HEAL DSpace

Investigation of the performance of artificial neural network models for the prediction of surface roughness during grinding

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Παπαδόπουλος, Ιωάννης el
dc.contributor.author Papadopoulos, Ioannis en
dc.date.accessioned 2016-06-28T13:30:41Z
dc.date.available 2016-06-28T13:30:41Z
dc.date.issued 2016-06-28
dc.identifier.uri http://dspace.lib.ntua.gr/handle/123456789/42875
dc.rights Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα *
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ *
dc.subject Νευρωνικά δίκτυα el
dc.subject Νευρωνικά δίκτυα πρόσθιας τροφοδότησης el
dc.subject Νευρωνικά δίκτυα ακτινικής βάσης el
dc.subject Απόδοση μοντέλων νευρωνικών δικτύων el
dc.subject Πρόβλεψη επιφανειακής τραχύτητας el
dc.subject Neural networks en
dc.subject Feed forward neural networks el
dc.subject Radial basis neural networks el
dc.subject Performance of artificial neural network models el
dc.subject Prediction of surface roughness el
dc.title Investigation of the performance of artificial neural network models for the prediction of surface roughness during grinding en
dc.title Διερεύνηση της απόδοσης μοντέλων νευρωνικών δικτύων κατα την πρόβλεψη της επιφανειακής τραχύτητας στην κατεργασία της λείανσης el
heal.type bachelorThesis
heal.classification Κατεργασίες υλικών el
heal.classificationURI http://data.seab.gr/concepts/12ca5151411399c77d21d70b67b67a46b688b242
heal.language el
heal.access campus
heal.recordProvider ntua el
heal.publicationDate 2016-03-16
heal.abstract Στην παρούσα εργασία έγινε απόπειρα μαθηματικής μοντελοποίησης της κατεργασίας λείανσης μετάλλων με χρήση νευρωνικών δικτύων πρόσθιας τροφοδότησης, καθώς επίσης και νευρωνικών δικτύων ακτινικής βάσης. Τα πειραματικά δεδομένα ελήφθησαν από την βιβλιογραφία και αφορούν την λείανση τριών ειδών χάλυβα με έξι διαφορετικούς τύπους λειαντικών τροχών. Για την προσέγγιση του προβλήματος, δοκιμάστηκε ένας μεγάλος αριθμός διαφορετικών αρχιτεκτονικών νευρωνικών δικτύων πρόσθιας τροφοδότησης, όπως επίσης και τεσσάρων διαφορετικών αλγορίθμων εκπαίδευσης. Επίσης δοκιμάστηκε ένας μεγάλος αριθμός αρχιτεκτονικών νευρωνικών δικτύων ακτινικής βάσης. Από τις δοκιμές που έγιναν, βρέθηκε ότι για την στατιστική μοντελοποίηση της συγκεκριμένης κατεργασίας, είναι προτιμότερη η χρήση των νευρωνικών δικτύων ακτινικής βάσης, καθώς το σφάλμα πρόβλεψης βρέθηκε να είναι μικρότερο. Εκτός αυτού, τα νευρωνικά δίκτυα ακτινικής βάσης έχουν χαμηλότερο υπολογιστικό κόστος, και απλούστερη αρχιτεκτονική, καθιστώντας τα πιο εύχρηστα στην προσέγγιση του συγκεκριμένου προβλήματος. el
heal.abstract In the current thesis, mathematical modeling for the prediction of surface roughness during metal grinding was attempted, using feed forward and radial basis neural networks. Experimental data were obtained from relevant literature, which correspond to grinding of three types of steels, using six different types of grinding wheels. A large number of different feed forward and radial basis neural networks architectures were tested, and for the case of the feed forward neural networks, four different training algorithms were compared. Computational results have shown that mathematical models based on radial basis neural networks, were able to predict the experimental data with smaller errors, compared to feed forward neural networks predictions. Moreover, due to their simpler architecture and smaller computational cost, they proved advantageous during the approach of the specific problem. en
heal.advisorName Μαρκόπουλος, Άγγελος el
heal.committeeMemberName Μαρκόπουλος, Άγγελος el
heal.committeeMemberName Μανωλάκος, Δημήτριος el
heal.committeeMemberName Βοσνιάκος, Γεώργιος-Χριστόφορος el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Τεχνολογίας των Κατεργασιών el
heal.academicPublisherID ntua
heal.numberOfPages 89 σ.
heal.fullTextAvailability true


Files in this item

The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Except where otherwise noted, this item's license is described as Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα