[NEOBHÁJENO] Statistické hodnocení polymerních povrchů s využití neuronových sítí

Matyáš, Milan

[NEOBHÁJENO] Statistické hodnocení polymerních povrchů s využití neuronových sítí

DSpace Repository

Language: English čeština

[NEOBHÁJENO] Statistické hodnocení polymerních povrchů s využití neuronových sítí

dc.contributor.advisor	Pata, Vladimír
dc.contributor.author	Matyáš, Milan
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/10563/53393
dc.description.abstract	Tato diplomová práce zahrnuje měření struktury povrchu polypropylenu a sestavení optimalizované neuronové sítě pro predikování vstupních parametrů drsnosti, ze kterých se určí odpovídající klasifikace. Teoretická část se zaobírá technickými normami vztahující se ke struktuře povrchu, rozborem chyb a nejistotami měření, využití statistických nástrojů k analýze naměřených dat a popisem měřícího zařízení. V praktické části jsou pohledy snímacího povrchu modifikovány a data aplikována ve statistických metodách pro zkoumání odlišností jednotlivých parametrů drsnosti povrchu. Hlavním cílem práce je vytvoření vhodné neuronové sítě, která dokáže nejúspěšněji vyhodnotit vstupní parametry.
dc.format	86
dc.language.iso	cs
dc.publisher	Univerzita Tomáše Bati ve Zlíně
dc.rights	Bez omezení
dc.subject	drsnost povrchu	cs
dc.subject	polypropylen	cs
dc.subject	neuronové sítě	cs
dc.subject	surface roughness	en
dc.subject	polypropylene	en
dc.subject	neural networks	en
dc.title	[NEOBHÁJENO] Statistické hodnocení polymerních povrchů s využití neuronových sítí
dc.title.alternative	[NEOBHÁJENO] Statistical Evaluation of Polymer Surfaces Using Neural Networks
dc.type	diplomová práce	cs
dc.contributor.referee	Kubišová, Milena
dc.date.accepted	2023-06-01
dc.description.abstract-translated	This thesis involves measuring the surface structure of polypropylene and assembly an optimized neural network to predict the input roughness parameters from which the appropriate classification is determined. The theoretical part deals with technical standards related to surface structure, analysis of measurement errors and uncertainties, use of statistical tools to analyse the measured data and description of the measuring equipment. In the practical part, the views of the sensing surface are modified and the data are applied in statistical methods to investigate the differences in the various surface roughness parameters. The main objective of the work is to create a suitable neural network that can the most successfully evaluate the input parameters.
dc.description.department	Ústav výrobního inženýrství
dc.description.result	neobhájeno
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	62069
dc.date.submitted	2023-05-12