8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn
|
|
- Alicja Janicka
- 6 lat temu
- Przeglądów:
Transkrypt
1 Struktura i w asno ci stopów Mg-Al-Zn 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 8.1. Ogólne podstawy aplikacji metod komputerowej nauki o materia ach Rozwój nowoczesnych narz dzi informatycznych, w tym metod sztucznej inteligencji, powoduje, e s one coraz powszechniej wykorzystywane w ró nych dziedzinach nauki i techniki. Równie w obszarze in ynierii materia owej trendy te s w wiecie od kilku lat zauwa alne dzi ki szerokim mo liwo ciom aplikacyjnym, pozwalaj cym na rozwi zywanie nowych zagadnie, jak i tych uznanych za klasyczne. Na mo liwo ci metod numerycznych istotnie wp ywa tak e post puj cy rozwój technologii informatycznych, które pozwalaj na znacz cy wzrost mocy obliczeniowych oraz obni enie kosztów systemów cyfrowych [17]. W in ynierii materia owej stosowane s ró nego typu metody obliczeniowe, pozwalaj ce na przybli anie oraz predykcj zjawisk zachodz cych w materia ach podczas wytwarzania, procesów technologicznych przetwórstwa oraz eksploatacji materia ów in ynierskich w ró nych warunkach pracy. Do technik wykorzystywanych w ogólnie pojmowanym komputerowym wspomaganiu (CAx) mo na zaliczy metody stochastyczne, np. metod Monte Carlo, metody numeryczne rozwi zywania równa matematycznych, np. metod elementów sko czonych (MES), szeroko rozumiane metody sztucznej inteligencji, np. algorytmy genetyczne, sztuczne sieci neuronowe lub logik rozmyt. Coraz bardziej popularne s systemy hybrydowe cz ce w sobie kilka metod, w celu uzyskania wyników bardziej odzwierciedlaj cych rzeczywiste zjawiska. Metody numeryczne s stosowane tak e w innych dziedzinach wiedzy i bardzo trudno by oby obecnie wskaza przynajmniej jeden obszar nauki, w której nie wykorzystano mo liwo ci aplikacyjnych komputerowego wspomagania [17]. Sieci neuronowe s technik numerycznego modelowania, zdoln do odwzorowywania z o onych funkcji. Obecnie sieci neuronowe maj charakter nieliniowy, co umo liwia u ytkownikowi swobodne i atwe tworzenie modeli nieliniowych, opisuj cych cechy modelowanych obiektów. Zalet sieci neuronowych jest fakt, e pozwalaj one poszukiwa modeli numerycznych dla s abo znanych zjawisk i procesów, przy czym u ytkownik sieci nie musi deklarowa adnej z góry zadanej formy poszukiwanego modelu, a nawet nie musi by pewny, e w ogóle jaka daj ca si opisa matematycznie zale no istnieje [ ]. 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 227
2 Open Access Library Volume 5 (11) 2012 Sieci neuronowe s odwzorowaniem podstawowych struktur wyst puj cych w mózgu. Z bada anatomicznych przeprowadzonych na mózgu cz owieka wynika, i ten sk ada si przede wszystkim z bardzo du ej liczby elementarnych komórek nerwowych neuronów. Sztuczny neuron stanowi podstawow komórk elementarn sieci neuronowej [17]. Chc c odwzorowa podstawowe za o enia dzia ania biologicznych systemów nerwowych twórcy sieci neuronowych zdefiniowali sztuczny neuron nast puj co: do neuronu dociera pewna liczba sygna ów wej ciowych; s to warto ci danych pierwotnych, przekazywanych do sieci z zewn trz jako dane do prowadzonych w sieci oblicze, albo sygna y po rednie pochodz ce od wyj innych neuronów wchodz cych w sk ad sieci, ka de warto ci wprowadzane s do neuronu poprzez po czenie o pewnej wadze; wagi te musz odpowiada warto ci synapsy w neuronie biologicznym, ka dy neuron posiada równie pojedyncz warto progow, okre laj c jak silne musi by jego pobudzenie, by dosz o do jego aktywacji, w neuronie obliczana jest wa ona suma wej (to znaczy suma warto ci sygna ów wej ciowych przemna anych przez odpowiednie wspó czynniki wagowe), a nast pnie odejmowana jest od niej warto progowa; uzyskana w ten sposób warto pomocnicza okre la pobudzenie neuronu, sygna reprezentuj cy czne pobudzenie neuronu przekszta cany jest z kolei przez ustalon funkcj aktywacji neuronu (która okre lana jest równie niekiedy jako funkcja przej cia neuronu); warto obliczona przez funkcj aktywacji jest ostateczne warto ci wyj ciow neuronu [295]. Pierwszy matematyczny model sztucznego neuronu opublikowano w pracy [296] ju w 1943 roku. W opracowanym modelu neuronu (rys ) warto sygna u wej ciowego x jest przemna ana przez wspó czynniki wagowe w, w wyniku czego otrzymywany jest sygna wyj ciowy liniowej cz ci neuronu s. Sygna ten jest obliczany wed ug wzoru [287, 297, 298]: s ( k) i N k 1 ( k) j ( n) w ( n) x ( n) (8.1.1) j 0 ( k) ij Nast pnie sygna cz ci liniowej poddawany jest przekszta ceniu nieliniowemu f() (zgodnie z odpowiedni funkcj aktywacji), co daje w efekcie ko cowym sygna wyj ciowy nieliniowej cz ci neuronu y. Sygna nieliniowej cz ci neuronu obliczany jest nast puj co [287, 297, 298]: 228 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
3 Struktura i w asno ci stopów Mg-Al-Zn gdzie: ( ) s k N k 1 ( k ) ( k ) ( k ) ( k) y i ( n) f si ( n) f wij ( n) x j ( n) (8.1.2) j 0 i ( n) sygna wyj ciowy liniowej cz ci i-tego neuronu, i=1,...,n k, warstwy k-tej, k=1.,l; ( ) y k i ( n) sygna wyj ciowy i-tego neuronu, i=1,.,n k warstwy k-tej, k=1,.,l; ( ) w k ij ( ) x k ( n) waga i-tego neuronu, i=1,,n k, warstwy k-tej, k=1,.l, cz ca go z j-tym wej ciem (k) x j, j=0,.,n k-1 ; j ( n) j-ty sygna wej ciowy, j=0,.,n k-1, do warstwy k-tej, k=1,..,l. Rysunek Schemat sztucznego neuronu stosowany do nauki sieci neuronowych [287] ( k) Funkcja f ( si ( n)) jest nieliniow funkcj aktywacji neuronu, która na podstawie sygna u wej ciowego daje okre lony sygna wyj ciowy danego neuronu. Dziedzin funkcji jest zbiór wszystkich liczb rzeczywistych. Przyk ady funkcji aktywacji zamieszczono w tablicy [17, 285, 298]. Pojedyncze neurony mog by grupowane w warstwy w taki sposób, aby mog y mie wspólne wszystkie sygna y wej ciowe. Ka da warstwa ma tyle wyj ile zawiera neuronów. Wszystkie warstwy mo na po czy ze sob wyj ciami buduj c wielowarstwow sie neuronow. W ród warstw neuronów buduj cych sie neuronow mo na wyró ni (rys ): warstw wej ciow, warstwy ukryte, warstw wyj ciow [17, 283, 285, 287, 299]. 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 229
4 Liniowa Logistyczna Hiperboliczna Wyk adnicza Softmax Pierwiastek Tablica Przyk ady funkcji aktywacji neuronu [299] Funkcja Definicja Zakres y x (- ; ) 1 y 1 e x x x Open Access Library Volume 5 (11) 2012 (0; 1) e e y x x e e (-1; 1) x y e (0; ) y x e e i x (0; 1) y x [0; ) Sinus y sin(x ) [0; 1] Liniowa z nasyceniem Progowa 1 dla x 1 y x 1 x 1 0 dla x 1 [-1; 1] 0 dla x 0 y 1 dla x 0 [0; 1] Rysunek Schemat sieci neuronowej wielowarstwowej (opracowany na podstawie [283, 285, 287, 298, 299]) Warstwa wej ciowa otrzymuje dane z zewn trz sieci. Liczba neuronów w tej warstwie jest ci le zdeterminowana przez liczb zmiennych wej ciowych, które trzeba bra pod uwag przy 230 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
5 Struktura i w asno ci stopów Mg-Al-Zn rozwi zywaniu okre lonego zadania. Neurony w tej warstwie nie maj w asnych wej i nie wykonuj adnego przetwarzania danych. Wielko sygna u wyj ciowego w tej warstwie jest okre lona przez warto sygna u wej ciowego sieci. Warstwa wyj ciowa wytwarza sygna wyj ciowy sieci b d cy rozwi zaniem stawianych sieci zada. Liczba neuronów w tej warstwie jest uzale niona od liczby potrzebnych zada. Sygna wyj ciowy neuronów wyj ciowych jest funkcj sygna ów wej ciowych pochodz cych od warstwy wej ciowej (dla sieci dwuwarstwowych) lub (L-1) warstwy ukrytej (dla sieci wielowarstwowej) [284, 285, 296]. Wyniki dostarczane przez warstw wyj ciow maj zawsze charakter przybli ony. Dok adno tego sygna u mo e by ró na, jednak o dok adno ci wielu cyfr znacz cych nie mo na tutaj mówi. Wyniki mno enia mo na przyj jako bardzo dobre, je eli dok adno odpowiedzi jest lepsza ni dwie cyfry znacz ce (b d w takim przypadku wynosi do kilku procent). Ze wzgl du na te ograniczenia nale y definiowa tak zadania, aby odpowied mog a mie charakter zaklasyfikowania do odpowiedniej kategorii na przyk ad mo na domaga si, by sie okre li a czy temperatura zarodkowania stopu ACAlSi7Cu4 po dodaniu 2% Cu wzro nie s abo, wzro nie znacz co, b dzie sta a, spadnie s abo, spadnie znacz co [287, 299]. Warstwy ukryte tworz dodatkow struktur przetwarzaj c sygna y wej ciowe (odebrane przez warstw wej ciow ) w taki sposób by warstwa wyj ciowa atwiej mog a znale potrzebn odpowied. Efekt dzia ania neuronów w warstwach ukrytych ujawnia si wy cznie po rednio, poprzez warto odpowiedzi jak wysy a neuronom warstwy wyj ciowej [283, 284, 287, 296, 299]. Pierwsz sztuczn sie neuronow opracowa w 1958 roku Rosenblatt by to perceptron jednowarstwowy. W latach 60. XX wieku perceptrony by y uto samiane ze wszystkimi znanymi wówczas sieciami neuronowymi [299]. Sie Rosenblatta przygotowano do liniowej klasyfikacji znaków alfanumerycznych. Charakterystyczn cech sieci neuronowych, jest mo liwo ich uczenia za pomoc tzw. algorytmów uczenia, które umo liwiaj adaptacj parametrów sieci do specyfiki rozwi zywanego problemu. Stopie z o ono ci sieci neuronowej oraz efektywno nauczania charakteryzuj algorytmy uczenia. Zastosowane algorytmy uczenia wyznaczaj podstawowy podzia sieci neuronowych ze wzgl du na sposób uczenia. Wyró nia si dwa typy algorytmów uczenia: algorytmy realizuj ce uczenie nadzorowane z nauczycielem. Algorytmy te modyfikuj wagi i warto ci progowe korzystaj c ze zbiorów ucz cych zawieraj cych zarówno warto ci wej ciowe jak i zadane warto ci wyj ciowe, 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 231
