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

Data publikacji : 2020-12-16

Tom 65 Nr 9 (2020)

Zastosowanie sztucznych sieci neuronowych do identyfikacji polimerów na podstawie ich palności

Małgorzata Rabiej

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

Abstrakt

Przedstawiono strukturę i zasadę działania sztucznej sieci neuronowej skonstruowanej do identyfikacji polimeru na podstawie jego palności. Charakterystyczne cechy palności każdego polimeru zostały zapisane we wzorcowej bazie danych. Dla każdego polimeru z tej bazy sieć tworzy wzorzec binarny, w którym charakterystyczne cechy palności są kodowane jako sygnały o wartościach -1, 0 i 1. Sieć zapamiętuje palność każdego polimeru, wykrywając podobieństwa i różnice między nimi oraz określając wagi odzwierciedlające znaczenie poszczególnych cech palności.

Słowa kluczowe

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

Szczegóły

Bibliografia

Wskaźniki

Autorzy

Pobierz pliki

PDF (English)

Zasady cytowania

Rabiej, M. (2020). Zastosowanie sztucznych sieci neuronowych do identyfikacji polimerów na podstawie ich palności. Polimery, 65(9), 613–621. https://doi.org/10.14314/polimery.2020.9.3

Bibliografia

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

Wskaźniki altmetryczne

Cytowania w Google Scholar

Statystyki

Total abstract views : 0

PDF Downloads : 0