| Attributes | Values |
|---|
| rdf:type
| |
| Description
| - Předložená práce je věnována aplikaci neuronových sítí při řešení velmi komplexního problému souvisejícího s vnitřními vadami, které se vyskytují ve válcovaných špalcích z vanadu micro-legované oceli 25CrMo4 za tepla. Vzhledem k tomu, vnitřní vady jsou zjišťovány při ultrazvukové kontrole v již zchlazených sochorech, lze říci, že řešený problém je velmi složitý. Příspěvek ukazuje, že neuronová síť aplikace může být velmi užitečným nástrojem pro řešení složitých výrobních problémů, jako je například výskyt trhlin ve válcovaných špalcích za tepla. Použití umělé neuronové sítě (ANN) představuje distribuované paralelní zpracování informací, což znamená, že záznam informace, zpracování a přenos se provádí prostřednictvím celé neuronové sítě a pomocí jednotlivých paměťových míst. Základem matematického modelu neuronové sítě je formální neuron, který představuje zjednodušený způsob popisu funkcí biologického neuronu pomocí matematických vztahů. Neuronové sítě s nejlepšími výsledky učení byly vybrány pro predikci vad. Jedná se třívrstvé perceptronové sítě s topologií 22-18-2. To znamená, že vstupní vrstva obsahuje dvacet dva neuronů; skryté vrstvy osmnáct a výstupní vrstva dva neurony. Na neuronových sítích byla provedena rovněž také analýza citlivosti. Tato analýza vyjadřuje vliv jednotlivých vstupních proměnných na daném systému. I když řešený problém výskytu vnitřních vad ve válcovaných špalcích z vanadu micro-legované oceli 25CrMo4 za tepla byl vysvětlen za použití tradičních materiálově inženýrských postupů, aplikace neuronových sítí byla schopna předvídat vznik vnitřní vady s pravděpodobností na osmdesát šest procent. Aplikace neuronové sítě představuje velmi rychlé, levné a efektivní řešení různých metalurgických problémů.
- Předložená práce je věnována aplikaci neuronových sítí při řešení velmi komplexního problému souvisejícího s vnitřními vadami, které se vyskytují ve válcovaných špalcích z vanadu micro-legované oceli 25CrMo4 za tepla. Vzhledem k tomu, vnitřní vady jsou zjišťovány při ultrazvukové kontrole v již zchlazených sochorech, lze říci, že řešený problém je velmi složitý. Příspěvek ukazuje, že neuronová síť aplikace může být velmi užitečným nástrojem pro řešení složitých výrobních problémů, jako je například výskyt trhlin ve válcovaných špalcích za tepla. Použití umělé neuronové sítě (ANN) představuje distribuované paralelní zpracování informací, což znamená, že záznam informace, zpracování a přenos se provádí prostřednictvím celé neuronové sítě a pomocí jednotlivých paměťových míst. Základem matematického modelu neuronové sítě je formální neuron, který představuje zjednodušený způsob popisu funkcí biologického neuronu pomocí matematických vztahů. Neuronové sítě s nejlepšími výsledky učení byly vybrány pro predikci vad. Jedná se třívrstvé perceptronové sítě s topologií 22-18-2. To znamená, že vstupní vrstva obsahuje dvacet dva neuronů; skryté vrstvy osmnáct a výstupní vrstva dva neurony. Na neuronových sítích byla provedena rovněž také analýza citlivosti. Tato analýza vyjadřuje vliv jednotlivých vstupních proměnných na daném systému. I když řešený problém výskytu vnitřních vad ve válcovaných špalcích z vanadu micro-legované oceli 25CrMo4 za tepla byl vysvětlen za použití tradičních materiálově inženýrských postupů, aplikace neuronových sítí byla schopna předvídat vznik vnitřní vady s pravděpodobností na osmdesát šest procent. Aplikace neuronové sítě představuje velmi rychlé, levné a efektivní řešení různých metalurgických problémů. (cs)