6 Open Access Library Volume 5 (11) 2012 algorytmy realizuj ce uczenie nienadzorowane bez nauczyciela. Algorytmy te modyfikuj wagi i warto ci progowe wykorzystuj c zbiory ucz ce zawieraj ce jedynie warto ci wej ciowe (w przypadku tych algorytmów warto ci wyj ciowe w zbiorze danych nie s wymagane, a w przypadku ich wyst pienia s ignorowane) [283, 285, 287, 296, 299]. W tablicy przedstawiono przyk ady algorytmów uczenia sieci neuronowych, natomiast w tablicy przedstawiono podzia sieci neuronowych ze wzgl du na zastosowanie, budow oraz model sieci. Tablica Zestawienie algorytmów uczenia stosowanych do uczenia sieci neuronowych [298] Sposób uczenia Algorytmy realizuj ce uczenie nadzorowane z nauczycielem Algorytmy realizuj ce uczenie nienadzorowane bez nauczyciela Algorytm uczenia Wstecznej propagacji b dów Gradientów sprz onych Quasi-Newtona Levenberga-Marquardta Szybkiej propagacji Delta-Bar-Delta Pseudoinwersji Kohonena Próbkowania radialnego k- rednich Tablica Klasyfikacja sieci neuronowych ze wzgl du na zastosowanie, struktur oraz model sieci [273, 285, 298, 301] Kryterium podzia u Zastosowanie Struktura Model sieci Typ sieci Sieci klasyfikuj ce Sieci aproksymuj ce Sieci przeprowadzaj ce autoasocjacj Sieci prognozuj ce szeregi czasowe Sieci jednokierunkowe Sieci ze sprz eniem zwrotnym (rekurencyjne) Perceptron wielowarstwowy (MLP) Sie liniowa Sie o radialnych funkcjach bazowych (RBF) Probabilistyczna sie neuronowa (PNN) Sie neuronowa realizuj ca regresj uogólnion (GRNN) Sie Kohonena Sie Hopfielda 232 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
7 Struktura i w asno ci stopów Mg-Al-Zn Uczenie sieci neuronowych algorytmami realizuj cymi uczenie nadzorowane polega na rozpisaniu i wskazaniu sieci przyk adów poprawnego dzia ania, które powinna potem na ladowa w czasie bie cej pracy. Do sieci tego typu zalicza si : perceptron wielowarstwowy (MLP), sie o radialnych funkcjach bazowych (RBF), probabilistyczn sie neuronow (PNN) oraz sieci liniowe. Podczas procesu uczenia nast puje adaptacyjny dobór wag po cze mi dzy elementami przetwarzaj cymi, umo liwiaj cy dzia anie sieci, polegaj ce na odwzorowaniu danych wej- ciowych w wyj ciowe z mo liwie ma ym b dem. Odbywaj ca si w kolejnych cyklach adaptacja wag mo e by wyra ona zale no ci [288, 300]: gdzie: w ( k) ij ( k) ij ( k) ij ( n 1) w ( n) w ( n) (8.1.3) ( ) ij ( n) waga i-tego neuronu, i=1,.,n k, warstwy k-tej, k=1,.l, cz cego go z j-tym w k wej ciem (k) x j, j=0,.,n k-1 dla n-tego kroku iteracji, ( ) w k ( n) przyrost (wielko modyfikacji) wagi i-tego neuronu, i=1,..,n k, warstwy k-tej, ij k=1,..,l, cz ca go z j-tym wej ciem (k) x j, j=0,,n k-1, ( ) w k ij ( n 1) waga i-tego neuronu, i=1,..,n k, warstwy k-tej, k=1,..,l, cz ca go z j-tym wej ciem (k) x j, j=0,.,n k-1 dla n+1 kroku iteracji. Taki sposób modyfikacji wag mo e prowadzi do bardzo szybkiego rozwi zania zadania, lub innym razem mo e wymaga wi kszej liczby iteracji, zwi kszaj c czas nauki, która przebiega samodzielnie. Przyk ad neuronu realizuj cego nadzorowany typ nauczania przedstawiony jest na rysunku Ka demu wektorowi sygna ów wej ciowych x towarzyszy prezentacja wzorcowego wektora wyj ciowego d, wektory te tworz pary ucz ce. Wektory wzorcowe cz ci liniowej i nieliniowej neuronu, natomiast (k ) e i i (k ) b i i (k) d to sygna y i (k ) i to b d cz ci liniowej i nieliniowej neuronu. B dy te wynikaj z rozbie no ci pomi dzy sygna em wzorcowym a rzeczywist odpowiedzi sieci. Wielko b du dla cz ci liniowej i nieliniowej jest obliczana na podstawie równa [285, 301] : 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 233
8 Open Access Library Volume 5 (11) 2012 e ( k) i ( k) i ( k) i ( k) i ( n) b ( n) s ( n), (8.1.4) ( k) i ( k) i ( n) d ( n) y ( n). (8.1.5) Ca kowity b d jednej epoki treningowej zdefiniowany jest jako suma kwadratów b dów wyj ciowych poszczególnych neuronów warstwy ostatniej na podstawie zale no ci: N N L L 2 ( L) i i 1 i 1 ( k) i Q ( n) ( n) d ( n) y ( n). (8.1.6) Ca kowity b d pope niany przez sie jest sum b dów kolejnych par sygna ów wej ciowych i wyj ciowych, prezentowanych sieci w trakcie uczenia [ ]. ( k) i Rysunek Model neuronu realizuj cego nadzorowany tryb uczenia [285] Uczenie sieci za pomoc algorytmów realizuj cych uczenie nienadzorowane wymaga zbioru danych zawieraj cych przyk adowe (reprezentatywne) warto ci zmiennych wej ciowych. W tego typu zastosowaniach nie s wymagane warto ci docelowe (odpowiedzi). Do sieci tego typu zalicza si : sieci Kohonena, sieci wykorzystuj ce algorytm próbkowania radialnego oraz algorytm k- rednich. Wszystkie te algorytmy stosowane s do okre lania centrów i odchyle neuronów radialnych. Sieci te s stosowane g ównie do zada klasyfikacyjnych. Uczenie sieci realizuj cych uczenie nienadzorowane jest uczeniem zwanym konkurencyjnym, poniewa w sieciach tego typu po prezentacji wzorca wej ciowego nast puje okre lenie neuronu wygrywaj cego i tylko ten neuron, ewentualnie grupa s siaduj cych z nim neuronów podlega uczeniu aktualizuj c swoje wagi, tak aby zbli y si do obowi zuj cego wzorca. Aktualizacja wag w procesie uczenia za pomoc algorytmu Kohonena opisana jest zale no ci [ ]: 234 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
9 Struktura i w asno ci stopów Mg-Al-Zn gdzie: w w t) h ( t) ( x w ) (8.1.7) ij ij( t 1) ( ci i ij( t 1) (t) jest malej cym w czasie wspó czynnikiem uczenia, z przedzia u (0,1), h ci (t) okre la funkcj s siedztwa wzgl dem wygrywaj cego neuronu W c. Sieci Kohonena cechuj si dwuwymiarow warstw radialn. Oznacza to, e neurony rozwa ane s tak, jakby by y rozmieszczone w w z ach siatki rozci gaj cej si w dwóch prostopad ych kierunkach. Ka dy neuron ma ustalon pozycj, wynikaj c z numeru wiersza i numeru kolumny, w której jest on lokalizowany. Neurony znajduj ce si w s siednich wierszach i kolumnach traktowane s jako neurony s siednie w stosunku do danego neuronu, co ma do znacz cy wp yw na przebieg uczenia si sieci. Uczenie to przebiega w sposób nast puj cy. Rozpoczynaj c od pocz tkowych, dobranych losowo centrów (ulokowanych w neuronach radialnych podczas losowego nadawania im pocz tkowych przypadkowych warto ci wag), algorytm testuje ka dy przypadek ucz cy i wybiera dla niego najbli sze centrum, rekrutuj c w ten sposób neuron (w którego wagach zapisane jest to centrum), który dalej rozwa any jest jako neuron zwyci zca. Zwyci zca oraz jego s siedztwo s w taki sposób modyfikowane, aby zapisane w nich centra upodobni y si do przypadku ucz cego [285, ]. W trakcie procesu uczenia stopniowo zmniejszany jest wspó czynnik uczenia a(t), który kontroluje stopie upodobniania si centrów do przypadków ucz cych oraz wielko s siedztwa h ci (t). Oba te parametry procesu uczenia s funkcj czasu. Dlatego te w pocz tkowej fazie algorytm uczenia tworzy w sieci przybli on map topologiczn, w której podobne skupienia przypadków lokowane s wst pnie w okre lonym obszarze warstwy radialnej. Za w ostatniej fazie procesu uczenia mapa topologiczna jest precyzyjnie dostrajana, tak aby pojedyncze neurony odpowiada y niewielkim skupieniom podobnych do siebie przypadków wej ciowych, tworz c w ten sposób pewne klasy podobie stwa w ród wej ciowych danych [301]. Sterowan wersj algorytmu ucz cego Kohonena jest algorytm LVQ (ang.: Learned Victor Quantization). Standardowy algorytm Kohonena iteracyjnie dopasowuje po o enia wektorów wzorcowych, przechowywanych w warstwie radialnej sieci Kohonena, rozpatruj c jedynie pozycje istniej cych wektorów i dane ucz ce. Algorytm LVQ próbuje przemie ci wektory wzorcowe na pozycje odpowiadaj ce centrom skupie wyst puj cych w danych nie bior c pod 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 235
10 Open Access Library Volume 5 (11) 2012 uwag etykiety klas przypadków ucz cych. Najlepsz jako klasyfikacji osi ga si gdy wektory wzorcowe s rozmieszczone w pewnym stopniu w zakresie klas, tak, by reprezentowa y naturalne skupienia wewn trz ka dej klasy. Wektor zlokalizowany na granicy klas, w jednakowej odleg o ci od przypadków z jednej i drugiej klasy, jest nieprzydatny do klasyfikowania. Natomiast wektory znajduj ce si dok adnie wewn trz granic klas dzia aj bardzo dobrze. Modyfikacja wag podczas procesu uczenia algorytmem LVQ opisana jest zale no ci przy zgodno ci klasy wektora wzorcowego i przypadku ucz cego oraz przy niezgodno ci: w w t) h ( t) ( x w ). (8.1.8) ij ij( t 1) ( ci i ij( t 1) W celu porównania i weryfikacji poprawno ci uzyskanych wyników otrzymanych na podstawie bada wykonano analiz komputerow umo liwiaj c wyznaczenie i/lub predykcj zjawisk zachodz cych w materia ach, w tym w odlewniczych stopach magnezu Mg-Al-Zn, przy wykorzystaniu sieci neuronowych [17]. W zakresie symulacji komputerowych wykonano: modelowanie wybranych parametrów struktury i w asno ci mechanicznych na podstawie temperatury przemian fazowych oraz szybko ci ch odzenia, optymalizacj warunków obróbki cieplnej, a tak e wyznaczenie zakresu chropowato ci i modelowanie w asno ci mechanicznych powierzchni stopów magnezu obrobionych przy u yciu wtapiania laserowego [17] Aplikacje sieci neuronowych do modelowania kinetyki przemian fazowych stopów Mg-Al-Zn podczas ch odzenia Sieci neuronowe zastosowano do wyznaczania temperatury przemian fazowych na podstawie st enia masowego aluminium oraz szybko ci ch odzenia [17]. Jak wynika z prezentowanych bada stopów Mg-Al-Zn opisanych w rozdziale 3. zmiana ich sk adu chemicznego oraz szybko ci ch odzenia wp ywa na zmian temperatury zarodkowania fazy, maksymalnej temperatury ustalonego wzrostu fazy oraz temperatury solidus odlewniczych stopów magnezu. Symulacja procesów odlewania wymaga znajomo ci poszczególnych warto ci temperatury, dlatego opracowano modele sieci neuronowej, pos uguj c si którymi mo na na podstawie st enia masowego aluminium oraz szybko ci ch odzenia obliczy warto poszczególnej temperatury. Do obliczania temperatury zarodkowania fazy, maksymalnej temperatury zarodkowania fazy oraz temperatury solidus opracowano sieci jednokierunkowe 236 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
