Zastosowanie sieci neuronowych do analizy sprężynowania blach (po gięciu)
Wyniki
Wybrane statystyki regresji dla analizowanej sieci neuronowej przedstawiono w tab. 2. Wysoka jakość współczynnika determinacji dla obydwu zbiorów danych potwierdza bardzo dobrą jakość regresyjną sieci. Chociaż badane arkusze różniły się istotnie pod względem wartości właściwości mechanicznych, dopasowanie sieci neuronowej do danych uczących jest na wysokim poziomie (R2 > 0,99). Dodatkowo wartość ilorazu odchylenia standardowego, liczona jako stosunek błędu odchylenia standardowego i odchylenia standardowego zmiennej wyjściowej, równa 0,1359, jest wyznacznikiem dobrej zdolności sieci neuronowej do generalizowania danych, które nie były zaangażowane w proces uczenia się sieci. Proces uczenia sieci zakończono po około 370 epokach wobec braku dalszego zmniejszania się błędu sieci dla zbioru uczącego (rys. 5). Duże oscylacje zmian błędu sieci dla zbioru walidacyjnego wynikają z mniejszej reprezentacji tych danych w całym zbiorze danych eksperymentalnych. W konsekwencji występowały duże skoki po powierzchni błędu zmierzające do osiągnięcia minimum globalnego błędu sieci.
Wraz ze wzrostem wartości kąta ugięcia próbki pod obciążeniem γl wartość współczynnika sprężynowania zwiększa się nieliniowo (rys. 6). Przy [...]
Co tydzień otrzymaj od nas porządną dawkę wiedzy o branży przemysłowej!
