Connect with us
https://ainews.site/wp-content/uploads/2021/11/zox-leader.png

Published

on

The Ultimate Managed Hosting Platform

Punteggio di credito: Pixabay/CC0 Area pubblica

Il calcolo multivariabile, le equazioni differenziali, l’algebra lineare – argomenti che molti studenti universitari del MIT possono affrontare senza fatica – hanno costantemente sconcertato lo studio automatico delle mode. Le mode più efficaci sono state solo in grado di rispondere a domande di matematica elementari o eccessive a livello di scuola, e quindi non scoprono sempre le opzioni adeguate.

Ora, un team multidisciplinare di ricercatori del MIT e di altri paesi, guidato da Iddo Drori, docente all’interno della Divisione di Ingegneria Elettrica e Scienza dei Pc (EECS) del MIT, ha utilizzato un per risolvere problemi di matematica a livello universitario in pochi secondi a livello umano.

Il manichino spiega inoltre in modo robotico le opzioni e genera rapidamente nuovi problemi negli argomenti di matematica del college. Quando i ricercatori hanno confermato queste richieste generate dalla macchina a gli studiosi non sono stati in grado di informare se le domande sono state generate o meno da un algoritmo o da un essere umano.

Questo lavoro potrebbe essere utilizzato per semplificare l’era dei contenuti per i programmi, che potrebbe essere particolarmente utile nei giganteschi programmi residenziali e (MOOC) che hanno centinaia di studiosi. Il sistema viene utilizzato anche come tutor automatico che rivela agli studenti universitari i passaggi necessari per risolvere i problemi di matematica degli studenti universitari.

“Prevediamo che questo potrebbe migliorare un’istruzione più ampia”, afferma Drori, autore principale del lavoro che può anche essere un professore affiliato aggiunto all’interno della Divisione di Pc Science al Columbia College e che farà parte della scuola al Boston College questa estate. “Aiuterà gli studenti universitari a migliorare e aiuterà i docenti a creare nuovo materiale di contenuto e potrebbe aiutare a migliorare l’entità del problema in alcuni programmi. Ci permette inoltre di costruire un grafico di domande e programmi, che ci aiuta a percepire la connessione tra i programmi e i loro prerequisiti, non semplicemente considerandoli tradizionalmente, ma principalmente basati sulla conoscenza.

Il lavoro è una collaborazione con studenti universitari, ricercatori e scuole del MIT, del Columbia College, dell’Harvard College e del College of Waterloo. Lo scrittore senior è Gilbert Strang, professore di aritmetica al MIT. L’analisi sembra questa settimana all’interno del Atti dell’Accademia Nazionale delle Scienze.

Un “eureka” secondo

Drori, i suoi studenti e colleghi universitari sono impegnati in questa missione da quasi due anni. Hanno scoperto che le mode pre-addestrate utilizzando esclusivamente contenuti testuali non possono ottenere una precisione superiore a 8 PC sui problemi di matematica delle scuole superiori, e le persone che utilizzano le reti neurali dei grafici potrebbero superare le domande del corso di machine learning, ma ci vorrebbe una settimana per allenare.

Poi Drori ha avuto quello che descrive come un secondo “eureka”: ha deciso di sforzarsi di prendere domande dai programmi di matematica universitari forniti dal MIT e uno dal Columbia College che non era mai stato visto prima che da un manichino, trasformandoli in compiti di programmazione, e facendo uso di metodi spesso noti come sintesi di programmi e studio a colpo sicuro. Trasformare una query direttamente in un lavoro di programmazione potrebbe essere così semplice come riscrivere la query “scopri il divario tra due fattori” come “scrivere un programma che trovi la distinzione tra due fattori” o offrire una serie di coppie di domande-programma come esempi .

Prima di alimentare questi compiti di programmazione a tuttavia, i ricercatori hanno aggiunto un passaggio nuovo di zecca che gli ha permesso di superare di gran lunga le prestazioni dei loro tentativi precedenti.

