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 "artificial material" wg kryterium: Temat

  Lista filtrów
Wyrównaj
Wyświetlanie 1-15 z 21
Tytuł:
The effects of mineralogical changes that occur in artificial aggregates
Skutki przeobrażeń mineralogicznych zachodzących w kruszywach sztucznych
Autorzy:
Adamczyk, Z.
Grygierek, M.
Łupieżowiec, M.
Nowak, J.
Strzałkowska, E.
Powiązania:
https://bibliotekanauki.pl/articles/216884.pdf
Data publikacji:
2018
Wydawca:
Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
Tematy:
kruszywo sztuczne
materiał drogowy
ettringit
anhydryt
popiół lotny
artificial aggregate
road material
ettringite
anhydrite
fly ash
Opis:
This article presents the results of the study of changes in mineral and chemical composition of artificial aggregates consisting of coal shale (a hard coal mining waste) and fluidized ashes. Such an aggregate was used for road construction. After completion of the construction works but before making the road available for public use, significant deformation of the surface in the form of irregular buckling of the asphalt layer occurred. It was excluded that this resulted from mining damage, design errors or performance mistakes, among others. A study of the materials that had been incorporated in the construction layers was undertaken in order to find the component and the mechanism responsible for the buckling of the road surface. A comparison of the mineral and chemical composition of aggregate samples collected from the embankment where the road buckled with the reference sample and samples from places without deformations showed that the bumps in the road embankment consisted of minerals that were not initially present in the aggregate. Wastes produced as a result of high temperatures (slag and power plants ashes, metallurgical wastes) are not as stable in terms of chemical and phase composition in the hypergenic environment. As a result of the processes occurring in the road embankment, anhydrite, which is the primary component of fluidized ashes, was transformed into gypsum and ettringite. As a result of contact with water CaO (present in fluidized ashes) easily changed into calcium hydroxide. As the crystallization of these minerals is expansive, it resulted in the filling of pores and, in extreme cases, in a substantial increase in the volume of the aggregate and, consequently, in the deformation of the road surface.
W artykule przedstawiono wyniki badań nad przeobrażeniami składu mineralnego i chemicznego, które zaszły w kruszywie sztucznym skomponowanym na bazie łupku węglowego (odpad pochodzący z górnictwa węgla kamiennego) i popiołów fluidalnych. Kruszywo to użyte zostało do budowy drogi. Po zakończeniu budowy, a jeszcze przed oddaniem jej do użytku stwierdzono znaczne deformacje nawierzchni w formie nieregularnych wybrzuszeń i wypiętrzeń warstwy asfaltowej. Jako przyczyny wykluczono między innymi szkody górnicze, błędy projektowe czy błędy wykonawcze. Podjęto więc badania wbudowanych w warstwy konstrukcyjne materiałów w celu wskazania składnika i mechanizmu odpowiedzialnego za wypiętrzanie nawierzchni drogi. Porównanie składu mineralnego i chemicznego próbek kruszywa pobranych z nasypu drogowego w miejscach deformacji z próbką referencyjną i próbkami z miejsc, gdzie deformacji nie stwierdzono wykazało, że w nasypie drogowym w miejscu „wybrzuszeń” występują minerały, których pierwotnie nie było w kruszywie. Odpady powstałe w wyniku oddziaływania wysokich temperatur (żużle i popioły elektrowniane, odpady hutnicze itp.) w środowisku hipergenicznym nie są stabilne tak pod względem składu chemicznego, jak i fazowego. Na skutek procesów zachodzących w nasypie drogowym anhydryt będący pierwotnym składnikiem popiołów fluidalnych uległ przeobrażeniu w gips oraz ettringit. W wyniku kontaktu z wodą CaO (obecny w popiołach fluidalnych) łatwo uległ przemianie w wodorotlenek wapnia. Krystalizacja tych minerałów jest ekspansywna, co doprowadziło do zapełnienia przestrzeni porowych, a w skrajnych przypadkach znacznego wzrostu objętości kruszywa i w konsekwencji do deformacji nawierzchni drogi.
Źródło:
Gospodarka Surowcami Mineralnymi; 2018, 34, 2; 37-54
0860-0953
Pojawia się w:
Gospodarka Surowcami Mineralnymi
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Residual life estimation of fabricated humidity sensors using different artificial intelligence techniques
Autorzy:
Bhargava, C.
