Case studies are presented on the failure of a steel cylindrical gasoline tank when pressure tests were performed in it. The pressure tests were performed not in accordance with the design guidelines and the inner shell of the tank suffered a local loss of stability. The same pressure tests, performed in an identical neighboring tank, did not cause damage in the tank. The analyses showed the existence of critical load-bearing reserves of the tank's inner shell, which can increase the reliability of the tank in exceptional random situations of deviation from the assumed pressure test conditions. The conclusions of the analyses can be useful in preventing the failure of similar fuel tank designs at the design stage and during periodic pressure tests.
PL
Przedstawiono analizy przypadku awarii stalowego zbiornika walcowego na benzynę podczas wykonywania w nim prób ciśnieniowych. Próby ciśnieniowe realizowano niezgodnie z wytycznymi projektowymi i wewnętrzny płaszcz zbiornika uległ lokalnej utracie stateczności. Takie same próby ciśnieniowe, wykonywane w identycznym sąsiednim zbiorniku, nie spowodowały w nim uszkodzeń. W analizach wykazano występowanie rezerw nośności krytycznej wewnętrznego płaszcza zbiornika, które mogą zwiększyć niezawodność zbiornika w wyjątkowych losowych sytuacjach odstępstw od zakładanych warunków prób ciśnieniowych. Wnioski z analiz mogą być przydatne w zapobieganiu awariom podobnych konstrukcji zbiorników na paliwa na etapie ich projektowania oraz podczas okresowych prób ciśnieniowych.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
A verification of regressive models based on artificial neural networks and multiple regression analysis was carried out. The analysis of the results obtained showed that artificial neural networks realizing regressive operations are useful for identifying the character of changes of additive quantities, in particular geometric dimensions and strength parameters. However, they are not suitable for identifying non-additive features, represented by tangling as well as teaseling. In this case, better predictive possibilities are provided by models based on multiple regression.
PL
Zastosowanie środowiska oprogramowania Statistica + Sztuczne Sieci Neuronowe pozwoliło na wykorzystanie sztucznych sieci neuronowych realizujących zadania regresyjne, do przewidywania właściwości fizycznych bezwęzłowych połączeń końców nitek. Bazę danych wprowadzonych do sieci zbudowano na podstawie wyznaczenia charakterystycznych wymiarów geometrycznych i właściwości wytrzymałościowych połączeń, oraz oszacowania cech nieaddytywnych, reprezentowanych przez splątanie i zmechacenie. Posłużono się sieciami typu perceptron wielowarstwowy MLP oraz sieciami neuronowymi realizującymi regresję uogólnioną GRNN. W celach porównawczych dokonano również predykcji właściwości omawianych połączeń przy użyciu regresji wielokrotnej.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.