The Prediction of Elongation and Recovery of Woven Bi - Stretch Fabric Using Artificial Neural Network and Linear Regression Models

• Autorzy: Ogulata S. N. , Sahin C. , Ogulata R. T. , Balci O.

Warianty tytułu

PL

Przewidywanie wydłużenia i odprężenia dwukierunkowo elastycznych tkanin za pomocą sztucznych sieci neuronowych i modeli regresji liniowej

• Języki publikacji: EN

Abstrakty

EN

Stretch woven fabrics are widely used because of their good elongation and recovery (residual extension) properties. Several parameters and test method are used to measure the properties of these fabrics. Each different set of test parameters means a different test application. Sometimes, repeating tests for different test involves wasting time and labour. In this study, the test results were used to try and predict elongation and recovery using neural network and linear regression models. Certain test parameters such as rate of extension, gauge length (jaw separation), and maximum load were selected as input variables. The accuracies of predictions of elongation in the direction of warp and weft by both models were found to be similar and satisfactory. The predictions for the recovery test showed differences as to fabric warp and weft direction. All the statistical results indicate that predicting the fabrics’ test results from an unseen data set is very good for both models.

PL

Tkaniny elastyczne są szeroko stosowane ze względu na swoje dobre właściwości rozciągowe i odprężeniowe (wydłużenie szczątkowe). Szereg metod pomiarowych i parametrów stosuje się dla określenia właściwosci tych tkanin. Każdy, różniący się od innych zestaw parametrów danego testu oznacza inne zastosowanie tegoż testu. Czasami powtarzanie różnych testów oznacza stratę czasu i zastosowanych nakładów. W przedstawionej pracy, wyniki testów zastosowano dla próby przewidzenia wydłużenia i odprężenia za pomocą sztucznych sieci neuronowych i modeli regresji liniowej. Pewne parametry testów, takie jak szybkość wydłużenia, długość próbki (rozstaw szczęk) i maksymalne obciążenie zostały wyselekcjonowane jako zmienne wejściowe. Stwierdzono, że dokładność przewidywania wydłużenia w kierunku osnowy i wątku uzyskana obydwoma metodami jest podobna i zadawalająca. Przewidywanie odprężenia w kierunku osnowy i wątku było zróżnicowane. Wszystkie wyniki analiz statystycznych wykazują, że przewidywanie zachowania się tkanin za pomocą obydwu modeli daje bardzo dobre rezultaty.

Słowa kluczowe

EN

woven fabric; elongation; recovery; artificial neural network; regression model

PL

tkanina; wydłużenie; odprężenie; sztuczne sieci neuronowe; model regresji

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2006
• Tom: Vol. 14, no. 2 (56)
• Strony: 46--49
• Opis fizyczny: Bibliogr. 20 poz., tab.

Twórcy

autor

Ogulata S. N.

• The University of Cukurova, Department of Industrial Engineering 01330 Adana, Turkey, Phone: [phone]-2074

autor

Sahin C.

• The University of Cukurova, Department of Industrial Engineering 01330 Adana, Turkey, Phone: [phone]-2074

autor

Ogulata R. T.

• The University of Cukurova, Department of Textile Engineering, 01330 Adana, Turkey

autor

Balci O.

• The University of Cukurova, Department of Textile Engineering, 01330 Adana, Turkey

Bibliografia

• 1. Witkowska, B. and Frydrych, I., A Comparative Analysis of Tear Strength Methods, 2004, Fibres & Textiles in Eastern Europe, Vol.12, No.2 (46).
• 2. Lizak, P., Yarn Strength Dependence on Test Length, 2004, Fibres & Textiles in Eastern Europe, July/September, p.32-34.
• 3. Kuo, C. J., Hsiao, K., Wu, Y., Using Neural Network Theory to predict the Properties of Melt Spun Fibres, 2004, Textile Research Journal, 79 (9), p.840-843.
• 4. Strumillo, J., L., Jackowski, T., Cyniak, D., Czkalski, J., Neural Model of the Spinning Process for Predicting Selected Properties of Flax/Cotton Yarn Blends, 2004, Fibres & Textiles in Eastern Europe, Vol.12, No.4 (48).
• 5. Majumdar, P., K., Majumdar, A., Predicting the Breaking Elongation of Ring Spun Cotton Yarns Using Mathematical, Statistical, and Artificial Neural Network Models, 2004, Textile Research Journal, 74 (7), p. 652-655.
• 6. Lewandowski, S. and Stanczyk, T., Identification and Classification of Spliced Wool Combed Yarn Joints by Artificial neural Networks Part I: Developing an Artificial Neural Network Model, 2005, Fibres & Textiles in Eastern Europe, Vol.13, No.1 (49).
• 7. Lewandowski, S. and Stanczyk, T., Identification and Classification of Spliced Wool Combed Yarn Joints by Artificial neural Networks Part II: Interpretation of Identification and Classification Results of the Unknotted Spliced Yarns Joints, 2005, Fibres&Textiles in Eastern Europe, Vol.13, No.2 (50).
• 8. Gong, R., H. and Chen, Y., Predicting the Performance of Fabrics in Garment Manufacturing with Artificial Neural Network, 1999, Textile Research Journal, 69(7), p. 477-482.
• 9. Ertugrul, S., Ucar, N., Predicting Bursting Strength of Cotton Plain Knitted Fabrics Using Intelligent Techniques, 2000, Textile Research Journal, 70 (10), p.845-851
• 10. Kuo, C., J., Lee, C., Tsai, C., Using a Neural Network to Identify Fabric Defects in Dynamic Cloth Inspection, 2003a, Textile Research Journal, 73 (3), p. 238-244.
• 11. Kuo, C., J., Lee, C., A Back-Propagation Neural Network for Recognizing Fabric Defects, 2003b, Textile Research Journal, 73 (2), p. 147-151.
• 12. Tilocca, A., Borzone P., Carosio, S., Durante, A., Detecting Fabric Defects with a Neural Network Using Two Kinds of Optical Patterns, 2002Textile Research Journal, 72 (6), p.545-550.
• 13. Rumelhart DE, Learning Internal Representation by Error Propagation. In: Parallel Distributed Processing, 1986, Cambridge, MA: MIT Press, v.1, p. 318–362.
• 14. Krose, B., Smaget, P., V., D. An Introduction to Neural Networks, 1996, The University of Amsterdam.
• 15. Duda, R., O., Hart, P., E. and Stork, D., G., Pattern Classification, 2000, Wiley-Second Edition.
• 16. Cuff, J.A. and Barton, G. J., Evaluation and Improvement of Multiple Sequence Methods for Protein Secondary Structure Prediction. Proteins: Structure, Function, and Genetics, 1999, 34, p.508–519.
• 17. Myers, R., H. and Montgomery, D., C., Response Surface Methodology: Process and Product Optimization Using Designed Experiments, Second Edition, A Wiley-Interscience Publication, 2002, p.17-21.
• 18. Tsai, I-C., D., Cassidy, C., Cassidy T. and Shen J., The influence of woven stretch fabric properties on garment design and pattern construction, Transactions of the Institute of Measurement and Control, 2002, 24 (1), p.3-14.
• 19. Kikuta, T., M., Mechanical Properties of Candidate Materials for Morphing Wings, Master Thesis of Mechanical Engineering in Faculty of Virginia Polytechnic Institute and State University, 2003, p.32, Blacksburg, Virginia.
• 20. BS 4952 Test Standard (2.1.2.1. and 2.4.), Methods of test for elastic fabrics, Determination of extension at a specified force, 1992, British Test Standard.