[NEOBHÁJENO] Statistické hodnocení polymerních povrchů s využití neuronových sítí
Zobrazit minimální záznam
| dc.contributor.advisor |
Pata, Vladimír
|
|
| dc.contributor.author |
Matyáš, Milan
|
|
| dc.date.accessioned |
2023-12-20T13:24:47Z |
|
| dc.date.available |
2023-12-20T13:24:47Z |
|
| dc.date.issued |
2023-01-02 |
|
| dc.identifier |
Elektronický archiv Knihovny UTB |
|
| dc.identifier.uri |
http://hdl.handle.net/10563/53393
|
|
| dc.description.abstract |
Tato diplomová práce zahrnuje měření struktury povrchu polypropylenu a sestavení optimalizované neuronové sítě pro predikování vstupních parametrů drsnosti, ze kterých se určí odpovídající klasifikace. Teoretická část se zaobírá technickými normami vztahující se ke struktuře povrchu, rozborem chyb a nejistotami měření, využití statistických nástrojů k analýze naměřených dat a popisem měřícího zařízení. V praktické části jsou pohledy snímacího povrchu modifikovány a data aplikována ve statistických metodách pro zkoumání odlišností jednotlivých parametrů drsnosti povrchu. Hlavním cílem práce je vytvoření vhodné neuronové sítě, která dokáže nejúspěšněji vyhodnotit vstupní parametry. |
|
| dc.format |
86 |
|
| dc.language.iso |
cs |
|
| dc.publisher |
Univerzita Tomáše Bati ve Zlíně |
|
| dc.rights |
Bez omezení |
|
| dc.subject |
drsnost povrchu
|
cs |
| dc.subject |
polypropylen
|
cs |
| dc.subject |
neuronové sítě
|
cs |
| dc.subject |
surface roughness
|
en |
| dc.subject |
polypropylene
|
en |
| dc.subject |
neural networks
|
en |
| dc.title |
[NEOBHÁJENO] Statistické hodnocení polymerních povrchů s využití neuronových sítí |
|
| dc.title.alternative |
[NEOBHÁJENO] Statistical Evaluation of Polymer Surfaces Using Neural Networks |
|
| dc.type |
diplomová práce |
cs |
| dc.contributor.referee |
Kubišová, Milena |
|
| dc.date.accepted |
2023-06-01 |
|
| dc.description.abstract-translated |
This thesis involves measuring the surface structure of polypropylene and assembly an optimized neural network to predict the input roughness parameters from which the appropriate classification is determined. The theoretical part deals with technical standards related to surface structure, analysis of measurement errors and uncertainties, use of statistical tools to analyse the measured data and description of the measuring equipment. In the practical part, the views of the sensing surface are modified and the data are applied in statistical methods to investigate the differences in the various surface roughness parameters. The main objective of the work is to create a suitable neural network that can the most successfully evaluate the input parameters. |
|
| dc.description.department |
Ústav výrobního inženýrství |
|
| dc.description.result |
neobhájeno |
|
| dc.thesis.degree-discipline |
Řízení jakosti |
cs |
| dc.thesis.degree-discipline |
Quality Control |
en |
| dc.thesis.degree-grantor |
Univerzita Tomáše Bati ve Zlíně. Fakulta technologická |
cs |
| dc.thesis.degree-grantor |
Tomas Bata University in Zlín. Faculty of Technology |
en |
| dc.thesis.degree-name |
Ing. |
|
| dc.thesis.degree-program |
Procesní inženýrství |
cs |
| dc.thesis.degree-program |
Process Engineering |
en |
| dc.identifier.stag |
62069
|
|
| dc.date.submitted |
2023-05-12 |
|
Soubory tohoto záznamu
Tento záznam se objevuje v následujících kolekcích
Zobrazit minimální záznam
