Вимірювальна техніка та метрологія. – 2016. – Випуск 77

Permanent URI for this collectionhttps://ena.lpnu.ua/handle/ntb/39773

Міжвідомчий науково-технічний збірник

Вимірювальна техніка та метрологія : міжвідомчий науково-технічний збірник / Міністерство освіти і науки України ; відповідальний редактор Б. І. Стадник. – Львів : Видавництво Львівської політехніки, 2016. – Випуск 77. – 198 c. : іл.

Browse

Author: search.filters.author.Микитин, ІгорStart date: 2016

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Експериментальні дослідження залежності вимірюваної температури від частоти антистоксової компоненти спектра комбінаційного розсіювання світла для AL2O3
    (Видавництво Львівської політехніки, 2016) Кривенчук, Юрій; Микитин, Ігор; Сегеда, Олег; Національний університет “Львівська політехніка”
    Al2O3 – наноструктурований дрібнодисперсний порошок, який часто використовується як сорбент для очищення води, в матеріалознавстві, для виготовлення конденсаторів. Подано результати експериментальних досліджень спектрів комбінаційного розсіювання світла для Al2O3 у температурному діапазоні від 18 до 70 °С. Знайдено еквівалентну частоту антистоксової компоненти спектра комбінаційного розсіювання світла методом центра мас, також отримано аналітичні залежності еквівалентної частоти антистоксової компоненти спектра комбінаційного розсіювання світла від температури. Досліджено залежність похибки апроксимації від кількості коефіцієнтів апроксимаційної кривої. Обладнання для експериментів: лазер ν = 632,9 нм, спектроаналізатор MS 3501i, оптична схема з використанням вузькосмугового фільтра та призми. Дослідження проводили за нормальних умов. Представлены результаты экспериментальных исследований спектров комбинационного рассеяния света для Al2O3 в температурном диапазоне от 18 до 70 °С. Найдено эквивалентную частоту антистоксовой компоненты спектра комбинационного рассеяния света методом центра масс, также получены аналитические зависимости эквивалентной частоты антистоксовой компоненты спектра комбинационного рассеяния света от температуры. Исследованы зависимость погрешности аппроксимации от количества коэффициентов аппроксимационной кривой. Оборудование для экспериментов: лазер ν = 632,9 нм, спектроанализатор MS 3501i, оптическая схема с использованием узкополосного фильтра и призмы. Исследования проводились при нормальных условиях. On the basis of Raman known at present are two ways to measure temperature. The first and most more common method of measuring temperature by Raman intensity is dependent stokes and antistokes Raman component. This method is relatively simple to implement, since change with temperature integrated area antistokes and stokes component. This method of temperature measurement by Raman has good sensitivity and accuracy, but has several significant drawbacks. The main drawback is a methodological error that occurs as a result of determining the area of integrated antistokes and Stokes components. Spectrophotometer to measure consistently first Stokes then antistokes component of Raman spectroscopy, the measurement time of stokes components of the object and is heated by laser heating antistokes components that it leads to error. Another way is to measure the frequency shift Raman. To measure the temperature shift frequency Raman enough to determine just antistokes component Raman spectroscopy. To measure the temperature shift frequency Raman frequency is not appropriate to use a spectrophotometer and spectrum analyser. The peculiarity of the spectrum analyser is that it measures only antistokes component, and the full range of a whole, not just a stepping stone that can reduce the methodological error. Also unconditional significant advantage of this method within the temperature measurement by Raman is speed. By comparison when measuring the temperature integrated area ratio of the maximum speed is 13 seconds, and the Raman shift frequency of 1 second. By reducing the measurement time is reduced further methodological error caused by heating of the object studied laser. Therefore, based on this method conducted research described in the article. The results of experimental studies Raman spectroscopy for Al2O3 in the temperature range of 18 to 70 °C. Each point temperature for 10 implementations derived components range antistokes Raman method of centre of mass calculated value equivalent frequency components antistokes Raman spectroscopy, and the average value of the equivalent frequency components antistokes range and uncertainty determine an equivalent frequency components antistokes. Analytical dependences equivalent frequency components antistokes Raman spectrum of temperature. The dependence of error of approximation of the number of coefficients approximating curve for each of the objects, and certainly the best number of factors. Equipment using experiments were conducted: laser ν = 632,9 nm spectrum analyser MS 3501i, optical circuit using a narrow band filter and prism, studies were conducted under normal conditions.
  • Thumbnail Image
    Item
    Нейронні мережі як засіб прогнозування значення температури за перехідним процесом
    (Видавництво Львівської політехніки, 2016) Лопатко, Ольга; Микитин, Ігор; Національний університет “Львівська політехніка”
    Проаналізовано нейронні мережі як засіб прогнозування значення температури за перехідним процесом. Розглянуто штучний нейрон як основу нейронної мережі. Наведено класифікацію нейронів залежно від функцій, які вони виконують в нейронній мережі, та основні види передавальних функцій нейрона. Подано класифікацію нейронних мереж за критерієм їх архітектури, алгоритму навчання та типу завдань, які вони можуть виконувати. Зроблено висновок, що для розв’язання поставленої задачі оптимальним є застосування нейронної мережі з архітектурою прямого поширення з алгоритмом навчання з вчителем. Проанализированы нейронные сети как средства прогнозирования значения температуры за переходным процессом. Рассмотрен искусственный нейрон как основа нейронной сети. Приводится классификация нейронов в зависимости от функций, которые они выполняют в нейронной сети, и основные виды передаточных функций нейрона. Представлена классификация нейронных сетей по критерию их архитектуры, алгоритма обучения и типа задач, которые они могут выполнять. Сделан вывод, что для решения поставленной задачи оптимальным является применение нейронной сети с архитектурой прямого распространения с алгоритмом обучения с учителем. The present article considers neural networks as a tool for the temperature prediction using transition process. The authors emphasize the need to measure high temperatures in technological processes and indicate problems encountered on this way. The method proposed to solve this problem is neural networks application. The study of artificial neural networks is motivated by their similarity to successfully working biological systems, which – in comparison to the overall system – consist of very simple but numerous nerve cells that work massively in parallel and (which is probably one of the most significant aspects) have the capability to learn. There is no need to explicitly program a neural network. One result from this learning procedure is the capability of neural networks to generalize and associate data: after successful training a neural network can find reasonable solutions for similar problems of the same class that were not explicitly trained. This in turn results in a high degree of fault tolerance against noisy input data. At the very beginning the authors describe artificial neuron as a basis of a neural network and provide its block diagram. Neurons classification depending on the functions they perform in the neural network is also present. They also defined the transfer function of the artificial neuron and its basic types (linear transfer function, positive linear transfer function, piecewise linear transfer function, step transfer function and logistic transfer function) alongside with mathematical expressions (formulas) and diagrams that describe neural networks behavior. Then, the authors present a neural networks classification based on their architecture (feedforward neural networks, recurrent neural networks and completely linked neural networks were specially highlighted). Each type of these was provided with detailed drawings and structures explanation. In addition, the present article includes a neural network classification, based on training algorithm and the type of problem that such neural network is able to perform. At the end of the article the authors make conclusions about the most relevant neural network architecture in case of temperature prediction problem using transition process and consider the corresponding learning algorithm. Plans for further research were also outlined.