W zależności od ilości danych do przetworzenia generowanie pliku może się wydłużyć.

Jeśli generowanie trwa zbyt długo można ograniczyć dane np. zmniejszając zakres lat.

Artykuł

Pobierz BibTeX

Tytuł

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

Autorzy

Wariant tytułu

PL Sztuczne sieci neuronowe w modelowaniu procesu przecinania wysokociśnieniową strugą hydrościerną

Rok publikacji

2013

Opublikowano w

Archives of Mechanical Technology and Automation

Rocznik: 2013 | Tom: vol. 33 | Numer: no. 4

Typ artykułu

artykuł naukowy

Język publikacji

angielski

Słowa kluczowe
EN
  • artificial neural networks
  • waterjet
  • modelling
PL
  • sztuczne sieci neuronowe
  • wysokociśnieniowa struga wody
  • modelowanie
Streszczenie

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.

Strony (od-do)

21 - 29

Ta strona używa plików Cookies, w celu zapamiętania uwierzytelnionej sesji użytkownika. Aby dowiedzieć się więcej przeczytaj o plikach Cookies i Polityce Prywatności.