Aggarwal, J.
Sharma, P. K.
Powiązania:
https://bibliotekanauki.pl/articles/201564.pdf
Data publikacji:
2019
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
composite material
artificial intelligence
humidity sensor
accelerated life testing
SEM
materiał kompozytowy
sztuczna inteligencja
czujnik wilgotności
Opis:
Background: a humidity sensor is used to sense and measure the relative humidity of air. A new composite system has been fabricated using environmental pollutants such as carbon black and low-cost zinc oxide, and it acts as a humidity sensor. Residual life of the sensor is calculated and an expert system is modelled. For properties and nature confirmation, characterization is performed, and a sensing material is fabricated. Methodology: characterization is performed on the fabricated material. Complex impedance spectroscopy (CIS), Fourier transform infrared spectroscopy (FTIR), X-ray diffraction (XRD) and scanning electron microscopy (SEM) are all used to confirm the surface roughness, its composite nature as well as the morphology of the composite. The residual lifetime of the fabricated humidity sensor is calculated by means of accelerated life testing. An intelligent model is designed using artificial intelligence techniques, including the artificial neural network (ANN), fuzzy inference system (FIS) and adaptive neuro-fuzzy inference system (ANFIS). Results: maximum conductivity obtained is 6.4£10−3 S/cm when zinc oxide is doped with 80% of carbon black. Conclusion: the solid composite obtained possesses good humidity-sensing capability in the range of 30–95%. ANFIS exhibits the maximum prediction accuracy, with an error rate of just 1.1%.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2019, 67, 1; 147-154
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Artificial intelligence approach for detecting material deterioration in hybrid building constructions
Autorzy:
Chesnokov, Andrei V.
Mikhailov, Vitalii V.
Dolmatov, Ivan V.
Powiązania:
https://bibliotekanauki.pl/articles/29520106.pdf
Data publikacji:
2021
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
hybrid construction
material deterioration
artificial neural network
semi-supervised machine learning
Opis:
Hybrid constructions include heterogeneous materials with different behaviors under load. The aim is to achieve a so-called synergistic effect when the advantages of particular structural elements complement each other in a unified system. The building constructions considered in the research include high-strength steel cables, fiberglass rods, and flexible polymer membranes. The membrane is attached to the rods which have been elastically bent from the initially straight shape into an arch-like form. Structural materials inevitably deteriorate during a long operational period. The present study focuses on detecting material deterioration using Artificial Neural Networks (ANNs), which belong to the scope of intelligent techniques for data analysis. Appropriate ANN structures and required features are proposed. A semi-supervised learning strategy is used. The approach allows the training of the networks with normal data only derived from the construction without defects. Material degradationis detected by the level of reconstruction error produced by the network given the input data. The work contributes to the field of structural health monitoring of hybrid building constructions. It provides the opportunity to detect material deterioration given the forces in particular structural elements.
Źródło:
Computer Methods in Materials Science; 2021, 21, 2; 83-94
2720-4081
2720-3948
Pojawia się w:
Computer Methods in Materials Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Koncepcja wykorzystania metody termofalowej oraz pomiarów termowizyjnych do wyznaczania parametrów cieplnych materiałów termoizolacyjnych
The concept of using periodic heating technique for determination of thermal parameters of heat insulation materials
Autorzy:
Chudzik, S.
Minkina, W.
Powiązania:
https://bibliotekanauki.pl/articles/151298.pdf
Data publikacji:
2013
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
sztuczne sieci neuronowe
przewodność cieplna
dyfuzyjność cieplna
materiały termoizolacyjne
artificial neural networks
thermal conductivity
thermal insulating material
thermal diffusivity
Opis:
W artykule przedstawiono wyniki badań nad opracowywaną metodą wyznaczania parametrów cieplnych materiałów termoizolacyjnych. W metodzie tej wykorzystano wymuszenie temperatury o charakterze harmonicznym. Do pomiaru rozkładu temperatury w eksperymencie użyto kamery termowizyjnej. W badaniach symulacyjnych wykorzystano stworzony trójwymiarowy model zjawiska dyfuzji ciepła w badanej próbce materiału. Do rozwiązania współczynnikowego zagadnienia odwrotnego zaproponowano koncepcję wykorzystania sztucznej sieci neuronowej.
