Informacja

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

Wyszukujesz frazę "Sztuczne Sieci Neuronowe" wg kryterium: Temat


Tytuł:
Application of Artificial Neural Networks for Mathematical Modelling of Horizontal Jet Fires
Wykorzystanie sztucznych sieci neuronowych do modelowania matematycznego poziomych pożarów strumieniowych
Autorzy:
Lewak, Michał
Tępiński, Jarosław
Powiązania:
https://bibliotekanauki.pl/articles/35069711.pdf
Data publikacji:
2023
Wydawca:
Centrum Naukowo-Badawcze Ochrony Przeciwpożarowej im. Józefa Tuliszkowskiego
Tematy:
computational fluid mechanics
artificial neural networks
jet fire
obliczeniowa mechanika płynów
sztuczne sieci neuronowe
pożar strumieniowy
Opis:
Aim: This article focuses on the use of artificial neural networks to mathematically describe the parameters that determine the size of a jet fire flame. To teach the neural network, the results of a horizontal propane jet fire, carried out experimentally and using CFD mathematical modelling, were used. Project and methods: The main part of the work consisted of developing an artificial neural network to describe the flame length and propane-air mixing path lengths with good accuracy, depending on the relevant process parameters. Two types of data series were used to meet the stated objective. The first series of data came from field tests carried out by CNBOP-PIB and from research contained in scientific articles. The second type of data was provided by numerical calculations made by the authors. The methods of computational fluid mechanics were used to develop the numerical simulations. The ANSYS Fluent package was used for this purpose. Matlab 2022a was used to develop the artificial neural network and to verify it. Results: Using the nftool function included in Matlab 2022a, an artificial neural network was developed to determine the flame length Lflame and the length of the Slift-off mixing path as a function of the diameter of the dnozzle and the mass flux of gas leaving the nozzle. Using Pearson’s correlation coefficient, a selection was made of the best number of neurons in the hidden layer to describe the process parameters. The neural network developed allows Lflame and Slift-off values to be calculated with good accuracy. Conclusions: Artificial neural networks allow a function to be developed to describe the parameters that determine flame sizes in relation to process parameters. For this purpose, the results of the CFD simulations and the results of the jet fire experiments were combined to create a single neural network. The result is a ready-made function that can be used in programmes for the rapid determination of flame sizes. Such a function can support the process of creating scenarios in the event of an emergency. A correctly developed neural network provides opportunities for the mathematical description of jet fires wherever experimental measurements are not possible. Solution proposed by the authors does not require a large investment in ongoing calculations, as the network can be implemented in any programming language.
Cel: W artykule skupiono się na wykorzystaniu sztucznych sieci neuronowych do opisu matematycznego parametrów określających rozmiary płomienia pożaru strumieniowego. Do uczenia sieci neuronowej wykorzystano wyniki badań poziomego pożaru strumieniowego propanu, przeprowadzone doświadczalnie i przy pomocy modelowania matematycznego metodą CFD. Projekt i metody: Główna część pracy polegała na opracowaniu sztucznej sieci neuronowej, która z dobrą dokładnością będzie opisywała długość płomienia oraz długości drogi mieszania propanu z powietrzem w zależności od istotnych parametrów procesowych. Do realizacji postawionego celu wykorzystano dwa typy serii danych. Pierwsza seria danych pochodziła z badań poligonowych wykonanych przez CNBOP-PIB oraz z badań zawartych w artykułach naukowych. Drugi typ danych dostarczyły obliczenia numeryczne wykonane przez autorów. Do opracowania symulacji numerycznych wykorzystano metody obliczeniowej mechaniki płynów. W tym celu zastosowany został pakiet ANSYS Fluent. Do opracowania sztucznej sieci neuronowej oraz jej weryfikacji użyto programu Matlab 2022a. Wyniki: Korzystając z funkcji nftool, zawartej w programie Matlab 2022a, opracowano sztuczną sieć neuronową do wyznaczenia długości płomienia Lflame i długości drogi mieszania Slift-off w zależności od średnicy dyszy dnozzle i strumienia masowego gazu opuszczającego dyszę. Do opisu parametrów procesowych wybrano najbardziej adekwatną liczbę neuronów w warstwie ukrytej. Wykorzystano do tego współczynnik korelacji Pearsona. Opracowana sieć neuronowa pozwala z dobrą dokładnością obliczyć wartości Lflame i Slift-off. Wnioski: Sztuczne sieci neuronowe pozwalają na opracowanie funkcji opisującej rozmiar płomienia w zależności od parametrów procesowych. W celu stworzenia jednej sieci neuronowej połączono wyniki symulacji CFD i wyniki doświadczeń pożarów strumieniowych. W rezultacie otrzymano gotową funkcję, która może być użyta w programach służących do szybkiego określania rozmiarów płomienia. Funkcja taka może wspomagać proces tworzenia scenariuszy na wypadek wystąpienia sytuacji awaryjnej. Poprawnie opracowana sieć neuronowa pozwala opisać w sposób matematyczny pożary strumieniowe wszędzie tam, gdzie wykonanie pomiarów doświadczalnych nie jest możliwe. Proponowane rozwiązanie nie wymaga dużych nakładów finansowych na prowadzone obliczenia, ponieważ sieć może być zaimplementowana w dowolnym języku programowania.
