Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 3

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: sztuczna sieć neuronowa (ANN)

Sortuj według:

Ogranicz wyniki do:

Nowy, efektywny mechanizm pobudzania martwych neuronów w sztucznych sieciach neuronowych Kohonena typu WTA

Talaśka T., Idźkowski M., Rydlewski A., Miciak M., Wiatr R.

Logistyka

2014

nr 6

10567--10578

W pracy przedstawiono nowy, efektywny mechanizm pobudzania martwych neuronów, wykorzystywany w samoorganizujących się, sztucznych sieciach neuronowych Kohonena typu WTA (Zwycięzca Bierze Wszystko). Mechanizm ten polega na wyłączeniu (z procesu uczenia) na pewien określony czas neuronu, który wygrał rywalizację w poprzedniej iteracji. Mechanizm ten przy odpowiednim ustawieniu jego parametrów, niezależnie od sposobu przeprowadzenia inicjalizacji wstępnej wag początkowych, gwarantuje pobudzenie wszystkich martwych neuronów w procesie uczenia takich sieci. Neurony martwe mają negatywny wpływ na proces uczenia się sieci i znacznie ograniczaj możliwość jej późniejszego wykorzystania w różnych aplikacjach. Zaproponowany mechanizm może być z łatwością wykorzystany w sieciach WTA, implementowanych w postaci specjalizowanych układów scalonych (ASIC) i być dobrą alternatywą dla istniejących rozwiązań mechanizmu sumienia.

The paper presents a novel, effective mechanism to activate dead neurons, which is used in Kohonen selforganizing, artificial neural network WTA type (Winner Takes All). The mechanism relies on exclusion from learning process for some period of time a neuron, which has won the competition in the previous iteration. The mechanism with set of appropriate settings of parameters and regardless of pre-initialization of beginning weights, ensures that all dead neurons become activated in the learning process of such networks. Dead neurons have a negative impact on the network learning process and significantly reduce the possibility of future usage these networks in different applications. The proposed mechanism, can be easily used in WTA networks, implemented as a specialized application in integrated circuits (ASIC) and it can be a good alternative for existing solutions of the conscience mechanism.

Application of neural networks for the prediction of rock fragmentation in Chadormalu iron mine

Monjezi M., Ahmadi Z., Khandelwal M.

Archives of Mining Sciences

2012

Vol. 57, no. 3

787--798

Most open-pit mining operations employ blasting for primary breakage of the in-situ rock mass. Inappropriate blasting techniques can result in excessive damage to the wall rock, decreasing stability and increasing water influx. In addition, it will result in either over and/or under breakage of rocks. The presence of over broken rocks can result in decreased wall stability and require additional excavation. In contrast, the presence of under broken rocks may require secondary blasting and additional crushing. Since blasting is a major cost factor, both cases (under and over breakage) create additional costs reflected in the increase of the operation and maintenance of the machinery. Quick and accurate measurements of fragment size distribution are essential for managing fragmented rock and other materials. Various fragmentation measurement techniques are available and are being used by industry/researchers but most of the methods are time consuming and not precise. An ideally performed blasting operation enormously influences the overall mining cost. This aim can be achieved by proper prediction and attenuation of fragmentation. Prediction of fragmentation is essential for optimizing blasting operation. Poor performance of the empirical models for predicting fragmentation has urged the application of new approaches. In this paper, artificial neural network (ANN) method is implemented to develop a model to predict rock fragmentation size distribution due to blasting in Chadormalu iron mine, Iran. In the development of the proposed ANN model, ten parameters such as UCS, drilling rate, water content, burden, spacing, stemming, hole diameter, bench height, powder factor and charge per delay were incorporated. Training and testing of the model was performed by the back-propagation algorithm using 97 datasets. A four-layer ANN was found to be optimum with architecture of 10-7-5-1. A comparison has made between measured results of fragmentation with predicted results of fragmentation by ANN and multiple regression model. Sensitivity analysis was also performed to understand the effect of each influencing parameters on rock fragmentation.

