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 "reinforcement efficiency" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Properties of composites based on polyamide 10.10 reinforced with carbon fiber
    Właściwości kompozytów na bazie poliamidu 10.10 wzmocnionego włóknami węglowymi
    Autorzy:
    Kuciel, S.
    Kuźnia, P.
    Jakubowska, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/947010.pdf
    Data publikacji:
    2016
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Chemii Przemysłowej
    Tematy:
    biocomposite
    polyamide 10.10
    water absorption
    reinforcement efficiency
    biokompozyt
    poliamid 10.10
    absorpcja wody
    efektywność wzmocnienia
    Opis:
    The test results of carbon fiber composites based on two, different, commercially available, biobased polyamide 10.10 grades are presented in this paper. The discussed materials differ in their impact resistance, strength and stiffness and, to a lesser extent, inwater absorption, which are advantageous properties that make them suitable for different structural applications.
    W pracy zaprezentowano wyniki badań kompozytów z włóknem węglowym bazujących na dwóch różnych dostępnych na rynku biopochodnych poliamidach 10.10. Opisywane materiały, różniące się wytrzymałością, modułem sprężystości, udarnością i innymi właściwościami fizycznymi, mogą znaleźć odmienne zastosowania konstrukcyjne.
    Źródło:
    Polimery; 2016, 61, 2; 106-112
    0032-2725
    Pojawia się w:
    Polimery
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Analysis of labour efficiency supported by the ensembles of neural networks on the example of steel reinforcement works
    Analiza wydjaności pracy wspomagana zespołem sieci neuronowych na przykładzie robót zbrojarskich
    Autorzy:
    Juszczyk, Michał
    Powiązania:
    https://bibliotekanauki.pl/articles/230439.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    wydajność pracy
    sieć neuronowa
    prognoza
    roboty zbrojarskie
    zbrojenie stalowe
    labour efficiency
    neural network
    prediction
    reinforcement works
    steel reinforcement
    Opis:
    This study presents an artificial intelligence technique based on ensemble of artificial neural networks for the purposes of analysis and prediction of labour productivity. The study focuses on the development of model that combines several artificial neural networks on the basis of real-life data collected on a construction site for steel reinforcement works. The data includes conditions, characteristics, features of steel reinforcement works and related efficiencies of workers assigned to particular tasks recorded on site. The proposed ensemble based model combines five supervised learning models - five different multilayer perceptron networks, which contribution in the prediction is weighted due to the application of generalised averaging approach. Testing results show that the proposed ensemble based model achieves the satisfactory evaluation criteria for coefficient of correlation (0.989), root-mean-squared error (2.548), mean absolute percentage error (4.65%) and maximum absolute percentage error (8.98%).
    Wydajność pracy ma kluczowy wpływ na czas realizacji i koszty przedsięwzięć budowlanych. W publikacji przedstawiono wyniki prac badawczych nad wykorzystaniem zespołów sztucznych sieci neuronowych w analizie i predykcji wydajności pracy na przykładzie robot zbrojarskich. Analiza została przeprowadzona w oparciu dane zbierane przez wykonawcę w trakcie realizacji robót. Celem pracy badawczej była ocena przydatności danych zebranych przez wykonawcę robot oraz proponowanego narzędzia matematycznego do analizy i predykcji wydajności pracy.
    Źródło:
    Archives of Civil Engineering; 2020, 66, 1; 97-111
    1230-2945
    Pojawia się w:
    Archives of Civil Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An active exploration method for data efficient reinforcement learning
    Autorzy:
    Zhao, Dongfang
    Liu, Jiafeng
    Wu, Rui
    Cheng, Dansong
    Tang, Xianglong
    Powiązania:
    https://bibliotekanauki.pl/articles/331205.pdf
    Data publikacji:
    2019
    Wydawca:
    Uniwersytet Zielonogórski. Oficyna Wydawnicza
    Tematy:
    reinforcement learning
    information entropy
    PILCO
    data efficiency
    uczenie ze wzmocnieniem
    entropia informacji
    wydajność danych
    Opis:
    Reinforcement learning (RL) constitutes an effective method of controlling dynamic systems without prior knowledge. One of the most important and difficult problems in RL is the improvement of data efficiency. Probabilistic inference for learning control (PILCO) is a state-of-the-art data-efficient framework that uses a Gaussian process to model dynamic systems. However, it only focuses on optimizing cumulative rewards and does not consider the accuracy of a dynamic model, which is an important factor for controller learning. To further improve the data efficiency of PILCO, we propose its active exploration version (AEPILCO) that utilizes information entropy to describe samples. In the policy evaluation stage, we incorporate an information entropy criterion into long-term sample prediction. Through the informative policy evaluation function, our algorithm obtains informative policy parameters in the policy improvement stage. Using the policy parameters in the actual execution produces an informative sample set; this is helpful in learning an accurate dynamic model. Thus, the AEPILCOalgorithm improves data efficiency by learning an accurate dynamic model by actively selecting informative samples based on the information entropy criterion. We demonstrate the validity and efficiency of the proposed algorithm for several challenging controller problems involving a cart pole, a pendubot, a double pendulum, and a cart double pendulum. The AEPILCO algorithm can learn a controller using fewer trials compared to PILCO. This is verified through theoretical analysis and experimental results.
    Źródło:
    International Journal of Applied Mathematics and Computer Science; 2019, 29, 2; 351-362
    1641-876X
    2083-8492
    Pojawia się w:
    International Journal of Applied Mathematics and Computer Science
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      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