Źródło:
Safety and Fire Technology; 2023, 62, 2; 34-48
2657-8808
2658-0810
Pojawia się w:
Safety and Fire Technology
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Comparison of an effectiveness of artificial neural networks for various activation functions
Porównanie efektywności sztucznych sieci neuronowych dla różnych funkcji aktywacji
Autorzy:
Florek, Daniel
Miłosz, Marek
Powiązania:
https://bibliotekanauki.pl/articles/24083568.pdf
Data publikacji:
2023
Wydawca:
Politechnika Lubelska. Instytut Informatyki
Tematy:
activation functions
artificial neural networks
artificial intelligence
funkcja aktywacji
sztuczne sieci neuronowe
sztuczna inteligencja
Opis:
Activation functions play an important role in artificial neural networks (ANNs) because they break the linearity in the data transformations that are performed by models. Thanks to the recent spike in interest around the topic of ANNs, new improvements to activation functions are emerging. The paper presents the results of research on the effectiveness of ANNs for ReLU, Leaky ReLU, ELU, and Swish activation functions. Four different data sets, and three different network architectures were used. Results show that Leaky ReLU, ELU and Swish functions work better in deep and more complex architectures which are to alleviate vanishing gradient and dead neurons problems. Neither of the three aforementioned functions comes ahead in accuracy in all used datasets, although Swish activation speeds up training considerably and ReLU is the fastest during prediction process.
Funkcje aktywacji, przełamując linową naturę transformacji zachodzących w sztucznych sieciach neuronowych (SSN), pozwalają na uczenie skomplikowanych wzorców występujących w danych wejściowych, np. w obrazach. Wzrost zain-teresowania wokół SSN skłonił naukowców do badań wokół różnolitych aktywacji, które mogą dać przewagę podczas uczenia jak i przewidywania, ostatecznie przyczyniając się do powstania nowych, interesujących rozwiązań. W artykule przedstawiono wyniki badań nad efektywnością SSN dla funkcji ReLU, Leaky ReLU, ELU oraz Swish, przy użyciu czterech zbiorów danych i trzech różnych architektur SSN. Wyniki pokazują, że funkcje Leaky ReLU, ELU i Swish lepiej sprawdzają się w głębokich i bardziej skomplikowanych architekturach, mając za zadanie zapobieganie proble-mom zanikającego gradientu (ang. Vanishing Gradient) i martwych neuronów (ang. Dead neurons). Żadna z trzech wyżej wymienionych funkcji nie ma przewagi w celności (ang. Accuracy), jednakże Swish znacznie przyspiesza ucze-nie SSN, a ReLU jest najszybsza w procesie przewidywania
Źródło:
Journal of Computer Sciences Institute; 2023, 26; 7--12
2544-0764
Pojawia się w:
Journal of Computer Sciences Institute
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Human-induced force reconstruction using a non-linear electrodynamic shaker applying an iterative neural network algorithm
Autorzy:
Peláez-Rodríguez, César
Magdaleno, Álvaro
Salcedo-Sanz, Sancho
Lorenzana, Antolín
Powiązania:
https://bibliotekanauki.pl/articles/27311419.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Czasopisma i Monografie PAN
Tematy:
ground reaction forces
electrodynamic shaker
artificial neural networks
forces reconstruction
iterative neural network
siły reakcji podłoża
wstrząsarka elektrodynamiczna
sztuczne sieci neuronowe
rekonstrukcja sił
sieć neuronowa iteracyjna
Opis:
An iterative neural network framework is proposed in this paper for the human-induced Ground Reaction Forces (GRF) replication with an inertial electrodynamic mass actuator (APS 400). This is a first approach to the systematization of dynamic load tests on structures in a purely objective, repeatable and pedestrian-independent basis. Therefore, an inversion-free offline algorithm based on Machine Learning techniques has been applied for the first time on an electrodynamic shaker, without requiring its inverse model to tackle the inverse problem of successful force reconstruction. The proposed approach aims to obtain the optimal drive signal to minimize the error between the experimental shaker output and the reference force signal, measured with a pair of instrumented insoles (Loadsol©) for human bouncing at different fre- quencies and amplitudes. The optimal performance, stability and convergence of the system are verified through experimental tests, achieving excellent results in both time and frequency domain.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2023, 71, 3; art. no. e144615