W większości kopalń odkrywkowych stosuje się prace strzałowe w celu wstępnego rozbicia skał górotworu in situ. Niewłaściwe prowadzenie prac strzałowych spowodować może nadmierne uszkodzenie skał, obniżając stabilność górotworu i powodując zwiększony napływ wód. Ponadto, prowadzić może do nadmiernego lub niedostatecznego rozdrobnienia skał. Obecność nadmiernie rozdrobnionych skał spowodować może zmniejszenie stabilności ścian i wymaga dodatkowego odgruzowania. Z kolei obecność niedostatecznie rozdrobnionych skał powoduje konieczność ponownego wykonania prac strzałowych celem rozdrobnienia dalszego skały. Z uwagi na to, że prace strzałowe stanowią zasadniczy element kosztów, obydwa przypadki (niedostateczne lub nadmierne rozdrobnienie skał) mogą pociągać za sobą dodatkowe koszty, odzwierciedlone w zwiększonych kosztach eksploatacji sprzętu. Szybkie i dokładne pomiary rozkładu wielkości fragmentów skał są niezbędne dla zapewnienia właściwej gospodarki rozdrobnionymi skałami i pozostałymi materiałami. Istnieje wiele metod pomiarów i są one szeroko wykorzystywane przez badaczy oraz w przemyśle, jednakże większość metod okazuje się czasochłonna i niewystarczająco dokładna. Idealne przeprowadzenie prac strzałowych w znacznym stopniu przyczynia się do ograniczenia kosztów prowadzenia prac górniczych. Cel ten osiągnąć można poprzez odpowiednie prognozowanie i kontrolowanie stopnia rozdrobnienia. Prognozowanie konieczne jest dla optymalizacji prowadzenia prac strzałowych. Niska skuteczność metod empirycznych wykorzystywanych do prognozowania stopnia rozdrobnienia skał stanowi zachętę do stosowania nowego podejścia. W artykule przedstawiono zastosowanie metody sztucznych sieci neuronowych (ANN) do opracowania modelu prognozowania rozkładu wielkości skal rozdrobnionych w wyniku prac strzałowych w kopalni Chadormalu, w Iranie. W opracowanym modelu ANN uwzględniono dziesięć parametrów: wytrzymałość skały na ściskanie jednoosiowe (UCS), prędkość wiercenia, zawartość wody, rodzaj nadkładu, rozstawienie, rodzaj przybitki, wysokość ławy, rodzaj materiału wybuchowego oraz wielkość ładunku w stosunku do zwłoki czasowej. Uczenie i testowanie modelu odbywa się przy użyciu algorytmu propagacji wstecznej (back-propagation) z wykorzystaniem 97 baz danych. Stwierdzono, że optymalna sieć złożona jest z czterech warstw a jej architekturę opisać można jako 10-7-5-1. Wyniki pomiarów stopnia rozdrobnienia porównano z wyniki prognoz stopnia rozdrobnienia przeprowadzonych przy pomocy sieci neuronowej w oparciu o metodę regresji wielokrotnej. Przeprowadzono analizę wrażliwości dla lepszego zrozumienia wpływu poszczególnych parametrów na stopień rozdrobnienia skały.

Hybrid computational systems instructural mechanics

Waszczyszyn Z., Pabisek E., Kaliszuk J.

Czasopismo Techniczne. Mechanika

2010

R. 107, z. 4-M

135-146

The first problem discussed in the paper is related to the reliability of structures. The simulation of the ultimate load of a steel girder is analized by means of a hybrid computational system FEM & ANN & p-EMP. The system consists of three components, with a low fusion grade. FEM is applied for 'off line' computing of the patterns for ANN training and testing. The trained ANN is then used for very fast generation of MC trials for the hybrid Monte Carlo method (HMC). The second problem corresponds to the identification of a neural material model (NMM) in elasto-plastic plane stress problems. The autoprogressive method (APM) was applied in a formulated hybrid system FEM/NMM/p-EMP with a very high fusion grade of components. The 'on line' interaction of all the components is applied at each load incremental step. In the third part of the paper the standing seminar on the application of ANN s in civil engineering, inspired by the ideas of the famous Professor Życzkowski's Seminar on applied mechanics, is briefly described.

Pierwszy problem, analizowany w tym artykule, dotyczy analizy niezawodności konstrukcji. Nośność graniczna dźwigara stalowego jest symulowana za pomocą hybrydowego systemu obliczeniowego FEM & p-EMP. FEM jest stosowana do obliczania wzorców uczących i testujących ANN. Nauczona sieć służy do szybkiego generowania pseudolosowych próbek w symulacjach hybrydowej metody Monte Carlo (HMC). Drugi problem odnosi się do identyfikacji neuronowego modelu materiału ekwiwalentnego (NMM) w wybranych problemach płaskiego stanu naprężeń. Zastosowano system hybrydowy FEM/NMM/p-EMP charakteryzujący się bardzo wysokim stopniem integracji użytych komponentów. Do identyfikacji NMM zastosowano metodę autoprogresywną (AMP), która opiera się na interakcji 'on line' wszystkich komponentów na każdym przyroście obciążenia. Trzecia część pracy jest poświecona stałemu seminarium nt. stosowania ANNs w inżynierii lądowej, inspirowanego przez słynne Seminarium Profesora Życzkowskiego z zakresu mechaniki stosowanej.