Hiukkasten leijutusominaisuuksien määrittäminen

Leijuttaminen on tärkeä tekniikan sovellus energiantuotannossa. Leijutusreaktorin suunnittelussa ongelmana on kuitenkin oikeiden leijutusnopeuksien käyttäminen halutun tuloksen saamiseksi. Eri korrelaatiot leijutusnopeuksille antavat hyvinkin erilaisia vastauksia, jolloin niitä on vertailtava ja niistä on valittava paras tilanteen mukaan. Leijuttamista tapahtuu, kun hienojakoisesta aineesta koostuvan kerroksen alapuolelta puhalletaan kaasua sen läpi. Leijutusnopeuden ja leijutettavan aineen perusteella leijutilat jaetaan eri tyyppeihin ja niitä kuvaavat erilaiset referenssinopeudet. Nopeuksista tärkeimmät ovat minimileijutusnopeus, terminaalinopeus sekä siirtymäaluenopeus. Eri leijutustilat ja -nopeudet sekä aineen koosta ja tiheydestä kertovat tekijät, Geldart-luokat, voidaan koota yhdeksi diagrammiksi. Diagrammi on dimensiottomien muuttujien ansiosta universaali ja täten hyvin käyttökelpoinen työkalu leijutusnopeuksia ja -tiloja määritettäessä. Työssä esitetyn teorian pohjalta tehty laskentatyökalu hyödyntää Matlabia ja Exceliä. Se vertailee eri leijutuskorrelaatioita ja valitsee niistä tilanteen mukaan parhaan. Lisäksi se havainnollistaa vallitsevaa leijutilaa piirtämällä pisteen Excelissä tehtyyn leijutila-diagrammiin. Laskentatyökalu näyttää, että korrelaatioiden välillä on suuriakin eroja. Terminaalinopeuteen vaikuttaa suuresti partikkelin muoto, joten sen olettaminen palloksi voi antaa moninkertaisen nopeuden todellisuuteen nähden. Siirtymäaluenopeudelle on eri tuloksia antavia mittausmenetelmiä, jolloin korrelaatiotkin antavat toisistaan suuresti poikkeavia tuloksia.

Keraamisten laattojen luokittelu väripiirteiden avulla

Vaikka keraamisten laattojen valmistusprosessi onkin täysin automatisoitu, viimeinen vaihe eli laaduntarkistus ja luokittelu tehdään yleensä ihmisvoimin. Automaattinen laaduntarkastus laattojen valmistuksessa voidaan perustella taloudellisuus- ja turvallisuusnäkökohtien avulla. Tämän työn tarkoituksena on kuvata tutkimusprojektia keraamisten laattojen luokittelusta erilaisten väripiirteiden avulla. Oleellisena osana tutkittiin RGB- ja spektrikuvien välistä eroa. Työn teoreettinen osuus käy läpi aiemmin aiheesta tehdyn tutkimuksen sekä antaa taustatietoa konenäöstä, hahmontunnistuksesta, luokittelijoista sekä väriteoriasta. Käytännön osan aineistona oli 25 keraamista laattaa, jotka olivat viidestä eri luokasta. Luokittelussa käytettiin apuna k:n lähimmän naapurin (k-NN) luokittelijaa sekä itseorganisoituvaa karttaa (SOM). Saatuja tuloksia verrattiin myös ihmisten tekemään luokitteluun. Neuraalilaskenta huomattiin tärkeäksi työkaluksi spektrianalyysissä. SOM:n ja spektraalisten piirteiden avulla saadut tulokset olivat lupaavia ja ainoastaan kromatisoidut RGB-piirteet olivat luokittelussa parempia kuin nämä.

Asiakkuuksien strateginen arvottaminen ja luokittelu

Tämän tutkimuksen kohdeorganisaatio on suuren teollisuusyrityksen sisäinen raaka-aineen hankkija ja toimittaja. Tutkimuksessa selvitetään, mistä kohdeorganisaation hankinta-asiakkuuksien arvo muodostuu ja kuinka olemassa olevan liiketoimintadatan perusteella voidaan tutkia, arvioida ja luokitella kauppojen ja asiakkuuksien arvokkuutta aikaan sitomatta, objektiivisesti ja luotettavasti. Tutkimuksen teoriaosiossa esitellään lähestymistapoja ja menetelmiä, joiden avulla voidaan jalostaa olemassa olevasta datasta uutta sidosryhmätietämystä liiketoiminnan käyttöön, sekä tarkastellaan asiakaskannattavuusanalyysin, portfolioanalyysin, sekä asiakassegmentoinnin perusteita ja malleja. Näiden teorioiden ja mallien pohjalta rakennetaan kohdeorganisaatiolle räätälöity, indeksoituihin hinta-, määrä- ja kauppojen toistuvuus-muuttujiin perustuva, asiakkuuksien arvottamis- ja luokittelumalli. Arvottamis- ja luokittelumalli testataan vuosien 2003–2007 liiketoimintadatasta muodostetulla 389 336 kaupparivin otoksella, joka sisältää 42 186 arvioitavaa asiakkuussuhdetta. Merkittävin esille nouseva havainto on noin 5 000:n keskimääräistä selkeästi kalliimman asiakkuuden ryhmä. Aineisto ja sen poikkeavuudet testataan tilastollisin menetelmin, jotta saadaan selville asiakkuuden arvoon vaikuttavat ja arvoa selittävät tekijät. Lopuksi pohditaan arvottamismallin merkitystä analyyttisemman ostotoiminnan ja asiakkuudenhallinnan välineenä, sekä esitetään muutamia parannusehdotuksia.

