El trabajo presenta un modelo basado en redes neuronales que es capaz de predecir el tiempo necesario para pasar los diferentes calibres de un laminador de desbaste y acabado en función de algunas características de los desbastes y de parámetros del proceso. El objetivo final del trabajo es aumentar la eficiencia de laminación evitando colisiones y colas que provocan pérdidas de tiempo y energía. Las redes neuronales son adecuadas para esta tarea de predicción, ya que son particularmente capaces de hacer frente a relaciones no lineales desconocidas entre las variables de entrada y de salida. Además, pueden aprender de datos industriales reales y, por tanto, no requieren suposiciones previas ni modelos matemáticos del proceso, y su transferibilidad está garantizada por la posibilidad de utilizar diferentes bases de datos procedentes de distintos trenes de laminación. En este artículo se proponen dos tipos diferentes de modelos basados en redes neuronales y se analizan y comparan sus resultados.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Proceso de compresión rotativa para producir ejes huecos dentados
Artículo:
Retos para la investigación y el desarrollo de nuevas aleaciones de aluminio
Artículo:
Diseño de redes neuronales con algoritmos de aprendizaje combinados de backpropagation y creepingrandom- search aplicados a la determinación de austenita retenida en aceros TRIP
Video:
Modelación y Simulación de Sistemas - Conceptos Generales
Video:
Modelado dinámico de turbinas de vapor y gobernadores
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.