Wykorzystanie sztucznych sieci neuronowych w zagadnieniu odwrotnym dyfuzji ciepła

• Autorzy: Chudzik S. , Gryś S. , Minkina W.

Warianty tytułu

EN

Use of artificial neural networks for solving the heat diffusion inverse problem

• Języki publikacji: PL

Abstrakty

PL

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.

EN

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.

Słowa kluczowe

PL

sztuczne sieci neuronowe; przewodność cieplna; dyfuzyjność cieplna; materiały termoizolacyjne

EN

artificial neural networks; thermal conductivity; thermal diffusivity; thermal insulating material

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2009
• Tom: R. 55, nr 2
• Strony: 83--88
• Opis fizyczny: Bibliogr. 18 poz., rys., tab., wzory

Twórcy

autor

Chudzik S.

autor

Gryś S.

autor

Minkina W.

• Wydział Elektryczny, Politechnika Częstochowska,

Bibliografia

• [1] С. E. Платунов: Теплофизические измерения и приборы; Изд. „Машиностроение”‚ Ленинград 1986.
• [2] Praca zbiorowa: Pomiary cieplne. WNT, Warszawa 1995.
• [3] W. Minkina, S. Chudzik: System pomiarowy do wyznaczania współczynnika wyrównywania temperatury metodą dynamiczną. Sympozjum Modelowanie i Symulacja Systemów Pomiarowych, Krynica 1998, 272-279.
• [4] W. Minkina, S. Chudzik: Pomiary parametrów cieplnych materiałów termoizolacyjnych – przyrządy i metody. Wydawnictwo Politechniki Częstochowskiej, Częstochowa 2004, ISBN 83-7193-216-2.
• [5] C. Gobbé, S. Iserna, B. Ladevie: Hot strip method: application to thermal characterisation of orthotropic media. International Journal of Thermal Sciences 43, 2004, 951–958.
• [6] J. Sylos Cintra, W. Santos: Numerical analysis of sample dimensions in hot wire thermal conductivity measurements. Journal of the European Ceramic Society 20, 2000, 1871-1875.
• [7] I. H. Tavman, S. Tavman: Measurement of thermal conductivity of dairy products; Journal of Food Engineering 41, 1999, 109-114.
• [8] A. Bouguerra, O. Ait-Mokhtar, M. Amiri, B. Diop: Measurement of thermal conductivity, thermal diffusivity and heat capacity of highly porous building materials using transient plane source technique. Int. Comm Heat Mass Transfer 28, 2001, 1065-1078.
• [9] J. Gajda. M. Szyper: Modelowanie i badania symulacyjne systemów pomiarowych, Nakładem Akademii Górniczo-Hutniczej, Kraków 1998.
• [10] Praca zbiorowa, red. И. С. Григорьевa: Физические величины, Справочник. Энергоатомиздат, Москва 1991.
• [11] A. Bejan: Heat transfer, John Wiley & Sons, New York 1993.
• [12] Praca zbiorowa, red. Szargut J.: Modelowanie numeryczne pól temperatury. WNT, Warszawa 1992.
• [13] P. Daponde, D. Grimaldi: Artifical neural networks in measurements. Measurement 23, 1998, 93-115.
• [14] S. Osowski: Sieci neuronowe w ujęciu algorytmicznym. WNT Warszawa 1996.
• [15] I. Turias, J. Gutierrez, P. Galindo: Modelling the efective thermal conductivity of a unidirectional composite by the use of artificial neural networks. Composites Science and Technology 65, 2005, 609–619.
• [16] Guide to the Expression of Uncertainty in Measurement. Supplement 1. Numerical Methods for the Propagation of Distributions – projekt dokumentu Międzynarodowego Biura Miar z 16.03.2004.
• [17] Wyrażanie niepewności pomiaru. Przewodnik. Wydawnictwo GUM, 1999.
• [18] P. Fotowicz: Wyrażanie niepewności pomiaru w świetle najnowszych propozycji Międzynarodowego Biura Miar. IV Konferencja Podstawowe Problemy Metrologii, Ustroń 2005, 37-45.