Model SSN do wyznaczania siły niszczącej skorupę orzecha włoskiego

• Autorzy: Hebda T. , Francik S.

Warianty tytułu

EN

SSN model for determination of the force destroying the walnut cover

• Języki publikacji: PL

Abstrakty

PL

Materiał badawczy stanowiły cztery odmiany orzecha włoskiego (Juglans regia L.): Silesia, Targo, Albi i Tryumf. Do tworzenia modelu sztucznych sieci neuronowych (SSN) niezbędna była znajomość rzeczywistej wartości siły niszczącej skorupę orzecha (endokarp). Badania wykonano na maszynie wytrzymałościowej Insight 2 firmy MTS. Jako model służący do wyznaczania siły potrzebnej do rozkruszenia okrywy orzecha włoskiego zastosowano jednokierunkowe wielowarstwowe sieci neuronowe. Opracowano kilka różnych sieci neuronowych, które poddano następnie weryfikacji w celu wybrania modelu najdokładniej opisującego zależność siły niszczącej skorupę orzecha włoskiego od jego cech morfologicznych.

EN

Tests were performed with the use of the following varieties: Silesia, Targo, Albi and Tryumf. For the creation of the SSN model (network learning process), the knowledge of the actual value of the force destroying the walnut cover was necessary. Tests were performed on the testing machine Insight 2 of MTS company. Unidirectional multi-layer neural networks were used as a model aimed at determining the force necessary to crush the walnut cover. Several different neural networks were elaborated and then verified for the purpose of selecting a model that would describe most accurately the dependence of the destructive force on the morphological characteristics of the walnut.

Słowa kluczowe

PL

orzech włoski; SSN; model

EN

walnut; SSN; model

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2010
• Tom: R. 14, nr 5
• Strony: 37--45
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wykr.

Twórcy

autor

Hebda T.

autor

Francik S.

• Uniwersytet Rolniczy w Krakowie, Wydział Inżynierii Produkcji i Energetyki, Katedra Inżynierii Mechanicznej i Agrofizyki,

Bibliografia

• Cholewa W., Moczulski W. 2004. Elementy sztucznej inteligencji w diagnostyce technicznej. Inżynieria Diagnostyki Maszyn. PTDT Radom.
• Francik S., Frączek J. 2001. Model development of the external friction of granular vegetable materials on the basis of artificial neural networks. International-Agrophisics. 15. s. 231-236.
• Hebda T., Francik S. 2006. Wykorzystanie SSN do wyznaczania twardości ziarna pszenicy. Inżynieria Rolnicza. Nr 12(87). s. 181-188.
• Hebda T., Francik S. 2008. Analiza siły niszczącej okrywę orzecha włoskiego. Inżynieria Rolnicza. Nr 11(109). s. 83-89.
• Khazaei J., Daneshmandi S. 2007. Modeling of thin-layer drying kinetics of sesame seeds: mathematical and neural networks modeling. International Agrophysics. 21. s. 335-348.
• Laskowski J., Łojewska H., Łysiak G. 2001. Zastosowanie równania Walkera do oceny energochłonności rozdrabniania ziarna zbóż w rozdrabniaczu bijakowym. Inżynieria Rolnicza. Nr 2(22). s. 179-185.
• Laskowski J., Łysiak G., Melcion J.P. 1998. Cereal grains resistance analysis in the aspect of energy utilization in the process of disintegration. International Agrophysics, 12 (3). s. 205-208.
• Licznar P. 2005. Ocena możliwości stosowania sztucznych sieci neuronowych dla określania średniej rocznej wartości wskaźnika erozyjności deszczy. Acta Agrophysica 5(1). s. 65-74.
• Marks N., Sobol Z., Baran D. 2006. Wpływ wilgotności na energochłonność procesu rozdrabniania ziarna zbóż. Inżynieria Rolnicza. Nr 3(78). s. 281-288.
• Mueller W., Nowakowski K., Boniecki P. 2003. Sztuczne sieci neuronowe do predyspozycji pola temperatur w kamiennym magazynie energii cieplnej. Inżynieria Rolnicza. Nr 12(54). s. 267-274.
• Napiórkowski J., Mikołajczak P. 2006. Modele neuronowe zużywania elementów roboczych w glebie. Inżynieria Rolnicza. Nr 12(87). s. 381-389.
• Wróbel M., Czarnik-Matusewicz H., Siuda R. 2005. Artificial neural networks in compositional analysis of repeseed meal from nirs - assessment of applicability. Acta Agrophysica 6(1). s. 261-272.