11 Struktura i w asno ci stopów Mg-Al-Zn typu MLP o 2 neuronach w warstwie wej ciowej [17]. Dla zmiennych wej ciowych i wyj ciowych zastosowano technik konwersji zmiennych mini-max. Liczba warstw sieci zosta a okre lona jako trzy warstwy z 8 neuronami w warstwie ukrytej. Funkcje aktywacji w warstwach wej ciowych i wyj ciowych okre lono jako liniowe z nasyceniem, w przypadku warstwy ukrytej jako logistyczn, natomiast dla wszystkich warstw zastosowano liniowe funkcje PSP. Sieci uczono metodami wstecznej propagacji b dów (50 epok ucz cych) oraz gradientów sprz - onych (23 epoki ucz ce) dla sieci wyznaczaj cej temperatur T N, metod wstecznej propagacji b dów (50 epok ucz cych) oraz gradientów sprz onych (3 epoki ucz ce) dla sieci wyznaczaj cej temperatur T G oraz metod wstecznej propagacji b dów (50 epok ucz cych) oraz gradientów sprz onych (73 epoki ucz ce) dla sieci wyznaczaj cej T sol. W tablicy przedstawiono warto ci b dów, ilorazy odchyle standardowych oraz wspó czynniki korelacji zaprojektowanych sieci neuronowych dla zbioru ucz cego, walidacyjnego oraz testowego, które to charakterystyki stanowi y podstaw oceny sieci. Na podstawie uzyskanych wska ników oceny jako ci sieci neuronowej, a tak e ilorazów odchyle standardowych dla zbioru ucz cego i testowego mo na wnioskowa o poprawno ci w prognozowaniu warto ci na wyj ciu sieci. Warto ci temperatury przemian fazowych zamodelowane na podstawie prezentowanych sieci neuronowych przedstawiono na rysunkach Tablica Wska niki oceny jako ci sieci neuronowej wykorzystanej do wyznaczenia T N, T G oraz T sol Zbiór ucz cy Zbiór walidacyjny Zbiór testowy Parametr Architektura sieci redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona T N T G MLP 2:2-8- 1:1 MLP 2:2-8- 1:1 3,56 0,21 0,97 3,06 0,25 0,97 3,01 0,14 0,99 2,15 0,16 0,98 1,2 0,07 0,99 1,89 0,12 0,99 T sol MLP 2:2-8- 1:1 4,54 0,15 0,98 4,6 0,15 0,98 2,83 0,1 0,99 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 237
12 Open Access Library Volume 5 (11) 2012 Rysunek Wp yw szybko ci ch odzenia oraz st enia magnezu na temperatur zarodkowania (T N ) fazy Rysunek Wp yw szybko ci ch odzenia oraz st enia masowego magnezu na maksymaln temperatur krystalizacji (T G ) fazy Kolejnym analizowanym przyk adem jest zastosowanie sieci neuronowych do wyznaczania ciep a generowanego podczas krystalizacji stopów Mg-Al-Zn, na podstawie st enia masowego 238 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
13 Struktura i w asno ci stopów Mg-Al-Zn Rysunek Wp yw szybko ci ch odzenia oraz st enia Mg na temperatur solidus (T sol ) aluminium oraz szybko ci ch odzenia [17]. Dla zmiennych numerycznych wej ciowych i wyj ciowej zastosowano technik konwersji zmiennych mini-max. Liczba warstw sieci zosta a okre lona jako trzy warstwy z 7 neuronami w warstwie ukrytej. Funkcje aktywacji w warstwie wej ciowej i wyj ciowej okre lono jako liniowe z nasyceniem, w przypadku warstwy ukrytej jako logistyczn, natomiast dla wszystkich warstw zastosowano liniowe funkcje PSP. Sieci uczono metod wstecznej propagacji b dów (50 epok ucz cych) oraz gradientów sprz onych (112 epok ucz cych). Iloraz odchyle standardowych obliczony dla przyj tego modelu sieci neuronowej dla wielko ci ziarna wynosi 0,63. W tablicy przedstawiono warto ci b dów, ilorazy odchyle standardowych oraz wspó czynniki korelacji zaprojektowanych sieci neuronowych dla zbioru ucz cego, walidacyjnego oraz testowego. Na rysunku przedstawiono warto ci ciep a generowanego podczas krystalizacji stopów magnezu zamodelowanej na podstawie przedstawionej sieci neuronowej. Z kolei zastosowano sieci neuronowe do wyznaczania wielko ci ziarna odlewniczych stopów Mg-Al-Zn na podstawie st enia masowego aluminium oraz szybko ci ch odzenia. Do wyznaczenia wielko ci ziarna na podstawie st enia masowego aluminium oraz zastosowanej szybko ci ch odzenia opracowano sie jednokierunkow typu MLP o 2 neuronach w warstwie wej ciowej. Dla zmiennych wej ciowych i wyj ciowych zastosowano technik konwersji 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 239
14 Open Access Library Volume 5 (11) 2012 zmiennych mini-max. Liczba warstw sieci zosta a okre lona jako trzy warstwy z 13 neuronami w warstwie ukrytej. Funkcje aktywacji w warstwie wej ciowej i wyj ciowej okre lono jako liniowe z nasyceniem, w przypadku warstwy ukrytej jako logistyczn, natomiast dla wszystkich warstw zastosowano liniowe funkcje PSP. Sieci uczono metod wstecznej propagacji b dów (14 epok ucz cych). W tablicy przedstawiono warto ci b dów, ilorazy odchyle standardowych oraz wspó czynniki korelacji zaprojektowanych sieci neuronowych dla zbioru ucz cego, Tablica Wska niki oceny jako ci sieci neuronowej wykorzystanej do wyznaczania warto ci ciep a ukrytego generowanego podczas krystalizacji stopu Zbiór ucz cy Zbiór walidacyjny Zbiór testowy Parametr Architektura sieci redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona Q c MLP 2:2-7- 1:1 67,3 0,63 0,77 67,56 0,72 0,69 65,6 0,51 0,87 Rysunek Wp yw szybko ci ch odzenia oraz st enia masowego aluminium na warto ciep a (Q c ) wydzielanego podczas krystalizacji stopu 240 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
15 Struktura i w asno ci stopów Mg-Al-Zn walidacyjnego oraz testowego. Rysunek przedstawia warto ci wielko ci ziarna uzyskanych na podstawie przedstawionej sieci neuronowej. Opracowany model sieci neuronowej pozwala na okre lenie wielko ci ziarna z b dem ±21,36 μm. Sieci neuronowe zastosowano równie do wyznaczania w asno ci mechanicznych odlewniczych stopów Mg-Al-Zn na podstawie st enia masowego aluminium oraz szybko ci ch odzenia. Do tego celu wykorzystano sieci jednokierunkowe typu MLP o 2 neuronach w warstwie wej ciowej. Dla zmiennych wej ciowych i wyj ciowych zastosowano technik Tablica Wska niki oceny jako ci sieci neuronowej wykorzystanej do wyznaczenia wielko ci ziarna Zbiór ucz cy Zbiór walidacyjny Zbiór testowy Parametr Architektura sieci redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona Z MLP 2: :1 21,36 0,56 0,83 11,09 0,39 0,92 17,83 0,61 0,8 Rysunek Wp yw szybko ci ch odzenia oraz st enia aluminium na wielko ziarna badanych stopów 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 241
16 Open Access Library Volume 5 (11) 2012 konwersji zmiennych mini-max. Liczba warstw sieci zosta a okre lona jako trzy warstwy z 6 neuronami w warstwie ukrytej dla sieci obliczaj cej twardo HRF, 8 neuronami w warstwie ukrytej dla sieci wyznaczaj cej wytrzyma o na ciskanie oraz 4 neuronami w warstwie ukrytej wyznaczaj cej umown granic plastyczno ci. Funkcje aktywacji w warstwach wej ciowych Tablica Wska niki oceny jako ci sieci neuronowej wykorzystanej do wyznaczania w asno ci mechanicznych Zbiór ucz cy Zbiór walidacyjny Zbiór testowy Parametr HRF R c R c0,2 Architektura sieci MLP 2:2-6- 1:1 MLP 2:2-8- 1:1 MLP 2:2-4- 1:1 redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona redni b d bezwzgl dny Iloraz odchyle Korelacja Pearsona 1,37 0,09 0,99 1,77 0,11 0,99 1,58 0,1 0,99 7,88 0,39 0,92 5,66 0,32 0,94 6,92 0,4 0,91 8,72 0,39 0,91 6,74 0,34 0,94 13,15 0,37 0,96 Rysunek Wp yw szybko ci ch odzenia oraz st enia aluminium na twardo badanych stopów 242 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
17 Struktura i w asno ci stopów Mg-Al-Zn Rysunek Wp yw szybko ci ch odzenia oraz st enia aluminium na wytrzyma o na ciskanie R c Rysunek Wp yw szybko ci ch odzenia oraz st enia aluminium na umown granic plastyczno ci R c0,2 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 243
18 Open Access Library Volume 5 (11) 2012 i wyj ciowych okre lono jako liniowe z nasyceniem, w przypadku warstwy ukrytej jako logistyczn, natomiast dla wszystkich warstw zastosowano liniowe funkcje PSP. W tablicy przedstawiono warto ci b dów, ilorazy odchyle standardowych oraz wspó czynniki korelacji zaprojektowanych sieci neuronowych dla zbioru ucz cego, walidacyjnego oraz testowego. Warto ci w asno ci mechanicznych dla zaimplementowanych sieci neuronowych przedstawiono na rysunkach Opracowane modele sieci neuronowych pozwalaj na obliczenie, cznie z mo liwym b dem pomiarowym, poszczególnych warto ci w asno ci materia owych, tj. twardo ci ±1,37 HRF, wytrzyma o ci na ciskanie ±7,88 MPa oraz umownej granicy plastyczno ci ±8,72 MPa Aplikacje sieci neuronowych do optymalizacji struktury i w asno ci stopów Mg-Al-Zn Dobór optymalnych warunków obróbki cieplnej dla badanych odlewniczych stopów magnezu przeprowadzono z wykorzystaniem analizy komputerowej, w tym sieci neuronowych. Zastosowane sieci neuronowe pozwoli y na opracowanie modelu zale no ci pomi dzy: st eniem aluminium, temperatur i czasem przesycania, o rodkiem ch odz cym, a twardo ci, st eniem aluminium, temperatur i czasem przesycania, temperatur i czasem starzenia, a twardo ci. Zbiór danych, dla przesycania i starzenia, podzielono w sposób losowy na trzy podzbiory: ucz cy, walidacyjny i testowy. W przypadku sieci obliczaj cej twardo po przesycaniu liczba przypadków wynosi a odpowiednio: 68, 20, 20, natomiast dla sieci obliczaj cej twardo po starzeniu: 231, 100, 101. Dane ze zbioru ucz cego wykorzystano do modyfikacji wag sieci, dane ze zbioru walidacyjnego do oceny sieci w trakcie procesu uczenia, natomiast pozosta cz warto ci (zbiór testowy) przeznaczono do niezale nego okre lenia sprawno ci sieci po ca kowitym zako czeniu procedury jej tworzenia. Wyniki wykorzystywane w procesie uczenia i testowania sieci poddano normalizacji. Zastosowano skalowanie wzgl dem odchylenia od warto ci minimalnej zgodnie z funkcj mini-max. Funkcja mini-max transformuje dziedzin zmiennych do przedzia u (0,1). Rodzaj sieci, liczb neuronów w warstwie (warstwach) ukrytej, metod i parametry uczenia okre lono obserwuj c wp yw tych wielko ci na przyj te wska niki oceny jako ci sieci [17]. 244 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
