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

Παπαδόπουλος, Ιωάννης; Papadopoulos, Ioannis

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	https://dspace.lib.ntua.gr/xmlui/handle/123456789/42875
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.11317
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	free
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