Ograniczanie wyników
Czasopisma help
Autorzy help
Lata help
Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 534

Liczba wyników na stronie
first rewind previous Strona / 27 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  artificial neural networks
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 27 next fast forward last
EN
TiAl based intermetallics are widely used for structural applications in aviation, chemical engineering, automotive and sports equipment. In this study, the electrical resistance sintering (ERS) technology used in the production of gamma-TiAl intermetallics is based on the principle of applying pressure simultaneously with a high-density electric current. The purpose of this study was to investigate the cyclic oxidation resistance of Ti-44Al-3Mo and Ti-44Al-3Nb alloys (at.%) and the applicability of artificial neural network (ANN) modeling for the forecast of the oxidation behavior of these alloys. In order to obtain this aim, the alloys sintered by ERS were oxidized at 900°C for 360 h and then the oxidation behaviors of them are evaluated by plotting a graph between weight change as a function of time. The data collected after the oxidation experiments were used to construct the prediction models. The modelling results show that a good agreement between experimental results and prediction results was found. The oxidized alloys were characterized using XRD and SEM-EDS. The XRD patterns revealed the oxidation products are composed of TiO2 and Al2O3 oxides. SEM-EDS analysis indicated that the oxide scales of alloys are made up of a multilayered structure.
PL
Prognozowanie zagrożeń wynikających z ekstremalnych warunków meteorologicznych jest jednym z zastosowań pomiarów meteorologicznych. Ekstremalne zjawiska pogodowe mogą powodować masowe uszkodzenia infrastruktury elektroenergetycznej i w konsekwencji prowadzić do długotrwałego pozbawienia zasilania na znacznych obszarach (blackout’u). Wykorzystanie pomiarów meteorologicznych do różnych celów w energetyce jest możliwe dzięki temu, że na słupach sieci 110 kV, na obszarze działania kilku operatorów sieci dystrybucyjnych (OSD), zostało zainstalowanych trzysta kilkadziesiąt punktów pomiarowych, z których na bieżąco, co 15 minut, do centralnych dyspozycji mocy każdego z OSD są przesyłane bieżące parametry pogodowe takie jak prędkość i kierunek wiatru, czy temperatura otoczenia. Wraz z większą ilością danych pomiarowych jest możliwe zastosowanie sztucznych sieci neuronowych do prognozowania warunków meteorologicznych. W artykule przedstawiono koncepcję metody krótkoterminowego prognozowania warunków meteorologicznych, uwzględniającą propagację ich zmian przy wykorzystaniu sieci neuronowych NAR i NARX. Podano także sposób wykorzystywania tych prognoz do generowania ostrzeżeń o zagrożeniach meteorologicznych na potrzeby systemów elektroenergetycznych.
EN
Forecasting threats resulting from extreme meteorological conditions is one of the applications of meteorological measurements. Such extreme weather phenomena can cause massive damage to the power infrastructure and, as a consequence, lead to long-term power loss in large areas (blackout). The use of meteorological measurements for various purposes in the power industry has become possible in national conditions due to the fact that in the years 2012-2019 dynamic rating systems were implemented in the 110 kV network in the area of several distribution system operators (DSOs). Therefore, about 400 meteorological stations (measuring points) have been installed on the 110 kV towers, of which current weather parameters such as wind speed and direction, or temperature are sent to the control center of each DSO every 15 minutes. With more measurement data, it is possible to use artificial neural networks to predict meteorological conditions. The article presents a method of short-term forecasting of meteorological conditions, taking into account the propagation of their changes using the neural networks NAR and NARX. The method of using these forecasts to generate warnings about meteorological hazards for the needs of power systems is also given.
EN
This article focuses on the extraction of features extracted from ECG measurement signals to improve the quality of LSTM network operation. Two features were distinguished from each individual sequence of ECG signals: instantaneous frequency (IF) and spectral entropy (SE). Both of these features are extracted from ECG signals using short-time Fourier transform. The applied approach enables the conversion of original measurement sequences into spectral images, from which IF and SE coefficients are then generated. As a result of the research, it was found that feature extraction significantly improves ECG signal classification both in terms of forecasting accuracy and in terms of network learning speed.