19 Struktura i w asno ci stopów Mg-Al-Zn Jako podstawowe wska niki oceny jako ci modelu wykorzystano nast puj ce wielko ci: b d redni prognozy sieci, iloraz odchyle standardowych, wspó czynnik korelacji Pearsona. Za istotny wska nik jako ci modelu zbudowanego przy pomocy sieci neuronowej przyj to iloraz odchyle standardowych dla b dów i dla danych (tab , 8.3.2) Poprawno przyj tego przez sie modelu mo na rozwa a tylko wtedy, je eli prezentowane przez sie prognozy s obarczone mniejszym b dem ni proste oszacowanie nieznanej warto ci wyj ciowej. Najprostszym sposobem oszacowania warto ci wyj ciowej pozostaje przyj cie warto ci redniej z danych wyj ciowych dla zbioru ucz cego i przedstawianie jej jako prognozy dla danych nie prezentowanych podczas procesu uczenia. W tym przypadku b d redni jest równy odchyleniu standardowemu dla warto ci wyj ciowej w zbiorze ucz cym, natomiast iloraz odchyle standardowych przyjmuje warto jeden. Im mniejszy jest b d predykcji sieci, tym Tablica Wska niki oceny jako ci sieci neuronowej opracowanej do obliczania twardo ci po przesycaniu Wska niki oceny jako ci modelu Zbiór danych ucz cy walidacyjny testowy B d redni, HRF 1,1 1,1 1,1 Iloraz odchyle standardowych 0,1 0,08 0,08 Wspó czynnik korelacji 0,99 0,99 0,99 Tablica Wska niki oceny jako ci sieci neuronowej opracowanej do obliczania twardo ci po przesycaniu i starzeniu Wska niki oceny jako ci modelu Zbiór danych ucz cy walidacyjny testowy B d redni, HRF 1,5 1,5 1,5 Iloraz odchyle standardowych 0,09 0,09 0,09 Wspó czynnik korelacji 0,99 0,99 0,99 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 245
20 Open Access Library Volume 5 (11) 2012 iloraz odchyle standardowych przyjmuje mniejsze warto ci, osi gaj c zero dla idealnej prognozy. Zarówno dla sieci obliczaj cej twardo po przesycaniu jak i starzeniu, jako optymaln ustalono sie jednokierunkow typu MLP (perceptron wielowarstwowy) z jedn warstw ukryt i 5 neuronami w tej warstwie. Zastosowan funkcj b du oraz logistyczn funkcj aktywacji przyj to w postaci sumy kwadratów wykorzystuj c metod uczenia opart na algorytmie gradientów sprz onych, co pozwoli o na prezentacj przyk adów ze zbioru ucz cego przez 101 epok treningowych dla sieci obliczaj cej twardo po przesycaniu i 195 epok dla sieci obliczaj cej twardo po starzeniu [17]. Na podstawie opracowanych modeli sieci neuronowych wykonano wykresy wp ywu temperatury oraz czasu przesycania i starzenia, a tak e st enia aluminium na twardo analizowanych odlewniczych stopów magnezu (rys ). Otrzymane wyniki jednoznacznie wskazuj, e najkorzystniejszym rodzajem obróbki cieplnej zarówno pod wzgl dem optymalnych warunków pracy oraz zu ytej energii i czasu potrzebnych na przeprowadzenie przesycania i starzenia, jak i zarówno pod wzgl dem uzyskania najkorzystniejszych w asno ci mechanicznych jest przesycanie w temperaturze 430 C przez 10 godzin i starzenie w temperaturze 190 C przez 15 godzin (tab ) [17]. Rysunek Wp yw temperatury i czasu przesycania na twardo odlewniczego stopu magnezu MCMgAl12Zn1 przy za o onej temperaturze i czasie starzenia 190 C i 15 godzin; wyniki uzyskane przy pomocy symulacji komputerowej z wykorzystaniem sieci neuronowych 246 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
21 Struktura i w asno ci stopów Mg-Al-Zn Rysunek Wp yw temperatury i czasu przesycania na twardo odlewniczego stopu magnezu MCMgAl9Zn1 przy za o onej temperaturze i czasie starzenia 190 C i 15 godzin; wyniki uzyskane przy pomocy symulacji komputerowej z wykorzystaniem sieci neuronowych Rysunek Wp yw temperatury i czasu przesycania na twardo odlewniczego stopu magnezu MCMgAl6Zn1 przy za o onej temperaturze i czasie starzenia 190 C i 15 godzin; wyniki uzyskane przy pomocy symulacji komputerowej z wykorzystaniem sieci neuronowych 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 247
22 Open Access Library Volume 5 (11) 2012 Rysunek Wp yw temperatury i czasu przesycania na twardo odlewniczego stopu magnezu MCMgAl3Zn1 przy za o onej temperaturze i czasie starzenia 190 C i 15 godzin; wyniki uzyskane przy pomocy symulacji komputerowej z wykorzystaniem sieci neuronowych Rysunek Wp yw temperatury i czasu starzenia na twardo odlewniczego stopu magnezu MCMgAl12Zn1 przy za o onej temperaturze i czasie przesycania 430 C i 10 godzin; wyniki uzyskane przy pomocy symulacji komputerowej z wykorzystaniem sieci neuronowych 248 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
23 Struktura i w asno ci stopów Mg-Al-Zn Rysunek Wp yw temperatury i czasu starzenia na twardo odlewniczego stopu magnezu MCMgAl9Zn1 przy za o onej temperaturze i czasie przesycania 430 C i 10 godzin; wyniki uzyskane przy pomocy symulacji komputerowej z wykorzystaniem sieci neuronowych Rysunek Wp yw temperatury i czasu starzenia na twardo odlewniczego stopu magnezu MCMgAl6Zn1 przy za o onej temperaturze i czasie przesycania 430 C i 10 godzin; wyniki uzyskane przy pomocy symulacji komputerowej z wykorzystaniem sieci neuronowych 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 249
24 Open Access Library Volume 5 (11) 2012 Rysunek Wp yw temperatury i czasu starzenia na twardo odlewniczego stopu magnezu MCMgAl3Zn1 przy za o onej temperaturze i czasie przesycania 430 C i 10 godzin; wyniki uzyskane przy pomocy symulacji komputerowej z wykorzystaniem sieci neuronowych Tablica Warunki obróbki cieplnej badanych stopów Oznaczenie stanu Warunki obróbki cieplnej obróbki cieplnej temperatura, C czas wygrzewania, h sposób ch odzenia 0 odlany, bez obróbki 1 przesycony woda 2 przesycony powietrze 3 po obróbce cieplnej z ch odzeniem z piecem piec 4 starzony powietrze Kolejnym przyk adem wykorzystania sieci neuronowych jest modelowanie chropowato ci i w asno ci mechanicznych powierzchni stopów magnezu obrobionych powierzchniowo poprzez wtapianie laserowe. W celu wyznaczenia w asno ci mechanicznych warstw wierzchnich po laserowej obróbce powierzchniowej przy zadanych: st eniu masowym aluminium, szybko ci wtapiania, mocy lasera oraz rodzaju wtapianych cz stek, pos u ono si sieciami neuronowymi [17]. Podstaw oceny jako ci sieci by y trzy charakterystyki regresyjne: redni b d bezwzgl dny, iloraz odchyle standardowych oraz wspó czynnik korelacji Pearsona. Iloraz 250 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
25 Struktura i w asno ci stopów Mg-Al-Zn odchyle standardowych jest miernikiem jako ci modelu stosowanego do rozwi zywania problemów regresyjnych. Wyznaczany jest jako iloraz odchylenia standardowego b dów predykcji i odchylenia standardowego zmiennej wyj ciowej. Mniejsza warto miernika, odwrotnie proporcjonalna do wariancji, wskazuje na lepsz jako predykcji. W pierwszym przypadku zaprojektowano sie neuronow obliczaj c twardo na podstawie parametrów laserowego wtapiania. Do zaprojektowania pos u ono si danymi eksperymentalnymi, uwzgl dniaj c rodzaj zastosowanego proszku, st enie aluminium w stopie, moc lasera oraz pr dko wtapiania jako zmienne wej ciowe oraz twardo HRF jako zmienn wyj ciow. Zbiór danych zosta podzielony na trzy podzbiory: ucz cy (48 przypadki), walidacyjny (23 przypadki) oraz testowy (24 przypadki). W wyniku projektowania i optymalizacji wybrano sie jednokierunkow typu MLP (perceptron wielowarstwowy) o 4 neuronach w warstwie wej ciowej odpowiadaj cych zmiennym wej ciowym: rodzaj zastosowanego proszku (zmienna nominalna), st enie aluminium w stopie, moc lasera i pr dko wtapiania (zmienne numeryczne) oraz jednej numerycznej zmiennej wyj ciowej (twardo HRF). Dla nominalnej zmiennej wej ciowej zastosowano technik konwersji Jeden-z-N, natomiast dla numerycznych zmiennych wej ciowych oraz zmiennej wyj ciowej zastosowano technik konwersji zmiennych mini-max. Liczba warstw sieci zosta a okre lona jako trzy warstwy z 2 neuronami w warstwie ukrytej. Funkcje aktywacji w warstwach wej ciowej i wyj ciowej okre lono jako liniowe z nasyceniem, a w warstwie ukrytej jako logistyczn, natomiast dla wszystkich warstw zastosowano liniowe funkcje PSP. Sieci uczono metodami wstecznej propagacji b dów (50 epok ucz cych) oraz gradientów sprz onych (62 epoki ucz ce). W tablicy przedstawiono warto ci b dów, ilorazy odchylenia standardowego oraz wspó czynniki korelacji zaprojektowanej sieci neuronowej, które to charakterystyki by y podstaw oceny sieci. Tablica Wska niki oceny jako ci sieci neuronowej opracowanej do obliczania twardo ci po wtapianiu laserowym Wska niki oceny jako ci Zbiór danych modelu ucz cy walidacyjny testowy B d redni, HRF 5,35 6,49 5,90 Iloraz odchyle standardowych 0,43 0,44 0,46 Wspó czynnik korelacji 0,90 0,90 0,89 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 251
26 Open Access Library Volume 5 (11) 2012 Na podstawie opracowanego modelu sieci neuronowej wykonano wykresy wp ywu mocy lasera, st enia aluminium, a tak e rodzaju proszku wtapianego na twardo analizowanych Rysunek Wp yw st enia aluminium i mocy lasera na twardo odlewniczych stopów magnezu po wtapianiu laserowym proszku TiC z pr dko ci wtapiania 0,75 m/min Rysunek Wp yw st enia aluminium i mocy lasera na twardo odlewniczych stopów magnezu po wtapianiu laserowym proszku VC z pr dko ci wtapiania 0,75 m/min 252 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
