Metrologické hodnocení heterogenních povrchů získané technologií řezání vodním paprskem pomocí prvků umělé inteligence

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28110%2F21%3A63538398" target="_blank" >RIV/70883521:28110/21:63538398 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

čeština

Název v původním jazyce

Metrologické hodnocení heterogenních povrchů získané technologií řezání vodním paprskem pomocí prvků umělé inteligence

Popis výsledku v původním jazyce

Tento článek se zabývá návrhem a sestavením neuronové sítě pro predikování výsledků parametrů drsnosti u heterogenních povrchů. Současně dokazuje, že jiné statistické metody, především regresní analýzy, v tomto směru selhávají a jejich výsledky nelze spolehlivě použít. K získání potřebných dat pro sestavení neuronové sítě posloužily vzorky vyrobené za použití řezání vodním paprskem. Tento povrch je charakteristický pro svou heterogenitu. Práce popisuje tyto vzorky, parametry jejich vzniku, laboratorní měření, kompletní sestavení neuronové sítě a následné srovnání výsledků s regresními funkcemi. Cílem tohoto článku je navrhnout funkční neuronovou síť, která bude co nejlépe popisovat průběh drsnosti zkoumaného povrchu. Tato neuronová síť bude schopna tento průběh predikovat na základě vstupních proměnných a dokázat, že tato pokročilá statistická metoda zcela přesahuje možnosti a vypovídající hodnotu běžných regresních analýz.

Název v anglickém jazyce

Metrological Evaluation of Heterogeneous Surfaces Obtained by Water Jet Cutting Technology Using Artificial Intelligence Elements

Popis výsledku anglicky

This paper deals with the design and construction of a neural network for predicting the results of roughness parameters for heterogeneous surfaces. At the same time, it demonstrates that other statistical methods, especially regression analysis, fail in this respect, and their results cannot be used reliably. The samples produced using waterjet cutting were used to obtain the necessary data for constructing the neural network. Its heterogeneity characterizes this surface. This paper describes these samples, the parameters of their creation, the laboratory measurements, the complete construction of the neural network and the subsequent comparison of the results with regression functions. This paper aims to design a functional neural network that will best describe the roughness pattern of the surface under study. This neural network will predict this waveform based on the input variables and prove that this advanced statistical method completely exceeds the capabilities and predictive value of conventional regression analyses.

Druh

O - Ostatní výsledky

CEP obor

—

OECD FORD obor

20501 - Materials engineering

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2021

Kód důvěrnosti údajů

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