UMĚLÁ INTELIGENCE VYUŽITÁ PŘI DEFINICE MATERIÁLOVÝCH VSTUPŮ, KTERÉ PŘEDURČUJÍ VÝSLEDEK ŘEZNÉHO POVRCHU PO AWJ ŘEZNÉM PROCESU

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26210%2F07%3APU74208" target="_blank" >RIV/00216305:26210/07:PU74208 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/00216305:26210/07:PU73351

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

ARTIFICIAL INTELLIGENCE IN DEFINITION OF MATERIAL ENTER DATA THAT DETERMINE QUALITY FINISH AFTER AWJ CUTTING PROCESS

Popis výsledku v původním jazyce

Tolerance of setting AWJ cutting parameters on each material have big influence on quality finish and all characteristics of material kefr after cutting process. There is direct relation between species of workpiece material and final results obtained after AWJ cutting. Thus there is a need to have a tool for right material setting, choosing optimal cutting parameters and finding relations between each variables of cutting process. Using of information technology specially machine learning methods should be the right way. From all methods the Receptive Field Weighted Regression (RFWR) can be used as a function approximator for different mapping tasks like learning the value function for reinforcement learning. After learning process we can do several operations with obtained data base, like a choosing of cutting conditions for new or incomplete deffined material or finding relations between each properties of AWJ process.

Název v anglickém jazyce

ARTIFICIAL INTELLIGENCE IN DEFINITION OF MATERIAL ENTER DATA THAT DETERMINE QUALITY FINISH AFTER AWJ CUTTING PROCESS

Popis výsledku anglicky

Tolerance of setting AWJ cutting parameters on each material have big influence on quality finish and all characteristics of material kefr after cutting process. There is direct relation between species of workpiece material and final results obtained after AWJ cutting. Thus there is a need to have a tool for right material setting, choosing optimal cutting parameters and finding relations between each variables of cutting process. Using of information technology specially machine learning methods should be the right way. From all methods the Receptive Field Weighted Regression (RFWR) can be used as a function approximator for different mapping tasks like learning the value function for reinforcement learning. After learning process we can do several operations with obtained data base, like a choosing of cutting conditions for new or incomplete deffined material or finding relations between each properties of AWJ process.

Druh

D - Stať ve sborníku

CEP obor

JQ - Strojní zařízení a nástroje

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2007

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Annals of DAAAM for 2007 & Proceedings of the 18th International DAAAM Symposium in Zadar

ISBN

3-901509-58-5

ISSN

—

e-ISSN

—

Počet stran výsledku

2

Strana od-do

263-264

Název nakladatele

Published by DAAM International

Místo vydání

Vídeň

Místo konání akce

Vienna

Datum konání akce

19. 10. 2005

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—