KOPAL, Ivan, Juliána VRŠKOVÁ, Darina ONDRUŠOVÁ, Marta HARNIČÁROVÁ, Jan VALÍČEK a Zuzana KOLENIČOVÁ. Modeling the thermal decomposition of friction composite systems based on yarn reinforced polymer matrices using artificial neural networks. Material Iwiss. Weinheim: Verlag GmbH, 2019, roč. 50, č. 5, s. 616-628. ISSN 0933-5137.
Další formáty:   BibTeX LaTeX RIS
Základní údaje
Originální název Modeling the thermal decomposition of friction composite systems based on yarn reinforced polymer matrices using artificial neural networks
Název česky Modelování tepelného rozkladu třecích kompozitních systémů na bázi polymerních matric vyztužených přízemi pomocí umělých neuronových sítí
Autoři KOPAL, Ivan (703 Slovensko, garant), Juliána VRŠKOVÁ (703 Slovensko), Darina ONDRUŠOVÁ (703 Slovensko), Marta HARNIČÁROVÁ (203 Česká republika, domácí), Jan VALÍČEK (203 Česká republika, domácí) a Zuzana KOLENIČOVÁ (703 Slovensko).
Vydání Material Iwiss, Weinheim, Verlag GmbH, 2019, 0933-5137.
Další údaje
Originální jazyk angličtina
Typ výsledku Článek v odborném periodiku
Obor 20505 Composites
Stát vydavatele Německo
Utajení není předmětem státního či obchodního tajemství
WWW URL
Kód RIV RIV/75081431:_____/19:00001528
Organizační jednotka Vysoká škola technická a ekonomická v Českých Budějovicích
Klíčová slova česky Třecí kompozity; termický rozklad; termogravimetrie; modelování umělých neuronových sítí; polymerů
Klíčová slova anglicky Friction composites; thermal decomposition; thermogravimetry; artificial neural network modelling; polymers
Štítky MSP, RIV19, SCOPUS
Změnil Změnila: Ing. Anna Palokha, učo 18083. Změněno: 22. 4. 2020 15:42.
Anotace
The presented work deals with the application of artificial neural networks in the modelling of the thermal decomposition process of friction composite systems based on polymer matrices reinforced by yarns. The thermal decomposition of the automotive clutch friction composite system consisting of a polymer blend reinforced by yarns from organic, inorganic and metallic fibres impregnated with resin, as well as its individual components, was monitored by a method of non-isothermal thermogravimetry over a wide temperature range. A supervised eedforward back-propagation multi-layer artificial neural network model, with temperature as the only input parameter, has been developed to predict the thermogravimetric curves of weight loss and time derivative of weight loss of studied friction composite system and its individual components acquired at a fixed constant heating rate under a pure dry nitrogen atmosphere at a constant flow rate. It has been proven that an optimized model with a 1-25-6 architecture of an artificial neural network trained by a Levenberg-Marquardt algorithm is able to predict simultaneously all the analyzed experimental thermogravimetric curves with a high level of reliability and that it thus represents the highly effective artificial intelligence tool for the modelling of thermal stability also of relatively complicated friction composite systems.
Anotace česky
Předkládaná práce se zabývá aplikací umělých neuronových sítí při modelování procesu tepelného rozkladu třecích kompozitních systémů na bázi polymerních matric vyztužených přízemi. Tepelný rozklad automobilového spojkového třecího kompozitního systému sestávajícího z polymerní směsi vyztužené přízemi z organických, anorganických a kovových vláken impregnovaných pryskyřicí, jakož i jejích jednotlivých složek, byl sledován metodou neizotermní termogravimetrie při široké teplotě rozsah. Dozorovaný model vícevrstvé umělé neuronové sítě s řízeným zpětným množením, s teplotou jako jediným vstupním parametrem, byl vyvinut za účelem predikce termogravimetrických křivek úbytku hmotnosti a časových derivací úbytku hmotnosti studovaného třecího kompozitního systému a jeho jednotlivých složek získaných při fixní konstantní rychlost ohřevu v čisté atmosféře suchého dusíku při konstantním průtoku. Bylo prokázáno, že optimalizovaný model s architekturou 1-25-6 umělé neuronové sítě, který je vycvičen Levenbergovým-Marquardtovým algoritmem, je schopen současně předvídat všechny analyzované experimentální termogravimetrické křivky s vysokou mírou spolehlivosti a že tedy představuje vysoce účinný nástroj umělé inteligence pro modelování tepelné stability i relativně komplikovaných třecích kompozitních systémů.
VytisknoutZobrazeno: 2. 12. 2021 01:20