Prima d’ora, loro e altri che si sono avvicinati a questo inconveniente hanno usato un neurale , paragonabile a GPT-3, che è stato preaddestrato esclusivamente sul contenuto testuale, ciò significa che è stato dimostrato che migliaia e migliaia di esempi di contenuto testuale hanno imparato gli schemi del linguaggio puro. Questa volta, hanno utilizzato una comunità neurale pre-addestrata sui contenuti testuali che è stata ulteriormente “messa a punto” sul codice. Questa comunità, nota come Codex, è stata prodotta da OpenAI. La messa a punto vantaggiosa è in realtà un altro passaggio di pre-allenamento che può migliorare l’efficienza di un manichino di apprendimento automatico.

Il manichino preaddestrato è stato provato in migliaia e migliaia di esempi di codice da repository in linea. Come risultato della conoscenza del coaching di questo manichino che include migliaia e migliaia di frasi in puro linguaggio oltre a migliaia e migliaia di tracce di codice, apprende le relazioni tra elementi di contenuto testuale e elementi di codice.

Molti problemi di matematica possono essere risolti utilizzando un grafo o un albero computazionale, tuttavia è difficile mostrare un problema scritto nel contenuto testuale in questo tipo di illustrazione, spiega Drori. Come risultato di questo manichino ha realizzato le relazioni tra contenuto testuale e codice, tuttavia, potrebbe effettivamente capovolgere una query di contenuto testuale in codice, dati solo alcuni esempi di codice interrogativo, dopodiché eseguire il codice per rispondere al problema.

“Ogni volta che poni semplicemente una domanda nel contenuto testuale, è oneroso per un manichino di apprendimento automatico fornirti una soluzione, anche se la risposta potrebbe anche essere all’interno del contenuto testuale”, afferma. “Questo lavoro riempie quel pezzo mancante di utilizzo del codice e della sintesi del programma.”

Questo lavoro è il principale per risolvere i problemi di matematica degli studenti universitari e colpisce l’ago da una precisione di 8 PC a oltre 80 PC, fornisce Drori.

Compreso il contesto

Trasformare le domande di matematica in compiti di programmazione non è sempre facile, dice Drori. Alcuni problemi richiedono che i ricercatori aggiungano un contesto in modo che la comunità neurale possa eseguire la query in modo accurato. Un allievo deciderebbe questo contesto durante il corso, tuttavia una comunità neurale non dispone di questi dati di base fino a quando i ricercatori non lo specificano.

Ad esempio, potrebbero dover chiarire che la “comunità” nel contenuto testuale di una query si riferisce a “” piuttosto che “reti di comunicazione”. Oppure potrebbero voler informare il manichino su quale pacchetto di programmazione utilizzare. Potrebbero inoltre voler offrire definizioni certe; in una domanda sulle armi da poker, potrebbero voler informare il manichino che ogni mazzo contiene 52 carte da gioco.

Alimentano roboticamente questi compiti di programmazione, con il contesto e gli esempi inclusi, alla comunità neurale pre-addestrata e perfezionata, che emette un programma che spesso produce la risposta corretta. Era giusto per più dell’80 pc delle domande.

I ricercatori hanno inoltre utilizzato il loro manichino per generare domande fornendo alla comunità neurale una raccolta di problemi di matematica su un argomento, dopodiché hanno chiesto di crearne uno nuovo di zecca.

“In alcune materie ci ha scioccato. Ad esempio, ci sono state domande sul rilevamento quantistico di tracce orizzontali e verticali e ha generato nuove domande sul rilevamento quantistico di tracce diagonali. Quindi, non si tratta semplicemente di produrre nuove domande modificando valori e variabili all’interno delle domande attuali”, afferma Drori.

Domande generate dall’uomo rispetto a quelle generate dalla macchina

I ricercatori hanno esaminato le domande generate dalla macchina mostrandole agli studenti universitari. I ricercatori hanno dato agli studenti universitari 10 domande da ogni corso di matematica in ordine casuale; 5 sono stati creati da persone e 5 sono stati generati da macchine.

Gli studenti universitari non sono stati in grado di informare se le domande generate dalla macchina sono state prodotte o meno da un algoritmo o da un essere umano, e quindi hanno assegnato voti relativi alle domande generate dall’uomo e dalla macchina per il grado di problema e l’adeguatezza per il corso.