The paper presents results of research on the developed method for determining thermal parameters of a thermal insulating material [2]. This method applies periodic heating as an excitation and an infrared camera is used to measure the temperature distribution on the surface of the tested material – Sections 2 and 3. The author proposed the use of a three-dimensional model of the heat diffusion in a material sample. For solving the system of partial differential equations, the finite element method was applied [11] – Section 2. To solve the coefficient inverse problem, an approach using an artificial neural network is proposed – Section 3. The usability of the artificial neural network in solving the inverse heat transfer problem in a sample of heat insulation material is presented [12, 13]. The network determines the value of effective thermal conductivity and effective thermal diffusivity on the basis of the temperature distribution on the surface of the tested material. Additionally, the influence of the input quantity errors on the estimated values of the thermal parameters was also analysed using the Monte Carlo technique [15] – Section 4. A trained neural network based on the temperature responses on the lateral surface of the sample measured by infrared thermography, quickly would determine the thermo-physical parameters. The obtained results confirm the usefulness of applying artificial intelligence methods to solving the coefficient inverse problem when using infrared measurement methods.
Źródło:
Pomiary Automatyka Kontrola; 2013, R. 59, nr 9, 9; 920-923
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Wykorzystanie sztucznych sieci neuronowych w zagadnieniu odwrotnym dyfuzji ciepła
Use of artificial neural networks for solving the heat diffusion inverse problem
Autorzy:
Chudzik, S.
Gryś, S.
Minkina, W.
Powiązania:
https://bibliotekanauki.pl/articles/152202.pdf
Data publikacji:
2009
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
sztuczne sieci neuronowe
przewodność cieplna
dyfuzyjność cieplna
materiały termoizolacyjne
artificial neural networks
thermal conductivity
thermal diffusivity
thermal insulating material
Opis:
W artykule przedstawiono koncepcję wykorzystania sztucznych sieci neuronowych do rozwiązania współczynnikowego zagadnienia odwrotnego dyfuzji ciepła. Opisywane rozwiązanie jest częścią projektu, którego celem jest opracowanie systemu pomiarowego wykorzystującego sondę cieplną do doraźnej kontroli parametrów cieplnych materiałów termoizolacyjnych. Przedstawiono wybrane wyniki badań symulacyjnych pozwalających porównać różne architektury sieci neuronowych. Symulacje obejmują proces uczenia i testowania sieci. Zbadano także wpływ błędów pomiarowych wielkości wejściowych na identyfikowane przez sieć neuronową parametry cieplne materiału. Przedstawiane symulacje przeprowadzono w środowisku Matlab.
The paper presents an idea of a measurement system with a hot probe for testing thermal parameters of heat insulation materials. In contrast to classical methods of linear heat source [1, 2, 5, 6, 7, 8], there are not assumed any significant simplifications in the model of heat flow in the material sample. The model of non-stationary heat flow in the material sample with a hot probe and auxiliary thermometer is based on a two-dimensional heat-conduction model and includes the heat capacity of the probe handle [3, 4, 9, 10]. The finite element method was used for solving the system of partial differential equations describing the model [11, 12] - Sections 2 and 3. The usability of the artificial neural network [14] for solving the inverse heat transfer problem in a sample of heat insulation material is presented [13, 15]. The network determines the values of the effective thermal conductivity and diffusivity on the basis of the temperature responses of the hot probe and auxiliary thermometer. In order to select the optimal neural network architecture, there were compared many network configurations in Sections 4, 5 and 6. Additionally, the influence of input quantity errors on the estimated values of the thermal parameters was analysed using the Monte Carlo method [16, 17, 18] - Sections 7 and 8. The simulations of the heat flow process, network training and testing processes as well as the analysis of the error sensitivity were carried out in the Matlab environment.
Źródło:
Pomiary Automatyka Kontrola; 2009, R. 55, nr 2, 2; 83-88
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Zastosowanie sztucznych sieci neuronowych do wyznaczania współczynnika dyfuzyjności cieplnej
Determination of thermal diffusivity using artificial neural networks
Autorzy:
Chudzik, S.
