Wyniki wyszukiwania - Biblioteka Nauki

1

Zastosowanie sztucznej sieci neuronowej do uzupełnienia danych zbiornikowych

100%

Darłak B. , Włodarczyk M.

|

tom Vol. 49 nr 9

797-803

PL

Przedstawiona praca jest poświęcona nowej metodzie zastosowania sztucznej sieci neuronowej (ANN) w zagadnieniach geologicznych takich jak ocena własności zbiornikowych skał węglanowych w oparciu o wyniki mikroskopowej analizy obrazu, a także odtworzenie przebiegu krzywych przepuszczalności względnej dla kilku typów piaskowców. Za pomocą ANN przeprowadzono analizę możliwości ekstrapolacji wyników badań laboratoryjnych przepuszczalności względnych i komputerowej analizy obrazu. Jako parametry bazowe do symulacji neuronowych wykorzystano wyniki badań porozymetrycznych wraz z analizą krzywych ciśnień kapilarnych oraz przepuszczalność liniową. Stwierdzono że poprawnie skonstruowana baza danych oraz wykonanie rzetelnych statystycznie oznaczeń przepuszczalności fazowej i komputerowej analizy obrazu, a także mikroskopowych analiz na płytkach cienkich umożliwia poprawną ekstrapolację oczekiwanych parametrów. Poprawność symulacji ANN sprawdzono wykonując serie testowych analiz Korelacja danych pomierzonych i wyliczonych ANN jest wysoka i wynosi odpowiednio w 0,98 symulacjach parametrów komputerowej analizy obrazu i 0,89 w symulacjach parametrów przepuszczalności względnych, co jest wystarczającym warunkiem do zastosowania tej metody w dalszych badaniach.

EN

This paper deals with a new method of using Artificial Neural Network (ANN) in solving various geological problems, including reservoir properties assessment of carbonate rocks derived from results of microscopic analysis of images, as well as from reconstruction of relative permeability curves for several sandstone types. Based on ANN, the relative permeability data and results of numerical parameterisations of microscopic analyses of images were perfomed. Porosity permeability, and other parameters, i.e. threshold pressures, specific surfaces and density, obtained during capillary pressure analyses were applied as a database. These studies indicate that the reliable database and properly prepared series of measurements result in good quality of extrapolation of relative permeability and microscopic analysis parameters. In both cases the use of ANN produces good results. The correlation coefficient of experimental and simulated data is high amounting to 0.98 (computer microscopic analysis) and 0.89 (relative permeability), which enable using this method for further investigations.

2

Synthesis of nano-SnO2 and neural network simulation of its photocatalytic properties

100%

Kandjani A. E. , Salehpoor P. , Tabriz M. F. , Arefian N. A. , Vaezi M. R.

|

tom Vol. 28, No. 2

377--391

EN

Decolouration of Acid Red 27 (AR27) was investigated using UV irradiation in the presence of SnO2 nanoparticles synthesized via the hydrothermal method. The average crystallite size of SnO2 nanoparticles synthesized for 2 h was about 3.73 nm, according to X-ray analysis, and the specific surface area, which was estimated from the Halsey based t plot, was about 288 m2/g. The effects of UV irradiation in the absence of a photocatalyst and in the presence of pure SnO2 nanoparticles without any light source were negligible. An artificial neural network (ANN) was used to build an empirical model for the results. The results of neural network analysis are in good agreement with the experimental data which show that AR27 decolouration exhibits pseudo-first-order kinetic behaviour.

3

Efficient dead time correction of G-M counters using feed forward artificial neural network

88%

Arkani M. , Khalafi A. , Arkani M.

|

2013

|

tom Vol. 58, No. 2

317--321

EN

Dead time parameter of Geiger-Müller (G-M) counters causes a great uncertainty in their response to the incident radiation intensity at high counting rates. As their applications in experimental nuclear science are widespread, many attempts have been done on improvements of their nonlinear response. In this work, response of a G-M counter system is optimized and corrected efficiently using feed forward artificial neural network (ANN). This method is simple, fast, and provides the answer to the problem explicitly with no need for iteration. The method is applied to a set of decaying source experimental data measured by a fairly large G-M tube. The results are compared with those predicted by a given analytical model which is called hybrid model. The maximum deviation of the corrected results from the true counting rates is less than 4% which is a significant improvement in comparison with the results obtained by the analytical method. Results of this study show that by using a proper artificial neural network structure, the dead time effects of G-M counters can be tolerated significantly.

4

Comparative study of learning methods for artificial neural network

75%

Tiliouine H.

|

tom R. 53, nr 4

117-121

EN

The paper presents a comparative study of various learning methods for artificial neural network. The methods are: the backpropagation BP, the recursive least squares RLS, the Zangwill's method ZGW and the method based on evolutionary algorithm EA. The study consists of evaluating the learning effectiveness of these methods and selecting the most efficient one to be used in the designing of an adaptive neural voltage controller for a synchronous generator.

