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 "SSN model" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Modelowanie skurczu suszarniczego wybranych warzyw korzeniowych za pomocą sieci neuronowych
    Modeling drying shrinkage for selected root vegetables using neural networks
    Autorzy:
    Łapczyńska-Kordon, B.
    Francik, S.
    Frączek, J.
    Ślipek, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/289368.pdf
    Data publikacji:
    2006
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    skurcz
    model SSN
    burak ćwikłowy
    shrinkage
    SSN model
    red beet
    Opis:
    W pracy przedstawiano próbę zastosowania modelu sformułowanego z pomocą sztucznych sieci neuronowych do opisu zmian skurczu suszarniczego próbek buraka ćwikłowego, podczas konwekcyjnego suszenia, w zależności od zawartości wody, temperatury materiału i wielkości powierzchni. Na podstawie analizy różnych architektur sieci, wybrano do opisu trójwarstwową sieć z trzema wejściami (trzy neurony w pierwszej warstwie ukrytej, jeden neuron w drugiej warstwie ukrytej i jeden neuron na wyjściu - jedna zmienna wyjściowa) ze względu na najmniejsze mierniki błędów. Stwierdzono, że model ma cechy uniwersalności, gdyż pozwala na jednoczesną analizę zmian skurczu w zależności od trzech wielkości: zawartości wody, temperatury i powierzchni przekroju poprzecznego próbki.
    The paper presents an attempt to use a model created with the use of artificial neural networks for description of changes of drying shrinkage of red beet samples, during convection drying, as a function of water content, temperature of material and surface size. Based on the analysis of different network architectures, for description a tri-layer network with three inputs (three neurons in the first hidden layer, one neuron in the second hidden layer and one neuron at the output - one output variable) was selected due to the lowest error standards. The model turned out to show universal character, since it enabled simultaneous analysis of changes of shrinkage as a function of three parameters: water content, temperature and cross-section area of the sample.
    Źródło:
    Inżynieria Rolnicza; 2006, R. 10, nr 13(88), 13(88); 303-311
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analiza twardości selera w czasie suszenia
    Analysis of celery hardness during drying process
    Autorzy:
    Łapczyńska-Kordon, B.
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/289364.pdf
    Data publikacji:
    2006
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    twardość
    sztuczna sieć neuronowa
    model SSN
    seler
    hardness
    SSN model
    artificial neural network
    celery
    Opis:
    W pracy przedstawiono próbę zastosowania modelu sformułowanego na bazie sztucznych sieci neuronowych do opisu zmian twardości selera w czasie konwekcyjnego suszenia w warunkach wymuszonego przepływu powietrza. Model opracowano na podstawie badań. Próbki selera w kształcie cylindrów o wymiarach 10x10 mm poddano suszeniu konwekcyjnemu w temperaturach: 60 i 70°C. Podczas suszenia w równych odstępach czasowych określano twardość materiału metodą Vickersa za pomocą mikrotwardościomierza PMT-3. Do opisu zmian twardości w zależności od zawartości wody, temperatury suszenia i rodzaju obróbki przed suszeniem zastosowano model opracowany za pomocą sztucznych sieci neuronowych SSN. Do budowy modelu zastosowano wielowarstwową jednokierunkową sztuczną sieć neuronową, wykorzystując do uczenia zmodyfikowany algorytm wstecznej propagacji błędu. Analizowano sieci o różnej architekturze w celu zoptymalizowania działania modelu sieciowego. Stwierdzono, że sieć o 3 neuronach w warstwie 1, 3 neuronach w warstwie 2 i 1 neuronie w warstwie wyjściowej jest optymalna. Błąd względny globalny pomiędzy wartościami otrzymanymi z doświadczeń i z obliczeń wyniósł 28,7%.
    The paper presents an attempt of using a model created based on artificial neural networks for description of changes in celery hardness during convection drying under forced air circulation conditions. The model was developed based on the tests. Celery samples in a form of cylinders in size of 10x10 mm were put to convection drying at temperatures: 60 and 70°C. During the drying process material hardness was determined at equal time intervals based on the Vickers method using microhardness tester PMT-3. For description of hardness changes as a function of water content, drying temperature and type of treatment before drying a model developed based on artificial neural networks SSN was used. For creating the model a multilayer unidirectional neural network was employed, using a modified algorithm of backward error propagation for learning process. Networks with different architecture were analyzed in order to optimize actions of the network model. The analysis showed that the optimal network was the one with 3 neurons in layer 1, 3 neurons in layer 2 and 1 neuron in output layer. The global relative error between the values obtained from the experiments and from calculations was 28,7%.
    Źródło:
    Inżynieria Rolnicza; 2006, R. 10, nr 13(88), 13(88); 295-302
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Model SSN do wyznaczania siły niszczącej skorupę orzecha włoskiego
    SSN model for determination of the force destroying the walnut cover
    Autorzy:
    Hebda, T.