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Problems of forecasting the length of the assembly cycle of complex products realized in the MTO (make-to-order) model
Problematyka prognozowania długości cyklu montażu wyrobów złożonych realizowanych w modelu MTO (make-to-order)
Autorzy:
Brzozowska, Jolanta
Gola, Arkadiusz
Kulisz, Monika
Powiązania:
https://bibliotekanauki.pl/articles/31232972.pdf
Data publikacji:
2023
Wydawca:
Politechnika Rzeszowska im. Ignacego Łukasiewicza. Oficyna Wydawnicza
Tematy:
assembly cycle
machine assembly
forecasting
Make-to-Order
artificial neural networks
input signal
output signals
MatLab
cykl montażu
montaż maszyn
prognozowanie
produkcja na zamówienie
sztuczne sieci neuronowe
sygnały wejściowe
sygnał wyjściowy
Opis:
This article presents the problem of forecasting the length of machine assembly cycles in make-to-order production (Make-to-Order). The model of Make-to-Order production and the technological process of manufacturing the finished product are presented. The possibility of developing a novel method, using artificial intelligence solutions, to estimate machine assembly times based on historical company data on manufacturing times for structurally similar components, is described. It is assumed that the result of the developed method will be an intelligent system supporting efficient and accurate estimation of machine assembly time, ready for implementation in production conditions. Such data as part availability, human resource availability and novelty factor will be used as input data for learning the neural network, while the output variable during learning the neural network will be the actual machine assembly time.
W niniejszym artykule przedstawiono problem prognozowania długości cyklu montażu maszyn w produkcji na zamówienie (Make-to-Order). Przedstawiony został model produkcji na zamówienie oraz proces technologiczny wytwarzania wyrobu gotowego. Opisana została możliwość opracowania nowatorskiej metody, wykorzystującej rozwiązania z zakresu sztucznej inteligencji, umożliwiającej szacowanie czasu montażu maszyn w oparciu o dane historyczne przedsiębiorstw, dotyczące czasów wytwarzania podobnych konstrukcyjnie elementów. Zakłada się, iż rezultatem opracowanej metody będzie inteligentny system wspomagający skuteczne i dokładne szacowanie czasu montażu maszyn, gotowy do implementacji w warunkach produkcyjnych. Jako dane wejściowe do uczenia sieci neuronowej wykorzystane zostaną takie dane jak: dostępność części, dostępność zasobów ludzkich oraz czynnik nowości, zaś zmienną wyjściową podczas uczenia sieci neuronowej będzie rzeczywisty czas montażu maszyny.
Źródło:
Technologia i Automatyzacja Montażu; 2023, 3; 13-20
2450-8217
Pojawia się w:
Technologia i Automatyzacja Montażu
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Częstotliwość występowania zaburzeń rozwoju sprawności ręki w zakresie samoobsługi, grafomotoryki i innych czynności szkolnych - analiza obliczeniowa
Prevalence of handdevelopment disorders in self-care, graphomotor and other school activities -a computational analysis
Autorzy:
Mikołajewska, Emilia
Mikołajewski, Dariusz
Powiązania:
https://bibliotekanauki.pl/articles/41205914.pdf
Data publikacji:
2022
Wydawca:
Uniwersytet Kazimierza Wielkiego w Bydgoszczy
Tematy:
rehabilitacja
ręka
grafomotoryka
deficyty ręki
terapia ręki
model obliczeniowy
sztuczne sieci neuronowe
rehabilitation
hand
grapomotorics
hand deficits
hand therapy
computational model
artificial neural networks
Opis:
Jedną z przyczyn trudności samoobsługowych i grafomotorycznych są opóźnienia lub brak rozwoju chwyt podstawowych. Celem pracy było określenie częstotliwości występowania zaburzeń rozwoju sprawności ręki w zakresie samoobsługi, grafomotoryki i innych czynności szkolnych oraz wypracowanie podstaw do wdrożenia ich modelu obliczeniowego. Tylko 6% dzieci nie miało żadnych deficytów a prawie 41% miało deficyty tylko w zakresie funkcji ręki. Model obliczeniowy ułatwił analizę oraz stanowi obiecujące rozwiązanie na przyszłość: do gromadzenia, analizy i predykcji wyników.