27 Struktura i w asno ci stopów Mg-Al-Zn odlewniczych stopów magnezu po laserowym wtapianiu (rys ) [17]. Zamieszczone wykresy w wi kszo ci przypadków dotycz pr dko ci przetapiania 0,75 m/min, odpowiedniej Rysunek Wp yw st enia aluminium i mocy lasera na twardo odlewniczych stopów magnezu po wtapianiu laserowym proszku WC z pr dko ci wtapiania 0,75 m/min Rysunek Wp yw st enia aluminium i mocy lasera na twardo odlewniczych stopów magnezu po wtapianiu laserowym proszku SiC z pr dko ci wtapiania 0,75 m/min 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 253
28 Open Access Library Volume 5 (11) 2012 dla uzyskania optymalnej geometrii cie ki laserowej. Otrzymane wyniki jednoznacznie wskazuj, e najwy sz twardo ci charakteryzuj si odlewnicze stopy magnezu MCMgAl12Zn1, w powierzchni których wtapiano proszki TiC i WC z moc lasera 2,0 kw i pr dko ci 0,75 m/min. Rysunek Wp yw st enia aluminium i mocy lasera na twardo odlewniczych stopów magnezu po wtapianiu laserowym proszku Al 2 O 3 z pr dko ci wtapiania 0,50 m/min Analogicznie jak w przypadku sieci do obliczania twardo ci warstwy wierzchniej po laserowym wtapianiu, opracowano równie sie neuronow do obliczania chropowato ci warstwy wierzchniej. Do zbudowania modelu sieci pos u ono si danymi do wiadczalnymi, uwzgl dniaj c rodzaj zastosowanego proszku, st enie aluminium w stopie, moc lasera oraz pr dko wtapiania jako zmienne wej ciowe oraz chropowato R a jako zmienn wyj ciow. Zbiór danych zosta podzielony na trzy podzbiory: ucz cy (61 przypadków), walidacyjny (22 przypadki) oraz testowy (22 przypadki). Podstaw oceny jako ci sieci by y trzy charakterystyki regresyjne: redni b d bezwzgl dny, iloraz odchyle standardowych oraz wspó czynnik korelacji Pearsona. W wyniku projektowania i optymalizacji wybrano sie jednokierunkow typu MLP (perceptron wielowarstwowy) o 4 neuronach w warstwie wej ciowej odpowiadaj cych 254 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
29 Struktura i w asno ci stopów Mg-Al-Zn zmiennym wej ciowym: rodzaj zastosowanego proszku (zmienna nominalna), st enie aluminium w stopie, moc lasera i pr dko wtapiania (zmienne numeryczne) oraz jednej numerycznej zmiennej wyj ciowej (chropowato R a ). Dla nominalnej zmiennej wej ciowej zastosowano technik konwersji Jeden-z-N, natomiast dla numerycznych zmiennych wej ciowych oraz zmiennej wyj ciowej zastosowano technik konwersji zmiennych mini-max. Liczba warstw sieci zosta a okre lona jako trzy warstwy z 5 neuronami w warstwie ukrytej. Funkcje aktywacji w warstwach wej ciowej i wyj ciowej okre lono jako liniowe z nasyceniem, w przypadku warstwy ukrytej jako logistyczn, natomiast dla wszystkich warstw zastosowano liniowe funkcje PSP. Sieci uczono metodami wstecznej propagacji b dów (50 epok ucz cych) oraz gradientów sprz onych (59 epok ucz cych). W tablicy przedstawiono warto ci b dów, ilorazy odchylenia standardowego oraz wspó czynniki korelacji zaprojektowanej sieci neuronowej, b d ce podstaw oceny sieci. Tablica Wska niki oceny jako ci sieci neuronowej opracowanej do obliczania chropowato ci powierzchni po wtapianiu laserowym Wska niki oceny jako ci modelu Zbiór danych ucz cy walidacyjny testowy B d redni, HRF 1,99 1,68 1,53 Iloraz odchyle standardowych 0,42 0,41 0,42 Wspó czynnik korelacji 0,91 0,91 0,91 Ponadto na podstawie opracowanego modelu sieci neuronowej wykonano wykresy wp ywu mocy lasera, st enia aluminium w stopie, a tak e rodzaju proszku wtapianego na chropowato analizowanych odlewniczych stopów magnezu po laserowym wtapianiu (rys ). Zamieszczone wykresy dotycz w wi kszo ci przypadków pr dko ci przetapiania 0,75 m/min, odpowiedniej dla uzyskania optymalnej geometrii cie ki laserowej. Otrzymane wyniki jednoznacznie wskazuj, e najmniejsz chropowato ci otrzymanej kompozytowej warstwy wierzchniej odznaczaj si stopy odlewnicze MCMgAl12Zn1, w powierzchni których wtapiano proszki VC, WC z moc lasera 2,0 kw i pr dko ci 0,75 m/min. Umiej tno modelowania w asno ci mechanicznych gotowych materia ów jest niezwykle cenna dla producentów i konstruktorów. Oznacza ona, bowiem dotrzymanie wymaga klientów odno nie do jako ci dostarczanych produktów. Modelowanie w asno ci wi e si 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 255
30 Open Access Library Volume 5 (11) 2012 równie z korzy ciami nansowymi, gdy kosztowne i czasoch onne badania zostaj zredukowane do niezb dnego minimum, czyli bada koniecznych do wery kacji przewidywanych Rysunek Wp yw st enia aluminium i mocy lasera na chropowato odlewniczych stopów magnezu po wtapianiu laserowym proszku TiC z pr dko ci wtapiania 0,75 m/min Rysunek Wp yw st enia aluminium i mocy lasera na chropowato odlewniczych stopów magnezu po wtapianiu laserowym proszku VC z pr dko ci wtapiania 0,75 m/min 256 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
31 Struktura i w asno ci stopów Mg-Al-Zn wielko ci. W literaturze dost pnych jest wiele obliczeniowych modeli s u cych do przewidywania w asno ci mechanicznych ró nych gatunków materia ów, jednak e ich zastosowanie Rysunek Wp yw st enia aluminium i mocy lasera na chropowato odlewniczych stopów magnezu po wtapianiu laserowym proszku WC z pr dko ci wtapiania 0,75 m/min Rysunek Wp yw st enia aluminium i mocy lasera na chropowato odlewniczych stopów magnezu po wtapianiu laserowym proszku SiC z pr dko ci wtapiania 0,75 m/min 8. Aplikacje komputerowej nauki o materia ach w odniesieniu do stopów Mg-Al-Zn 257
32 Open Access Library Volume 5 (11) 2012 w przemy le jest ograniczone z powodu w skich zakresów st e poszczególnych pierwiastków stopowych lub do gatunków o ci le okre lonych warunkach wytwarzania. Rysunek Wp yw st enia aluminium i mocy lasera na chropowato odlewniczych stopów magnezu po wtapianiu laserowym proszku Al 2 O 3 z pr dko ci wtapiania 0,50 m/min 258 L.A. Dobrza ski, T. Ta ski, A.D. Dobrza ska-danikiewicz, M. Król, S. Malara, J. Domaga a-dubiel
8. Przykłady wyników modelowania własno ci badanych stopów Mg-Al-Zn z wykorzystaniem narz dzi sztucznej inteligencji
8. Przykłady wyników modelowania własno ci badanych stopów Mg-Al-Zn z wykorzystaniem narz dzi sztucznej inteligencji W przypadku numerycznego modelowania optymalnych warunków obróbki cieplnej badanych
Bardziej szczegółowoPRAWA ZACHOWANIA. Podstawowe terminy. Cia a tworz ce uk ad mechaniczny oddzia ywuj mi dzy sob i z cia ami nie nale cymi do uk adu za pomoc
PRAWA ZACHOWANIA Podstawowe terminy Cia a tworz ce uk ad mechaniczny oddzia ywuj mi dzy sob i z cia ami nie nale cymi do uk adu za pomoc a) si wewn trznych - si dzia aj cych na dane cia o ze strony innych
Bardziej szczegółowo6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie
6. Projektowanie składu chemicznego stali szybkotn cych o wymaganej twardo ci i odporno ci na p kanie Do projektowania składu chemicznego stali szybkotn cych, które jest zadaniem optymalizacyjnym, wykorzystano
Bardziej szczegółowo7. Symulacje komputerowe z wykorzystaniem opracowanych modeli
Opracowane w ramach wykonanych bada modele sieci neuronowych pozwalaj na przeprowadzanie symulacji komputerowych, w tym dotycz cych m.in.: zmian twardo ci stali szybkotn cych w zale no ci od zmieniaj cej
Bardziej szczegółowoOd redakcji. Symbolem oznaczono zadania wykraczające poza zakres materiału omówionego w podręczniku Fizyka z plusem cz. 2.
Od redakcji Niniejszy zbiór zadań powstał z myślą o tych wszystkich, dla których rozwiązanie zadania z fizyki nie polega wyłącznie na mechanicznym przekształceniu wzorów i podstawieniu do nich danych.
Bardziej szczegółowoZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al
LESZEK A. DOBRZAŃSKI, TOMASZ TAŃSKI ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al APPLICATION OF NEURAL NETWORKS FOR OPTIMISATION OF Mg-Al ALLOYS HEAT TREATMENT
Bardziej szczegółowoProjekt MES. Wykonali: Lidia Orkowska Mateusz Wróbel Adam Wysocki WBMIZ, MIBM, IMe
Projekt MES Wykonali: Lidia Orkowska Mateusz Wróbel Adam Wysocki WBMIZ, MIBM, IMe 1. Ugięcie wieszaka pod wpływem przyłożonego obciążenia 1.1. Wstęp Analizie poddane zostało ugięcie wieszaka na ubrania
Bardziej szczegółowoZarządzanie projektami. wykład 1 dr inż. Agata Klaus-Rosińska
Zarządzanie projektami wykład 1 dr inż. Agata Klaus-Rosińska 1 DEFINICJA PROJEKTU Zbiór działań podejmowanych dla zrealizowania określonego celu i uzyskania konkretnego, wymiernego rezultatu produkt projektu
Bardziej szczegółowoHarmonogramowanie projektów Zarządzanie czasem
Harmonogramowanie projektów Zarządzanie czasem Zarządzanie czasem TOMASZ ŁUKASZEWSKI INSTYTUT INFORMATYKI W ZARZĄDZANIU Zarządzanie czasem w projekcie /49 Czas w zarządzaniu projektami 1. Pojęcie zarządzania
Bardziej szczegółowo2.Prawo zachowania masy
2.Prawo zachowania masy Zdefiniujmy najpierw pewne podstawowe pojęcia: Układ - obszar przestrzeni o określonych granicach Ośrodek ciągły - obszar przestrzeni którego rozmiary charakterystyczne są wystarczająco
Bardziej szczegółowoJoanna Kisielińska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie
1 DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Katedra Ekonometrii i Statystyki, Uniwersytet Mikołaja Kopernika w Toruniu Joanna Kisielińska Szkoła Główna
Bardziej szczegółowoPolitechnika Warszawska Wydział Matematyki i Nauk Informacyjnych ul. Koszykowa 75, 00-662 Warszawa
Zamawiający: Wydział Matematyki i Nauk Informacyjnych Politechniki Warszawskiej 00-662 Warszawa, ul. Koszykowa 75 Przedmiot zamówienia: Produkcja Interaktywnej gry matematycznej Nr postępowania: WMiNI-39/44/AM/13
Bardziej szczegółowoTemat: Funkcje. Własności ogólne. A n n a R a j f u r a, M a t e m a t y k a s e m e s t r 1, W S Z i M w S o c h a c z e w i e 1
Temat: Funkcje. Własności ogólne A n n a R a j f u r a, M a t e m a t y k a s e m e s t r 1, W S Z i M w S o c h a c z e w i e 1 Kody kolorów: pojęcie zwraca uwagę * materiał nieobowiązkowy A n n a R a
Bardziej szczegółowoStrategia rozwoju kariery zawodowej - Twój scenariusz (program nagrania).