Powiązania:
https://bibliotekanauki.pl/articles/155933.pdf
Data publikacji:
2013
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
sztuczne sieci neuronowe
przewodność cieplna
dyfuzyjność cieplna
materiały termoizolacyjne
artificial neural networks
thermal diffusivity
thermal insulating material
Opis:
W artykule przedstawiono wyniki badań nad opracowywaną metodą wyznaczenia współczynnika dyfuzyjności cieplnej materiału termoizolacyjnego. W metodzie tej wykorzystano wymuszenie temperatury o charakterze harmonicznym oraz do pomiaru rozkładu temperatury planowane jest użycie kamery termowizyjnej. W badaniach symulacyjnych wykorzystano stworzony do tego celu trójwymiarowy model zjawiska dyfuzji ciepła w badanej próbce materiału. Do rozwiązania współczynnikowego zagadnienia odwrotnego zaproponowano koncepcję wykorzystania sztucznej sieci neuronowej.
The paper presents the results of research on methods for determining the coefficient of thermal diffusivity of thermal insulating material. This method uses periodic heating as an excitation and an infrared camera for measuring the temperature distribution on the tested material surface. A three-dimensional model of the phenomenon of heat diffusion in a sample of the tested material was used for simulation investigations. To solve the coefficient inverse problem, there is proposed an idea of using an artificial neural network. The periodic heating technique is based on diffusion of a heat wave in the specimen, which is a response to the temperature harmonic excitation – Section 2. The model of a nonstationary heat flow process in the sample of material is based on a three-dimensional heat-conduction model and includes the third kind Fourier boundary conditions. For solving the system of partial differential equations, used to describe the model, the finite element method was applied [1, 2, 10]. The usability of the artificial neural network [7, 8, 9] in solving the inverse heat transfer problem in a sample of heat insulation material is presented – Section 3. The network determines the value of effective thermal diffusivity on the basis of the amplitude decrease ΔA of the thermal wave on the specimen surface, and the time in which the thermal wave moves by the distance Δz on the specimen side surface. During selection of the optimal neural network architecture many configurations were assessed. Additionally, the influence of the input quantities errors on the estimated values of the thermal parameters was also analysed using the Monte Carlo technique [12]. Simulations of the heat flow process, network training and testing processes and analysis of the error sensitivity were carried out in the Matlab environment.
Źródło:
Pomiary Automatyka Kontrola; 2013, R. 59, nr 1, 1; 31-33
0032-4140
Pojawia się w:
Pomiary Automatyka Kontrola
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
The use of generative models to speed up the discovery of materials
Autorzy:
Coto, Andrea Gregores
Precker, Christian Eike
Andersson, Tom
Laukkanen, Anssi
Suhonen, Tomi
Rodriguez, Pilar Rey
Muíños-Landín, Santiago
Powiązania:
https://bibliotekanauki.pl/articles/29520053.pdf
Data publikacji:
2023
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
artificial intelligence
materials science
high-performance material
generative model
Opis:
Material Science is a key factor in the evolution of many industrial sectors. Fields such as the aeronautics, automotive, construction, and biotechnology industries have experienced tremendous development with the introduction of advanced, high-performance materials. Such materials not only provide new functionalities to products, but also significant consequences in terms of economic and environmental sustainability of the products and processes triggered by the more efficient use of energy that they provide. Under this scenario, materials that provide such high performance, such as high entropy alloys (HEAs) or polymer derived ceramics (PDCs), have captured the attention of both industry and researchers in recent years. However, the remarkable number of resources required to develop such materials, from its design phase to its synthesis and characterization, means that the discovery of new high-performance materials is moving at a relatively low pace. This fact places emergent strategies based on artificial intelligence (AI) for the design of materials in a good position to be used to accelerate the whole process, providing an impulse in the initial phases of materials design. The enormous number of combinations of elements and the complexity of synthesizability conditions of HEAs and PDCs respectively, paves the way to the deployment of AI techniques such as Generative Models addressed in this work to create synthetic HEAs and PDCs for highly intensive industrial processes. A specific conditional tabular generative adversarial network (CTGAN) was developed to be used on tabular data to generate novel synthetic compounds for each kind of material. The generated synthetic data was based on the conventional parametric design parameters used for HEAs and PDCs, with specific datasets created for them. The real and generated data are compared, calculation of phase diagrams (CALPHAD) simulations are provided to evaluate the performance of the generated samples and a verification of the novel generated compositions is done in open materials databases available in the literature.