One of the causes of self-service and graphomotor difficulties is delays or lack of development of the basic grasp. The aim of the study was to determine the frequency of hand developmental impairments in self-care, graphomotor and other school activities and to develop a basis for implementing their computational model. Only 6% of the children had no deficits and almost 41% had deficits only in hand function. The computational model facilitated the analysis and is a promising solution for the uture: for collecting, analysing and predicting results.
Źródło:
Studia i Materiały Informatyki Stosowanej; 2022, 14, 3; 20-25
1689-6300
Pojawia się w:
Studia i Materiały Informatyki Stosowanej
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Inteligentny system wspomagający proces identyfikacji perspektywicznych horyzontów w wielohoryzontowych złożach gazu ziemnego uwzględniający kryterium ekonomiczne ich udostępnienia i eksploatacji
Intelligent system supporting the process of identification of perspective horizons in multi-horizontal gas deposits taking into account economic criteria, their completion and exploitation
Autorzy:
Pańko, Adam
Powiązania:
https://bibliotekanauki.pl/articles/31344032.pdf
Data publikacji:
2022
Wydawca:
Instytut Nafty i Gazu - Państwowy Instytut Badawczy
Tematy:
sztuczna inteligencja
uczenie maszynowe
sztuczne sieci neuronowe
zastępczy model złożowy
analiza ekonomiczna
artificial intelligence
machine learning
artificial neural network
surrogate reservoir model
economic analysis
Opis:
W artykule zaprezentowano inteligentny system wspomagający proces identyfikacji perspektywicznych horyzontów złożowych w wielohoryzontowych złożach gazu ziemnego, uwzględniający kryterium ekonomiczne ich udostępnienia i eksploatacji. W procesie projektowania systemu zostały wykorzystane dotychczasowe doświadczenia firmy ORLEN Upstream z prac prowadzonych na obszarze zapadliska przedkarpackiego w utworach miocenu, obejmujące etap poszukiwania i eksploatacji wielohoryzontowych złóż gazu ziemnego. System został opracowany na bazie sztucznej inteligencji (SI) z wykorzystaniem między innymi sztucznych sieci neuronowych (SSN) i metod uczenia maszynowego (ML) oraz dodatkowo metod tzw. eksperymentu projektowanego (ang. design of experiment, DOE). Pierwsza część systemu obejmuje procesy związane z selekcją odpowiednich danych wejściowych i ich przygotowaniem do wykorzystania w kolejnych elementach systemu. Kolejnym etapem inteligentnego systemu jest identyfikacja perspektywicznych horyzontów złożowych w nowo wierconych odwiertach na podstawie wyników wykonanych opróbowań typu DST (ang. drill stem test) i testów produkcyjnych w dotychczas odwierconych i eksploatowanych odwiertach przez ORLEN Upstream. Następny element systemu stanowi projekt bazy danych wejściowych do budowy zastępczego modelu złożowego (ZMZ). Do konstrukcji bazy danych wykorzystano metodę Latin hypercube i symulator numeryczny Eclipse. W dalszej części systemu skonstruowany model zastępczy został użyty do probabilistycznego generowania profili wydobycia gazu ze zidentyfikowanych w poprzednim etapie perspektywicznych horyzontów złożowych. Ostatnim elementem zaprojektowanego systemu jest analiza ekonomiczna opłacalności procesu udostępniania i eksploatacji, bazująca między innymi na wyznaczonych profilach wydobycia gazu. Wynikiem analizy jest wyznaczenie podstawowych wskaźników ekonomicznych inwestycji. Na podstawie przeprowadzonej analizy ekonomicznej tworzony jest ranking zidentyfikowanych horyzontów i podejmowana jest decyzja o ewentualnym udostępnieniu i eksploatacji zidentyfikowanego horyzontu lub odstąpieniu od jego opróbowania.
The article presents an intelligent system supporting the process of identification of perspective horizons in multi-horizontal gas deposits taking into account economic criteria of their completion and exploitation. Artificial Intelligence has been used for more than two decades as a development tool for solutions in several areas of the E&P industry: production control and optimization, forecasting, ans simulation, among many others. The intelligent system was designed based on so far carried out work by the ORLEN Upstream company in the area of the Carpathian Foredeep (Miocene formations), including the phase of exploration and exploitation of multi-horizontal gas deposits. The system was developed based on artificial intelligence (AI) using, among other things, artificial neural networks (ANN), machine learning (ML), and additional methods of design of experiment (DOE). The first part of the designed system includes processes connected with the selection of proper input data and their preparation to be utilized in the next section of the system. The next stage of the intelligent system is the identification of perspective horizons in the new drilling wells based on results from performed DST and production tests in so far drilled and exploited wells by ORLEN Upstream. The subsequent stage is the design of input database for the construction of the Surrogate Reservoir Model (SRM). This input database was prepared using the Latin Hypercube method and the commercial reservoir simulator Eclipse. In the duration of the next stage of the system, the previously prepared Surrogate Reservoir Model was utilized to probabilistically generate production gas profiles from identified horizons. The final part of the intelligent system is the economic profitability analysis of investments, among other things, based on generated production profiles. The results of the economic analysis are economic indicators of investment. The decision concerning the possible completion and exploitation of the identified horizon or renouncement of the execution of the drill stem test is made on the basis of the economic results.