Drori è pronto a chiarire che questo lavoro non ha lo scopo di cambiare professori umani.

“L’automazione è ora a 80 PC, tuttavia l’automazione non sarà mai corretta per cento PC. Ogni volta che rimedi a una cosa, qualcuno ti fornirà una domanda più duratura. Tuttavia, questo lavoro apre il settore affinché le persone inizino a risolvere domande più durevoli e più durevoli con lo studio della macchina. Prevediamo che dovrebbe avere un’impressione fantastica ,” lui dice.

La squadra è sconvolta dal successo della loro strategia e ha prolungato il lavoro per gestire le prove matematiche, tuttavia ci sono alcune limitazioni che intendono affrontare. Al momento, il manichino non è in grado di rispondere alle domande con una parte visibile e non può porre rimedio a problemi che possono essere computazionalmente intrattabili a causa della complessità computazionale.

Oltre a superare questi ostacoli, stanno lavorando per scalare il tanto quanto tonnellate di programmi. Con queste tonnellate di programmi, genereranno conoscenze extra che potrebbero migliorare l’automazione e fornire approfondimenti sulla progettazione e sui programmi di studio.


Modelli di apprendimento automatico che possono aiutare i medici a trovare le informazioni in modo più efficiente nella cartella clinica di un paziente


Dati extra:

Iddo Drori et al, Una comunità neurale risolve, spiega e genera problemi di matematica del college tramite la sintesi del programma e lo studio a pochi passi a livello umano, Atti dell’Accademia Nazionale delle Scienze (2022). DOI: 10.1073/pnas.2123433119

Quotazione:
Nuove domande sul corso di matematica del college di assi di algoritmi (2022, 3 agosto)
recuperato il 3 agosto 2022
da https://techxplore.com/information/2022-08-algorithm-aces-university-math.html

Questo documento è soggetto a copyright. Al di là di ogni onesto trattamento finalizzato alla ricerca o all’analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto viene fornito esclusivamente per le funzioni di dati.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

L’algoritmo impara a correggere gli errori di stampa 3D per diverse parti, materiali e sistemi – L’ultima novità nell’intelligenza artificiale | Robotica AI

Published

on

Algorithm learns to correct 3D printing errors for different parts, materials and systems

The Ultimate Managed Hosting Platform

Immagine dell’istanza dell’ugello della stampante 3D utilizzato da un algoritmo di studio della macchina per rilevare e correggere gli errori in tempo reale. Le aree evidenziate presentano elementi dell’immagine su cui si concentra il sistema, offrendo potenziali approfondimenti su come l’algoritmo effettua le previsioni. Punteggio di credito: Douglas Brion

Gli ingegneri hanno creato stampanti 3D intelligenti che possono rilevare rapidamente e correggere errori, anche in progetti inediti o forniture sconosciute come ketchup e maionese, studiando dalle esperienze di macchine diverse.

Gli ingegneri, del College di Cambridge, hanno sviluppato un algoritmo per lo studio delle macchine in grado di rilevare e correggere tutti i tipi di vari errori in tempo reale e potrebbe essere semplicemente aggiunto a macchine nuove o presenti per rafforzare le loro capacità. Le stampanti 3D che utilizzano l’algoritmo potrebbero inoltre scoprire modi per stampare nuovi materiali di consumo da sole. I dettagli del loro metodo a basso costo sono riportati all’interno della rivista Comunicazioni sulla natura.

3D ha il potenziale per rivoluzionare la produzione di componenti avanzati e personalizzati, paragonabili a parti piane, impianti medici personalizzati e persino dolci intricati, e rimodellerà ulteriormente la produzione fornendo catene. Tuttavia, è anche suscettibile di errori di fabbricazione, da imprecisioni su piccola scala e debolezze meccaniche fino a guasti dell’intera costruzione.

Al momento, il modo in cui prevenire o correggere questi errori è che un dipendente di talento consideri il metodo. Il dipendente deve riconoscere un (problema anche per l’occhio colto), interrompere la stampa, togliere la metà e modificare le impostazioni per una metà nuova di zecca. Se viene utilizzato un materiale o una stampante nuovi di zecca, il metodo richiede più tempo perché il dipendente apprende la configurazione nuova di zecca. Anche in questo caso, potrebbero anche mancare errori poiché il personale non può osservare costantemente un certo numero di stampanti nello stesso tempo, in particolare per stampe lunghe.