Źródło:
Computer Methods in Materials Science; 2023, 23, 1; 13-26
2720-4081
2720-3948
Pojawia się w:
Computer Methods in Materials Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Application of artificial neural networks in modelling the contact area of grain seeds
Wykorzystanie sztucznych sieci neuronowych w modelowaniu powierzchni kontaktu ziarna zbóż
Autorzy:
Frączek, J.
Francik, S.
Ślipek, Z.
Knapczyk, A.
Powiązania:
https://bibliotekanauki.pl/articles/93661.pdf
Data publikacji:
2016
Wydawca:
Polskie Towarzystwo Inżynierii Rolniczej
Tematy:
contact area
seed material
artificial neural network
powierzchnia kontaktu
materiał ziarnisty
sztuczna sieć neuronowa
Opis:
The objective of the research was to create a model which defines the relation between a fundamental contact area of a seed and the pressure force, water content in a seed and its geometrical dimensions with application of artificial neural networks (SSN). Computer program Statistica Neural Networks v. 6.0. was used for formation of a neural model. Tests were carried out on Roma wheat seed and Dańkowskie Złote rye with six various water contents: 0.11 0.15 0.19 0.23 0.28 0.33 (kg⋅kg-1 dry mass). Caryopses were loaded with eight values of compression force - from 41 N to 230 N. Multiplicity of iterations was 5. Seed material was moistened to obtain a specific water content. Each seed was loaded with compression force with respectively growing values: 41N, 68N, 95N, 122N, 149N, 176N, 203N and 230N. A four-layer network of Perceptron type with 10 neurons in the first and 8 neurons in the second hidden layer was selected as a model which the best defines the contact area of grain seeds loaded with axial force at various moisture levels. This network has 4 inputs (water content, pressure force, thickness and length of caryopses) and one output (elementary contact area of rye and wheat seeds). Comparison of the neural model with empirical formulas obtained from nonlinear estimation proved a considerable higher precision of the first one.
Celem badań było utworzenie modelu określającego zależności między elementarną powierzchnią kontaktu ziarna, a siłą nacisku, zawartością wody w ziarnie oraz jego wymiarami geometrycznymi, przy wykorzystaniu sztucznych sieci neuronowych (SSN). Do tworzenie modelu neuronowego wykorzystano program komputerowy Statistica Sieci Neuronowe v. 6.0. Badania przeprowadzono na ziarnie pszenicy Roma oraz żyta Dańkowskie Złote, przy sześciu różnych zawartościach wody: 0,11 0,15 0,19 0,23 0,28 0,33 (kg⋅kg-1 s.m.). Ziarniaki obciążano ośmioma wartościami siły ściskającej – od 41N do 230N. Krotność powtórzeń wynosiła 5. Materiał ziarnisty nawilżano aby uzyskać określoną zawartość wody. Każde ziarno obciążano siłą ściskającą o kolejno rosnących wartościach: 41N, 68N, 95N, 122N, 149N, 176N, 203N i 230N. Jako model najlepiej określający powierzchnię styku ziarna zbóż obciążanego siłą osiową, przy różnej wilgotności wybrano czterowarstwową sieć typu Perceptron o 10 neuronach w pierwszej i 8 neuronach w drugiej warstwie ukrytej. Sieć ta posiada 4 wejścia (zawartość wody, siła nacisku, grubość i długość ziarniaka), i jedno wyjście (elementarna powierzchnia kontaktu ziarna żyta i pszenicy). Porównanie modelu neuronowego z formułami empirycznymi uzyskanymi z estymacji nieliniowej wykazało zdecydowanie większą dokładność pierwszego z nich.
Źródło:
Agricultural Engineering; 2016, 20, 4; 27-37
2083-1587
Pojawia się w:
Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Model development of the external friction of granular vegetable materials on the basis of artificial neural networks
Autorzy:
Francik, S.
Fraczek, J.
Powiązania:
https://bibliotekanauki.pl/articles/25205.pdf
Data publikacji:
2001
Wydawca:
Polska Akademia Nauk. Instytut Agrofizyki PAN
Tematy:
granular vegetable material
artificial neural network
external friction
vegetable
Źródło:
International Agrophysics; 2001, 15, 4
0236-8722
Pojawia się w:
International Agrophysics
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Application of Artificial Neural Networks in the Analysis of Mechanisms Destroying Forging Tools
Autorzy:
Hawryluk, M.