Źródło:
Nafta-Gaz; 2022, 78, 11; 827-834
0867-8871
Pojawia się w:
Nafta-Gaz
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Intelligent fault diagnosis of power transmission line using fuzzy logic and artificial neural network
Autorzy:
Touati, Khaled Omer Mokhtar
Boudiaf, Mohamed
Merzouk, Imad
Hafaifa, Ahmed
Powiązania:
https://bibliotekanauki.pl/articles/2146743.pdf
Data publikacji:
2022
Wydawca:
Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
Tematy:
power system diagnosis
fault detection
electrical transmission lines
ANN
fuzzy logic
system elektroenergetyczny
diagnozowanie
linia elektroenergetyczna
wykrywanie uszkodzeń
logika rozmyta
sztuczne sieci neuronowe
Opis:
In the industrial sector, transmission lines are an important part of the electrical grid. Thus it is important to protect it from all the different faults that may occur as soon as possible to supply the electric power continuously. This paper presents a modern solutions and a comparative study of fault detection and identification in electrical transmission lines using artificial neural network (ANN) compare to the fuzzy logic. Faults in transmission line of various types have been created using simulation model. An intelligent monitoring system (IFD: Intelligent Fault Diagnosis) was used at both ends of a 230 kV overhead transmission line, voltage and current measurements exploited as indicator data for this system. Both approaches were found to be robust, accurate and reliable to detect the fault when it occurs, to determine the fault type short circuit or opening of a power line (open circuit), to locate the fault and to determine which phase was faulted.
Źródło:
Diagnostyka; 2022, 23, 4; art. no. 2022410
1641-6414
2449-5220
Pojawia się w:
Diagnostyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Lung cancer detection using an integration of fuzzy K-Means clustering and deep learning techniques for CT lung images
Autorzy:
Prasad, J. Maruthi Nagendra
Chakravarty, S.
Krishna, M. Vamsi
Powiązania:
https://bibliotekanauki.pl/articles/2173683.pdf
Data publikacji:
2022
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
fuzzy K-means
artificial neural networks
SVM
support vector machine
crow search optimization algorithm
algorytm rozmytych k-średnich
sztuczne sieci neuronowe
maszyna wektorów wspierających
algorytm optymalizacji wyszukiwania kruków
Opis:
Computer aided detection systems are used for the provision of second opinion during lung cancer diagnosis. For early-stage detection and treatment false positive reduction stage also plays a vital role. The main motive of this research is to propose a method for lung cancer segmentation. In recent years, lung cancer detection and segmentation of tumors is considered one of the most important steps in the surgical planning and medication preparations. It is very difficult for the researchers to detect the tumor area from the CT (computed tomography) images. The proposed system segments lungs and classify the images into normal and abnormal and consists of two phases, The first phase will be made up of various stages like pre-processing, feature extraction, feature selection, classification and finally, segmentation of the tumor. Input CT image is sent through the pre-processing phase where noise removal will be taken care of and then texture features are extracted from the pre-processed image, and in the next stage features will be selected by making use of crow search optimization algorithm, later artificial neural network is used for the classification of the normal lung images from abnormal images. Finally, abnormal images will be processed through the fuzzy K-means algorithm for segmenting the tumors separately. In the second phase, SVM classifier is used for the reduction of false positives. The proposed system delivers accuracy of 96%, 100% specificity and sensitivity of 99% and it reduces false positives. Experimental results shows that the system outperforms many other systems in the literature in terms of sensitivity, specificity, and accuracy. There is a great tradeoff between effectiveness and efficiency and the proposed system also saves computation time. The work shows that the proposed system which is formed by the integration of fuzzy K-means clustering and deep learning technique is simple yet powerful and was effective in reducing false positives and segments tumors and perform classification and delivers better performance when compared to other strategies in the literature, and this system is giving accurate decision when compared to human doctor’s decision.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2022, 70, 3; art. no. e139006
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Modelling and Analysis of the Synergistic Alloying Elements Effect on Hardenability of Steel
Autorzy:
Sitek, Wojciech
Trzaska, Jacek
Gemechu, W. F.
Powiązania:
https://bibliotekanauki.pl/articles/2203932.pdf
Data publikacji:
2022
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
hardenability
artificial neural networks
multiple regression
steel alloy
modelling and simulation
hartowność
sztuczne sieci neuronowe
regresja wielokrotna
stal
modelowanie i symulacja
Opis:
The paper presents a methodology of modeling relationships between chemical composition and hardenability of structural alloy steels using computational intelligence methods, that are artificial neural network and multiple regression models. Particularly, the researchers used unidirectional multilayer teaching method based on the error backpropagation algorithm and a quasi-newton methods. Based on previously known methodologies, it was found that there is no universal method of modeling hardenability, and it was also noted that there are errors related to the calculation of the curve. The study was performed on large set of experimental data containing required information on about the chemical compositions and corresponding Jominy hardenability curves for over 400 data steel heats with variety of chemical compositions. It is demonstrated that the full practical usefulness of the developed models in the selection of materials for particular applications with intended performance in the area of application.
Źródło:
Archives of Foundry Engineering; 2022, 22, 4; 102--108
1897-3310
2299-2944
Pojawia się w:
Archives of Foundry Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
PM 2.5 modelling during paddy stubble burning months using artificial intelligence techniques
Autorzy:
Sangwan, V.
Deswal, S.
Powiązania:
https://bibliotekanauki.pl/articles/2055747.pdf
Data publikacji:
2022
Wydawca:
Stowarzyszenie Komputerowej Nauki o Materiałach i Inżynierii Powierzchni w Gliwicach
Tematy:
PM2.5
ANN
random forest
SVM
pollution
burning
stubble
sztuczne sieci neuronowe
lasy losowe
maszyna wektorów nośnych
zanieczyszczenia
spalanie
ścierń
Opis:
Purpose: In this study, the artificial intelligence techniques namely Artificial Neural Network, Random Forest, and Support Vector Machine are employed for PM 2.5 modelling. The study is carried out in Rohtak city of India during paddy stubble burning months i.e., October and November. The different models are compared to check their respective efficacies and also sensitivity analysis is performed to know about the most vital parameter in PM 2.5 modelling. Design/methodology/approach: The air pollution data of October and November months from the year 2016 to 2020 was collected for the study. The months of October and November are chosen as paddy stubble burning and major festivities using fireworks occur during these months. The untoward data entries viz. zero values, blank data, etc. were eliminated from the gathered data set and thereafter 231 observations of each parameter were left for the conduct of the presented study. The different models i.e., ANN, RF, SVM, etc. had PM 2.5 as an output variable while relative humidity, sulfur dioxide, nitrogen dioxide, nitric oxide, carbon monoxide, ozone, temperature, solar radiation, wind direction and wind speed acted as input variables. The prototypes created from the training data set are verified on the testing data set. A sensitivity analysis is also done to quantify impact of various parameters on output variable i.e., PM 2.5. Findings: The performance of the SVM_RBF based model turned out to be the best with the performance parameters being the coefficient of determination, root mean square error, and mean absolute error. In the sensitivity test, sulphur dioxide (SO2) was adjudged as the most vital variable. Research limitations/implications: The quantification capacity of the generated models may go beyond the used data set of observations. Practical implications: The artificial intelligence techniques provide precise estimation and forecasting of PM 2.5 in the air during paddy stubble burning months of October and November. Originality/value: Unlike the past research work that focus on modelling of various air pollution parameters, this study in specific focuses on the modelling of most vital air pollutant i.e., PM 2.5 that too specifically during the paddy stubble burning months of October and November when the air pollution is at its peak in northern India.