“La stampa 3D è difficile perché c’è così tanto che potrebbe non essere adatta e molto spesso le stampe 3D falliscono”, ha affermato il dott. Sebastian Pattinson della Divisione di ingegneria di Cambridge, il creatore senior del documento. “Quando ciò accade, tutti i materiali, il tempo e l’energia che hai semplicemente utilizzato sono fuori posto”.

Gli ingegneri hanno creato il monitoraggio automatizzato della stampa 3D, tuttavia i metodi attuali possono rilevare solo una gamma limitata di errori in una singola metà, un materiale e un sistema di stampa.

“Quello che in realtà è voluto è un ‘“sistema per la stampa 3D”, ha detto il primo creatore Douglas Brion, anche della Divisione di Ingegneria. “Un’auto senza conducente può essere inefficace se ha lavorato solo su una strada o in una singola città: deve studiare per generalizzare , città e persino nazioni. Allo stesso modo, una stampante “senza driver” dovrebbe funzionare per una serie di componenti, materiali di consumo e situazioni di stampa”.

Brion e Pattinson affermano che l’algoritmo che hanno sviluppato potrebbe benissimo essere quello che gli ingegneri di “automobili senza conducente” stavano cercando.

“Ciò implica che potresti avere un algoritmo che può dare un’occhiata a tutte le stampanti completamente diverse su cui stai semplicemente lavorando, monitorando e apportando sempre le modifiche desiderate, principalmente facendo ciò che un essere umano non può fare”, ha detto Pattinson.

I ricercatori hanno educato un manichino fantasioso e preveggente di un laptop che studia in profondità mostrandolo intorno a 950.000 foto catturate meccanicamente durante la produzione di 192 oggetti stampati. Ognuna delle immagini è stata etichettata con le impostazioni della stampante, ad esempio la velocità e la temperatura dell’ugello di stampa e la tassa di circolazione dei materiali di stampa. Il manichino ha inoltre ottenuto dettagli su quanto queste impostazioni fossero lontane da buoni valori, consentendo all’algoritmo di apprendere il modo in cui si verificano gli errori.

“Non appena istruito, l’algoritmo può determinare semplicemente guardando un’immagine quale impostazione è giusta e quale non è adatta: è un’impostazione selezionata troppo eccessiva o troppo bassa, ad esempio, dopodiché applicare la correzione adeguata”, ha affermato Pattinson . “E il fattore interessante è che gli stampatori che utilizzano questo metodo potrebbero benissimo raccogliere costantemente conoscenze, quindi l’algoritmo potrebbe benissimo migliorare regolarmente con la stessa efficacia”.

Utilizzando questo metodo, Brion e Pattinson erano stati in grado di creare un algoritmo generalizzabile: in diverse espressioni, può essere utilizzato per determinare e correggere gli errori in oggetti o materiali di consumo sconosciuti e persino in nuovi metodi di stampa.

“Ogni volta che stampi con un ugello, indipendentemente dal tessuto che stai utilizzando (polimeri, cemento, ketchup o altro) otterrai errori comparabili”, ha affermato Brion. “Ad esempio, se l’ugello si sposta troppo velocemente, in genere ti ritrovi con macchie di tessuto, o nel caso in cui stai spingendo fuori una quantità eccessiva di materiali, le deformazioni stampate si sovrapporranno formando pieghe.

“Gli errori che derivano da impostazioni comparabili possono avere opzioni comparabili, non importa quale metà viene stampata o quali materiali vengono utilizzati. Come risultato del nostro algoritmo ha realizzato opzioni di base condivise tra forniture completamente diverse, potrebbe dire “Oh, le deformazioni stampate stanno formando pieghe, a causa di questo fatto stiamo apparentemente spingendo fuori una quantità eccessiva di materiali”. “

Per questo motivo, l’algoritmo che è stato istruito utilizzando un solo tipo di materiale e sistema di stampa è stato in grado di rilevare e correggere gli errori in diverse forniture, dai tecnopolimeri al ketchup e alla maionese, su un tipo speciale di sistema di stampa.