PL
W niniejszym artykule skupiono się na ekstrakcji cech wyodrębnionych z sygnałów pomiarowych EKG w celu poprawy jakości działania sieci LSTM. Z każdej indywidualnej sekwencji sygnałów EKG wyróżniono dwie cechy: częstotliwość chwilową (IF) i entropię widmową (SE). Obie te cechy są wyodrębniane z sygnałów EKG przy użyciu krótkotrwałej transformaty Fouriera. Zastosowane podejście umożliwia konwersję oryginalnych sekwencji pomiarowych na obrazy widmowe, z których następnie generowane są współczynniki IF i SE. W wyniku badań stwierdzono, że ekstrakcja cech znacząco poprawia klasyfikację sygnału EKG zarówno pod względem dokładności prognozowania, jak i szybkości uczenia się.
4
Content available remote A modified neural network for antennas optimization
EN
In mobile communications, devices are generally more compact, nevertheless allow data traffic at high speeds. To meet such demand, embedded hardware must present limited dimensions and at the same time be robust enough to ensure high communication speeds. In this work, a modified Hopfield neural network was applied in the optimization of planar antennas. The role of the algorithm presented here, is to find the ideal antenna dimensions to meet the future 5G mobile technology. With this, a significant improvement in resonance, gain and directivity was expected, which are some of the important parameters in antenna analysis. In the literature, no reference was found based on the modified Hopfield neural network applied to the optimization of planar antennas, which further enhances this research, providing an important and unprecedented contribution. The analysis of the results shows the efficiency, robustness, precision and reliability of this approach, encouraging further research in this area.
PL
W pracy przedstawiono zmodyfikowaną sieć neuronową Hopfielda wykorzystaną do optymalizacji planarnej anteny. Rolą algorytmu jest znalezienie wymiarów anteny tak aby można było projektować anteny 5G. Doatkowo można antenę optymalizować pod kątem wzmocniania w rezonansie i kierunkowości.
EN
The work presents the structure and principle of operation of the artificial neuron network constructed for identification of a polymer on the basis of its flammability. The characteristic properties of burning of a polymer are saved in a special form in a database. The network creates a binary standard for each polymer from the database, coding data by means of the signals of the values 1, 0, -1. The network memorizes data related to each polymer detecting the similarities and differences between them and determines the weights which reflect the importance of particular features of its burning process.
PL
Przedstawiono strukturę i zasadę działania sztucznej sieci neuronowej skonstruowanej do identyfikacji polimeru na podstawie jego palności. Charakterystyczne cechy palności każdego polimeru zostały zapisane we wzorcowej bazie danych. Dla każdego polimeru z tej bazy sieć tworzy wzorzec binarny, w którym charakterystyczne cechy palności są kodowane jako sygnały o wartościach -1, 0 i 1. Sieć zapamiętuje palność każdego polimeru, wykrywając podobieństwa i różnice między nimi oraz określając wagi odzwierciedlające znaczenie poszczególnych cech palności.
EN
This study focuses on precipitationdischarge data-driven models, with regression analysis between the weighted maximum rainfall and maximum discharge of flood events. It is also the first of its kind investigation for the Wernersbach catchment, which incorporates data-driven models in order to evaluate the suitability of the model in simulating the discharge from the catchment and provide good insights for future studies. The input parameters are hydrological and climate data collected from 2001 to 2009, including precipitation, rainfall-runoff and soil moisture. The statistical regression and artificial neural network models used are based on a data-driven multiple linear regression technique, and the same input parameters are applied for validation and calibration. The artificial neural network model has one hidden layer with a sigmoidal activation function and uses a linear activation function in the output layer. The artificial neural network is observed to model 0.7% and 0.5% of values, with and without extreme values respectively. With less than 1% error, the artificial neural network is observed to predict extreme events better compared to the conventional statistical regression model and is also better suited to the tasks of rainfall-runoff and flood forecasting. It is presumed that in the future this study’s conclusions would form the basis for more complex and detailed studies for the same catchment area.