Źródło:
Journal of Achievements in Materials and Manufacturing Engineering; 2022, 110, 1; 16--26
1734-8412
Pojawia się w:
Journal of Achievements in Materials and Manufacturing Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Podatność osuwiskowa obszaru Krakowa
Landslide susceptibility of Kraków city area
Autorzy:
Kamieniarz, Sylwester
Powiązania:
https://bibliotekanauki.pl/articles/20050392.pdf
Data publikacji:
2022
Wydawca:
Państwowy Instytut Geologiczny – Państwowy Instytut Badawczy
Tematy:
osuwiska
podatność na osuwisko
sztuczne sieci neuronowe
obszar miasta Krakowa
landslides
landslide susceptibility
artificial neural networks
Kraków city area
Opis:
Due to the differentiation of landslides in Kraków city area, an artificial neural network method (multilayer perceptron) was used to determine the landslide susceptibility (LS). The calculations were performed in the r.landslide module. The network learning was carried out on the basis of 8 thematic layers (slopes, slope exposure, absolute height, relative height, convergence index, surface lithology, sub-Quaternary lithology, distance from tectonic discontinuities). For modelling, 434 points representing landslides and the same number of points of locations without landslides were used. Among the set of points, 70% was allocated to the training phase, 15% to the validation phase, and 15% to the phase. In order to assess the network performance, based on the results of the test phase, a confusion matrix was made. Approximately 22% of the city’s area is susceptible to landslide occurrence (LS > 0.05 ). It overlap existing landslides and cover areas where they have not occurred yet. The greatest number of areas susceptible to landslide occurrence is located in districts X (54% of the district area) and VII (47%). There are also the most susceptile areas (LS > 0.95). The sensitivity analysis implemented in the module showed that among the thematic layers used for modelling the slopes, convergence index, distance from tectonic discontinuities and sub-Quaternary lithology have the greatest impact on the landslide susceptibility.
Źródło:
Przegląd Geologiczny; 2022, 70, 9; 701-712
0033-2151
Pojawia się w:
Przegląd Geologiczny
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Prediction of crack depth and position in vibrating beams using artificial neural networks
Autorzy:
Bouboulas, Athanasios
Nikolakopoulos, Pantelis
Anifantis, Nikolaos
Powiązania:
https://bibliotekanauki.pl/articles/2146739.pdf
Data publikacji:
2022
Wydawca:
Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
Tematy:
crack prediction
contact conditions
finite element method
artificial neural networks
pęknięcia
warunki kontaktu
metoda elementów skończonych
sztuczne sieci neuronowe
Opis:
The aim of this paper is to develop a finite element procedure for crack prediction in vibrating beams. Based on this procedure, full frictional contact conditions are introduced between the crack surfaces in order to consider the breathing of crack. The region surrounding the crack is simulated by two-dimensional finite elements. An incremental-iterative procedure is employed to solve the nonlinear dynamic equations governing this problem. The obtained time response is processed with Fast Fourier Transform to extract its frequency components. The first three natural frequencies are input to a trained Artificial Neural Network for depth and position prediction of the crack. This study is validated for a dynamic loading cantilever beam. It is found that the proposed procedure is capable of predicting the crack depth and position with high accuracy.
Źródło:
Diagnostyka; 2022, 23, 3; art. no 2022307
1641-6414
2449-5220
Pojawia się w:
Diagnostyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Short-Term Forecast of Oxygen Concentration in Nitrification Chamber Using Artificial Neural Network
Autorzy:
Płonka, Lesław
Powiązania:
https://bibliotekanauki.pl/articles/27314848.pdf
Data publikacji:
2022
Wydawca:
Uniwersytet Zielonogórski. Oficyna Wydawnicza
Tematy:
activated sludge process
nitrification chamber
artificial neural networks
osad czynny
komora nitryfikacyjna
sztuczne sieci neuronowe
Opis:
Due to the difficulties in implementing other methods of removing organic compounds and nitrogen from wastewater, municipal wastewater treatment plants use classical processes (nitrification and denitrification) that require large energy expenditure on aeration. The problem of high energy consumption concerns every treatment plant using aerobic activated sludge, hence the constant attempts to introduce possibly intelligent aeration control techniques. In this study, a short-term (hourly) forecast of oxygen concentration in the aeration chamber was calculated under the conditions of changing values of wastewater flow and pollutant concentrations as well as active aeration control according to an unchanging algorithm. Artificial neural networks were used to calculate the forecast. It is shown that an accurate prediction can be obtained by using different sets of input data but depending on what data we choose, the neural network required to obtain a good result has a more or less complex structure. The resulting prediction can be applied as part of a system for detecting abnormal situations and for preventing excessive energy consumption through unnecessary over-oxygenation of activated sludge.
