Wyniki wyszukiwania - BazTech

1

Temperature prediction in electric arc furnace by the use of decision trees

Wieczorek T., Mączka K., Gansty K.

Computer Methods in Materials Science

|

2011

|

Vol. 11, No. 1

115-121

EN

Decision trees arę one of the computing intelligence methods which proved to be very reliable as far as solving complicated multidimensional problems is concerned. Therefore, these methods are often used for extracting rules and to predict variables, what makes them useful for production automation. In this paper authors discuss the possibility of the use of decision trees for electric are steelmaking process. The main goal is to predict temperature in the electric are furnace by the use of decision trees. Proper automatic temperature prediction may reduce the number of temperature measurements during the process and consequently, it may shorten the time of the process. Optimization of production processes leads to real benefits, which is, for example, lowering costs of production. Calculations were done by the use of six types of regression decisions trees available in Statistica Data Miner software. The algorithms were examined considering the minimum error rate of temperature prediction, but also less complicated tree structure. The structure of a decision tree is also important owing to computational complexity.

PL

Drzewa decyzji są jednymi z metod inteligencji obliczeniowej, które okazały się niezawodne przy rozwiązywaniu skomplikowanych, wielowymiarowych problemów obliczeniowych. Dlatego też, metody te są często stosowane do ekstrakcji reguł oraz do przewidywania wartości zmiennych, co czyni je szczególnie użytecznymi w problemach automatyzacji produkcji. W niniejszej pracy autorzy zaprezentują możliwość zastosowania drzew decyzji podczas procesu elektrołukowego. Głównym celem jest predykcja temperatury w elektrycznym piecu łukowym przy użyciu drzew decyzji. Poprawne i automatyczne przewidywanie temperatury może pozwolić na redukcję liczby wykonywanych pomiarów podczas procesu, a co za tym idzie, może pozwolić na skrócenie czasu całego procesu. Optymalizacja procesu daje wymierne korzyści, którymi mogą być na przykład niższe koszty produkcji. Obliczenia wykonane zostały przy użyciu sześciu typów drzew regresyjnych dostępnych w pakiecie Statistica Data Miner. Algorytmy były testowane pod względem osiągania jak najmniejszego błędu predykcji temperatury, ale także pod względem jak najmniej skomplikowanej struktury drzewa, która jest także ważnym elementem pod względem złożoności obliczeniowej.

2

The mathematical-physical models and the neural network exploitation for time prediction of cooling down low range specimen

Spicka I., Heger M., Franz J.

Archives of Metallurgy and Materials

|

2010

|

Vol. 55, iss. 3

921-926

EN

The method exploits sufficient similarity between cooling down curves of individual specimens from the same material but when specimens vary in geometric shape. Time scale altering for individual specimens leads from practical point of view to coincidence of all curves with so called "general curve" for given material which is calculated from measured values by means of statistic methods. This operation can be denoted as a definition of time transformation coefficient ( TTC ) (for known specimens). If an artificial neural network learns itself to assign time transformation coefficient to known dimensions of specimens, it is then with sufficient accuracy able to determine time transformation coefficient even for specimens with different shapes, for which it has not been learnt. By backward time transformation is then possible to predict probable time course of the cooling down curve and accordingly also the moment of accomplishment of given temperature. To obtain more general results, when above mentioned exploration of TCC, coupling with the numerical solutions of partial differential equations of the heat fields together with their initial and boundary conditions solutions can be used. The initial conditions in the most cases are unique or they can be with the sufficient precision determined, whereas the boundary conditions of heat transfer equations are usually wary hard to set. So some potential methods of boundary conditions determining and some difficulties by their time behavior settings can be illustrated, too. The advantages of both methods can be mixed and sufficient speedy and accuracy solution may be got.

