1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Бакалавр
  4. 151 — Автоматизація та компʼютерно-інтегровані технології (бакалаври)
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/45755
Повний запис метаданих
Поле DCЗначенняМова
dc.contributor.advisorМикитишин, Андрій Григорович-
dc.contributor.advisorMykytyshyn, Andriy-
dc.contributor.authorСтрогуш, Володимир Тарасович-
dc.contributor.authorStrohush, Volodymyr-
dc.date.accessioned2024-07-03T10:38:41Z-
dc.date.available2024-07-03T10:38:41Z-
dc.date.issued2024-06-28-
dc.identifier.citationСтрогуш В.Т. – Застосування штучного інтелекту до прогнозування термічних властивостей композитних матеріалів.: кваліфікаційна робота бакалавра за спеціальністю 151 – «Автоматизація та комп’ютерно-інтегровані технології» / В.Т. Строгуш – Тернопіль: ТНТУ, 2024. – 63 с.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/45755-
dc.descriptionРоботу виконано на кафедрі ком’пютерно-інтегрованих технологій Тернопільського національного технічного університету імені Івана Пулюя Міністерства освіти і науки України Захист відбудеться 28 червня 2024 р. о 09 .00 годині на засіданні екзаменаційної комісії № 21 у Тернопільському національному технічному університеті імені Івана Пулюя за адресою: 46001, м. Тернопіль, вул.Руська, 56, навчальний корпус №1, ауд. 406uk_UA
dc.description.abstractСтрогуш В.Т. – Застосування штучного інтелекту до прогнозування термічних властивостей композитних матеріалів.. 151 – «Автоматизація та комп’ютерно-інтегровані технології» – Тернопільський національний технічний університет імені Івана Пулюя. – Тернопіль, 2024. У даній кваліфікаційній роботі бакалавра здійснено аналіз застосування штучного інтелекту до прогнозування термічних властивостей композитних матеріалів. Мета цієї роботи полягає в розробці та застосуванні методів машинного навчання, зокрема, нейронних мереж, к-найближчих сусідів та опорно-векторних машин для прогнозування термічних властивостей композитних матеріалів Strohush V.T.. – Application of Artificial Intelligence for Predicting Thermal Properties of Composite Materials.... 151 - "Automation and computer-integrated technologies" - Ternopil Ivan Puluj National Technical University. - Ternopil, 2024. This bachelor's thesis analyzes the application of artificial intelligence to the prediction of thermal properties of composite materials. The aim of this work is to develop and apply machine learning methods, in particular, neural networks, k-nearest neighbors, and support vector machines for predicting the thermal properties of composite materials.uk_UA
dc.description.tableofcontentsВСТУП 6 РОЗДІЛ 1. АНАЛІТИЧНА ЧАСТИНА 8 1.1 Теоретичні основи прогнозування термічних властивостей композитних матеріалів 8 1.2 Аналіз діаграми деформування матеріалу 10 РОЗДІЛ 2. ПРОЕКТНА ЧАСТИНА 14 2.1 Задача прогнозування термічних властивостей матеріалів 14 2.2 Методи МН для прогнозування діаграм деформування матеріалів…………………………………………………………………………...16 2.3 Алгоритм НМ 19 2.4 Парадигми навчання НМ 21 2.5 Зворотне поширення помилки НМ 25 2.6 Метод k-найближчих сусідів 26 2.7 Метод опорно-векторних машин 29 2.8 Підготовка даних до прогнозування 32 2.9 Нормалізація даних 34 2.10 Розробка програмного забезпечення для прогнозування термічних властивостей матеріалів 37 РОЗДІЛ 3. СПЕЦІАЛЬНА ЧАСТИНА 47 3.1 Аналіз результатів прогнозування діаграм деформування Al-6061 47 3.2 Порівняння результатів прогнозування з експериментальними даними 51 РОЗДІЛ 4. БЕЗПЕКА ЖИТТЄДІЯЛЬНОСТІ, ОСНОВИ ОХОРОНИ ПРАЦІ 55 4.1 Характеристика шкідливих факторів виробничого середовища 55 4.2 Забезпечення безпеки життєдіяльності при роботі з ПК 57 ВИСНОВКИ 62 ПЕРЕЛІК ПОСИЛАНЬ 63uk_UA
