Automatic detection of thermal damage in grinding process by artificial neural network

Esse trabalho tem por objetivo o desenvolvimento de um sistema inteligente para detecção da queima no processo de retificação tangencial plana através da utilização de uma rede neural perceptron multi camadas, treinada para generalizar o processo e, conseqüentemente, obter o limiar de queima. em geral, a ocorrência da queima no processo de retificação pode ser detectada pelos parâmetros DPO e FKS. Porém esses parâmetros não são eficientes nas condições de usinagem usadas nesse trabalho. Os sinais de emissão acústica e potência elétrica do motor de acionamento do rebolo são variáveis de entrada e a variável de saída é a ocorrência da queima. No trabalho experimental, foram empregados um tipo de aço (ABNT 1045 temperado) e um tipo de rebolo denominado TARGA, modelo ART 3TG80.3 NVHB.

Uma análise da aplicação do modelo de Rede Neural RePART em Comitês de classificadores

RePART (Reward/Punishment ART) is a neural model that constitutes a variation of the Fuzzy Artmap model. This network was proposed in order to minimize the inherent problems in the Artmap-based model, such as the proliferation of categories and misclassification. RePART makes use of additional mechanisms, such as an instance counting parameter, a reward/punishment process and a variable vigilance parameter. The instance counting parameter, for instance, aims to minimize the misclassification problem, which is a consequence of the sensitivity to the noises, frequently presents in Artmap-based models. On the other hand, the use of the variable vigilance parameter tries to smoouth out the category proliferation problem, which is inherent of Artmap-based models, decreasing the complexity of the net. RePART was originally proposed in order to minimize the aforementioned problems and it was shown to have better performance (higer accuracy and lower complexity) than Artmap-based models. This work proposes an investigation of the performance of the RePART model in classifier ensembles. Different sizes, learning strategies and structures will be used in this investigation. As a result of this investigation, it is aimed to define the main advantages and drawbacks of this model, when used as a component in classifier ensembles. This can provide a broader foundation for the use of RePART in other pattern recognition applications

Search for the Standard Model Higgs Boson in the Missing Energy and Acoplanar b-Jet Topology at root s=1.96 TeV

Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)

Nonlinear optimization using a modified Hopfield model

Systems based on artificial neural networks have high computational rates due to the use of a massive number of simple processing elements. Neural networks with feedback connections provide a computing model capable of solving a rich class of optimization problems. In this paper, a modified Hopfield network is developed for solving constrained nonlinear optimization problems. The internal parameters of the network are obtained using the valid-subspace technique. Simulated examples are presented as an illustration of the proposed approach.

Smart structures health monitoring using artificial neural network

This paper presents a non-model based technique to detect and locate structural damage with the use of artificial neural networks. This method utilizes high frequency structural excitation (typically greater than 30 kHz) through a surface-bonded piezoelectric sensor/actuator to detect changes in structural point impedance due to the presence of damage. Two sets of artificial neural networks were developed in order to detect, locate and characterize structural damage by examining changes in the measured impedance curves. A simulation beam model was developed to verify the proposed method. An experiment was successfully performed in detecting damage on a 4-bay structure with bolted-joints, where the bolts were progressively released.

A neural network-based preset generation tool for a steel tandem cold mill

This paper traces the development of a software tool, based oil a combination of artificial neural networks (ANN) and a few process equations. aiming to serve as a backup operation instrument in the reference generation for real-time controllers of a steel tandem cold mill By emulating the mathematical model responsible for generating presets under normal operational conditions, the system works as ail option to maintain plant operation in the event of a failure in the processing unit that executes the mathematical model. The system, built from the production data collected over six years of plant operation, steered to the replacement of the former backup operation mode (based oil a lookup table). which degraded both product quality and plant productivity. The study showed that ANN are appropriated tools for the intended purpose and that by this instrument it is possible to achieve nearly the totality of the presets needed by this land of process. The text characterizes the problem, relates the investigated options to solve it. justifies the choice of the ANN approach, describes the methodology and system implementation and, finally, shows and discusses the attained results. (C) 2009 Elsevier Ltd. All rights reserved

Oriented texture classification based on self-organizing neural network and Hough transform

This paper presents a technique for oriented texture classification which is based on the Hough transform and Kohonen's neural network model. In this technique, oriented texture features are extracted from the Hough space by means of two distinct strategies. While the first operates on a non-uniformly sampled Hough space, the second concentrates on the peaks produced in the Hough space. The described technique gives good results for the classification of oriented textures, a common phenomenon in nature underlying an important class of images. Experimental results are presented to demonstrate the performance of the new technique in comparison, with an implemented technique based on Gabor filters.

Projeto E análise de uma rede neural para resolver problemas de programação dinâmica

Systems based on artificial neural networks have high computational rates due to the use of a massive number of simple processing elements and the high degree of connectivity between these elements. Neural networks with feedback connections provide a computing model capable of solving a large class of optimization problems. This paper presents a novel approach for solving dynamic programming problems using artificial neural networks. More specifically, a modified Hopfield network is developed and its internal parameters are computed using the valid-subspace technique. These parameters guarantee the convergence of the network to the equilibrium points which represent solutions (not necessarily optimal) for the dynamic programming problem. Simulated examples are presented and compared with other neural networks. The results demonstrate that proposed method gives a significant improvement.