Mrzygłód, B.
Gronostajski, Z.
Głowacki, M.
Olejarczyk-Wożeńska, I.
Powiązania:
https://bibliotekanauki.pl/articles/353528.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
decision support system
durability of forging tools
artificial neural network
loss of material
wear
Opis:
This article discusses the results of studies using the developed artificial neural networks in the analysis of the occurrence of the four main mechanisms destroying the selected forging tools subjected to five different surface treatment variants (nitrided layer, pad welded layer and three hybrid layers, i.e. AlCrTiSiN, Cr/CrN and Cr/AlCrTiN). Knowledge of the forging tool durability, needed in the process of artificial neural network training, was included in the set of training data (about 800 records) derived from long-term comprehensive research carried out under industrial conditions. Based on this set, neural networks with different architectures were developed and the results concerning the intensity of the occurrence of thermal-mechanical fatigue, abrasive wear, mechanical fatigue and plastic deformation were generated for each type of the applied treatment relative to the number of forgings, pressure, friction path and temperature.
Źródło:
Archives of Metallurgy and Materials; 2020, 65, 1; 193-200
1733-3490
Pojawia się w:
Archives of Metallurgy and Materials
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Optimization of Ferrite Stainless Steel Mechanical Properties Prediction with artificial Intelligence Algorithms
Autorzy:
Honysz, R.
Powiązania:
https://bibliotekanauki.pl/articles/354759.pdf
Data publikacji:
2020
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
analysis and modelling
numerical techniques
computational material science
artificial algorithms
stainless steel
Opis:
The article presents a computational model build with the use of artificial neural networks optimized by genetic algorithm. This model was used to research and prediction of the impact of chemical elements and heat treatment conditions on the mechanical properties of ferrite stainless steel. Optimization has allowed the development of artificial neural networks, which showed a better or comparable prediction result in comparison to un-optimized networks has reduced the number of input variables and has accelerated the calculation speed. The introduced computational model can be applied in industry to reduce the manufacturing costs of materials. It can also simplify material selection when an engineer must properly choose the chemical elements and adequate plastic and/or heat treatment of stainless steels with required mechanical properties.
Źródło:
Archives of Metallurgy and Materials; 2020, 65, 2; 749-753
1733-3490
Pojawia się w:
Archives of Metallurgy and Materials
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Prediction optimization of mechanical properties of ferrite stainless steels after forging treatment with use of genetic algorithms
Autorzy:
Honysz, R.
Powiązania:
https://bibliotekanauki.pl/articles/378963.pdf
Data publikacji:
2019
Wydawca:
Stowarzyszenie Komputerowej Nauki o Materiałach i Inżynierii Powierzchni w Gliwicach
Tematy:
numerical techniques
Computational Material Science
artificial algorithms
stainless steel
techniki numeryczne
komputerowa nauka o materiałach
algorytmy sztucznej inteligencji
Stal nierdzewna
Opis:
Purpose: The paper describes the use of artificial neural networks to research and predict the effect of chemical components and thermal treatment conditions on stainless steel's mechanical characteristics optimized by genetic algorithm. Design/methodology/approach: The quantity of input variables of artificial neural networks has been optimized using genetic algorithms to enhance the prediction quality of artificial neural network and to enhance their efficiency. Then a computational model was trained and evaluated with optimized artificial neural networks. Findings: Optimization, with the exception of tensile strength, has enabled the creation of artificial neural networks, which either showed a better or similar performance from base networks, as well as a decreased amount of input variables As a consequence, noise data is decreased in the computational model built with the use of these networks. Research limitations/implications: Data analysis was required to confirm the relevance of obtaining information used for modelling to use in training procedures for artificial neural networks. Practical implications: Using artificial intelligence enables the multi-faceted growth of stainless steel engineering, even though there is only a relatively small amount of descriptors. Built and optimized computational model building using optimized artificial neural networks enables prediction of mechanical characteristics after normalization of forged ferritic stainless steels. Originality/value: In order to decrease production expenses of products, an introduced model can be obtained in manufacturing industry. It can also simplify the selection of materials if the engineer has to correctly choose chemical elements and appropriate plastics and/or heat processing of stainless steels, having the necessary mechanical characteristics.