EN
Acquiring data for neural network training is an expensive and labour-intensive task, especially when such data is difficult to access. This article proposes the use of 3D Blender graphics software as a tool to automatically generate synthetic image data on the example of price labels. Using the fastai library, price label classifiers were trained on a set of synthetic data, which were compared with classifiers trained on a real data set. The comparison of the results showed that it is possible to use Blender to generate synthetic data. This allows for a significant acceleration of the data acquisition process and consequently, the learning process of neural networks.
PL
Pozyskiwanie danych do treningu sieci neuronowych, jest kosztownym i pracochłonnym zadaniem, szczególnie kiedy takie dane są trudno dostępne. W niniejszym artykule zostało zaproponowane użycie programu do grafiki 3D Blender, jako narzędzia do automatycznej generacji danych syntetycznych zdjęć, na przykładzie etykiet cenowych. Przy użyciu biblioteki fastai, zostały wytrenowane klasyfikatory etykiet cenowych, na zbiorze danych syntetycznych, które porównano z klasyfikatorami trenowanymi na zbiorze danych rzeczywistych. Porównanie wyników wykazało, że możliwe jest użycie programu Blender do generacji danych syntetycznych. Pozwala to w znaczącym stopniu przyśpieszyć proces pozyskiwania danych, a co za tym idzie proces uczenia sieci neuronowych.
PL
Celem pracy było opracowanie metodologii formalizacji wiedzy metalurgicznej na potrzeby wykorzystania jej do tworzenia komputerowych reprezentacji wiedzy dla systemów ekspertowych. Osiągniecie celu wymagało rozwiązania problemów: identyfikacji źródeł wiedzy, pozyskiwania wiedzy, integracji wiedzy, doboru formalnej metody reprezentacji wiedzy a także opracowania jej komputerowej reprezentacji. Jako formę reprezentacji wiedzy wykorzystano sztuczne sieci neuronowe i wskazano na możliwość ich wykorzystania do wspomagania dwóch procesów metalurgicznych, tj. procesu wytwarzania materiałów odlewanych z żeliwa sferoidalnego oraz procesu kucia matrycowego, jednego z procesów przeróbki plastycznej metali.
EN
The aim of the study was to develop a methodology to formalize metallurgical expertise for the purpose of using it to create computer representations of knowledge for expert systems. Achieving the goal required solving problems: identifying knowledge sources, acquiring knowledge, integrating knowledge, choosing a formal method of knowledge representation, and developing its computer representation. As a form of knowledge representation, artificial neural networks were used and the possibility of their use was indicated to support two metallurgical processes, i.e. the process of manufacturing ductile iron cast materials and matrix forging process, one of the metal forming processes.
EN
Power plants are the large-scale production facilities with the main purpose of realizing uninterrupted, reliable, efficient, economic and environmentally friendly energy generation. Maintenance is one of the critical factors in achieving these comprehensive goals, which are called as sustainable energy supply. The maintenance processes carried out in order to ensure sustainable energy supply in the power plants should be managed due to the costs arising from time requirement, the use of material and labor, and the loss of generation. In this respect, it is critical that the fault dates are forecasted, and maintenance is performed without failure in power plants consisting of thousands of equipment. In this context in this study, the maintenance planning problem for equipment with high criticality level is handled in one of the large-scale hydroelectric power plants that meet the quintile of Turkey’s energy demand as of the end of 2018. In the first stage, the evaluation criteria determined by the power plant experts are weighted by the Analytical Hierarchy Process (AHP), which is an accepted method in the literature, in order to determine the criticality levels of the equipment in terms of power plant at the next stage. In order to obtain the final priority ranking of the equipment in terms of power plant within the scope of these weights, Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) is used because of its advantages compared to other outranking algorithms. As a result of this solution, for the 14 main equipment groups with the highest criticality level determined on the basis of the power plant, periods between two breakdowns are estimated, and maintenance planning is performed based on these periods. In the estimation phase, an artificial neural network (ANN) model has been established by using 11-years fault data for selected equipment groups and the probable fault dates are estimated by considering a production facility as a system without considering the sector for the first time in the literature. With the plan including the maintenance activities that will be carried out before the determined breakdown dates, increasing the generation efficiency, extending the economic life of the power plant, minimizing the generation costs, maximizing the plant availability rate and maximizing profit are aimed. The maintenance plan is implemented for 2 years in the power plant and the unit shutdowns resulting from the selected equipment groups are not met and the mentioned goals are reached.