Źródło:
Civil and Environmental Engineering Reports; 2022, 32, 4; 428--439
2080-5187
2450-8594
Pojawia się w:
Civil and Environmental Engineering Reports
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Soft modelling of the shaping of metal profiles in rapid tube hydroforming technology
Autorzy:
Sadłowska, Hanna
Kochański, Andrzej
Powiązania:
https://bibliotekanauki.pl/articles/29520063.pdf
Data publikacji:
2022
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
rapid tube hydroforming
RTH
manufacturing
constitutive modelling
soft modelling
finite element method
FEM
artificial neural networks
ANN
hydroformowanie rur
produkcja
modelowanie konstytutywne
miękkie modelowanie
metoda elementów skończonych
MES
sztuczne sieci neuronowe
Opis:
The paper presents an approach to the impact of process parameters in innovative RTH (Rapid Tube Hydroforming) technology for shaping closed metal profiles in flexible and deformable dies. In order to implement the assumed deformation of the deformed profile, the RTH technology requires the monitoring and control of numerous technological parameters, including geometric, material, and technological variables. The paper proposes a two-stage research procedure considering hard modelling (constitutive) and soft modelling (data-driven). Due to the complexity of the technological process, it was required to develop a numerical finite element method FEM model focused on obtaining the adequate profile deformation measured by the ellipsoidality of the cylindrical profile. Based on the results of the numerical experiments, a preliminary soft mathematical model using ANN was developed. Analysing the soft model results, several statistical hypotheses were made and verified to investigate the significance of selected process parameters. Thanks to this, it was possible to select the most important process parameters, i.e., the properties of moulding sands used for RTH dies: the angle of internal friction and cohesion.
Źródło:
Computer Methods in Materials Science; 2022, 22, 4; 201-210
2720-4081
2720-3948
Pojawia się w:
Computer Methods in Materials Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A Neural Network Approach for Predicting Production Volume of Biofuels in Poland
Zastosowanie sieci neuronowych do prognozowania wielkości produkcji biopaliw w Polsce
Autorzy:
Siuda, Krzysztof
Powiązania:
https://bibliotekanauki.pl/articles/2024082.pdf
Data publikacji:
2021
Wydawca:
Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
Tematy:
artificial neural networks
biofuels
prediction
sztuczne sieci neuronowe
biopaliwa
predykcja
Opis:
This article focuses on the creation of artificial neural networks (ANN) and their use in predicting the volume of biofuel production in Poland on the basis of historical data. Artificial neural networks are extremely useful in predicting events in which it is difficult to find determinism and cause-effect relationships. For this purpose 30 artificial neural networks of different topology were created. The analysed artificial neural networks had: one or two layers, from 4 to 8 neurons on the first layer and 4 or 6 neurons on the second layer. Moreover, the effect of delayed inputs and the effect of learning set size on prediction quality were analysed. The quality of each structure was evaluated based on the coefficient of determination, mean error, and mean square error. The stability of prediction was evaluated based on the sample standard deviation of RMSE and MAE. All the presented ANN structures were simulated five times and the best individual results included in the tables. The best results were obtained for an artificial neural network with two layers, four neurons in each layer and one delay. Overall, the second layer increased the stability of the prediction. Streszczenie: W artykule skupiono się na tworzeniu sztucznych sieci neuronowych i ich wykorzystaniu do prognozowania wielkości produkcji biopaliw w Polsce na podstawie danych historycznych. Sztuczne sieci neuronowe są niezwykle przydatne w prognozowaniu zdarzeń, w których trudno doszukać się determinizmu i związków przyczynowo-skutkowych. W tym celu stworzono 30 sztucznych sieci neuronowych o różnej topologii. Analizowane
W artykule skupiono się na tworzeniu sztucznych sieci neuronowych i ich wykorzystaniu do prognozowania wielkości produkcji biopaliw w Polsce na podstawie danych historycznych. Sztuczne sieci neuronowe są niezwykle przydatne w prognozowaniu zdarzeń, w których trudno doszukać się determinizmu i związków przyczynowo-skutkowych. W tym celu stworzono 30 sztucznych sieci neuronowych o różnej topologii. Analizowane sztuczne sieci neuronowe miały: jedną lub dwie warstwy, od 4 do 8 neuronów w warstwie pierwszej oraz 4 lub 6 neuronów w warstwie drugiej. Ponadto przeanalizowano wpływ opóźnionych wejść oraz wpływ wielkości zbioru uczącego na jakość predykcji. Jakość każdej ze struktur oceniono na podstawie współczynnika determinacji, błędu średniego oraz błędu średniokwadratowego. Stabilność prognozowania była oceniana na podstawie odchylenia standardowego próby RMSE oraz MAE. Wszystkie przedstawione struktury ANN były symulowane pięciokrotnie, a najlepsze pojedyncze wyniki zamieszczono w tabelach. Najlepsze wyniki uzyskano dla sztucznej sieci neuronowej z dwiema warstwami, czterema neuronami w każdej warstwie i jednym opóźnieniem. Druga warstwa zwiększyła stabilność predykcji.
Źródło:
Ekonomia XXI Wieku; 2021, 24; 7-26
2353-8929
Pojawia się w:
Ekonomia XXI Wieku
Dostawca treści:
Biblioteka Nauki
Artykuł

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