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

DSpace/Manakin Repository

aaK citaci nebo jako odkaz na tento záznam použijte identifikátor: http://hdl.handle.net/10084/83502

Show simple item record


dc.contributor.author Špička, Ivo
dc.contributor.author Heger, Milan
dc.contributor.author Franz, Jiří
dc.date.accessioned 2010-12-13T08:51:35Z
dc.date.available 2010-12-13T08:51:35Z
dc.date.issued 2010
dc.identifier.citation Archives of metallurgy and materials. 2010, vol. 55, issue 3, p. 921-926. en
dc.identifier.issn 1733-3490
dc.identifier.uri http://hdl.handle.net/10084/83502
dc.description.abstract The method exploits sufficient similarity between cooling down curves of individual specimens from the same material 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 coefficient ( TTC ) (for known specimens). If an artificial neural network learns itself to assign time transformation coefficient 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 it has 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. To obtain more general results, when above mentioned exploration of TCC, coupling with the numerical solutions of partial differential equations of the heat fields together with their initial and boundary conditions solutions can be used. The initial conditions in the most cases are unique or they can be with the sufficient precision determined, whereas the boundary conditions of heat transfer equations are usually wary hard to set. So some potential methods of boundary conditions determining and some difficulties by their time behavior settings can be illustrated, too. The advantages of both methods can be mixed and sufficient speedy and accuracy solution may be got. en
dc.language.iso en en
dc.publisher Polska akademia nauk. Komitet metalurgii en
dc.relation.ispartofseries Archives of metallurgy and materials en
dc.relation.uri http://imim.pl/files/archiwum/Vol3_2010/37.pdf en
dc.subject cooling down of materials en
dc.subject temperature prediction en
dc.subject artificial neural network en
dc.subject boundary condition en
dc.subject numerical heat transfer equation en
dc.title The mathematical-physical models and the neural network exploitation for time prediction of cooling down low range specimen en
dc.title.alternative Matematyczno-fizyczne modele oraz wykorzystanie sieci neuronowych do prognozowania czasu ochładzania próbek o zróznicowanych wymiarach en
dc.type Article en
dc.identifier.location Není ve fondu ÚK en
dc.description.abstract-en Zaprezentowana metoda wykorzystuje podobienstwo pomiedzy krzywymi chłodzenia dla próbek z tego samego materiału, rózniacych sie cechami geometrycznymi. Dopasowanie skali czasu dla poszczególnych próbek prowadzi do zbieznosci z tzw. „ogólna krzywa” dla danego materiału, która mozna wyznaczyc metodami statystycznymi. Ta operacja jest okreslana jako definiowanie współczynnika przekształcenia czasu TTC dla próbek o okreslonych kształtach (wymiarach), to bedzie mozliwe wyznaczenie z wystarczajaca dokładnoscia współczynnika TTC dla próbek o odmiennych kształtach (wymiarach). Umozliwi to, poprzez przekształcenie odwrotne czasu, przewidywanie prawdopodobnego przebiegu krzywej chłodzenia, a takze czasu osiagniecia zadanej temperatury. W celu osiagniecia bardziej ogólnych wyników wspomniana wczesniej metoda TTC połaczono z analiza numeryczna czastkowych równan rózniczkowych opisujacych pole temperatury z uwzglednieniem warunków poczatkowych i brzegowych. Warunki poczatkowe w wiekszosci przypadków sa jednoznacznie okreslone lub moga byc okreslone z zadawalajaca dokładnoscia, natomiast warunki brzegowe wymiany ciepła sa zwykle trudne do ustalenia. Przedstawione zostały wybrane metody okreslenia warunków brzegowych oraz trudnosci zwiazane z okresleniem charakterystyk czasowych. Zalety obu metod moga byc łaczone w celu osiagniecia zadawalajacej szybkosci i dokładnosci rozwiazania. en
dc.rights.access openAccess
dc.type.version publishedVersion
dc.identifier.wos 000284292200037

Files in this item

Files Size Format View Description
37-spicka-2010.pdf 1.106Mb PDF View/Open publishedVersion

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Navigation

Browse

My Account

Statistics