PL
Elektrownie to zakłady produkcyjne o dużej skali, których głównym celem jest nieprzerwane, niezawodne, wydajne, rentowne oraz przyjazne dla środowiska wytwarzanie energii. Utrzymanie ruchu stanowi jeden z kluczowych czynników pozwalających na osiągnięcie tych szeroko zakrojonych celów, które określa się wspólnym mianem zrównoważonych dostaw energii. W elektrowniach, procesami utrzymania ruchu, realizowanymi w celu zapewnienia zrównoważonych dostaw energii, zarządza się z uwzględnieniem kosztów związanych z wymogami czasowymi, kosztów materiałów i robocizny oraz strat wytwarzania energii. Ponieważ elektrownie wykorzystują tysiące różnych urządzeń, niezwykle ważne jest prognozowanie dat wystąpienia uszkodzeń oraz zapewnienie bezawaryjnego utrzymania ruchu. W przedstawionych badaniach, rozważano problem planowania utrzymania ruchu sprzętu o wysokim poziomie krytyczności na przykładzie jednej z dużych elektrowni wodnych, która na koniec 2018 r. pokrywała jedną piątą zapotrzebowania Turcji na energię elektryczną. W pierwszym etapie badań, kryteria oceny określone przez ekspertów zatrudnionych w elektrowni ważono za pomocą powszechnie stosowanej w literaturze metody procesu hierarchii analitycznej (AHP) w celu ustalenia poziomów krytyczności poszczególnych elementów wyposażenia elektrowni. Aby opracować ostateczny ranking priorytetowości elementów wyposażenia elektrowni na podstawie określonych wcześniej wag, zastosowano technikę TOPSIS, która polega na porządkowaniu preferencji na podstawie podobieństwa do idealnego rozwiązania. Techniki tej użyto ze względu na jej zalety, których nie mają inne algorytmy oparte na relacji przewyższania (ang. outranking algorithms). Na podstawie wyników otrzymanych dla 14 głównych grup urządzeń o najwyższym poziomie krytyczności, określonym na podstawie danych pochodzących z elektrowni, oszacowano czasy pomiędzy dwiema awariami, a na ich podstawie zaplanowano działania konserwacyjne. W fazie szacowania, opracowano model sztucznej sieci neuronowej (ANN) w oparciu o dane o uszkodzeniach, które wystąpiły w ostatnich 11 latach działania elektrowni, dla wybranych grup urządzeń. Przewidywane daty wystąpienia uszkodzeń szacowano, po raz pierwszy w literaturze, biorąc pod uwagę zakład produkcyjny jako system, bez uwzględnienia sektora produkcyjnego. Plan obejmuje działania konserwacyjne, które mają być przeprowadzone przed przewidywanymi datami awarii, w celu zwiększenia wydajności wytwarzania energii, przedłużenia żywotności elektrowni, minimalizacji kosztów wytwarzania energii, maksymalizacji wskaźnika dostępności elektrowni oraz maksymalizacji zysków. Opracowany plan konserwacji wdrażano w omawianej elektrowni przez 2 lata. W tym okresie nie odnotowano przerw w pracy jednostek wytwórczych spowodowanych awarią rozważanych grup urządzeń, co oznacza, że wspomniane cele zostały osiągnięte.
EN
The paper discusses the use of an artificial neural network to control the operation of wastewater treatment plants with activated sludge. The task of the neural network in this case is to calculate (predict) the readings of the probe measuring the concentration of nitrate nitrogen (V) in one of the biological reactor tanks. Neural networks are known for their ability to universal approximation of virtually any relationship, including the function of many variables, but the process of "training" the network requires the presentation of many sets of input data and corresponding expected results. This is a difficulty in the case of wastewater treatment plants, because some key process parameters are usually not measured online (samples are taken and measurements are taken in the laboratory), and even if they are, the time intervals are large. Bearing in mind the aforementioned difficulty, this work uses a set of input data consisting only of information that can be measured with measuring probes. As a result of the conducted experiments a high compliance of the probe's prediction with the expected values was obtained. The paper also presents data preparation and the network "training" process.
