Depending on the amount of data to process, file generation may take longer.

If it takes too long to generate, you can limit the data by, for example, reducing the range of years.

Article

Download BibTeX

Title

Artificial neural networks in modeling the high pressure, suspension waterjet cutting

Authors

Title variant

PL Sztuczne sieci neuronowe w modelowaniu procesu przecinania wysokociśnieniową strugą hydrościerną

Year of publication

2013

Published in

Archives of Mechanical Technology and Automation

Journal year: 2013 | Journal volume: vol. 33 | Journal number: no. 4

Article type

scientific article

Publication language

english

Keywords
EN
  • artificial neural networks
  • waterjet
  • modelling
PL
  • sztuczne sieci neuronowe
  • wysokociśnieniowa struga wody
  • modelowanie
Abstract

EN This article presents the role of artificial neural networks in use of hydroabrassive suspensive jet cut process in laminate treatment. Three-ply layer perceptron type network with an error backpropagation learning algorithm was applied to describe this process. The article provides detailed description of neural network. This neural network simulates the treatment process and predicts its efficiency due to given parameters. The results were confronted with the laboratory results of complex studies on parameters of cutting laminate with a hydroabrasive suspension jet, whose pressure is reduced to 30 MPa.

PL W artykule przedstawiono zastosowanie sztucznych sieci neuronowych do obróbki laminatu wysokociśnieniową suspensyjną strugą hydrościerną, której ciśnienie jest zredukowane do 30 MPa. Do modelowania tego procesu użyto trójwarstwowej sieci typu perceptron z zaimplementowanym algorytmem propagacji wstecznej. Artykuł zawiera szczegółowy opis sieci neuronowej. Taka sieć symuluje proces obróbkowy i umożliwia prognozowanie (predykcję) jego efektywności w określonych warunkach. Rezultaty predykcji skonfrontowano z wynikami badań laboratoryjnych laminatu przecinanego suspensyjną strugą hydrościerną. Dzięki użyciu sieci neuronowej będzie możliwe zbudowanie modelu predykcyjnego i dokładne określenie parametrów obróbki, adekwatnych do spodziewanych efektów, z pominięciem szczegółowych badań, a także zoptymalizowanie całego procesu przecinania.

Pages (from - to)

21 - 29

This website uses cookies to remember the authenticated session of the user. For more information, read about Cookies and Privacy Policy.