Diplomová práce se zabývá problematikou neuronových sítí pro predikci chemického složení slínku, který je hlavní komponentou cementu, s cílem optimalizovat výrobní proces a zlepšit ekonomiku výroby.
V teoretické části práce je popsána problematika výroby slínku, a způsob sledování a ovlivnění chemického složení slínku. Praktická část zahrnuje konkrétní vypracované sítě a jejich popis. Jmenovitě se jedná o vícevrstvou síť neuronovou síť s dopředným šířením signálu.
Annotation in English
The thesis deals with issues of neural networks using for predicting the chemical composition of clinker, which is the main component of cement, in order to optimize the production process and to improve the production economics.
The first part contains description of the clinker production, the production monitoring and the influencing of the chemical composition of clinker. The second part includes description of building the specific networks and theirs
description. Concretely it concerns the multilayer neural network with a network
of forward spread of the signal.
Keywords
Umělá neuronová síť, trénovací množina, neuronová síť s dopředným
šířením signálu, Backpropagation
Keywords in English
Artificial neural network, the training set, feed-forward neural network,
Backpropagation
Length of the covering note
65 s
Language
CZ
Annotation
Diplomová práce se zabývá problematikou neuronových sítí pro predikci chemického složení slínku, který je hlavní komponentou cementu, s cílem optimalizovat výrobní proces a zlepšit ekonomiku výroby.
V teoretické části práce je popsána problematika výroby slínku, a způsob sledování a ovlivnění chemického složení slínku. Praktická část zahrnuje konkrétní vypracované sítě a jejich popis. Jmenovitě se jedná o vícevrstvou síť neuronovou síť s dopředným šířením signálu.
Annotation in English
The thesis deals with issues of neural networks using for predicting the chemical composition of clinker, which is the main component of cement, in order to optimize the production process and to improve the production economics.
The first part contains description of the clinker production, the production monitoring and the influencing of the chemical composition of clinker. The second part includes description of building the specific networks and theirs
description. Concretely it concerns the multilayer neural network with a network
of forward spread of the signal.
Keywords
Umělá neuronová síť, trénovací množina, neuronová síť s dopředným
šířením signálu, Backpropagation
Keywords in English
Artificial neural network, the training set, feed-forward neural network,
Backpropagation
Research Plan
Vypracujte přehled problematiky optimalizace a výroby slínku.
Navrhněte vlastní postup a metodu optimalizace dávkování surovin pro výrobu slínku v závisloti na jejich chemickém složení.
Proveďte programovou realizaci aplikace.
Vyhodnoďte optimalizaci oproti stávajícímu stavu.
Zpracujte závěr.
Research Plan
Vypracujte přehled problematiky optimalizace a výroby slínku.
Navrhněte vlastní postup a metodu optimalizace dávkování surovin pro výrobu slínku v závisloti na jejich chemickém složení.
Proveďte programovou realizaci aplikace.
Vyhodnoďte optimalizaci oproti stávajícímu stavu.
Zpracujte závěr.
Recommended resources
ZELINKA I., OPLATKOVÁ Z., OŠMERA P. ŠEDA M., VČELAŘ F.: Evoluční výpočetní techniky - principy a aplikace, BEN - technická literatura, Praha, 2008, ISBN 80-7300-218-3.
ZELINKA, Ivan. Umělá inteligence I. Volume 1. Zlín: Vutium, Brno, 1998, 126 p. ISBN 80-214-1163-5.
KVASNIČKA V., POSPÍCHAL J., TIŇO P. 2000, Evolučné algoritmy, STU Bratislava, 2000, ISBN 85-246-2000.
OPLATKOVÁ, Z.: Metaevolution - Synthesis of Optimization Algorithms by means of Symbolic Regression and Evolutionary Algorithms, Lambert-Publishing, 2009, ISBN 978-8383-1808-0.
DAVIS L.: Handbook of Genetic Algorithms, International Thomson Computer Press, 1996, ISBN 1850328250.
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, J.: Umělá inteligence, Academia, 1993, ISBN 80-200-0496-3.
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, J.: Umělá inteligence 4., Academia, 2003, ISBN 80-200-1044-0.
KIUSALAAS, Jaan, Numerical Methods in Engineering with Python, Cambridge University Press, 2005, ISBN 0521852870, 9780521852876.
REKTORYS, Karel, Přehled užité matematiky, třetí vydání, SNTL Praha, ISBN 04-001-73, 1973.
Recommended resources
ZELINKA I., OPLATKOVÁ Z., OŠMERA P. ŠEDA M., VČELAŘ F.: Evoluční výpočetní techniky - principy a aplikace, BEN - technická literatura, Praha, 2008, ISBN 80-7300-218-3.
ZELINKA, Ivan. Umělá inteligence I. Volume 1. Zlín: Vutium, Brno, 1998, 126 p. ISBN 80-214-1163-5.
KVASNIČKA V., POSPÍCHAL J., TIŇO P. 2000, Evolučné algoritmy, STU Bratislava, 2000, ISBN 85-246-2000.
OPLATKOVÁ, Z.: Metaevolution - Synthesis of Optimization Algorithms by means of Symbolic Regression and Evolutionary Algorithms, Lambert-Publishing, 2009, ISBN 978-8383-1808-0.
DAVIS L.: Handbook of Genetic Algorithms, International Thomson Computer Press, 1996, ISBN 1850328250.
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, J.: Umělá inteligence, Academia, 1993, ISBN 80-200-0496-3.
MAŘÍK, V., ŠTĚPÁNKOVÁ, O., LAŽANSKÝ, J.: Umělá inteligence 4., Academia, 2003, ISBN 80-200-1044-0.
KIUSALAAS, Jaan, Numerical Methods in Engineering with Python, Cambridge University Press, 2005, ISBN 0521852870, 9780521852876.
REKTORYS, Karel, Přehled užité matematiky, třetí vydání, SNTL Praha, ISBN 04-001-73, 1973.
