This HTML5 document contains 45 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dctermshttp://purl.org/dc/terms/
n5http://localhost/temp/predkladatel/
n14http://linked.opendata.cz/resource/domain/vavai/projekt/
n7http://linked.opendata.cz/resource/domain/vavai/riv/tvurce/
n13http://linked.opendata.cz/ontology/domain/vavai/
shttp://schema.org/
n4http://linked.opendata.cz/ontology/domain/vavai/riv/
n16http://linked.opendata.cz/resource/domain/vavai/vysledek/RIV%2F61989100%3A27360%2F06%3A00014224%21RIV07-GA0-27360___/
skoshttp://www.w3.org/2004/02/skos/core#
n2http://linked.opendata.cz/resource/domain/vavai/vysledek/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n6http://linked.opendata.cz/ontology/domain/vavai/riv/klicoveSlovo/
n17http://linked.opendata.cz/ontology/domain/vavai/riv/duvernostUdaju/
xsdhhttp://www.w3.org/2001/XMLSchema#
n9http://linked.opendata.cz/ontology/domain/vavai/riv/jazykVysledku/
n8http://linked.opendata.cz/ontology/domain/vavai/riv/aktivita/
n18http://linked.opendata.cz/ontology/domain/vavai/riv/druhVysledku/
n11http://linked.opendata.cz/ontology/domain/vavai/riv/obor/
n10http://reference.data.gov.uk/id/gregorian-year/

Statements

Subject Item
n2:RIV%2F61989100%3A27360%2F06%3A00014224%21RIV07-GA0-27360___
rdf:type
skos:Concept n13:Vysledek
dcterms:description
Theoretical knowledge of physical metallurgy doesn't express comprehensively all physical variables, which influence resultant product manufacture quality. Therefore data files contained in IRA and ARA steel diagrams of different chemical composition are the basic tool for heat treatment. It is possible to treat these data statistically and thus acquire empiric relations, which serve for partial processes course prediction proceeding at heat treatment. These relations were obtained so far on the basis of regression analysis of measured data. Real possibility of prediction of different steel parameter with exploitation of artificial intelligence elements offers at present. Model of prediction of steel mechanical properties after heat treatment using neural networks methods was created. By suitable connection of these results with knowledge of physical metallurgy and with practical data about heat treatment it's possible to obtain groundwork for creation of semi-empiric model of heat treatment Theoretical knowledge of physical metallurgy doesn't express comprehensively all physical variables, which influence resultant product manufacture quality. Therefore data files contained in IRA and ARA steel diagrams of different chemical composition are the basic tool for heat treatment. It is possible to treat these data statistically and thus acquire empiric relations, which serve for partial processes course prediction proceeding at heat treatment. These relations were obtained so far on the basis of regression analysis of measured data. Real possibility of prediction of different steel parameter with exploitation of artificial intelligence elements offers at present. Model of prediction of steel mechanical properties after heat treatment using neural networks methods was created. By suitable connection of these results with knowledge of physical metallurgy and with practical data about heat treatment it's possible to obtain groundwork for creation of semi-empiric model of heat treatment Teoretické poznatky fyzikální metalurgie nepostihují dosud komplexně všechny fyzikální proměnné, které ovlivňují výsledné mechanické vlastnosti výrobku. Proto jsou základní pomůckou pro tepelné zpracování IRA a ARA diagramy oceli o daném chemickém složení. Údaje obsažené v IRA a ARA diagramech je možno statisticky zpracovat a takto dojít k empirickým vztahům, které slouží pro predikci průběhu dílčích procesů probíhajících při tepelném zpracování. Doposud byly tyto vztahy získávány na základě regresní analýzy naměřených dat. V současné době se naskýtá reálná možnost predikce různých parametrů oceli při tepelném zpracování s využitím prvků umělé inteligence. Byl vytvořen neuronový model pro predikci mechanických vlastností ocelí po tepelném zpracování. Daná problematika, spolu s dalšími technickými aplikacemi umělé inteligence, byla řešena v rámci grantového projektu GAČR 106/05/2596.
dcterms:title
Využití neuronových sítí v materiálovém výzkumu Exploitation of Neural Networks In Material Research Exploitation of Neural Networks In Material Research
skos:prefLabel
Využití neuronových sítí v materiálovém výzkumu Exploitation of Neural Networks In Material Research Exploitation of Neural Networks In Material Research
skos:notation
RIV/61989100:27360/06:00014224!RIV07-GA0-27360___
n4:strany
65-69
n4:aktivita
n8:P
n4:aktivity
P(GA106/05/2596)
n4:cisloPeriodika
2
n4:dodaniDat
n10:2007
n4:domaciTvurceVysledku
n7:4955366 n7:2407558
n4:druhVysledku
n18:J
n4:duvernostUdaju
n17:S
n4:entitaPredkladatele
n16:predkladatel
n4:idSjednocenehoVysledku
475290
n4:idVysledku
RIV/61989100:27360/06:00014224
n4:jazykVysledku
n9:eng
n4:klicovaSlova
neural networks; prediction; model; metallurgy; steel
n4:klicoveSlovo
n6:neural%20networks n6:steel n6:model n6:prediction n6:metallurgy
n4:kodStatuVydavatele
CZ - Česká republika
n4:kontrolniKodProRIV
[B70B8A83A64E]
n4:nazevZdroje
Sborník vědeckých prací vysoké školy báňské-Technické univerzity Ostrava
n4:obor
n11:JG
n4:pocetDomacichTvurcuVysledku
2
n4:pocetTvurcuVysledku
2
n4:projekt
n14:GA106%2F05%2F2596
n4:rokUplatneniVysledku
n10:2006
n4:svazekPeriodika
LII
n4:tvurceVysledku
Jančíková, Zora Heger, Milan
s:issn
1210-0471
s:numberOfPages
5
n5:organizacniJednotka
27360