Prima o poi, gli istruiti potrebbe benissimo essere più rispettoso dell’ambiente e affidabile di un operatore umano nel riconoscere gli errori. Questo può benissimo essere essenziale per una gestione di alta qualità in quanto il guasto di una parte potrebbe comportare sanzioni critiche.

Con l’aiuto di Cambridge Enterprise, il braccio commerciale del College, Brion ha dato forma a Matta, un’azienda spin-out che potrebbe sviluppare il know-how per scopi industriali.

“Stiamo rivolgendo la nostra considerazione a come questo potrebbe funzionare in settori di alto valore, ad esempio perché i settori aerospaziale, energetico e automobilistico, il luogo in cui le scienze applicate della stampa 3D vengono utilizzate per fabbricare e componenti costosi”, ha affermato Brion. “Ci vorrebbero giorni o forse settimane per finire una singola parte al prezzo di 1000 chili. Un errore che si verifica inizialmente potrebbe non essere rilevato fino a quando la metà non viene completata e ispezionata. Il nostro metodo individuerebbe l’errore in tempo reale, migliorando notevolmente la produttività manifatturiera”.


Il modello di apprendimento automatico monitora e regola il processo di stampa 3D per correggere gli errori in tempo reale


Dati extra:

Douglas AJ Brion et al, Rilevamento e correzione degli errori di stampa 3D generalizzabili attraverso reti neurali multitesta, Comunicazioni sulla natura (2022). DOI: 10.1038/s41467-022-31985-y

Quotazione:
L’algoritmo impara a correggere gli errori di stampa 3D per vari componenti, forniture e metodi (2022, 16 agosto)
recuperato il 16 agosto 2022
da https://techxplore.com/information/2022-08-algorithm-3d-errors-materials.html

Questo documento è soggetto a copyright. Al di fuori di ogni onesto trattamento a fini di esame o analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto viene fornito esclusivamente per le funzioni di dati.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Scoprire i modelli della natura su scala atomica in colori viventi – L’ultima novità nell’intelligenza artificiale | Robotica AI

Published

on

Uncovering nature's patterns at the atomic scale in living color

The Ultimate Managed Hosting Platform

1) Inizialmente metodiamo il materiale dopo di che 2) Tentiamo di afferrare una varietà di strati di tessuto. Utilizzando il rilevamento tattile, decidiamo se siamo avidi della giusta varietà di strati dopodiché 3) riaggiustiamo il materiale come desiderato. Infine, 4) eleviamo il materiale con la giusta varietà di strati afferrati. Punteggio creditizio: Tirumala et al.

Negli ultimi tempi, i robotici hanno tentato di migliorare il modo in cui i robot lavorano insieme con oggetti totalmente diversi presenti nelle ambientazioni del mondo reale. Mentre alcuni dei loro sforzi hanno prodotto risultati promettenti, l’esperienza di manipolazione della maggior parte dei metodi robotici attuali è comunque in ritardo rispetto a quella delle persone.

I materiali sono tra le molte varietà di oggetti che si sono rivelati più difficili con cui lavorare insieme. Le cause principali di ciò sono che elementi di materiale e materiali diversi possono essere allungati, spostati e piegati in diversi metodi, il che può portare a dinamiche avanzate dei materiali e auto-occlusioni.

I ricercatori del Robotics Institute del Carnegie Mellon College hanno recentemente proposto un nuovissimo metodo computazionale che potrebbe consentire ai robot di percepire e gestire i materiali. Questo metodo, lanciato in un documento che sarà offerto sulla Convenzione mondiale sui robot e i programmi intelligenti e pre-pubblicato su arXiv, si basa sull’utilizzo di un e un semplice algoritmo di apprendimento automatico, spesso chiamato classificatore.