dc.language.isoukuk_UA
dc.publisherТНТУ, Тернопільuk_UA
dc.subjectметод к-найближчих сусідівuk_UA
dc.subjectмашинне навчанняuk_UA
dc.subjectнейронні мережіuk_UA
dc.subjectштучний інтелектuk_UA
dc.subjectалгоритм опорно-векторних машинuk_UA
dc.subjectartificial intelligenceuk_UA
dc.subjectneural networksuk_UA
dc.subjectmachine learninguk_UA
dc.subjectmethod of k-nearest neighborsuk_UA
dc.subjectalgorithm of support vector machinesuk_UA
dc.titleЗастосування штучного інтелекту до прогнозування термічних властивостей композитних матеріалівuk_UA
dc.title.alternativeApplication of Artificial Intelligence for Predicting Thermal Properties of Composite Materialsuk_UA
dc.typeBachelor Thesisuk_UA
dc.rights.holder© Строгуш В.Т., 2024uk_UA
dc.contributor.committeeMemberМикулик, Петро Миколайович-
dc.contributor.committeeMemberMykulyk, Petro-
dc.coverage.placenameТернопіль, ТНТУuk_UA
dc.format.pages63-
dc.subject.udc004.03.8uk_UA
dc.relation.references1. Ясній П.В. Пластично деформовані матеріали: втома і тріщиностійкість. Львів: Світ, 1998. 292 p.uk_UA
dc.relation.references2. Didych, I., Yasniy, O., Pasternak, I., & Sobashek, L. (2022). Modelling of AL-6061 aluminum alloy deformation diagrams by machine learning methods. Procedia Structural Integrity, 42, 1344-1349.uk_UA
dc.relation.references3. Yasniy, O., Pastukh, O., Didych, I., Yatsyshyn, V., & Chykhira, I. (2023). Application of machine learning for modeling of 6061-T651 aluminum alloy stress− strain diagram. Procedia Structural Integrity, 48, 183-189.uk_UA
dc.relation.references4. Alpayndin E. Introduction to Machine Learning // The Knowledge Engineering Review. 2010. Vol. 25, № 3. P. 353–353.uk_UA
dc.relation.references5. Haykin S. Neural Networks - A Comprehensive Foundation - Simon Haykin. McMaster University, Hamilton, Ontario, Canada, 2006. P. 823.uk_UA
dc.relation.references6. Wasserman Ph.D. Neural Computing: Theory and Practice. New York: Coriolis Group (Sd), 1989.uk_UA
dc.relation.references7. Mitchell T.M. Machine learning. London: McGraw-Hill Science/Engineering/Math, 1997.uk_UA
dc.relation.references8. Шаховська Н.Б., Камінський Р.М., Вовк О.Б. Системи штучного інтелекту: навч. посібник. Львів: Видавництво Львівської політехніки, 2018. 392 p.uk_UA
dc.relation.references9. Smola A., Vishwanathan S.V.N. Introduction to Machine Learning. Cambridge University Press, 2010.uk_UA
dc.relation.references10. Weaver, J. S., Khosravani, A., Castillo, A., Kalidindi, S.R., 2016. High throughput exploration of process-property linkages in Al-6061 using instrumented spherical microindentation and microstructurally graded samples, Integrating Materials and Manufacturing Innovation 5, 192−211.uk_UA
dc.relation.references11. Yasnii, О. P., Pastukh, O. А., Pyndus, Yu. І., Lutsyk, N. S., Didych, I. S., 2018. Prediction of the Diagrams of Fatigue Fracture of D16T Aluminum Alloy by the Methods of Machine Learning. Materials Science 54, 333–338.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені Івана Пулюя, кафедра комп'ютерно-інтегрованих технологійuk_UA
dc.coverage.countryUAuk_UA
Розташовується у зібраннях:151 — Автоматизація та компʼютерно-інтегровані технології (бакалаври)

Файли цього матеріалу:
Файл Опис РозмірФормат 
KRB_Strohush_V_2024.pdfКваліфікаційна робота бакалавра1,24 MBAdobe PDFПереглянути/відкрити
Avtorska_Strohush_V_2024.pdfАвторська довідка268,21 kBAdobe PDFПереглянути/відкрити
Показати базовий опис матеріалу Перегляд статистики


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора