Application of the artificial neural networks for identification of polymers on the basis of their flammability

Małgorzata Rabiej

doi:10.14314/polimery.2020.9.3

Published : 2020-12-16

Vol. 65 No. 9 (2020)

Application of the artificial neural networks for identification of polymers on the basis of their flammability

Małgorzata Rabiej

DOI: https://doi.org/10.14314/polimery.2020.9.3

Abstract

The work presents the structure and principle of operation of the artificial neuron network constructed for identification of a polymer on the basis of its flammability. The characteristic properties of burning of a polymer are saved in a special form in a database. The network creates a binary standard for each polymer from the database, coding data by means of the signals of the values 1, 0, -1. The network memorizes data related to each polymer detecting the similarities and differences between them and determines the weights which reflect the importance of particular features of its burning process.

Keywords

identification of polymers ; artificial neural networks ; test of flammability ; oxygen index identyfikacja polimerów ; sieć neuronowa ; test palności ; wskaźnik tlenowy

Details

References

Statistics

Authors

Download files

PDF

Zasady cytowania

Rabiej, M. (2020). Application of the artificial neural networks for identification of polymers on the basis of their flammability. Polimery, 65(9), 613–621. https://doi.org/10.14314/polimery.2020.9.3

References

Jankowska G., Przygocki W., Włochowicz A.: „Palność polimerów i materiałów polimerowych”, WNT, Warszawa 2007.

[2] Jurkowski B., Jurkowska B., Rydarowski H.: „Palność materiałów polimerowych”, Wydawnictwo Politechniki Poznańskiej, Poznań 2010.

[3] Rabek J.F.: „Współczesna wiedza o polimerach”, PWN, Warszawa 2016.

[4] Iwko J.: Tworzywa sztuczne i chemia 2009, 3, 46.

[5] Półka M.: „Badanie palności metodą wskaźnika tlenowego”, SGSP, Warszawa 1996.

[6] PN-EN I SO 4 589-2:2006: T worzywa s ztuczne –Oznaczanie zapalności metodą wskaźnika tlenowego– Część 2: Badanie w temperaturze pokojowej.

[7] Vapnik V.N.: “Statistical Learning Theory”, Wiley, New York 1998.

[8] Egmont-Petersen M., de Ridder D., Handels H.: Pattern Recognition 2002, 35 (10), 2279. http://dx.doi.org/10.1016/S0031-3203(01)00178-9

[9] Bengio Y., Courville A., Goodfellow I.: “Deep Learning”, PWN SA, Warszawa 2018.

[10] Murata N., Yoshizawa S., Amari S.: IEEE Trans. Neural Networks 1994, 5 (6), 865.

[11] Ogiela M., Tadeusiewicz R.: Pattern Recognition 2003, 36, 2441. https://doi.org/10.1016/S0031-3203(03)00089-X

[12] Rutkowski L.: „Metody i techniki sztucznej inteligencji”, PWN, Warszawa 2005.

[13] Skowron M., Wolkiewicz M., Orłowska-Kowalska T., Kowalski C.: Applied Sciences 2019, 9 (4), art. 616.

[14] Skowron M., Wolkiewicz M., Orłowska-Kowalska T., Kowalski T.: Energies 2019, 129 (12), art. 2392.

[15] Garbarski J., Fabijański M.: Problemy Kolejnictwa 2012, 154, 47.

Google Scholar

Altmetric indicators

Citing articles via

Statistics

Total abstract views : 0

PDF Downloads : 0