V originále
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.
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.