EN
In recent years, smog and poor air quality have become a growing environmental problem. There is a need to continuously monitor the quality of the air. The lack of selectivity is one of the most important problems limiting the use of gas sensors for this purpose. In this study, the selectivity of six amperometric gas sensors is investigated. First, the sensors were calibrated in order to find a correlation between the concentration level and sensor output. Afterwards, the responses of each sensor to single or multicomponent gas mixtures with concentrations from 50 ppb to 1 ppm were measured. The sensors were studied under controlled conditions, a constant gas flow rate of 100 mL/min and 50 % relative humidity. Single Gas Sensor Response Interpretation, Multiple Linear Regression, and Artificial Neural Network algorithms were used to predict the concentrations of SO2 and NO2. The main goal was to study different interactions between sensors and gases in multicomponent gas mixtures and show that it is insufficient to calibrate sensors in only a single gas.
EN
The deformation modulus of the rock mass as a very important parameter in rock mechanic projects generally is determined by the plate load in-situ tests. While this test is very expensive and time-consuming, so in this study a new method is developed to combin artificial neural networks and numerical modeling for predicting deformation modulus of rock masses. For this aim, firstly, the plate load test was simulated using a Finite Difference numerical model that was verified with actual results of the plate load test in Pirtaghi dam galleries in Iran. Secondly, an artificial neural network is trained with a set of data resulted from numerical simulations to estimate the deformation modulus of the rock mass. The results showed that an ANN with five neurons in the input layer, three hidden layers with 4, 3 and 2 neurons, and one neuron in the output layer had the best accuracy for predicting the deformation modulus of the rock mass.
EN
Purpose: The present study aims to apply soft computing techniques, Artificial Neural Network (ANN) and M5P model tree, to predict the ultimate bearing capacity of the H plan shaped skirted footing on the sand Design/methodology/approach: A total of 162 laboratory test data for the regular plan shaped (square, circular, rectangular, and strip (up to L/B = 2.5) skirted footing were collected from the literature to develop the soft computing-based models. These models were later modified for the H Plan shaped skirted footing with the introduction of the multiplication factor. The input variables chosen for the regular plan shaped footings were skirt depth to width of the footing ratio (Ds/B), friction angle of the sand (o), the ratio of the interface friction angle-to-friction angle of sand (5/o), and length-to-width (L/B) ratio of the footing. The output is the bearing capacity ratio (BCR, a ratio of the bearing capacity of the skirted footing to the bearing capacity of un-skirted footing). Findings: Sensitivity analysis was carried out to see the impact of the individual variable on the BCR). The sensitivity results reveal that the skirt depth to width of the footing ratio is the primary variable affecting the BCR. Finally, the performance of the developed soft computing models was assessed using six statistical parameters. The results from the statistical parameters reveal that model developed using ANN was performing superior to the one prepared using M5P model tree technique for the prediction of the ultimate bearing capacity of H plan shaped skirted footing on sand. Research limitations/implications: The model equations are developed with experimental laboratory data. Hence, these equations need further improvement by using field data. However, until now there no field data have been available to include in the present data set. Practical implications: These proposed model equations can be used to predict the bearing capacity of the H-shaped footing with the help of Ds/B, o, S/o and L/B without performing the laboratory experiments. Originality/value: There is no such model equation that was developed so far for the H-shaped skirted footings. Hence, an attempt was made in this article to predict the bearing capacity of the H-shaped footing by using available experimental data with the help of soft computing techniques.
EN
Changes in the compression strength of the PMMA bone cement with a variable powder/liquid component mix ratio were investigated. The strength test data served to develop basic mathematical models and an artificial neural network was employed for strength predictions. The empirical and numerical results were compared to determine modelling errors and assess the effectiveness of the proposed methods and models. The advantages and disadvantages of mathematical modelling are discussed.