“Siamo entusiasti la manipolazione dovuta a materiali e oggetti deformabili di solito è difficile da governare per i robot, poiché la loro deformabilità significa che sono spesso configurati in così tanti metodi diversi”, ha detto a TechXplore Daniel Seita, uno dei tanti ricercatori che hanno condotto lo studio. “Una volta iniziata questa sfida, sapevamo che c’erano stati molti lavori più recenti sui robot che manipolavano i tessuti, tuttavia la maggior parte di quel lavoro include la manipolazione di un singolo pezzo di tessuto. Il nostro articolo affronta le istruzioni relativamente meno esplorate dello studio per governare un mucchio di stoffa utilizzando il rilevamento tattile.

La maggior parte degli approcci attuali per consentire la manipolazione dei tessuti nei robot si basano principalmente sull’utilizzo di sensori fantasiosi e preveggenti, equivalenti a fotocamere o imager che acquisiscono esclusivamente . Mentre alcune di queste strategie hanno ottenuto buoni risultati, la loro dipendenza dai sensori visibili potrebbe limitarne l’applicabilità per compiti facili che contengono la manipolazione di un singolo pezzo di materiale.

La nuovissima tecnica ideata da Seita e dai suoi colleghi Sashank Tirumala e Thomas Weng, tuttavia, utilizza le informazioni raccolte da un sensore tattile noto come ReSkin, che potrebbe dedurre i dati associati alla trama di un tessuto e alla sua interazione con l’ambientazione. Utilizzando queste informazioni tattili, l’equipaggio ha istruito un classificatore per scoprire la varietà di strati di stoffa afferrati da un robot.

“Le nostre informazioni tattili sono arrivate qui dal sensore ReSkin, che è stato sviluppato di recente alla CMU negli ultimi 12 mesi”, ha definito Weng. “Usiamo questo classificatore per regolare il picco di una pinza come un modo per afferrare uno o due strati di stoffa più in alto da una pila di materiali”.

Per valutare il loro metodo, l’equipaggio ha effettuato 180 prove sperimentali in un ambiente reale, utilizzando un sistema robotico costituito da un braccio robotico Franka, una pinza mini-Delta e un sensore Reskin (integrato nel “dito”) della pinza per capire uno o due elementi di materiale in una pila. Il loro metodo ha ottenuto risultati promettenti, superando le strategie di base che non tengono conto dei suggerimenti tattili.

“Rispetto agli approcci precedenti che utilizzano esclusivamente le telecamere, il nostro metodo basato sul rilevamento tattile non è influenzato da schemi sul materiale, modifiche nell’illuminazione e diverse discrepanze visibili”, ha affermato Tirumala. “Siamo stati entusiasti di vedere che il rilevamento tattile da gadget elettromagnetici, proprio come il sensore ReSkin, può presentare un segno sufficiente per un’attività di manipolazione a grana fine, come uno o due strati di stoffa avidi. Immaginiamo che questo possa ispirare analisi future nel rilevamento tattile per la manipolazione dei tessuti da parte dei robot”.

Prima o poi, Tirumala, Weng, Seita e i loro colleghi sperano che questo metodo di manipolazione possa aiutare a rafforzare le capacità dei robot progettati per essere impiegati nei servizi di produzione di tessuti, nelle lavanderie o nelle proprietà. In particolare, può aumentare la potenza di quei robot per gestire tessuti avanzati, una serie di articoli di materiale, biancheria, coperte, indumenti e diversi oggetti in tessuto.

“Il nostro piano è quello di procedere alla scoperta dell’uso del rilevamento tattile per comprendere una varietà arbitraria di strati di stoffa, in alternativa a uno o due strati su cui ci siamo concentrati in questo lavoro”, ha aggiunto Weng. “Inoltre, stiamo studiando approcci multimodali che mescolano ogni rilevamento fantasioso e preveggente e tattile in modo da poter sfruttare i vantaggi di ciascuna modalità del sensore”.


Generazione di dati sensoriali cross-modali per la percezione robotica visivo-tattile


Dati extra:

Sashank Tirumala et al, Studiare per individuare strati utilizzando suggerimenti tattili. arXiv:2207.11196v1 [cs.RO]. arxiv.org/abs/2207.11196

© 2022 Scienza X Comunità

Quotazione:
Utilizzo di sensori tattili e studio delle macchine per migliorare il modo in cui i robot manipolano i materiali (2022, 16 agosto)
recuperato il 16 agosto 2022
da https://techxplore.com/information/2022-08-tactile-sensors-machine-robots-fabrics.html

Questo documento è soggetto a copyright. Al di là di ogni veridicità ai fini dell’esame o dell’analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto viene fornito esclusivamente per le funzioni di dati.