Źródło:
Archives of Materials Science and Engineering; 2019, 100, 1/2; 13-20
1897-2764
Pojawia się w:
Archives of Materials Science and Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Application of Artificial Neural Networks in Modeling of Manufactured Front Metallization Contact Resistance for Silicon Solar Cells
Zastosowanie sztucznych sieci neuronowych w modelowaniu rezystancji kontaktu wytwarzanej przedniej metalizacji krzemowych ogniw słonecznych
Autorzy:
Musztyfaga-Staszuk, M.
Honysz, R.
Powiązania:
https://bibliotekanauki.pl/articles/356591.pdf
Data publikacji:
2015
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
computational material science
artificial neural networks
silicon solar cell
selective laser sintering
screen printing
co-firing in the furnace
zastosowanie sztucznych sieci neuronowych
krzemowe ogniwa słoneczne
selektywne spiekanie laserowe
sitodruk
wypalanie w piecu
Opis:
This paper presents the application of artificial neural networks for prediction contact resistance of front metallization for silicon solar cells. The influence of the obtained front electrode features on electrical properties of solar cells was estimated. The front electrode of photovoltaic cells was deposited using screen printing (SP) method and next to manufactured by two methods: convectional (1. co-fired in an infrared belt furnace) and unconventional (2. Selective Laser Sintering). Resistance of front electrodes solar cells was investigated using Transmission Line Model (TLM). Artificial neural networks were obtained with the use of Statistica Neural Network by Statsoft. Created artificial neural networks makes possible the easy modelling of contact resistance of manufactured front metallization and allows the better selection of production parameters. The following technological recommendations for the screen printing connected with co-firing and selective laser sintering technology such as optimal paste composition, morphology of the silicon substrate, co-firing temperature and the power and scanning speed of the laser beam to manufacture the front electrode of silicon solar cells were experimentally selected in order to obtain uniformly melted structure well adhered to substrate, of a small front electrode substrate joint resistance value. The prediction possibility of contact resistance of manufactured front metallization is valuable for manufacturers and constructors. It allows preserving the customers’ quality requirements and bringing also measurable financial advantages.
Artykuł przedstawia zastosowanie sztucznych sieci neuronowych do predykcji rezystancji przedniej metalizacji w krzemowych ogniwach słonecznych. Oceniono wpływ tak wytworzonej elektrody przedniej na własności elektryczne ogniw fotowoltaicznych. Przednią elektrodę ogniw fotowoltaicznych naniesiono metodą sitodruku SP (ang. Screen Printing) i następnie wytwarzano dwoma metodami: konwencjonalną (1. wypalanie w piecu taśmowym) i niekonwencjonalną (2. selektywne spiekanie laserowe). Do wyznaczenia rezystancji elektrod przednich zastosowano metodę linii transmisyjnych TLM (ang. Transmission Line Model). Sztuczne sieci neuronowe zostały opracowane z wykorzystaniem pakietu Statistica Neural Network firmy Statsoft. Opracowane sztuczne sieci neuronowe umożliwią modelowanie rezystancji wytworzonej przedniej metalizacji i ułatwią lepszy dobór parametrów produkcji. Następujące zalecenia technologiczne sitodruku połączonego z wypalaniem w piecu i selektywnym spiekaniem laserowym takie jak optymalny skład pasty, morfologię podłoża krzemowego, temperaturę wypalania oraz moc i prędkość skanowania wiązki laserowej, do wytworzenia przedniej elektrody krzemowych ogniw słonecznych dobrano eksperymentalnie celem uzyskania celem uzyskania jednolicie stopionej struktury dobrze przylegającej do podłoża, małej wartości rezystancji połączenia elektrody przedniej z podłożem. Możliwość estymacji rezystancji przedniej metalizacji jest wartościowa dla producentów i konstruktorów. Pozwala ona na dotrzymanie wymagań klienta i przynosi wymierne zyski.