- The scope of the presented paper is dedicated to neural network application in solution of a very complex problem linked to internal defects that occur in hot rolled billets from vanadium micro-alloyed 25CrMo4 steel. Since internal defects are indicated during an ultrasonic inspection in already cooled billets, it can be said that the studied problem is very complex. The paper demonstrates that neural network application may be a very useful tool for solving complicated production problems such as the occurrence of cracks in hot rolled billets. Artificial neural networks (ANN) use distributed parallel processing of information during the execution of the calculations, which means that information recording, processing and transferring are carried out by means of the whole neural network, and then by means of particular memory places. The basis of a mathematical model of the neural network is a formal neuron which uses a simplified way to describe a function of a biological neuron by means of mathematic relations. Neural networks with the best learning results were selected for the prediction of defects. They included a three-layer perceptron network with 22-18-2 topology. This means that the input layer contained twenty-two neurons; the hidden layer eighteen and the output layer two neurons. This neural network also included a sensitivity analysis. This analysis expresses the impact of the individual input variables on the given system. Although the studied problem of internal defect present in hot rolled billets from vanadium micro-alloyed steel 25CrMo4 was fully explained using traditional material engineering procedures, neural network application was able to predict internal defect occurrence with eighty-six percents probability. Neural network has a potential to be very fast, inexpensive and useful tool in solving a wide scale of similar metallurgical problems. (en)
|
| Title
| - Použití neuronových sítí při předpovědi výskytu vnitřních defektů v blocích z Cr-Mo oceli po válcování
- Použití neuronových sítí při předpovědi výskytu vnitřních defektů v blocích z Cr-Mo oceli po válcování (cs)
- Using neural networks in predicting the occurrence of internal defects in blocks of Cr- Mo steel after rolling (en)
|
| skos:prefLabel
| - Použití neuronových sítí při předpovědi výskytu vnitřních defektů v blocích z Cr-Mo oceli po válcování
- Použití neuronových sítí při předpovědi výskytu vnitřních defektů v blocích z Cr-Mo oceli po válcování (cs)
- Using neural networks in predicting the occurrence of internal defects in blocks of Cr- Mo steel after rolling (en)
|
| skos:notation
| - RIV/61989100:27360/14:86092123!RIV15-MSM-27360___
|
| http://linked.open...avai/riv/aktivita
| |
| http://linked.open...avai/riv/aktivity
| |
| http://linked.open...iv/cisloPeriodika
| |
| http://linked.open...vai/riv/dodaniDat
| |
| http://linked.open...aciTvurceVysledku
| |
| http://linked.open.../riv/druhVysledku
| |
| http://linked.open...iv/duvernostUdaju
| |
| http://linked.open...titaPredkladatele
| |
| http://linked.open...dnocenehoVysledku
| |
| http://linked.open...ai/riv/idVysledku
| - RIV/61989100:27360/14:86092123
|
| http://linked.open...riv/jazykVysledku
| |
| http://linked.open.../riv/klicovaSlova
| - neural networks, defects, steel (en)
|
| http://linked.open.../riv/klicoveSlovo
| |
| http://linked.open...odStatuVydavatele
| |
| http://linked.open...ontrolniKodProRIV
| |
| http://linked.open...i/riv/nazevZdroje
| |
| http://linked.open...in/vavai/riv/obor
| |
| http://linked.open...ichTvurcuVysledku
| |
| http://linked.open...cetTvurcuVysledku
| |
| http://linked.open...UplatneniVysledku
| |
| http://linked.open...v/svazekPeriodika
| |
| http://linked.open...iv/tvurceVysledku
| - Jančíková, Zora
- Kvíčala, Miroslav
- Zimný, Ondřej
- Meca, Roman
|
| issn
| |
| number of pages
| |
| http://localhost/t...ganizacniJednotka
| |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)