PL
W referacie przedstawiono sposób prognozowania parametrów pogodowych takich jak temperatura, prędkość i kierunek wiatru oraz natężenie promieniowania słonecznego, które są podstawą do wyznaczania dynamicznej obciążalności linii napowietrznych. Do krótkoterminowej prognozy warunków pogodowych wykorzystano jedną z metod technik sieci neuronowych tj. dynamiczną nieliniową autoregresyjną sieć neuronową (NAR). Przykład obliczeniowy prognoz warunków pogodowych wykorzystuje rzeczywiste dane z kilku stacji pogodowych ze zbioru ponad 350 stacji mierzących dane pogodowe na terenie kraju. Przyjmując symetryczny bezwzględny błąd procentowy (SMAPE) oszacowano dokładność prognozy oraz porównano ją z pomiarami rzeczywistymi oraz z prognozą pozyskiwaną od podmiotu komercyjnego. Obliczenia i symulacje przeprowadzono w środowisku MATLAB, umożliwiając wykorzystanie opisanej metody prognozowania w istniejących systemach Dynamicznej Obciążalności Linii (DOL).
EN
The paper presents the method of forecasting weather parameters such as temperature, wind speed and direction, as well as the solar irradiation, which are the basis for determining the dynamic load capacity of overhead lines. For the short-term forecast of weather conditions one of the methods of neural network techniques was used, i.e. a dynamic non-linear autoregressive neural network (NAR). The calculation example of weather forecasts uses real data from several weather stations from a set of over 350 stations measuring weather data across the country. Assuming a symmetrical absolute percentage error (SMAPE), the accuracy of the forecast was estimated and compared with the actual measurements and the forecast obtained from the commercial entity. Calculations and simulations were carried out in the MATLAB environment, enabling the use of the described prediction method in the existing Dynamic Line Rating systems (DOL).
PL
W artykule przedstawiono metodę umożliwiającą estymację wybranych wskaźników jakości energii elektrycznej w zadanym punkcie sieci elektroenergetycznej na podstawie wskaźników jakości energii elektrycznej zarejestrowanych w punktach leżących w najbliższym otoczeniu. Do estymacji wykorzystano algorytmy sztucznych sieci neuronowych. W rezultacie uzyskano neuronowy model określający relację pomiędzy wskaźnikami jakości energii elektrycznej tego samego typu w sąsiadujących ze sobą punktach. W artkule przedstawiono wyniki analiz i testów dla rzeczywistych warunków pracy sieci dystrybucyjnej.
EN
The article presents a method allowing the estimation of selected power quality indicators at a given point of the power grid based on electricity quality indicators (or other voltage parameters) registered at points in the nearest surroundings. Artificial neural network algorithms were used for the estimation. As a result, a neural model was obtained that determined the relationship between the same power quality indices at neighbouring points. The article presents the results obtained for the real conditions of the distribution network.
PL
W artykule opisany został problem analizy sceny na obrazach oraz sekwencjach video. Zadanie analizy sceny polega na detekcji, lokalizacji i klasyfikacji obiektów znajdujących się na obrazach. Zaimplementowany system wykorzystuje głęboką sieć neuronową, której struktura oparta została na architekturze YOLO (You Only Look Once). Niskie zapotrzebowania obliczeniowe wybranej architektury pozwala na wykonywanie detekcji w czasie rzeczywistym z zadowalającą dokładnością. W pracy przeprowadzono również badania nad doborem odpowiedniego optymalizatora wykorzystywanego w procesie uczenia. Jako przykładową aplikację wybrano analizę ruchu ulicznego w której skład wchodzi wykrywanie i lokalizacja obiektów takich jak m.in. samochody, motocykle czy sygnalizacja świetlna. Systemy tego typu mogą być wykorzystywane w wszelkiego typu systemach analizy wizyjnej otoczenia np. w pojazdach autonomicznych, systemach automatycznej analizy video z kamer przemysłowych, systemach dozoru czy analizy zdjęć satelitarnych.
EN
The paper describes the problem of scene analysis in images and video sequences. The task of scene analysis is to detect, locate and classify objects in images. As an example of an application, traffic analysis was chosen, which includes the detection and location of objects such as cars, motorcycles or traffic lights. The implemented system uses a deep neural network, whose structure is based on the YOLO (You Only Look Once) architecture. Low computing requirements of the chosen architecture allows performing real-time detection with satisfactory accuracy. The work also included a study on the selection of an appropriate optimizer used in the learning process. The program correctly detects objects with a large surface area, allowing the system to be used in traffic analysis. The work also showed that using the ADAM algorithm allowed significantly shorten the training time of the neural network. Systems of this type can be used in many types of video analysis systems such as autonomous vehicles, automatic video analysis systems with CCTV cameras, surveillance systems or satellite image analysis.