Strategia rozwoju kariery zawodowej - Twój scenariusz (program nagrania). W momencie gdy jesteś studentem lub świeżym absolwentem to znajdujesz się w dobrym momencie, aby rozpocząć planowanie swojej ścieżki
Bardziej szczegółowoTemat: Co to jest optymalizacja? Maksymalizacja objętości naczynia prostopadłościennego za pomocą arkusza kalkulacyjngo.
Konspekt lekcji Przedmiot: Informatyka Typ szkoły: Gimnazjum Klasa: II Nr programu nauczania: DKW-4014-87/99 Czas trwania zajęć: 90min Temat: Co to jest optymalizacja? Maksymalizacja objętości naczynia
Bardziej szczegółowoPOMOC PSYCHOLOGICZNO-PEDAGOGICZNA Z OPERONEM. Vademecum doradztwa edukacyjno-zawodowego. Akademia
POMOC PSYCHOLOGICZNO-PEDAGOGICZNA Z OPERONEM PLANOWANIE DZIAŁAŃ Określanie drogi zawodowej to szereg różnych decyzji. Dobrze zaplanowana droga pozwala dojechać do określonego miejsca w sposób, który Ci
Bardziej szczegółowo7. REZONANS W OBWODACH ELEKTRYCZNYCH
OBWODY SYGNAŁY 7. EZONANS W OBWODAH EEKTYZNYH 7.. ZJAWSKO EZONANS Obwody elektryczne, w których występuje zjawisko rezonansu nazywane są obwodami rezonansowymi lub drgającymi. ozpatrując bezźródłowy obwód
Bardziej szczegółowoWiedza niepewna i wnioskowanie (c.d.)
Wiedza niepewna i wnioskowanie (c.d.) Dariusz Banasiak Katedra Informatyki Technicznej Wydział Elektroniki Wnioskowanie przybliżone Wnioskowanie w logice tradycyjnej (dwuwartościowej) polega na stwierdzeniu
Bardziej szczegółowoObjaśnienia do Wieloletniej Prognozy Finansowej na lata 2011-2017
Załącznik Nr 2 do uchwały Nr V/33/11 Rady Gminy Wilczyn z dnia 21 lutego 2011 r. w sprawie uchwalenia Wieloletniej Prognozy Finansowej na lata 2011-2017 Objaśnienia do Wieloletniej Prognozy Finansowej
Bardziej szczegółowoAutomatyka. Etymologicznie automatyka pochodzi od grec.
Automatyka Etymologicznie automatyka pochodzi od grec. : samoczynny. Automatyka to: dyscyplina naukowa zajmująca się podstawami teoretycznymi, dział techniki zajmujący się praktyczną realizacją urządzeń
Bardziej szczegółowoWyznaczanie współczynnika sprężystości sprężyn i ich układów
Ćwiczenie 63 Wyznaczanie współczynnika sprężystości sprężyn i ich układów 63.1. Zasada ćwiczenia W ćwiczeniu określa się współczynnik sprężystości pojedynczych sprężyn i ich układów, mierząc wydłużenie
Bardziej szczegółowoTemat: Czy świetlówki energooszczędne są oszczędne i sprzyjają ochronie środowiska? Imię i nazwisko
Temat: Czy świetlówki energooszczędne są oszczędne i sprzyjają ochronie środowiska? Karta pracy III.. Imię i nazwisko klasa Celem nauki jest stawianie hipotez, a następnie ich weryfikacja, która w efekcie
Bardziej szczegółowoOpis modułu analitycznego do śledzenia rotacji towaru oraz planowania dostaw dla programu WF-Mag dla Windows.
Opis modułu analitycznego do śledzenia rotacji towaru oraz planowania dostaw dla programu WF-Mag dla Windows. Zadaniem modułu jest wspomaganie zarządzania magazynem wg. algorytmu just in time, czyli planowanie
Bardziej szczegółowo12. Wyznaczenie relacji diagnostycznej oceny stanu wytrzymało ci badanych materiałów kompozytowych
Open Access Library Volume 2 211 12. Wyznaczenie relacji diagnostycznej oceny stanu wytrzymało ci badanych materiałów kompozytowych 12.1 Wyznaczanie relacji diagnostycznych w badaniach ultrad wi kowych
Bardziej szczegółowoPODSTAWY METROLOGII ĆWICZENIE 4 PRZETWORNIKI AC/CA Międzywydziałowa Szkoła Inżynierii Biomedycznej 2009/2010 SEMESTR 3
PODSTAWY METROLOGII ĆWICZENIE 4 PRZETWORNIKI AC/CA Międzywydziałowa Szkoła Inżynierii Biomedycznej 29/2 SEMESTR 3 Rozwiązania zadań nie były w żaden sposób konsultowane z żadnym wiarygodnym źródłem informacji!!!
Bardziej szczegółowoBioinformatyka Laboratorium, 30h. Michał Bereta mbereta@pk.edu.pl www.michalbereta.pl
Bioinformatyka Laboratorium, 30h Michał Bereta mbereta@pk.edu.pl www.michalbereta.pl 1 Filogenetyka molekularna wykorzystuje informację zawartą w sekwencjach aminokwasów lub nukleotydów do kontrukcji drzew
Bardziej szczegółowoDobór nastaw PID regulatorów LB-760A i LB-762
1 z 5 Dobór nastaw PID regulatorów LB-760A i LB-762 Strojenie regulatorów LB-760A i LB-762 Nastawy regulatora PID Regulatory PID (rolnicze np.: LB-760A - poczynając od wersji 7.1 programu ładowalnego,
Bardziej szczegółowoOdpowiedzi na pytania zadane do zapytania ofertowego nr EFS/2012/05/01
Odpowiedzi na pytania zadane do zapytania ofertowego nr EFS/2012/05/01 1 Pytanie nr 1: Czy oferta powinna zawierać informację o ewentualnych podwykonawcach usług czy też obowiązek uzyskania od Państwa
Bardziej szczegółowotel/fax 018 443 82 13 lub 018 443 74 19 NIP 7343246017 Regon 120493751
Zespół Placówek Kształcenia Zawodowego 33-300 Nowy Sącz ul. Zamenhoffa 1 tel/fax 018 443 82 13 lub 018 443 74 19 http://zpkz.nowysacz.pl e-mail biuro@ckp-ns.edu.pl NIP 7343246017 Regon 120493751 Wskazówki
Bardziej szczegółowoUKŁAD ROZRUCHU SILNIKÓW SPALINOWYCH
UKŁAD ROZRUCHU SILNIKÓW SPALINOWYCH We współczesnych samochodach osobowych są stosowane wyłącznie rozruszniki elektryczne składające się z trzech zasadniczych podzespołów: silnika elektrycznego; mechanizmu
Bardziej szczegółowoWarszawska Giełda Towarowa S.A.
KONTRAKT FUTURES Poprzez kontrakt futures rozumiemy umowę zawartą pomiędzy dwoma stronami transakcji. Jedna z nich zobowiązuje się do kupna, a przeciwna do sprzedaży, w ściśle określonym terminie w przyszłości
Bardziej szczegółowoKOMISJA WSPÓLNOT EUROPEJSKICH. Wniosek DECYZJA RADY
KOMISJA WSPÓLNOT EUROPEJSKICH Bruksela, dnia 13.12.2006 KOM(2006) 796 wersja ostateczna Wniosek DECYZJA RADY w sprawie przedłużenia okresu stosowania decyzji 2000/91/WE upoważniającej Królestwo Danii i
Bardziej szczegółowoOpis programu do wizualizacji algorytmów z zakresu arytmetyki komputerowej
Opis programu do wizualizacji algorytmów z zakresu arytmetyki komputerowej 3.1 Informacje ogólne Program WAAK 1.0 służy do wizualizacji algorytmów arytmetyki komputerowej. Oczywiście istnieje wiele narzędzi
Bardziej szczegółowoZaproszenie. Ocena efektywności projektów inwestycyjnych. Modelowanie procesów EFI. Jerzy T. Skrzypek Kraków 2013 Jerzy T.
1 1 Ocena efektywności projektów inwestycyjnych Ocena efektywności projektów inwestycyjnych Jerzy T. Skrzypek Kraków 2013 Jerzy T. Skrzypek MODEL NAJLEPSZYCH PRAKTYK SYMULACJE KOMPUTEROWE Kraków 2011 Zaproszenie
Bardziej szczegółowoWYMAGANIA EDUKACYJNE SPOSOBY SPRAWDZANIA POSTĘPÓW UCZNIÓW WARUNKI I TRYB UZYSKANIA WYŻSZEJ NIŻ PRZEWIDYWANA OCENY ŚRÓDROCZNEJ I ROCZNEJ
WYMAGANIA EDUKACYJNE SPOSOBY SPRAWDZANIA POSTĘPÓW UCZNIÓW WARUNKI I TRYB UZYSKANIA WYŻSZEJ NIŻ PRZEWIDYWANA OCENY ŚRÓDROCZNEJ I ROCZNEJ Anna Gutt- Kołodziej ZASADY OCENIANIA Z MATEMATYKI Podczas pracy
Bardziej szczegółowoProjektowanie bazy danych
Projektowanie bazy danych Pierwszą fazą tworzenia projektu bazy danych jest postawienie definicji celu, założeo wstępnych i określenie podstawowych funkcji aplikacji. Każda baza danych jest projektowana
Bardziej szczegółowoRZECZPOSPOLITA POLSKA. Prezydent Miasta na Prawach Powiatu Zarząd Powiatu. wszystkie
RZECZPOSPOLITA POLSKA Warszawa, dnia 11 lutego 2011 r. MINISTER FINANSÓW ST4-4820/109/2011 Prezydent Miasta na Prawach Powiatu Zarząd Powiatu wszystkie Zgodnie z art. 33 ust. 1 pkt 2 ustawy z dnia 13 listopada
Bardziej szczegółowo'()(*+,-./01(23/*4*567/8/23/*98:)2(!."/+)012+3$%-4#"4"$5012#-4#"4-6017%*,4.!"#$!"#%&"!!!"#$%&"#'()%*+,-+
'()(*+,-./01(23/*4*567/8/23/*98:)2(!."/+)012+3$%-4#"4"$5012#-4#"4-6017%*,4.!"#$!"#%&"!!!"#$%&"#'()%*+,-+ Ucze interpretuje i tworzy teksty o charakterze matematycznym, u ywa j zyka matematycznego do opisu
Bardziej szczegółowoMechanizm zawarty w warunkach zamówienia podstawowego. Nie wymaga aneksu do umowy albo udzielenia nowego zamówienia. -
Załącznik nr 1a Lista sprawdzająca dot. ustalenia stosowanego trybu zwiększenia wartości zamówień podstawowych na roboty budowlane INFORMACJE PODLEGAJĄCE SPRAWDZENIU Analiza ryzyka Działanie Uwagi Czy
Bardziej szczegółowoElementy cyfrowe i układy logiczne
Elementy cyfrowe i układy logiczne Wykład Legenda Zezwolenie Dekoder, koder Demultiplekser, multiplekser 2 Operacja zezwolenia Przykład: zamodelować podsystem elektroniczny samochodu do sterowania urządzeniami:
Bardziej szczegółowoPAKIET MathCad - Część III
Opracowanie: Anna Kluźniak / Jadwiga Matla Ćw3.mcd 1/12 Katedra Informatyki Stosowanej - Studium Podstaw Informatyki PAKIET MathCad - Część III RÓWNANIA I UKŁADY RÓWNAŃ 1. Równania z jedną niewiadomą MathCad
Bardziej szczegółowoObjaśnienia wartości, przyjętych do Projektu Wieloletniej Prognozy Finansowej Gminy Golina na lata 2012-2015
