Influence of architecture and training dataset parameters on the neural networks efficiency in thermal nondestructive testing

Скорочена інформація про документ
dc.contributor.authorMomot, Andrii
dc.contributor.authorGalagan, Roman
dc.date.accessioned2019-11-12T10:36:34Z
dc.date.available2019-11-12T10:36:34Z
dc.date.issued2019-10
dc.description.abstractDescribes the perspective of the use of artificial neural networks in automated thermal non-destructive testing and defectometry systems. The influence of backpropagation neural networks architecture on the efficiency of defect classification and accuracy of determining their depth and thickness are analyzed. Considered the influence of volume and quality of training dataset on the efficiency of defect classification and accuracy of defectometry. Performance of neural networks is evaluated by quantitative indicators, such as MSE, relative error and Tanimoto criterion. The optimal neural network architecture for using in active thermal testing was established on the basis of experimental researches.en
dc.description.abstractruОписана перспективность применения искусственных нейронных сетей в составе автоматизированных систем теплового неразрушающего контроля и дефектометрии. Проведен анализ влияния архитектуры сетей обратного распространения ошибки на эффективность классификации дефектов и точность определения их глубины залегания и раскрытия. Рассмотрены основные алгоритмы обучения нейронных сетей и исследована их результативность в задачах теплового контроля. Рассмотрено влияние объема и качества обучающей выборки на эффективность классификации дефектов и точность дефектометрии. Проведены экспериментальные исследования, на основе которых уточнено модель оптимальной архитектуры нейронных сетей для применения в активном тепловом неразрушающему контроле.uk
dc.description.abstractukОписано перспективність застосування штучних нейронних мереж в складі автоматизованих систем теплового неруйнівного контролю та дефектометрії. Проведено аналіз впливу архітектури мереж зворотного поширення помилки на ефективність класифікації дефектів та точність визначення їх глибини залягання і розкриву. Розглянуто основні алгоритми навчання нейронних мереж та досліджено їх результативність в задачах теплового контролю. Розглянуто вплив обсягу та якості навчальної вибірки на ефективність класифікації дефектів та точність дефектометрії. Проведено експериментальні дослідження, на основі яких уточнено модель оптимальної архітектури нейронних мереж для застосування в активному тепловому неруйнівному контролі.uk
dc.format.pagerangePp. 20-25en
dc.identifier.citationMomot, A. Influence of architecture and training dataset parameters on the neural networks efficiency in thermal nondestructive testing / A. Momot, R. Galagan // Sciences of Europe. – 2019. – Vol. 1, No 44. – Pp. 20–25.en
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/30026
dc.language.isoenuk
dc.publisher.placePraha, Czech Republicen
dc.sourceSciences of Europeen
dc.sourceSciences of Europe, 2019, Vol. 1, No 44en
dc.subjectnondestructive testingen
dc.subjectthermal testingen
dc.subjectneural networksen
dc.subjectthermograms processingen
dc.subjectcomposite materialsen
dc.subjectthermal defectometryen
dc.subject.udc004.032.26en
dc.titleInfluence of architecture and training dataset parameters on the neural networks efficiency in thermal nondestructive testingen
dc.typeArticleen

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Sciences_of_Europe_VOL1_No_44(2019).pdf
Розмір:
352.68 KB
Формат:
Adobe Portable Document Format
Опис:
Momot, Galagan
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Статті (АСНК)