Wyniki wyszukiwania - BazTech

1

Badania wód i ścieków – metodyki referencyjne

Michalski R.

Laboratorium - Przegląd Ogólnopolski

|

2016

|

nr 11-12

21--27

PL

Analizy jakości wód i ścieków należą do najczęściej prowadzonych badań w laboratoriach kontrolno-pomiarowych. Rodzaj i liczba normowanych wskaźników w wodach i ściekach zmieniają się, a w celu ujednolicenia i osiągnięcia miarodajności uzyskiwanych wyników do ich badań wprowadza się metodyki referencyjne.

EN

The analyses of water and sewage quality are among the most frequent tests in control and measurement laboratories. The type and number of standardized indicators in water and sewage are changing, and in order to standardize and achieve the reliability of the obtained results, reference methodologies are introduced to the testing.

2

Istota porównań międzylaboratoryjnych - jakość badań pod próbnym obciążeniem

Olaszek P., Mazanek M., Janas L., Salamak M., Matysek A.

Mosty

|

2014

|

nr 2

32--35

PL

Badania obiektów mostowych pod próbnym obciążeniem są najistotniejszym elementem odbioru końcowego konstrukcji, który ma za zadanie zweryfikować poprawność projektu oraz wykonawstwo obiektu. Jednostka wykonująca takie badania powinna być w pełni kompetentna, aby zapewnić uzyskanie wiarygodnych wyników badań. W artykule autorzy prezentują istotę porównań międzylaboratoryjnych i przykładowe badania wykonane przez cztery laboratoria.

3

Prediction of Properties of Unknotted Spliced Ends of Yarns Using Multiple Regression and Artificial Neural Networks. Part 2, Verification of Regression Models

Lewandowski S., Drobina R.

Fibres & Textiles in Eastern Europe

|

2008

|

Vol. 16, no. 6 (71)

20--27

EN

A verification of regressive models based on artificial neural networks and multiple regression analysis was carried out. The analysis of the results obtained showed that artificial neural networks realizing regressive operations are useful for identifying the character of changes of additive quantities, in particular geometric dimensions and strength parameters. However, they are not suitable for identifying non-additive features, represented by tangling as well as teaseling. In this case, better predictive possibilities are provided by models based on multiple regression.

PL

Zastosowanie środowiska oprogramowania Statistica + Sztuczne Sieci Neuronowe pozwoliło na wykorzystanie sztucznych sieci neuronowych realizujących zadania regresyjne, do przewidywania właściwości fizycznych bezwęzłowych połączeń końców nitek. Bazę danych wprowadzonych do sieci zbudowano na podstawie wyznaczenia charakterystycznych wymiarów geometrycznych i właściwości wytrzymałościowych połączeń, oraz oszacowania cech nieaddytywnych, reprezentowanych przez splątanie i zmechacenie. Posłużono się sieciami typu perceptron wielowarstwowy MLP oraz sieciami neuronowymi realizującymi regresję uogólnioną GRNN. W celach porównawczych dokonano również predykcji właściwości omawianych połączeń przy użyciu regresji wielokrotnej.