KOPAL, Ivan, Ivan LABAJ, Marta HARNIČÁROVÁ, Jan VALÍČEK and Dušan HRUBÝ. Prediction of the Tensile Response of Carbon Black Filled Rubber Blends by Artificial Neural Network. Polymers. Switzerland: MDPI, 2018, vol. 10, No 6, p. 1 - 18. ISSN 2073-4360.
Other formats:   BibTeX LaTeX RIS
Basic information
Original name Prediction of the Tensile Response of Carbon Black Filled Rubber Blends by Artificial Neural Network
Name in Czech Predikce napěťově-deformační odezvy gumárnaských směsí s různým obsahem sazí na mechanické namáhání tahem pomocí umělých neuronových sítí.
Authors KOPAL, Ivan (703 Slovakia, guarantor), Ivan LABAJ (203 Czech Republic), Marta HARNIČÁROVÁ (203 Czech Republic, belonging to the institution), Jan VALÍČEK (203 Czech Republic, belonging to the institution) and Dušan HRUBÝ (203 Czech Republic).
Edition Polymers, Switzerland, MDPI, 2018, 2073-4360.
Other information
Original language English
Type of outcome Article in a journal
Field of Study 20505 Composites
Country of publisher Switzerland
Confidentiality degree is not subject to a state or trade secret
RIV identification code RIV/75081431:_____/18:00001260
Organization unit Institute of Technology and Business in České Budějovice
Keywords (in Czech) plněné pryžové směsi naplněné sazemi; mechanické vlastnosti a vlastnosti; zkoušky pevnosti v tahu polymerů; křivky napětí-deformace; umělá neuronová síť
Keywords in English carbon black filled rubber blends; mechanical properties and characteristics; tensile tests of polymers; stress-strain curves; artificial neural network
Tags NAM_2, RIV18, SCOPUS
Changed by Changed by: Mgr. Blanka Mikšíková, učo 22534. Changed: 3/7/2018 09:45.
Abstract
"The precise experimental estimation of mechanical properties of rubber blends can be a very costly and time-consuming process. The present work explores the possibilities of increasing its efficiency by using artificial neural networks to study the mechanical behavior of these widely used materials. A multilayer feed-forward back-propagation artificial neural network model, with a strain and the carbon black content as input parameters and stress as an output parameter, has been developed to predict the uniaxial tensile response of vulcanized natural rubber blends with different contents of carbon black in the form of engineering stress-strain curves. A novel procedure has been created for the simulation of the optimized artificial neural network model with input datasets generated by a regression model of an experimental dependence of tensile strain-at-break on the carbon black content in the investigated blends. Errors of the prediction of experimental stress-strain curves, as well as of tensile strain-at-break, tensile stress-at-break and M100 tensile modulus were estimated for all simulated stress-strain curves. The present study demonstrated that the performance of a developed neural network model to predict the stress-strain curves of rubber blends with different contents of carbon black is also exceptionally high in the case of a network that had never learned the input data, which makes it a suitable tool for extensive use in practice."
Abstract (in Czech)
Přesný experimentální odhad mechanických vlastností kaučukových směsí může být velmi nákladný a časově náročný proces. Současná práce zkoumá možnosti zvýšení efektivity pomocí umělých neuronových sítí pro studium mechanického chování těchto široce používaných materiálů. Byl vyvinout vícevrstvý model s umělou neuronovou sítí se zpětným šířením dopředného posunu, kde vstupními parametry bylo tahové napětí a různý obsah sazí a výstupním parametrem byla deformace pro predikci napěťově-deformační odezvy vulkanizovaných přírodních kaučukových směsí s různým obsahem sazí ve formě tahových křivek napětí a deformace. Byla vytvořena nová procedura pro simulaci optimalizovaného modelu umělé neuronové sítě se vstupními datovými soubory vytvořenými regresním modelem experimentální závislosti tahové deformace na obsahu sazí ve zkoumaných směsích. Pro všechny simulované křivky napětí a deformace byly odhadnuty chyby předpovědi experimentálních křivek napětí-deformace, stejně jako napětí tahu při přetržení, napětí v tahu a modul pružnosti M100. Tato studie ukázala, že výkon modelu vyvinutých neuronových sítí, který předpovídá tahové křivky napětí a deformace kaučukových směsí s různým obsahem sazí, je také výjimečně vysoký v případě sítě, která se nikdy nenaučila vstupní data, což z něj dělá vhodný nástroj pro rozsáhlé použití v praxi.
PrintDisplayed: 1/12/2021 19:59