Załącznik Nr 2 do Uchwały Nr XIX/75/2011 Rady Miejskiej w Golinie z dnia 29 grudnia 2011 r. Objaśnienia wartości, przyjętych do Projektu Wieloletniej Prognozy Finansowej Gminy Golina na lata 2012-2015
Bardziej szczegółowoWYMAGANIA EDUKACYJNE Z PRZEDMIOTÓW ZAWODOWYCH ODBYWAJĄCYCH SIĘ W SZKOLNYM LABORATORIUM CHEMICZNYM
WYMAGANIA EDUKACYJNE Z PRZEDMIOTÓW ZAWODOWYCH ODBYWAJĄCYCH SIĘ W SZKOLNYM LABORATORIUM CHEMICZNYM PSO jest uzupełnieniem Wewnątrzszkolnego Systemu Oceniania obowiązującego w GCE. Precyzuje zagadnienia
Bardziej szczegółowoPRÓG RENTOWNOŚCI i PRÓG
PRÓG RENTOWNOŚCI i PRÓG WYPŁACALNOŚCI (MB) Próg rentowności (BP) i margines bezpieczeństwa Przychody Przychody Koszty Koszty całkowite Koszty stałe Koszty zmienne BP Q MB Produkcja gdzie: BP próg rentowności
Bardziej szczegółowoMODELOWANIE FAZ ZNI ANIA I L DOWANIA SAMOLOTU BOEING 767-300ER PRZY U YCIU SZTUCZNYCH SIECI NEURONOWYCH
P R A C E N A U K O W E P O L I T E C H N I K I W A R S Z A W S K I E J z. 102 Transport 2014 Aleksandra Stycunów, Jerzy Manerowski Politechnika Warszawska, Wydzia Transportu MODELOWANIE FAZ ZNI ANIA I
Bardziej szczegółowoBadanie bezszczotkowego silnika prądu stałego z magnesami trwałymi (BLDCM)
Badanie bezszczotkowego silnika prądu stałego z magnesami trwałymi (BLDCM) Celem ćwiczenia jest zapoznanie się z budową, zasadą działania oraz sterowaniem bezszczotkowego silnika prądu stałego z magnesami
Bardziej szczegółowoU M OWA DOTACJ I <nr umowy>
U M OWA DOTACJ I na dofinansowanie zadania pn.: zwanego dalej * zadaniem * zawarta w Olsztynie w dniu pomiędzy Wojewódzkim Funduszem Ochrony Środowiska i Gospodarki Wodnej
Bardziej szczegółowoPodstawowe działania w rachunku macierzowym
Podstawowe działania w rachunku macierzowym Marcin Detka Katedra Informatyki Stosowanej Kielce, Wrzesień 2004 1 MACIERZE 1 1 Macierze Macierz prostokątną A o wymiarach m n (m wierszy w n kolumnach) definiujemy:
Bardziej szczegółowoSieci Neuronowe Laboratorium 2
Sieci Neuronowe Zadania i problemy algorytmiczne dla sieci neuronowych, programowania logicznego i sztucznej inteligencji według zasad i kryteriów laboratoriów. pdf Laboratorium 2 Zapisać następujące stwierdzenia
Bardziej szczegółowoPodstawowe pojęcia: Populacja. Populacja skończona zawiera skończoną liczbę jednostek statystycznych
Podstawowe pojęcia: Badanie statystyczne - zespół czynności zmierzających do uzyskania za pomocą metod statystycznych informacji charakteryzujących interesującą nas zbiorowość (populację generalną) Populacja
Bardziej szczegółowoKLAUZULE ARBITRAŻOWE
KLAUZULE ARBITRAŻOWE KLAUZULE arbitrażowe ICC Zalecane jest, aby strony chcące w swych kontraktach zawrzeć odniesienie do arbitrażu ICC, skorzystały ze standardowych klauzul, wskazanych poniżej. Standardowa
Bardziej szczegółowoDr inż. Andrzej Tatarek. Siłownie cieplne
Dr inż. Andrzej Tatarek Siłownie cieplne 1 Wykład 3 Sposoby podwyższania sprawności elektrowni 2 Zwiększenie sprawności Metody zwiększenia sprawności elektrowni: 1. podnoszenie temperatury i ciśnienia
Bardziej szczegółowoUdoskonalona wentylacja komory suszenia
Udoskonalona wentylacja komory suszenia Komora suszenia Kratka wentylacyjna Zalety: Szybkie usuwanie wilgoci z przestrzeni nad próbką Ograniczenie emisji ciepła z komory suszenia do modułu wagowego W znacznym
Bardziej szczegółowoOGÓLNODOSTĘPNE IFORMACJE O WYNIKACH EGZAMINÓW I EFEKTYWNOŚCI NAUCZANIA W GIMNAZJACH przykłady ich wykorzystania i interpretowania
Teresa Kutajczyk, WBiA OKE w Gdańsku Okręgowa Komisja Egzaminacyjna w Gdańsku OGÓLNODOSTĘPNE IFORMACJE O WYNIKACH EGZAMINÓW I EFEKTYWNOŚCI NAUCZANIA W GIMNAZJACH przykłady ich wykorzystania i interpretowania
Bardziej szczegółowoNOWELIZACJA USTAWY PRAWO O STOWARZYSZENIACH
NOWELIZACJA USTAWY PRAWO O STOWARZYSZENIACH Stowarzyszenie opiera swoją działalność na pracy społecznej swoich członków. Do prowadzenia swych spraw stowarzyszenie może zatrudniać pracowników, w tym swoich
Bardziej szczegółowoEdycja geometrii w Solid Edge ST
Edycja geometrii w Solid Edge ST Artykuł pt.: " Czym jest Technologia Synchroniczna a czym nie jest?" zwracał kilkukrotnie uwagę na fakt, że nie należy mylić pojęć modelowania bezpośredniego i edycji bezpośredniej.
Bardziej szczegółowoĆwiczenie: "Ruch harmoniczny i fale"
Ćwiczenie: "Ruch harmoniczny i fale" Opracowane w ramach projektu: "Wirtualne Laboratoria Fizyczne nowoczesną metodą nauczania realizowanego przez Warszawską Wyższą Szkołę Informatyki. Zakres ćwiczenia:
Bardziej szczegółowoKomunikat 16 z dnia 2015-05-07 dotyczący aktualnej sytuacji agrotechnicznej
Komunikat 16 z dnia 2015-05-07 dotyczący aktualnej sytuacji agrotechnicznej www.sad24.com Wszystkie poniższe informacje zostały przygotowane na podstawie obserwacji laboratoryjnych oraz lustracji wybranych
Bardziej szczegółowoPROGRAM ZAJĘĆ MATEMATYCZNYCH DLA UCZNIÓW Z DYSLEKSJĄ
Nie wystarczy mieć rozum, trzeba jeszcze umieć z niego korzystać Kartezjusz Rozprawa o metodzie PROGRAM ZAJĘĆ MATEMATYCZNYCH DLA UCZNIÓW Z DYSLEKSJĄ II KLASA LICEUM OGÓLNOKSZTAŁCĄCE 1 Opracowała : Dorota
Bardziej szczegółowoPRZEDMIOTOWY SYSTEM OCENIANIA Z MATEMATYKI I LICEUM OGÓLNOKSZTAŁCĄCE IM. MIKOŁAJA KOPERNIKA W KROŚNIE
PRZEDMIOTOWY SYSTEM OCENIANIA Z MATEMATYKI I LICEUM OGÓLNOKSZTAŁCĄCE IM. MIKOŁAJA KOPERNIKA W KROŚNIE Przedmiotowy system oceniania z matematyki jest zgodny z Rozporządzeniem Ministra Edukacji Narodowej
Bardziej szczegółowo1. Rozwiązać układ równań { x 2 = 2y 1
Dzień Dziecka z Matematyką Tomasz Szymczyk Piotrków Trybunalski, 4 czerwca 013 r. Układy równań szkice rozwiązań 1. Rozwiązać układ równań { x = y 1 y = x 1. Wyznaczając z pierwszego równania zmienną y,
Bardziej szczegółowo14.Rozwiązywanie zadań tekstowych wykorzystujących równania i nierówności kwadratowe.
Matematyka 4/ 4.Rozwiązywanie zadań tekstowych wykorzystujących równania i nierówności kwadratowe. I. Przypomnij sobie:. Wiadomości z poprzedniej lekcji... Że przy rozwiązywaniu zadań tekstowych wykorzystujących
Bardziej szczegółowo11.1. Zale no ć pr dko ci propagacji fali ultrad wi kowej od czasu starzenia
11. Wyniki bada i ich analiza Na podstawie nieniszcz cych bada ultrad wi kowych kompozytu degradowanego cieplnie i zm czeniowo wyznaczono nast puj ce zale no ci: pr dko ci propagacji fali ultrad wi kowej
Bardziej szczegółowoZadania. SiOD Cwiczenie 1 ;
1. Niech A będzie zbiorem liczb naturalnych podzielnych przez 6 B zbiorem liczb naturalnych podzielnych przez 2 C będzie zbiorem liczb naturalnych podzielnych przez 5 Wyznaczyć zbiory A B, A C, C B, A
Bardziej szczegółowoMATEMATYKA 4 INSTYTUT MEDICUS FUNKCJA KWADRATOWA. Kurs przygotowawczy na studia medyczne. Rok szkolny 2010/2011. tel. 0501 38 39 55 www.medicus.edu.
INSTYTUT MEDICUS Kurs przygotowawczy na studia medyczne Rok szkolny 00/0 tel. 050 38 39 55 www.medicus.edu.pl MATEMATYKA 4 FUNKCJA KWADRATOWA Funkcją kwadratową lub trójmianem kwadratowym nazywamy funkcję
Bardziej szczegółowoSYSTEMY TRANSAKCYJNE (TraderTeam.pl: Rafa Jaworski, Marek Matuszek) Lekcja XIX
SYSTEMY TRANSAKCYJNE (TraderTeam.pl: Rafa Jaworski, Marek Matuszek) Lekcja XIX Systemy oparte na rednich krocz cych cz.1 Wszelkie prawa zastrze one. Kopiowanie i rozpowszechnianie ca ci lub fragmentu niniejszej
Bardziej szczegółowo5. Modelowanie własno ci stali szybkotn cych
5. Modelowanie własno ci stali szybkotn cych Głównym celem przeprowadzonych bada jest opracowanie metodyki projektowania nowych stali szybkotn cych o wymaganych własno ciach u ytkowych. Przyj to, e przy
Bardziej szczegółowoSPRZĄTACZKA pracownik gospodarczy
Szkolenie wstępne InstruktaŜ stanowiskowy SPRZĄTACZKA pracownik gospodarczy pod red. Bogdana Rączkowskiego Zgodnie z rozporządzeniem Ministra Gospodarki i Pracy z dnia 27 lipca 2004 r. w sprawie szkolenia
Bardziej szczegółowoWaldemar Szuchta Naczelnik Urzędu Skarbowego Wrocław Fabryczna we Wrocławiu
1 P/08/139 LWR 41022-1/2008 Pan Wrocław, dnia 5 5 września 2008r. Waldemar Szuchta Naczelnik Urzędu Skarbowego Wrocław Fabryczna we Wrocławiu WYSTĄPIENIE POKONTROLNE Na podstawie art. 2 ust. 1 ustawy z
Bardziej szczegółowoS T A N D A R D V. 7
S T A N D A R D V. 7 WYCENA NIERUCHOMOŚCI GRUNTOWYCH POŁOśONYCH NA ZŁOśACH KOPALIN Przy określaniu wartości nieruchomości połoŝonych na złoŝach kopali rzeczoznawca majątkowy stosuje przepisy: - ustawy
Bardziej szczegółowoHiTiN Sp. z o. o. Przekaźnik kontroli temperatury RTT 4/2 DTR. 40 432 Katowice, ul. Szopienicka 62 C tel/fax.: + 48 (32) 353 41 31. www.hitin.