18
EN
The sliding strip of the current collector (pantograph) of a rail vehicle is an element directly cooperating with the catenary and is exposed to abrasion, electric discharge and various types of damage. It is therefore the most frequently replaced element. However, often sliding strips are exchanged before exceeding the limit thickness value, which increases the costs related to technical maintenance. Because the wear process is dependent on many factors, heuristic methods are necessary to predict the thickness of the sliding strip. Knowing the predicted thickness value, it will be possible to adapt the maintenance cycle. In the article, the results of simulations carried out based on the developed structure of the artificial neural network are also presented.
PL
Nakładka ślizgowa odbieraka prądu pojazdu szynowego jest elementem bezpośrednio współpracującym z siecią trakcyjną w związku, z czym narażona jest na zużycie ścierne, elektroerozyjne oraz różnego rodzaju uszkodzenia. Jest, zatem elementem najczęściej wymienianym. Często jednak nakładki wymieniane są przed przekroczeniem granicznej wartości grubości, co zwiększa koszty związane z obsługą techniczną. Ponieważ proces zużycia jest zależny od wielu czynników, dlatego do predykcji grubości nakładki ślizgowej niezbędne jest zastosowanie metod heurystycznych. Znając prognozowaną wartość grubości, możliwe będzie odpowiednie dostosowanie cyklu utrzymania. W artykule przedstawiono wyniki symulacji przeprowadzonych na podstawie opracowanej struktury sztucznej sieci neuronowej.
EN
Proper water resources planning and management is based on reliable hydrological data. Missing rainfall and runoff observation data, in particular, can cause serious risks in the planning of hydraulics structures. Hydrological modeling process is quitely complex. Therefore, using alternative estimation techniques to forecast missing data is reasonable. In this study, two data-driven techniques such as Artificial Neural Networks (ANN) and Data Mining were investigated in terms of availability in hydrology works. Feed Forward Back Propagation (FFBPNN) and Generalized Regression Neural Networks (GRNN) methods were performed on rainfall-runoff modeling for ANN. Besides, Hydrological drought analysis were examined using data mining technique. The Seyhan Basin was preferred to carry out these techniques. It is thought that the application of different techniques in the same basin could make a great contribute to the present work. Consequently, it is seen that FFBPNN is the best model for ANN in terms of giving the highest R2 and lowest MSE values. Multilayer Perceptron (MLP) algorithm was used to predict the drought type according to limit values. This system has been applied to show the relationship between hydrological data and measure the prediction accuracy of the drought analysis. According to the obtained data mining results, MLP algorithm gives the best accuracy results as flow observation stations using SRI-3 month data.
20
Content available remote Industrial processes control with the use of a neural tomographic algorithm
EN
This paper presents the original Electrical Impedance Tomography (EIT) imaging algorithm in relation to physic-chemical processes of crystallization. Thanks to the developed method based on artificial neural networks (ANN), it was possible to develop an algorithm that could allow effective detection of crystals and other inclusions inside the reactor filled with non-Newtonian fluid. The neural controller contains a structure of independent neural networks. The number of ANNs corresponds to the resolution of the output image mesh.
PL
W artykule przedstawiono oryginalny algorytm obrazowania z wykorzystaniem elektrycznej impedancji tomograficznej (EIT) w odniesieniu do fizykochemicznych procesów krystalizacji. Dzięki opracowanej metodzie opartej na sztucznych sieciach neuronowych (SSN) możliwe było opracowanie algorytmu, który umożliwiłby skuteczne wykrywanie kryształów i innych wtrąceń wewnątrz reaktora wypełnionego płynem nienewtonowskim. Sterownik neuronowy składa się z systemu niezależnych sieci neuronowych. Liczba SSN odpowiada rozdzielczości siatki obrazu wyjściowego.
first rewind previous Strona / 27 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.