Hodnocení jakosti povrchů získaných 3D tiskem na bázi prvků umělé inteligence

Knopp, Jakub

Hodnocení jakosti povrchů získaných 3D tiskem na bázi prvků umělé inteligence

DSpace Repository

Language: English čeština

Hodnocení jakosti povrchů získaných 3D tiskem na bázi prvků umělé inteligence

dc.contributor.advisor	Pata, Vladimír
dc.contributor.author	Knopp, Jakub
dc.date.accessioned	2023-12-20T13:24:47Z
dc.date.available	2023-12-20T13:24:47Z
dc.date.issued	2023-01-02
dc.identifier	Elektronický archiv Knihovny UTB
dc.identifier.uri	http://hdl.handle.net/10563/53391
dc.description.abstract	Diplomová práce se zabývá hledáním funkční závislosti prostorové drsnosti povrchu na době leptání ve sloupci acetonových par na konkrétních vzorcích, které představují 3D tiskem vyrobená ozubená kola se šípovými zuby. V teoretické části je charakterizována použitá technologie 3D tisku spolu s problematikou takto vzniklých povrchů včetně drsnost definujících parametrů na základě ISO norem. Diskutovány jsou také použité povrchové úpravy těchto povrchů. Mimo to nechybí také teorie k regresní analýze a danému typu neuronové sítě včetně vysvětlení principu jejího učení. Praktická část obsahuje podrobnosti k parametrům tisku, povrchovým úpravám a samotným vzorkům včetně detailního popisu jejich snímání interferometrickým drsnoměrem. Získaná data jsou statisticky vyhodnocena a zpracována pomocí lineární přímkové regrese a polynomické regrese II. stupně. Dále je na základě získaných dat sestavena a naučena perceptronová neuronová síť. Těchto dvou nástrojů je využito s cílem nalezení závislosti mezi drsností povrchu na základě parametru Ra a časovým intervalem leptání.
dc.format	105
dc.language.iso	cs
dc.publisher	Univerzita Tomáše Bati ve Zlíně
dc.rights	Bez omezení
dc.subject	drsnost povrchu	cs
dc.subject	3D tisk	cs
dc.subject	leptání	cs
dc.subject	funkční závislost	cs
dc.subject	regresní analýza	cs
dc.subject	neuronová síť	cs
dc.subject	surface roughness	en
dc.subject	3D printing	en
dc.subject	etching	en
dc.subject	functional correlation	en
dc.subject	regression analysis	en
dc.subject	neural network	en
dc.title	Hodnocení jakosti povrchů získaných 3D tiskem na bázi prvků umělé inteligence
dc.title.alternative	Evaluation of the Quality of Surfaces Obtained by 3D Printing Based on Elements of Artificial Intelligence
dc.type	diplomová práce	cs
dc.contributor.referee	Kubišová, Milena
dc.date.accepted	2023-06-01
dc.description.abstract-translated	This thesis deals with the search for the functional correlation of the spatial surface roughness on the time required for etching in the acetone vapour column on specific samples representing 3D printed gears with arrow teeth. In the theoretical part, the applied 3D printing technology is characterized together with the characteristics of the resulting surfaces including roughness defining parameters based on ISO standards. The surface treatments used for these surfaces are also discussed. In addition, the theory of regression analysis and a given type of neural network is presented, including an explanation of its learning principle. The practical part contains details on the printing parameters, surface treatments and the samples themselves, along with a detailed description of their scanning with an interferometric roughness meter. The obtained data are statistically evaluated and processed using linear linear regression and polynomial regression of degree II. Furthermore, a perceptron neural network is built and learned based on the collected data. These two tools are used in order to find the correlation between surface roughness based on Ra parameter and time period of etching.
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	62066
dc.date.submitted	2023-05-11