głębokiego uczenia wykonano przy użyciu niektórych elementów architektury sieci VGG16 i zaimplementowano, stosując język R. Dane uczące oraz treningowe poddano augmentacji oraz walidacji krzyżowej. W rezultacie uzyskano wysoki poziom 96,4% jakości identyfikacji rodzaju próbki oraz jej wybranych cech strukturalnych. Fotografie w zbiorze identyfikacyjnym zostały poprawnie zidentyfikowane pod względem struktury, typu mieszanki oraz uziarnienia. Wytrenowany model w bardzo dobry sposób zidentyfikował próbki w obszarze dziedziny trenowanego zbioru danych. W rezultacie taka metodyka może w przyszłości ułatwić identyfikację rodzaju mieszanki, jej podstawowych właściwości oraz defektów.
Źródło:
Structure and Environment; 2023, 15, 3; 159--167
2081-1500
Pojawia się w:
Structure and Environment
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