The mathematical-physical models and the neural network exploitation for time prediction of cooling down low range specimen

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27360%2F10%3A86076400" target="_blank" >RIV/61989100:27360/10:86076400 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

The mathematical-physical models and the neural network exploitation for time prediction of cooling down low range specimen

Popis výsledku v původním jazyce

The method exploits sufficient similarity between cooling down curves of individual specimens from the same materiál but when specimens vary in geometric shape. Time scale altering for individual specimens leads from practical point of view to coincidence of all curves with so called "general curve " for given material which is calculated from measured values by means of statistic methods. This operation can be denoted as a definition of time transformation coeficient (TTC) (for know specimens). If an artificial neural network learns itself to assign time transformation coeficient to known dimensions of specimens, it is then with sufficient accuracy able to determine time transformation coefficient even for specimens with different shapes, for which ithas not been learnt. By backward time transformation is then possible to predict probable time course of the cooling down curve and accordingly also the moment of accomplishment of given temperature.

Název v anglickém jazyce

The mathematical-physical models and the neural network exploitation for time prediction of cooling down low range specimen

Popis výsledku anglicky

The method exploits sufficient similarity between cooling down curves of individual specimens from the same materiál but when specimens vary in geometric shape. Time scale altering for individual specimens leads from practical point of view to coincidence of all curves with so called "general curve " for given material which is calculated from measured values by means of statistic methods. This operation can be denoted as a definition of time transformation coeficient (TTC) (for know specimens). If an artificial neural network learns itself to assign time transformation coeficient to known dimensions of specimens, it is then with sufficient accuracy able to determine time transformation coefficient even for specimens with different shapes, for which ithas not been learnt. By backward time transformation is then possible to predict probable time course of the cooling down curve and accordingly also the moment of accomplishment of given temperature.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

JG - Hutnictví, kovové materiály

OECD FORD obor

—

Projekt

<a href="/cs/project/FR-TI1%2F319" target="_blank" >FR-TI1/319: *Vývoj nových progresivních nástrojů a systémů podpory řízení spolehlivosti primárního chlazení na bramovém zařízení plynulého odlévání oceli pro zvyšování kvality náročných plochých výrobků</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2010

Kód důvěrnosti údajů

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

Název periodika

Archives of Metallurgy and Materials

ISSN

1733-3490

e-ISSN

—

Svazek periodika

2010

Číslo periodika v rámci svazku

3

Stát vydavatele periodika

PL - Polská republika

Počet stran výsledku

6

Strana od-do

—

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—