Quicker evaluation of the optimum operating point / Julia Volke in KUNSTSTOFFE INTERNATIONAL, Vol. 111, N° 3 (2021)  

[article]  inKUNSTSTOFFE INTERNATIONAL > Vol. 111, N° 3 (2021) . - p. 24-27 Titre : Quicker evaluation of the optimum operating point : Machine learning : combining simulation and experimental test data Type de document : texte imprimé Auteurs : Julia Volke, Auteur ; Felix Finkeldey, Auteur ; Jan-Christoph Zarges, Auteur ; Petra Wiederkehr, Auteur ; Hans-Peter Heim, Auteur Année de publication : 2021 Article en page(s) : p. 24-27 Langues : Anglais (eng) Catégories : Bases de données Evaluation Industrie 4.0 Le concept d’Industrie 4.0 correspond à une nouvelle façon d’organiser les moyens de production : l’objectif est la mise en place d’usines dites "intelligentes" ("smart factories") capables d’une plus grande adaptabilité dans la production et d’une allocation plus efficace des ressources, ouvrant ainsi la voie à une nouvelle révolution industrielle. Ses bases technologiques sont l'Internet des objets et les systèmes cyber-physiques. Matières plastiques -- Moulage par injection Simulation par ordinateur Stochastique Un phénomène stochastique est un phénomène qui ne se prête qu'à une analyse statistique, par opposition à un phénomène déterministe. En biologie, l’évolution est un exemple de phénomène stochastique. Index. décimale : 668.4 Plastiques, vinyles Résumé : The resource-economical determination of an optimized operating point in injection molding is still a challenge. Machine learning offers great potential for re-using knowledge from a flow simulation that has already been generated. By transferring methods for combining simulation and experimental test data, the testing effort during sampling can be reduced significantly. Note de contenu : - Figure : Significant reduction of the effort for determining the optimum operating point by machine learning - Fig. 1 : This flat bar was used for determining the real and simulated part properties - Fig. 2 : Measured and simulated profile of the cavity pressure and computation of the DTW correspondences - Fig. 3 : Concept of the ML models for data-driven determination of the optimum operating point - Fig. 4 : Results for prediction of the part thickness and weight, shown in dependence on the proportion of the used simulation ; RMSE: root mean square error - Table 1. Test design parameters, process data profiles and quality features for generating a suitable database - Table 2. Process settings in which the highest similarity between the simulation and experimental data were determined En ligne : https://drive.google.com/file/d/1fmDhpGnchztwaiewENys7dKd7mkGdtPH/view?usp=drive [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=35535 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
22639	-	Périodique	Bibliothèque principale	Documentaires	Disponible

---

1 (1 - 1 / 1)