PL

Zaprezentowana metoda wykorzystuje podobieństwo pomiędzy krzywymi chłodzenia dla próbek z tego samego materiału, różniących się cechami geometrycznymi. Dopasowanie skali czasu dla poszczególnych próbek prowadzi do zbieżności z tzw. "ogólna krzywa" dla danego materiału, która można wyznaczyć metodami statystycznymi. Ta operacja jest określana jako definiowanie współczynnika przekształcenia czasu TTC dla próbek o określonych kształtach (wymiarach), to będzie możliwe wyznaczenie z wystarczająca dokładnością współczynnika TTC dla próbek o odmiennych kształtach (wymiarach). Umożliwi to, poprzez przekształcenie odwrotne czasu, przewidywanie prawdopodobnego przebiegu krzywej chłodzenia, a także czasu osiągnięcia zadanej temperatury. W celu osiągnięcia bardziej ogólnych wyników wspomniana wcześniej metoda TTC połączono z analizą numeryczną cząstkowych równań różniczkowych opisujących pole temperatury z uwzględnieniem warunków początkowych i brzegowych. Warunki poczaąkowe w większości przypadków są jednoznacznie określone lub mogą być określone z zadawalającą dokładnością, natomiast warunki brzegowe wymiany ciepła są zwykle trudne do ustalenia. Przedstawione zostały wybrane metody określenia warunków brzegowych oraz trudności związane z określeniem charakterystyk czasowych. Zalety obu metod mogą być łaczone w celu osiągnięcia zadawalającej szybkości i dokładności rozwiązania.

3

Time Prediction of Cooling Down Low Range Specimen with Neural Network Exploitation

Hager M., Schindler I.

Hutnik, Wiadomości Hutnicze

|

2008

|

Vol. 75, nr 8

478-480

EN

The method exploits sufficient similarity between cooling down curves of individual specimens from the same material but when specimens vary in geometric shape. Time scale altering for individual specimens leads from practical point of view to coincidence of all curves with so called "general curve" for given material which is calculated from measured values by means of statistic methods. This operation can be denoted as a definition of time transformation coefficient (TTC) (for known specimens). If an artificial neural network learns itself to assign time transformation coefficient to known dimensions of specimens, it is then with sufficient accuracy able to determine time transformation coefficient even for specimens with different shapes, for which it has not been learnt. By backward time transformation is then possible to predict probable time course of the cooling down curve and accordingly also the moment of accomplishment of given temperature.

PL

Zaprezentowana metoda wykorzystuje podobieństwo pomiędzy krzywymi chłodzenia dla próbek z tego samego materiału, różniących się cechami geometrycznymi. Z praktycznego punktu widzenia dopasowanie skali czasu dla poszczególnych próbek prowadzi do zbieżności z tzw. "ogólną krzywą" dla danego materiału, którą można wyznaczyć metodami statystycznymi. Ta operacja jest określana jako definiowanie współczynnika przekształcenia czasu (TTC). Jeśli sztuczna sieć neuronowa nauczy się przyporządkowywać współczynnik przekształcenia czasu TTC dla znanych wymiarów próbek, to będzie możliwe wyznaczenie z wystarczającą dokładnością współczynnika TTC dla próbek o różnych kształtach. Umożliwi to, poprzez przekształcenie odwrotne czasu, przewidywanie prawdopodobnego przebiegu krzywej chłodzenia, a także czasu osiągnięcia zadanej temperatury.

4

Porównanie algorytmów uczenia sieci neuronowej jednokierunkowej, z czasowym opóźnieniem, wykorzystanej do predykcji wartości temperatury powietrza atmosferycznego

Białobrzewski I.

Inżynieria Rolnicza

|

2005

|

R. 9, nr 8

7--14

PL

Przedstawiono wyniki badań wpływu wyboru algorytmu uczenia sieci neuronowej jednokierunkowej, z czasowym opóźnieniem, o topologii perceptronu wielowarstwowego, wykorzystującej w procesie uczenia algorytm wstecznej propagacji błędu, na wyniki predykcji wartości temperatury powietrza atmosferycznego. Stwierdzono, że algorytm uczenia, br – regularyzacja Bayesa, okazał się jednym z najlepszych pod względem wszystkich analizowanych parametrów oceny przewidywanych wartości temperatur.

EN

Paper presented the study on the effect of selecting an algorithm to education of unidirectional neural network with time-lag, of multilayer perceptron topology, and using an algorithm of reversal error propagation, on results of predicting values of atmospherical air temperature. It was stated that the education algorithm, br - Bayes’ regularization, appeared to be one of the best with respect to all analyzed parameters evaluating predicted temperature values.