PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2013 | Nr 5 (101) | 117--123
Tytuł artykułu

Use of Artificial Neural Networks for Modelling of Seam Strength and Elongation at Break

Treść / Zawartość
Warianty tytułu
PL
Zastosowanie sztucznych sieci neuronowych dla modelowania wytrzymałości szwów i wydłużenia przy zerwaniu
Języki publikacji
EN
Abstrakty
EN
The strength and elongation at break of a seam are very important characteristics of comfort clothing. Optimum seam strength must be durable enough to do our daily activities easily. Some parameters such as the type and count of the sewing yarn, the seam density, the size of the sewing needle, and type of stitch affecting the strength and elongation at break of the seam. In this study two kinds of fabrics (gabardine and poplin) were chosen for experiments. As sewing parameters, two different types of stitches (plain and chain stitch), five seam densities (3, 4, 5, 6 and 7 seams/cm), two kinds of sewing needles (SPI and SES), and three kinds of sewing yarns (cotton, core-spun, and PBT yarns) were used in experiments. With these materials 120 different seam variations were developed. Each sampless seam strength was tested according to the ISO 13935-1[1] standard using an Instron 4411 instrument. After the testing process, an artificial neural network model was developed to predict the seam strength and elongation at break values. The test results were applied to multi layer perceptron and radial basis function neural network modeling. These two neural network types were compared in terms of the accuracy of the modeling system. The results show that the artificial neural network model produces reliable estimates of seam strength and elongation at break (R=1, MSE=3.33E-05).
PL
Wytrzymałość szwu i wydłużenie przy zerwaniu są bardzo ważnymi cechami ubrań z punktu widzenia wygody noszenia. Optymalna wytrzymałość szwu musi być wystarczająco duża, aby z łatwością wykonywać nasze codzienne czynności. Niektóre z parametrów, takich jak typ oraz numer przędzy, gęstość szwu, rozmiar igły do szycia, typ ściegu wpływają na wytrzymałość szwu i wydłużenie przy zerwaniu. Badania przeprowadzono na dwóch rodzajach tkanin (gabardyna i popelina), stosując dwa różne rodzaje szwów (proste i łańcuszkowy), szwy o pięciu gęstościach (3, 4, 5, 6 i 7 szwy/cm), dwa rodzaje igieł (SPI i SES) i trzy rodzaje przędz (bawełniana zwykła, rdzeniowa i przędze PBT), otrzymując 120 wariantów szwów. Wytrzymałość każdej próbki została zbadana zgodnie z normą ISO 13935-1 za pomocą przyrządu Instron 4411. Następnie, opracowano model sztucznej sieci neuronowej w celu przewidzenia wartości wytrzymałości szwów i wydłużenia przy zerwaniu. Wyniki badań zostały przetworzone w wielowarstwowym perceptronie i funkcji radialnej modelowania sieci neuronowej. Obydwa typy sieci neuronowych zostały porównane pod względem dokładności modelowania. stwierdzono, że za pomocą modelu sztucznych sieci neuronowych można uzyskać wiarygodne wyniki (R = 1, MSE = 3.33E-05).
Wydawca

Rocznik
Strony
117--123
Opis fizyczny
Bibliogr. 32 poz., rys., tab.
Twórcy
autor
  • Department of Textile Education, Faculty of Technical Educationn, University of Marmara, Istanbul, Turkey, zehra.yildiz@marmara.edu.tr
autor
  • Department of Textile Education, Faculty of Technical Educationn, University of Marmara, Istanbul, Turkey, vedat@marmara.edu.tr
autor
  • Department of Electronic-Computer Education, Faculty of Technical Educationn, Marmara University, Istanbul, Turkey, munal@marmara.edu.tr
autor
  • Department of Electronic-Computer Education, Faculty of Technical Educationn, Marmara University, Istanbul, Turkey, kazim.yildiz@marmara.edu.tr
Bibliografia
  • 1. ISO13935-1, Textiles- Seam tensile properties of fabrics and made- up textile articles- Part 1: Determination of maximum force to seam rupture using the strip method, 2002.
  • 2. Hu J. Structure and Mechanics of Woven Fabrics vol. 8: Woodhead Publishing Limited, 2004.
  • 3.American & Efird, Seam Engineering, Technical Bulletin, 2007.
  • 4. Bahlmann C, Heidemann G, Ritter H. Artificial neural networks for automated quality control of textile seams. Pattern Recognition 1999; 32: 1049-1060.
  • 5. Behera B, Senthilkarthik G, Mani M, Varun V. Fabric defect classification by using artificial neural network. The Indian Textile Journal 2001; 1: 19-28.
  • 6. Bezerra CDM, Hawkyard CJ. Computer match prediction for fluorescent dyes by neural networks. Coloration Technology 2000; 116: 163-169.
  • 7. Chen T, Li L, Koehl L, Vroman P, Zeng X. A soft computing approach to model the structure–property relations of nonwoven fabrics. Journal of Applied Polymer Science 2007; 103: 442-450.
  • 8. Chung-Feng Jeffrey K, Chang-Chung W, Chien-Teng H. Theoretical Control and Experimental Verification of Carded Web Density Part III: Neural Network Controller Design. Textile Research Journal 1999; 69: 401- 406.
  • 9. Debnath S, Madhusoothanan M, Srinivasmoorthy V. Modelling of tensile properties of needle punched nonwovens using artificial neural networks. Indian Journal of Fibre & Textile Research 2000; 25: 31-36.
  • 10. El-Messiry M, Sultan M, Behary H, Mansour S, Ezzat M. ANN a tool to predict fabric processability. The Indian Textile Journal 2001; 4: 104-110.
  • 11. Huang C-C, Yu W-H. Fuzzy Neural Network Approach to Classifying Dyeing Defects. Textile Research Journal 2001; 71: 100-104.
  • 12. Jasper WJ, Kovacs ET, Berkstresser GA. Using Neural Networks to Predict Dye Concentrations in Multiple-Dye Mixtures. Textile Research Journal 1993; 63: 545-551.
  • 13. Kyu PC, Jin KT. Objective rating of seam pucker using neural networks. Textile Research Journal 1997; 67: 494-502.
  • 14. Luo C, Adams DL. Yarn Strength Prediction Using Neural Networks. Textile Research Journal 1995; 65: 495-500.
  • 15. Park S-W, Hwang Y-G, Kang B-C, Yeo S-W. Applying Fuzzy Logic and Neural Networks to Total Hand Evaluation of Knitted Fabrics. Textile Research Journal 2000; 70: 675-681.
  • 16. Rawal A, Majumdar A, Anand S, Shah T. Predicting the properties of needlepunched nonwovens using artificial neural network. Journal of Applied Polymer Science 2009; 112: 3575-3581.
  • 17. Reiyao Z, Ethridge MD. Predicting hairiness for ring and rotor spun yarns and analysing the impact of fibre properties. Textile Research Journal 1997; 67: 694- 698.
  • 18. Senthilkumar M, Selvakumar N. Achieving expected depth of shade in reactive dye application using artificial neural network technique. Dyes and Pigments 2006; 68: 89-94.
  • 19. Sette S, Boullart L, Kiekens P. Self-Organizing Neural Nets: A New Approach to Quality in Textiles. Textile Research Journal 1995; 65: 196-202.
  • 20. Slokar YM, Zupan J, Le Marechal AM. The use of artificial neural network (ANN) for modeling of the H2O2/UV decoloration process: part I. Dyes and Pigments 1999; 42: 123-135.
  • 21. Ting C, Chong Z, Xia C, Liqing L. An Input Variable Selection Method for the Artificial Neural Network of Shear Stiffness of Worsted Fabrics. Stat. Anal. Data Min. 2009; 1: 287-295.
  • 22. Yu RF, Chen HW, Liu KY, Cheng WP, Hsieh PH. Control of the Fenton process for textile wastewater treatment using artificial neural networks. Journal of Chemical Technology & Biotechnology 2010; 85: 267-278.
  • 23. Onal L, Zeydan M, Korkmaz M, Meeran S. Predicting the Seam Strength of Notched Webbings for Parachute Assemblies Using the Taguchi’s Design of Experiment and Artificial Neural Networks. Textile Research Journal 2009; 79: 468.
  • 24. Hui CL, Ng SF. Predicting Seam Performance of Commercial Woven Fabrics Using Multiple Logarithm Regression and Artificial Neural Networks. Textile Research Journal 2009; 79: 1649.
  • 25. Hinton GE. How neural networks learn from experience. In Cognitive Modeling. Polk TA, Seifert CM. Eds., 2002, p. 181.
  • 26. Zupan J, Gasteiger J. Neural Networks in Chemistry and Drug Design, 2nd Edition: WILEY-VCH, 1999.
  • 27. Hornik K. Approximation capabilities of multilayer feedforward networks. Neural Networks 1991; 4: 251-257.
  • 28. Hornik K, Stinchcombe M, White H. Multilayer feedforward networks are universal approximators. Neural Networks 1989; 2: 359-366.
  • 29. Hagan MT, Demuth HB, Beale M. Neural Network Design. Boston: Thomson, 1997.
  • 30. Ünal M, Erdal H, Topuz V. Trajectory Tracking Performance Comparison Between Genetic Algorithm and Ant Colony Optimization for PID Controller Tuning on Pressure Process. Computer Applications in Engineering Education 2010; DOI 10.1002/cae.20420.
  • 31. Haiping D, Nong Z. Time series prediction using evolving radial basis function Networks with new encoding scheme. Neurocomputing 2008; 71: 1388-1400.
  • 32. Broomhead D, Lowe D. Multivariable functional interpolation and adaptive networks. Complex Systems 1988; 2: 321-355.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.baztech-fd9e2e37-ef8a-455f-b14c-1deb6e8435e2
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.