Toimittajayhteistyön arviointi, luokittelu ja mittaaminen

Toimittajien arviointi, luokittelu sekä suorituskyvyn mittaaminen ovat nousseet yhdeksi merkittäväksi tekijäksi yritysten pyrkiessä kilpailukyvyn parantamiseen. Sisäisten prosessien kehittämisen lisäksi painopistettä ollaan siirtämässä yhä enemmän toimittajien koordinointiin ja jopa heidän omien prosessiensa kehittämiseen. Globaalit markkinat ovat mahdollistaneet uusien toimittajien löytämisen, minkä seurauksena toimittajamäärä on kasvanut rajusti. Jatkuvan resurssien kiristämisen takia toimittajien kanssa tehtävän yhteistyön jatkuva seuranta ei kuitenkaan ole mahdollista. Yritysten tulee löytää juuri ne potentiaalisimmat toimittajat, joiden kanssa tehty yhteistyö tuottaa parhaimmat tulokset. Tutkimuksen tavoitteena on selvittää, kuinka toimittajayhteistyötä voitaisiin kehittää kokonaisvaltaisesti sekä tilaajan että toimittajan näkökulmasta. Tutkimuksen teoriaosuudessa keskitytään toimittajien arviointiin, luokitteluun ja suorituskyvyn mittaamiseen. Tutkimuksen empiriaosuus muodostuu teemahaastatteluista, jossa haastateltiin sekä toimittajia että tilaajia yhteistyön tekemisen näkökulmasta. Saatuja vastauksia analysoitiin aiempaa kirjallisuutta vastaan. Tuloksena esitetään kohdeyritykselle malli, jonka avulla voidaan löytää potentiaalisimmat toimittajat ja auttaa kehittämään yhteistyötä heidän kanssaan. Tutkimuksen merkittävimpinä havaintoina voidaan pitää liikevaihdon osuuden merkitystä kehitysaktiivisuuteen sekä ei-taloudellisten mittareiden huomioon ottamista.

Kuvat matematiikan oppikirjoissa - kuvien funktiot ja luokittelu

Tässä tutkimuksessa tutkittiin kuvia, niiden luokittelua ja tehtäviä matematiikan oppikirjoissa. Tutkimus toteutettiin oppikirja-analyysinä, jossa luokiteltiin murtolukujen opetuksessa käytettäviä kuvia kolmen suosituimman oppikirjasarjan osalta. Mukana analyysissä oli 12 oppikirjaa kolmelta eri kustantajalta. Tarkoituksena oli selvittää miten hyvin aiempien tutkimusten pohjalta uudistettu kuvien tehtäviin pohjautuva analyysi toimii matematiikan oppikirjojen kuvituksen analysoinnissa sekä miten kuvat sijoittuvat luotuihin luokkiin. Tutkimukseen valituista 12 oppikirjasta rajattiin tutkimusjoukoksi murtolukuja käsittelevien jaksojen kaikki kuvat. Nämä kuvat jaettiin kahteen pääluokkaan: affektiivisiin ja kognitiivisiin kuviin. Affektiiviset kuvat jaettiin edelleen koristaviin ja tarinallisiin luokkiin. Kognitiiviset kuvat jaettiin kolmeen alaluokkaan: esittäviin eli oppimista tukeviin opetuskuviin, tulkitseviin ja organisoiviin kuviin. Luokittelu toteutettiin taulukoimalla kaikki kuvat tehtäväkohtaisten määritelmien mukaisesti. Kaiken kaikkiaan aineistossa oli yhteensä 2767 kuvaa. Tutkimuksessa mukaan suurin osa (80 %) matematiikan oppikirjojen kuvista on kognitiivisia. Kognitiivisista kuvista huomattava osa (90 %) on tehtäviin liittyviä esittäviä kuvia. Varsinaisesti opettavia ja kertaavia kuvia on vain 10 % kaikista kognitiivisista kuvista. Affektiivisia kuvia on kaikista kuvista noin viidennes ja niistä suurin osa (n. 65 %) on kirjojen tarinoihin liittyviä tarinallisia kuvia. Tutkimuksessa havaittiin, että tehtäviin perustuva kuva-analyysi toimi matematiikan oppikirjojen kuvien luokittelussa hyvin. Kirjasarjojen väliset erot olivat varsin pieniä. Huomioitavaa oli kuvien suuri määrä, mutta kuitenkin opettavien kuvien pieni osuus kaikista kuvista. Tulevaisuudessa olisikin tärkeää kiinnittää entistä enemmän huomiota kuvien tehtäviin ja laatuun.