HiTiN Sp. z o. o. 40 432 Katowice, ul. Szopienicka 62 C tel/fax.: + 48 (32) 353 41 31 www.hitin.pl Przekaźnik kontroli temperatury RTT 4/2 DTR Katowice, 1999 r. 1 1. Wstęp. Przekaźnik elektroniczny RTT-4/2
Bardziej szczegółowoINSTRUKCJA RUCHU I EKSPLOATACJI SIECI DYSTRYBUCYJNEJ
INSTRUKCJA RUCHU I EKSPLOATACJI SIECI DYSTRYBUCYJNEJ Część ogólna Tekst obowiązujący od dnia:. SPIS TREŚCI I.A. Postanowienia ogólne... 3 I.B. Podstawy prawne opracowania IRiESD... 3 I.C. Zakres przedmiotowy
Bardziej szczegółowoInstrukcja zarządzania systemem informatycznym służącym do przetwarzania danych osobowych
Załącznik nr 1 do Zarządzenia Nr 1/2013 Dyrektora Zespołu Obsługi Szkół i Przedszkoli w Muszynie z dnia 30 grudnia 2013 r. Instrukcja zarządzania systemem informatycznym służącym do przetwarzania danych
Bardziej szczegółowoWYKŁAD 8. Postacie obrazów na różnych etapach procesu przetwarzania
WYKŁAD 8 Reprezentacja obrazu Elementy edycji (tworzenia) obrazu Postacie obrazów na różnych etapach procesu przetwarzania Klasy obrazów Klasa 1: Obrazy o pełnej skali stopni jasności, typowe parametry:
Bardziej szczegółowoU S T A W A. z dnia. o zmianie ustawy o ułatwieniu zatrudnienia absolwentom szkół. Art. 1.
P r o j e k t z dnia U S T A W A o zmianie ustawy o ułatwieniu zatrudnienia absolwentom szkół. Art. 1. W ustawie z dnia 18 września 2001 r. o ułatwieniu zatrudnienia absolwentom szkół (Dz.U. Nr 122, poz.
Bardziej szczegółowoWarunki Oferty PrOmOcyjnej usługi z ulgą
Warunki Oferty PrOmOcyjnej usługi z ulgą 1. 1. Opis Oferty 1.1. Oferta Usługi z ulgą (dalej Oferta ), dostępna będzie w okresie od 16.12.2015 r. do odwołania, jednak nie dłużej niż do dnia 31.03.2016 r.
Bardziej szczegółowoKrótkoterminowe planowanie finansowe na przykładzie przedsiębiorstw z branży 42
Krótkoterminowe planowanie finansowe na przykładzie przedsiębiorstw z branży 42 Anna Salata 0 1. Zaproponowanie strategii zarządzania środkami pieniężnymi. Celem zarządzania środkami pieniężnymi jest wyznaczenie
Bardziej szczegółowo13. Subsydiowanie zatrudnienia jako alternatywy wobec zwolnień grupowych.
13. Subsydiowanie zatrudnienia jako alternatywy wobec zwolnień grupowych. Przyjęte w ustawie o łagodzeniu skutków kryzysu ekonomicznego dla pracowników i przedsiębiorców rozwiązania uwzględniły fakt, że
Bardziej szczegółowoAnaliza wyników egzaminu gimnazjalnego. Test matematyczno-przyrodniczy matematyka. Test GM-M1-122,
Analiza wyników egzaminu gimnazjalnego Test matematyczno-przyrodniczy Test GM-M1-122, Zestaw zadań z zakresu matematyki posłużył w dniu 25 kwietnia 2012 r. do sprawdzenia, u uczniów kończących trzecią
Bardziej szczegółowoSystem wielokryterialnej optymalizacji systemu traderskiego na rynku kontraktów terminowych
System wielokryterialnej optymalizacji systemu traderskiego na rynku kontraktów terminowych Bartłomiej Wietrak 1 1 Wydział Inżynierii Mechanicznej i Informatyki Kierunek informatyka, Rok IV Streszczenie
Bardziej szczegółowoInstalacja. Zawartość. Wyszukiwarka. Instalacja... 1. Konfiguracja... 2. Uruchomienie i praca z raportem... 4. Metody wyszukiwania...
Zawartość Instalacja... 1 Konfiguracja... 2 Uruchomienie i praca z raportem... 4 Metody wyszukiwania... 6 Prezentacja wyników... 7 Wycenianie... 9 Wstęp Narzędzie ściśle współpracujące z raportem: Moduł
Bardziej szczegółowoOgólna charakterystyka kontraktów terminowych
Jesteś tu: Bossa.pl Kurs giełdowy - Część 10 Ogólna charakterystyka kontraktów terminowych Kontrakt terminowy jest umową pomiędzy dwiema stronami, z których jedna zobowiązuje się do nabycia a druga do
Bardziej szczegółowoPodstawa programowa kształcenia ogólnego informatyki w gimnazjum
1 Podstawa programowa kształcenia ogólnego informatyki w gimnazjum Obowiązująca podstawa programowa nauczania informatyki w gimnazjum, w odniesieniu do propozycji realizacji tych zagadnień w podręcznikach
Bardziej szczegółowoart. 488 i n. ustawy z dnia 23 kwietnia 1964 r. Kodeks cywilny (Dz. U. Nr 16, poz. 93 ze zm.),
Istota umów wzajemnych Podstawa prawna: Księga trzecia. Zobowiązania. Dział III Wykonanie i skutki niewykonania zobowiązań z umów wzajemnych. art. 488 i n. ustawy z dnia 23 kwietnia 1964 r. Kodeks cywilny
Bardziej szczegółowoStatystyczna analiza danych w programie STATISTICA. Dariusz Gozdowski. Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW
Statystyczna analiza danych w programie STATISTICA ( 4 (wykład Dariusz Gozdowski Katedra Doświadczalnictwa i Bioinformatyki Wydział Rolnictwa i Biologii SGGW Regresja prosta liniowa Regresja prosta jest
Bardziej szczegółowoWymagania na poszczególne oceny klasa 4
Wymagania na poszczególne oceny klasa 4 a) Wymagania konieczne (na ocenę dopuszczającą) obejmują wiadomości i umiejętności umożliwiające uczniowi dalszą naukę, bez których uczeń nie jest w stanie zrozumieć
Bardziej szczegółowoPodatek przemysłowy (lokalny podatek od działalności usługowowytwórczej) 2015-12-17 16:02:07
Podatek przemysłowy (lokalny podatek od działalności usługowowytwórczej) 2015-12-17 16:02:07 2 Podatek przemysłowy (lokalny podatek od działalności usługowo-wytwórczej) Podatek przemysłowy (lokalny podatek
Bardziej szczegółowoPodstawy programowania
Podstawy programowania Elementy algorytmiki C w środowisku.e (C#) dr inŝ. Grzegorz Zych Copernicanum, pok. 104 lub 206a 1 Minimum programowe reści kształcenia: Pojęcie algorytmu. Podstawowe konstrukcje
Bardziej szczegółowoANALOGOWE UKŁADY SCALONE
ANALOGOWE UKŁADY SCALONE Ćwiczenie to ma na celu zapoznanie z przedstawicielami najważniejszych typów analogowych układów scalonych. Będą to: wzmacniacz operacyjny µa 741, obecnie chyba najbardziej rozpowszechniony
Bardziej szczegółowo2. Przyk ad zadania do cz ci praktycznej egzaminu dla wybranych umiej tno ci z kwalifikacji E.20 Eksploatacja urz dze elektronicznych
3. 2. Przyk ad zadania do cz ci praktycznej egzaminu dla wybranych umiej tno ci z kwalifikacji E.20 Eksploatacja urz dze elektronicznych Zadanie egzaminacyjne Znajd usterk oraz wska sposób jej usuni cia
Bardziej szczegółowoSystemy mikroprocesorowe - projekt
Politechnika Wrocławska Systemy mikroprocesorowe - projekt Modbus master (Linux, Qt) Prowadzący: dr inż. Marek Wnuk Opracował: Artur Papuda Elektronika, ARR IV rok 1. Wstępne założenia projektu Moje zadanie
Bardziej szczegółowoTester pilotów 315/433/868 MHz 10-50 MHz
TOUCH PANEL KOLOROWY WYŚWIETLACZ LCD TFT 160x128 ` Parametry testera Zasilanie Pasmo 315MHz Pasmo 433MHz Pasmo 868 MHz Pasmo 10-50MHz 5-12V/ bateria 1,5V AAA 300-360MHz 400-460MHz 820-880MHz Pomiar sygnałów
Bardziej szczegółowoNasz kochany drogi BIK Nasz kochany drogi BIK
https://www.obserwatorfinansowy.pl/tematyka/bankowosc/biuro-informacji-kredytowej-bik-koszty-za r Biznes Pulpit Debata Biuro Informacji Kredytowej jest jedyną w swoim rodzaju instytucją na polskim rynku
Bardziej szczegółowoKomputer i urządzenia z nim współpracujące
Temat 1. Komputer i urządzenia z nim współpracujące Realizacja podstawy programowej 1. 1) opisuje modułową budowę komputera, jego podstawowe elementy i ich funkcje, jak również budowę i działanie urządzeń
Bardziej szczegółowoWYZNACZANIE PRZYSPIESZENIA ZIEMSKIEGO ZA POMOCĄ WAHADŁA REWERSYJNEGO I MATEMATYCZNEGO
Nr ćwiczenia: 101 Prowadzący: Data 21.10.2009 Sprawozdanie z laboratorium Imię i nazwisko: Wydział: Joanna Skotarczyk Informatyki i Zarządzania Semestr: III Grupa: I5.1 Nr lab.: 1 Przygotowanie: Wykonanie:
Bardziej szczegółowoWYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji. Laboratorium Obróbki ubytkowej materiałów.
WYDZIAŁ MECHANICZNY Katedra Technologii Maszyn i Automatyzacji Produkcji Laboratorium Obróbki ubytkowej materiałów Ćwiczenie nr 1 Temat: Geometria ostrzy narzędzi skrawających Cel ćwiczenia Celem ćwiczenia
Bardziej szczegółowoP 0max. P max. = P max = 0; 9 20 = 18 W. U 2 0max. U 0max = q P 0max = p 18 2 = 6 V. D = T = U 0 = D E ; = 6
XL OLIMPIADA WIEDZY TECHNICZNEJ Zawody II stopnia Rozwi zania zada dla grupy elektryczno-elektronicznej Rozwi zanie zadania 1 Sprawno przekszta tnika jest r wna P 0ma a Maksymaln moc odbiornika mo na zatem
Bardziej szczegółowoPrzedmiotowe zasady oceniania. zgodne z Wewnątrzszkolnymi Zasadami Oceniania. obowiązującymi w XLIV Liceum Ogólnokształcącym.
Przedmiotowe zasady oceniania zgodne z Wewnątrzszkolnymi Zasadami Oceniania obowiązującymi w XLIV Liceum Ogólnokształcącym. Przedmiot: biologia Nauczyciel przedmiotu: Anna Jasztal, Anna Woch 1. Formy sprawdzania
Bardziej szczegółowoPROCEDURA OCENY RYZYKA ZAWODOWEGO. w Urzędzie Gminy Mściwojów
I. Postanowienia ogólne 1.Cel PROCEDURA OCENY RYZYKA ZAWODOWEGO w Urzędzie Gminy Mściwojów Przeprowadzenie oceny ryzyka zawodowego ma na celu: Załącznik A Zarządzenia oceny ryzyka zawodowego monitorowanie
Bardziej szczegółowo