Chlorophyll a spatial inference using artificial neural network from multispectral images and in situ measurements

Considering the importance of monitoring the water quality parameters, remote sensing is a practicable alternative to limnological variables detection, which interacts with electromagnetic radiation, called optically active components (OAC). Among these, the phytoplankton pigment chlorophyll a is the most representative pigment of photosynthetic activity in all classes of algae. In this sense, this work aims to develop a method of spatial inference of chlorophyll a concentration using Artificial Neural Networks (ANN). To achieve this purpose, a multispectral image and fluorometric measurements were used as input data. The multispectral image was processed and the net training and validation dataset were carefully chosen. From this, the neural net architecture and its parameters were defined to model the variable of interest. In the end of training phase, the trained network was applied to the image and a qualitative analysis was done. Thus, it was noticed that the integration of fluorometric and multispectral data provided good results in the chlorophyll a inference, when combined in a structure of artificial neural networks.

Search for the standard model Higgs boson produced in association with a top-quark pair in pp collisions at the LHC

A search for the standard model Higgs boson produced in association with a top-quark pair is presented using data samples corresponding to an integrated luminosity of 5.0 fb-1 (5.1 fb-1) collected in pp collisions at the center-of-mass energy of 7 TeV (8 TeV). Events are considered where the top-quark pair decays to either one lepton+jets (tt̄ → ℓvqq̄bb̄) or dileptons (tt̄ → ℓ+vl- rfvn1̄bb̄), ℓ being an electron or a muon. The search is optimized for the decay mode H → bb̄. The largest background to the tt̄H signal is top-quark pair production with additional jets. Artificial neural networks are used to discriminate between signal and background events. Combining the results from the 7 TeV and 8 TeV samples, the observed (expected) limit on the cross section for Higgs boson production in association with top-quark pairs for a Higgs boson mass of 125 GeV is 5.8 (5.2) times the standard model expectation. [Figure not available: see fulltext.] © 2013 Cern for the benefit of the CMS collaboration.

Detecção e classificação de curto-circuitos em sistemas de distribuição usando rede neural artificial ARTMAP nebulosa

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)

Previsão de cargas elétricas através de uma Rede Neural Híbrida Back-ART Fuzzy

Pós-graduação em Engenharia Elétrica - FEIS

Previsão de carga multinodal usando a rede neural ART-ARTMAP fuzzy

Pós-graduação em Engenharia Elétrica - FEIS

Deconvolução de perfis de poço através de rede neural recorrente

Para a indústria do petróleo, a interpretação dos perfis de poço é a principal fonte de informação sobre a presença e quantificação de hidrocarbonetos em subsuperfície. Entretanto, em duas situações as novas tecnologias, tanto em termos do processo construtivo das ferramentas, quanto da transmissão dos dados não têm justificativa econômica, ensejando a utilização de um conjunto de perfis convencionais: reavaliações de campos maduros e avaliações de campos marginais. Os procedimentos de aquisição dos perfis convencionais podem alterar o valor da propriedade física bem como a localização dos limites verticais de uma camada rochosa. Este é um antigo problema na geofísica de poço – o paradoxo entre a resolução vertical e a profundidade de investigação de uma ferramenta de perfilagem. Hoje em dia, isto é contornado através da alta tecnologia na construção das novas ferramentas, entretanto, este problema ainda persiste no caso das ferramentas convencionais como, a ferramenta de raio gama natural (GR). Apresenta-se, neste trabalho, um novo método para atenuar as alterações induzidas no perfil pela ferramenta, através da integração do clássico modelo convolucional do perfil com as redes neurais recorrentes. Assume-se que um perfil de poço pode ser representado através da operação de convolução em profundidade entre a variação da propriedade física da rocha (perfil ideal) e uma função que representa a alteração produzida sobre a propriedade física, chamada como resposta vertical da ferramenta. Assim, desenvolve-se um processamento iterativo dos perfis, o qual atua na forma da operação de deconvolução, composto por três redes neurais recorrentes. A primeira visa estimar a resposta vertical da ferramenta; a segunda procura definir os limites verticais de cada camada rochosa e a última é construída para estimar o valor real da propriedade física. Este processamento é iniciado com uma estimativa externa tanto para o perfil ideal, quanto para a resposta vertical da ferramenta. Finalmente, mostram-se as melhorias na resolução vertical e na avaliação da propriedade física produzida por esta metodologia em perfis sintéticos e em perfis reais da formação Lagunillas, bacia do Lago Maracaibo, Venezuela.

Detecção de refletores sísmicos por rede neural discreta

As redes neurais artificiais têm provado serem uma poderosa técnica na resolução de uma grande variedade de problemas de otimização. Nesta dissertação é desenvolvida uma nova rede neural, tipo recorrente, sem realimentação (self-feedback loops) e sem neurônios ocultos, para o processamento do sinal sísmico, para fornecer a posição temporal, a polaridade e as amplitudes estimadas dos refletores sísmicos, representadas pelos seus coeficientes de reflexão. A principal característica dessa nova rede neural consiste no tipo de função de ativação utilizada, a qual permite três possíveis estados para o neurônio. Busca-se estimar a posição dos refletores sísmicos e reproduzir as verdadeiras polaridades desses refletores. A idéia básica desse novo tipo de rede, aqui denominada rede neural discreta (RND), é relacionar uma função objeto, que descreve o problema geofísico, com a função de Liapunov, que descreve a dinâmica da rede neural. Deste modo, a dinâmica da rede leva a uma minimização local da sua função de Liapunov e consequentemente leva a uma minimização da função objeto. Assim, com uma codificação conveniente do sinal de saída da rede tem-se uma solução do problema geofísico. A avaliação operacional da arquitetura desta rede neural artificial é realizada em dados sintéticos gerados através do modelo convolucional simples e da teoria do raio. A razão é para explicar o comportamento da rede com dados contaminados por ruído, e diante de pulsos fonte de fases mínima, máxima e misturada.