Informacja

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

Wyszukujesz frazę "Flesch, C. A." wg kryterium: Autor


Wyświetlanie 1-2 z 2
Tytuł:
Development of a Committee of Artificial Neural Networks for the Performance Testing of Compressors for Thermal Machines in Very Reduced Times
Autorzy:
Coral, R.
Flesch, C. A.
Penz, C. A.
Borges, M. R.
Powiązania:
https://bibliotekanauki.pl/articles/221092.pdf
Data publikacji:
2015
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
refrigeration compressor
artificial neural networks
performance test
Opis:
This paper presents a new test method able to infer - in periods of less than 7 seconds - the refrigeration capacity of a compressor used in thermal machines, which represents a time reduction of approximately 99.95% related to the standardized traditional methods. The method was developed aiming at its application on compressor manufacture lines and on 100% of the units produced. Artificial neural networks (ANNs) were used to establish a model able to infer the refrigeration capacity based on the data collected directly on the production line. The proposed method does not make use of refrigeration systems and also does not require using the compressor oil.
Źródło:
Metrology and Measurement Systems; 2015, 22, 1; 79-88
0860-8229
Pojawia się w:
Metrology and Measurement Systems
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A Monte Carlo-Based Method for Assessing the Measurement Uncertainty in the Training and Use of Artificial Neural Networks
Autorzy:
Coral, R.
Flesch, C. A.
Penz, C. A.
Roisenberg, M.
Pacheco, A. L. S.
Powiązania:
https://bibliotekanauki.pl/articles/220943.pdf
Data publikacji:
2016
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
artificial neural networks
measurement system
measurement uncertainty
Monte Carlo method
Opis:
When an artificial neural network is used to determine the value of a physical quantity its result is usually presented without an uncertainty. This is due to the difficulty in determining the uncertainties related to the neural model. However, the result of a measurement can be considered valid only with its respective measurement uncertainty. Therefore, this article proposes a method of obtaining reliable results by measuring systems that use artificial neural networks. For this, it considers the Monte Carlo Method (MCM) for propagation of uncertainty distributions during the training and use of the artificial neural networks.
Źródło:
Metrology and Measurement Systems; 2016, 23, 2; 281-294
0860-8229
Pojawia się w:
Metrology and Measurement Systems
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