    Francik, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/287574.pdf
    Data publikacji:
    2010
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    orzech włoski
    SSN
    model
    walnut
    Opis:
    Materiał badawczy stanowiły cztery odmiany orzecha włoskiego (Juglans regia L.): Silesia, Targo, Albi i Tryumf. Do tworzenia modelu sztucznych sieci neuronowych (SSN) niezbędna była znajomość rzeczywistej wartości siły niszczącej skorupę orzecha (endokarp). Badania wykonano na maszynie wytrzymałościowej Insight 2 firmy MTS. Jako model służący do wyznaczania siły potrzebnej do rozkruszenia okrywy orzecha włoskiego zastosowano jednokierunkowe wielowarstwowe sieci neuronowe. Opracowano kilka różnych sieci neuronowych, które poddano następnie weryfikacji w celu wybrania modelu najdokładniej opisującego zależność siły niszczącej skorupę orzecha włoskiego od jego cech morfologicznych.
    Tests were performed with the use of the following varieties: Silesia, Targo, Albi and Tryumf. For the creation of the SSN model (network learning process), the knowledge of the actual value of the force destroying the walnut cover was necessary. Tests were performed on the testing machine Insight 2 of MTS company. Unidirectional multi-layer neural networks were used as a model aimed at determining the force necessary to crush the walnut cover. Several different neural networks were elaborated and then verified for the purpose of selecting a model that would describe most accurately the dependence of the destructive force on the morphological characteristics of the walnut.
    Źródło:
    Inżynieria Rolnicza; 2010, R. 14, nr 5, 5; 37-45
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Wybrane przykłady zastosowań sztucznych sieci neuronowych w geotechnice
    Selected examples of the use of artificial neural networks in geotechnics
    Autorzy:
    Ochmański, M.
    Bzówka, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/402683.pdf
    Data publikacji:
    2013
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    sztuczne sieci neuronowe (SSN)
    kalibracja modelu numerycznego
    analiza wsteczna
    tunel SCL
    kolumny iniekcyjne
    artificial neural network (ANN)
    calibration of numerical model
    retrograde analysis
    SCL tunnel
    injection columns
    Opis:
    Sztuczne sieci neuronowe (SSN) umożliwiają rozwiązywanie problemów bardzo trudnych lub wręcz niemożliwych wcześniej do rozwiązania. W referacie zostaną przedstawione przykłady zastosowania sztucznych sieci neuronowych do rozwiązań wybranych problemów geotechnicznych. Pierwszy przykład dotyczy wykorzystania sztucznych sieci neuronowych do analizy przemieszczeń dwóch bliźniaczych tuneli wykonanych w technologii SCL (Sprayed Concrete Linning). Konstrukcja poddana analizie jest częścią stacji Fővám, czwartej linii metra w Budapeszcie. Analizę przeprowadzono bazując na danych uzyskanych podczas budowy linii metra oraz monitoringu geotechnicznego. W celu analizy opracowano model numeryczny, który posłużył do przeprowadzenia w pierwszej kolejności analizy wrażliwości użytych parametrów modelu konstytutywnego oraz do analizy wstecznej tych parametrów. W przypadku obu analiz posłużono się sztucznymi sieciami neuronowymi, które pokazały łatwość ich zastosowania oraz wiarygodność uzyskanych wyników. W drugim przykładzie przedstawiono sposób przewidywania średnicy kolumn iniekcyjnych. Określenie kształtu kolumn iniekcyjnych, w tym głównie ich średnicy, jest bardzo trudne. Możliwość zastosowania sztucznych sieci neuronowych do określenia średnicy kolumn może w znaczący sposób zoptymalizować metody projektowania kolumn iniekcyjnych. W przykładzie posłużono się obszerną bazą danych zawierającą opis warunków gruntowo-wodnych podłoża, w którym wykonano kolumny iniekcyjne i pomierzone wartości średnic kolumn po ich odsłonięciu. Dane związane z kolumnami iniekcyjnymi zostały wykorzystane do utworzenia sztucznej sieci neuronowej, a następnie do określenia przewidywanych średnic kolumn iniekcyjnych. Uzyskane wyniki charakteryzują się bardzo dobrą zbieżnością z rzeczywistymi wymiarami kolumn. Wykorzystanie sztucznych sieci neuronowych stanowi alternatywę wobec tradycyjnych metod rozwiązywania problemów geotechnicznych.
    Artificial Neural Networks (ANN) allow to solve difficult problems which sometimes are impossibleto solve using traditional methods. In the paper the examples of application of Artificial Neural Networks for solving selected problems in geotechnics are presented. First example deals with the use of ANN to analyze two similar tunnels built using SCL technology. The structure of interest is a part of Fővám square station of the 4th metro line in Budapest. Analysis was performed based on the data obtained from geotechnical monitoring and from construction stages. The numerical model was prepared for the purpose of sensitivity and back analyses of constitutive model parameters. In both cases the applications show the possibility and reliability of conducted results. Prediction method of jet grouting columns diameter was presented in the second example. Nowadays, definition of columns geometry and estimation of their diameters are difficult task. Possibility of ANN use for estimation of jet grouting columns diameter can optimize designing method. Wide database of field trial jet grouting columns, corresponding soil properties and their forming parameters with measured values of their diameters were used in the presented example. Data describing jet grouting columns were used for creating ANN and for estimating their diameters. The results are characterized by high correlation level between measured values of columns diameter and their predicted equivalents. The use of Artificial Neural Networks is an alternative method which can allow us to solve complex geotechnical problems. Selected examples confirm that the use of ANN is characterized by high reliability level.
    Źródło:
    Budownictwo i Inżynieria Środowiska; 2013, 4, 4; 287-294
    2081-3279
    Pojawia się w:
    Budownictwo i Inżynieria Środowiska
    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