Źródło:
Archives of Metallurgy and Materials; 2015, 60, 3A; 1673-1678
1733-3490
Pojawia się w:
Archives of Metallurgy and Materials
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
System wspomagający wykrywanie treści wizualnych i tekstowych zagrażających bezpieczeństwu dzieci w cyberprzestrzeni
Autorzy:
Niewiadomska-Szynkiewicz, Ewa
Różycka, Martyna
Staciwa, Katarzyna
Nyczka, Katarzyna
Powiązania:
https://bibliotekanauki.pl/articles/20311655.pdf
Data publikacji:
2023-10-31
Wydawca:
Akademia Sztuki Wojennej
Tematy:
cybersecurity
Child Sexual Abuse Material
CSAM
decision support system
artificial intelligence
machine learning
deep learning
Opis:
In recent years, there has been a significant increase in threats to children’s safety in cyberspace. The most serious of these include children’s participation in illegal online activities and the production of sexually explicit content involving them. Therefore, it is of fundamental importance to build awareness of cyber threats among our society’s youngest members and teach them skills for the safe use of products and services assigned to cyberspace. A key action for effectively protecting children in this environment is the early detection and reporting to the relevant authorities of illegal behavior and child abuse content. Teams such as Dyżurnet.pl, whose tasks currently include responding to potentially illegal content reported by cyberspace users, and in the near future, possibly also conducting proactive activities in this area, play an important role here. The experience of Dyżurnet.pl clearly shows that effective detection of such content requires automation of activities and appropriate IT tools. This paper presents a novel network monitoring and decision support system using artificial intelligence methods, including deep learning, to automatically detect potentially harmful material, such as Child Sexual Abuse Material (CSAM), erotic content involving children, pornographic content with a created or processed image of a child and pornography involving adults.
Źródło:
Cybersecurity and Law; 2023, 10, 2; 202-220
2658-1493
Pojawia się w:
Cybersecurity and Law
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Modelowanie procesu kompostowania nawozów naturalnych w aspekcie generowania ciepła
Modeling of the natural fertilizers composting process in the heat generating aspect
Autorzy:
Olszewski, T.
Dach, J.
Jędruś, A.
Powiązania:
https://bibliotekanauki.pl/articles/335614.pdf
Data publikacji:
2005
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:
kompostowanie
materiał organiczny
nawóz naturalny
ciepło
reaktor
sztuczna sieć neuronowa
modelowanie
heat generating
composting
natural fertilizer
organic matter
bioreactor
artificial neural network
Opis:
Kompostowanie polega na mikrobiologicznym rozkładzie substancji organicznych w warunkach tlenowych pod wpływem mikroorganizmów termofilnych (bakterii) i pleśni. Podczas kompostowania, którego faza termofilna może trwać z reguły od 4 do 7 tygodni wydzielają się duże ilości energii cieplnej. Szczególnie wysoki poziom utrzymuje się w początkowej fazie - gdyż temperatura wewnątrz pryzmy może wówczas osiągnąć 60-75°C i utrzymać się na tym poziomie przez okres kilkunastu, a nawet kilkudziesięciu dni. W celu przeprowadzenia badań laboratoryjnych, które będą oddawały warunki polowe w 2002 w Instytucie Inżynierii Rolniczej AR w Poznaniu zbudowano bioreaktor do badania przebiegu rozkładu odpadów organicznych. Dzięki odizolowaniu od warunków zewnętrznych i rozbudowanemu systemowi czujników bioreaktor jest doskonałym sprzętem badawczym, pozwalającym na zgromadzenie obszernej bazy danych umożliwiającej zbudowanie modelu kompostowania z uwzględnieniem wydzielającego się w jego trakcie ciepła. Jako narzędzie modelowania posłużyły sztuczne sieci neuronowe.
Composting process depends on microbiological decomposition of organic matter in oxygenic conditions proceeded by the thermopile microorganisms (bacteries) and moulds. During composting process, which thermopile phase can last from 4 to 7 weeks, there is a lot of heat energy emission. Especially high level of it is received in initial phase - because the temperature inside the composted pile can reach 60-75°C and stays on the level over 50°C for a dozen or even few dozen days. In order to carry out the laboratory experiments, which will fulfill the field conditions in 2002, at the Institute of Agricultural Engineering a bioreactor for the study of the organic material decomposition was constructed. Because of thermal isolation from outside conditions and complex sensor system, bioreactor is perfect experimental set-up, which allows to accumulate a large database. This fact makes possible to create composting model with placing emphasis on heat emission. As a modeling tool, the artificial neural network was used.
Źródło:
Journal of Research and Applications in Agricultural Engineering; 2005, 50, 2; 40-42
1642-686X
2719-423X
Pojawia się w:
Journal of Research and Applications in Agricultural Engineering
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 21

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