PL

W artykule przedstawiono wyniki badań porównawczych metod uczenia sieci neuronowych takich jak: metoda propagacji wstecznej błędów, rekurencyjna metoda najmniejszych kwadratów, metoda Zangwill'a, metoda algorytmów ewolucyjnych. Celem tych badań jest dobieranie najefektywniejszej metody uczenia do projektowania adaptacyjnego neuronowego regulatora napięcia generatora synchronicznego.

5

Traffic Flow Forecasting in Leisure Farm Areas Using Artificial Neural Networks

63%

Hou C.-I.

|

2013

|

tom R. 89, nr 1b

205--207

EN

Leisure agriculture experiences continuous development. However, because most leisure farm areas are located in isolated or remote regions and the planning and construction of traffic networks is greatly restricted by terrain and geographical features, the roads in these areas are narrower than those in other regions. This study focuses on traffic flow forecasting using the advanced artificial intelligence technology of artificial neural networks (ANNs) and makes a positive contribution to the forecasting methods for traffic flow regarding leisure farm areas.

PL

W artykule przedstawiono zaawansowany sposób prognozowania ruchu ulicznego w rejonach ośrodków wypoczynkowych, oparty na budowie sieci neuronowych (ANN). Opracowana metoda, zwiększa stan wiedzy na temat przewidywania płynności ruchu ulicznego w tych rejonach.

6

Wybrane przykłady zastosowań sztucznych sieci neuronowych w geotechnice

63%

Ochmański M. , Bzówka J.

|

tom Vol. 4, no. 4

287--294

PL

Sztuczne sieci neuronowe (SSN) umożliwiają rozwiązywanie problemów bardzo trudnych lub wręcz niemożliwych wcześniej do rozwiązania. W referacie zostaną przedstawione przykłady zastosowania sztucznych sieci neuronowych do rozwiązań wybranych problemów geotechnicznych. Pierwszy przykład dotyczy wykorzystania sztucznych sieci neuronowych do analizy przemieszczeń dwóch bliźniaczych tuneli wykonanych w technologii SCL (Sprayed Concrete Linning). Konstrukcja poddana analizie jest częścią stacji Fővám, czwartej linii metra w Budapeszcie. Analizę przeprowadzono bazując na danych uzyskanych podczas budowy linii metra oraz monitoringu geotechnicznego. W celu analizy opracowano model numeryczny, który posłużył do przeprowadzenia w pierwszej kolejności analizy wrażliwości użytych parametrów modelu konstytutywnego oraz do analizy wstecznej tych parametrów. W przypadku obu analiz posłużono się sztucznymi sieciami neuronowymi, które pokazały łatwość ich zastosowania oraz wiarygodność uzyskanych wyników. W drugim przykładzie przedstawiono sposób przewidywania średnicy kolumn iniekcyjnych. Określenie kształtu kolumn iniekcyjnych, w tym głównie ich średnicy, jest bardzo trudne. Możliwość zastosowania sztucznych sieci neuronowych do określenia średnicy kolumn może w znaczący sposób zoptymalizować metody projektowania kolumn iniekcyjnych. W przykładzie posłużono się obszerną bazą danych zawierającą opis warunków gruntowo-wodnych podłoża, w którym wykonano kolumny iniekcyjne i pomierzone wartości średnic kolumn po ich odsłonięciu. Dane związane z kolumnami iniekcyjnymi zostały wykorzystane do utworzenia sztucznej sieci neuronowej, a następnie do określenia przewidywanych średnic kolumn iniekcyjnych. Uzyskane wyniki charakteryzują się bardzo dobrą zbieżnością z rzeczywistymi wymiarami kolumn. Wykorzystanie sztucznych sieci neuronowych stanowi alternatywę wobec tradycyjnych metod rozwiązywania problemów geotechnicznych.

EN

Artificial Neural Networks (ANN) allow to solve difficult problems which sometimes are impossibleto solve using traditional methods. In the paper the examples of application of Artificial Neural Networks for solving selected problems in geotechnics are presented. First example deals with the use of ANN to analyze two similar tunnels built using SCL technology. The structure of interest is a part of Fővám square station of the 4th metro line in Budapest. Analysis was performed based on the data obtained from geotechnical monitoring and from construction stages. The numerical model was prepared for the purpose of sensitivity and back analyses of constitutive model parameters. In both cases the applications show the possibility and reliability of conducted results. Prediction method of jet grouting columns diameter was presented in the second example. Nowadays, definition of columns geometry and estimation of their diameters are difficult task. Possibility of ANN use for estimation of jet grouting columns diameter can optimize designing method. Wide database of field trial jet grouting columns, corresponding soil properties and their forming parameters with measured values of their diameters were used in the presented example. Data describing jet grouting columns were used for creating ANN and for estimating their diameters. The results are characterized by high correlation level between measured values of columns diameter and their predicted equivalents. The use of Artificial Neural Networks is an alternative method which can allow us to solve complex geotechnical problems. Selected examples confirm that the use of ANN is characterized by high reliability level.