The paper is related to where the standard BPNNs (Back-Propagation Neural Networks) were applied to the analysis of concrete fatigue durability. Failure is related to the number N of compressive load cycles causing fatigue damage of laboratory specimens. About 450 results on laboratory concrete specimen tests were taken from. The main goals of the paper are to improve the neural approximation performed by the standard BPNN and to extend neural simulation also for data given in intervals of concrete strength and cycle frequencies. That is why a neuro-fuzzy NN called for short FWNN (Fuzzy Weght NN) was applied. This approach enables us to be closer to the experimental reality.
PL
Standardową sieć BPNN (Back-Propagation Neural Network) ze wsteczną propagacją błędów zastosowano do analizy liczby cykli ściskających powodujących zniszczenie próbek betonowych. Wykorzystano około 450 wyników doświadczeń laboratoryjnych. Podstawowymi celami pracy było uściślenie neuronowej aproksymacji oraz rozszerzenie symulacji neuronowej na dane podane w postaci przedziałowych wartości wytrzymałości betonów. Powyższy cel zrealizowano za pomocą sieci neuro-rozmytej EWNN (Fuzzy Weight NN). Przedstawione podejście jest bliższe rzeczywistości doświadczalnej.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
W artykule omówiono wpływ temperatury na prognozę dobowego profilu obciążeń elektroenergetycznych z wyprzedzeniem od jednego dnia do tygodnia, dla każdej pory roku, dla spółki dystrybucyjnej o maksymalnej wartości godzinowego szczytu rocznego rzędu 1000 MW. Do określenia prognozy użyto modeli opartych na sieci neurorozmytej ANFIS i sieci neuronowej typu kaskadowego. Zwrócono uwagę na praktyczny brak zależności od temperatury w okresie letnim oraz problemy związane z dokładnością prognozy i porównywania wyników uzyskanych dla różnych wielkości systemów energetycznych.
EN
Temperature influence of short-term daily profile load forecasting one day to week ahead, for each season.for distri- bution company with max daily pik about 1000 MW, was shown. For realise models of load forecasting, neuro-fuzzy ANFIS and cascaded neural network were used. Practical temperature indepedence in summer season was observed. Accuracy and uncomparison results problems for different magnitude systems were discused.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.