Hodnocení jakosti heterogenních povrchů

Skucius, Marian

Hodnocení jakosti heterogenních povrchů

DSpace Repository

Language: English čeština

Hodnocení jakosti heterogenních povrchů

dc.contributor.advisor	Pata, Vladimír
dc.contributor.author	Skucius, Marian
dc.date.accessioned	2021-07-26T07:17:56Z
dc.date.available	2021-07-26T07:17:56Z
dc.date.issued	2021-01-05
dc.identifier	Elektronický archiv Knihovny UTB
dc.identifier.uri	http://hdl.handle.net/10563/47224
dc.description.abstract	Diplomová práce se zabývá návrhem a sestavením neuronové sítě pro predikování výsledků parametrů drsnosti u heterogenních povrchů. Současně dokazuje, že jiné statistické metody, především regresní analýzy, v tomto směru selhávají a jejich výsledky nelze spolehlivě použít. K získání potřebných dat pro sestavení neuronové sítě posloužily vzorky vyrobené za použití řezání vodním paprskem. Tento povrch je charakteristický pro svou heterogenitu. Práce popisuje tyto vzorky, parametry jejich vzniku, laboratorní měření, kompletní sestavení neuronové sítě a následné srovnání výsledků s regresními funkcemi.
dc.format	81 s
dc.language.iso	cs
dc.publisher	Univerzita Tomáše Bati ve Zlíně
dc.rights	Bez omezení
dc.subject	heterogenní povrch	cs
dc.subject	drsnost povrchu	cs
dc.subject	abrazivní vodní paprsek	cs
dc.subject	regresní analýzy	cs
dc.subject	neuronové sítě	cs
dc.subject	heterogeneous surface	en
dc.subject	surface roughness	en
dc.subject	abrasive water jet	en
dc.subject	regression analysis	en
dc.subject	neural networks	en
dc.title	Hodnocení jakosti heterogenních povrchů
dc.title.alternative	Quality Assessment of Heterogeneous Surfaces
dc.type	diplomová práce	cs
dc.contributor.referee	Kubišová, Milena
dc.date.accepted	2021-06-01
dc.description.abstract-translated	This diploma thesis deals with the design and assembly of a neural network for predicting the results of roughness parameters in heterogeneous surfaces. At the same time, it proves that other statistical methods, especially regression analyzes, fail in this direction and their results cannot be used reliably. Samples made using water jet cutting were used to obtain the data needed to assemble the neural network. This surface is characterized by its heterogeneity. The work describes these samples, parameters of their origin, laboratory measurements, complete construction of the neural network and comparison of results with regression functions.
dc.description.department	Ústav výrobního inženýrství
dc.thesis.degree-discipline	Řízení jakosti	cs
dc.thesis.degree-discipline	Quality Control	en
dc.thesis.degree-grantor	Univerzita Tomáše Bati ve Zlíně. Fakulta technologická	cs
dc.thesis.degree-grantor	Tomas Bata University in Zlín. Faculty of Technology	en
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Procesní inženýrství	cs
dc.thesis.degree-program	Process Engineering	en
dc.identifier.stag	59465
utb.result.grade	A
dc.date.submitted	2021-05-11