The Ultimate Managed Hosting Platform

Source link

Continue Reading

Ultime notizie

Il controllo del processo di produzione del calcestruzzo aumenta la resistenza del 30%

Published

on

Controlling the concrete manufacturing process increases the strength by 30%

The Ultimate Managed Hosting Platform

Geometrie degli aggregati totalmente differenti: (a) classificazione comune [Simms et al, 2019]; (b) aggregati arrotondati utilizzati nell’analisi in corso; (c) aggregati angolari utilizzati nell’analisi in corso. Punteggio di credito: Kazem Reza Kashyzadeh et al, Edifici (2022). DOI: 10.3390/edifici12040438

Per estendere la potenza del calcestruzzo, i ricercatori offrono nuove strategie di rinforzo, spesso con edifici in acciaio o nanofibre. Un professore del RUDN College con colleghi iraniani ha trovato un mezzo più ordinato. Anche da una mietitrebbia standard per calcestruzzo, è possibile ottenere materiali extra robusti. Il livello principale è decidere le proporzioni adeguate e le circostanze di indurimento. I risultati sono rivelati in Edifici.

Per rendere il calcestruzzo extra immune alle centinaia statiche e cicliche, è integrato con un “quadro”: rinforzo o nanofibre. Allo stesso tempo, è comunque essenziale cercare metodi per rinforzare il calcestruzzo anche senza armatura. Ad esempio, è essenziale ripristinare edifici precedenti costruiti con calcestruzzo dispari. Un professore del RUDN, insieme a colleghi iraniani, ha eseguito una raccolta di esperimenti e ha creato una comunità neurale sintetica per calcolare il modo migliore per rendere il calcestruzzo più forte con nuovi “elementi”.

“Il calcestruzzo è un materiale composito di piccoli e grandi aggregati, che vengono legati tra loro con una malta cementizia e induriscono. Per estendere la potenza statica e ciclica degli edifici, gli ingegneri civili utilizzano il cemento armato. Edifici giganti che ricordano dighe e parcheggi a più piani sono prodotti in cemento armato. Tuttavia, ci sono ancora edifici in cemento tipici precedenti in tutto il mondo che devono essere ristrutturati. Successivamente, scoprire metodi sensati ed economici per estendere la potenza del calcestruzzo tipico rimane un lavoro necessario. Molte delle analisi sono obsolete. Solo pochi ricercatori utilizzano nuove strategie, simili all’estrazione della conoscenza, agli algoritmi della comunità neurale, alle strategie di ottimizzazione ibrida e allo studio delle macchine per valutare il potere del calcestruzzo dispari”, ha affermato Kazem Reza Kashyzadeh, professore presso la Divisione dei trasporti presso il RUDN College.

Gli ingegneri hanno calcolato i parametri di combinazione ottimali che rendono il calcestruzzo il più robusto possibile senza l’utilizzo di ulteriori parti. La potenza è influenzata dalla forma e dimensione delle particelle del riempitivo – pietrisco, ghiaia o sabbia – e dalla solidificazione della risposta. Il più efficace di particelle di riempitivo è arrotondato. Le frazioni angolari, al contrario, riducono la potenza. Perché il aumenterà, la potenza aumenterà. E la temperatura alla quale la risposta si indurisce è massima conservata a 10 livelli C. In questo modo, è possibile raggiungere un aumento del 30% all’interno della potenza del calcestruzzo.

Per la simulazione, gli ingegneri RUDN hanno creato una comunità neurale sintetica utilizzando la cosiddetta tecnica di backpropagation. Per istruire la comunità neurale, i ricercatori hanno eseguito una raccolta di esperimenti con campioni di cemento totalmente diversi. Una parte delle conoscenze sperimentali è stata lasciata per controllare il manichino successivo.

“Abbiamo scoperto che nel tipico cemento, l’aspetto del , la loro dimensione e geometria, oltre alle circostanze di cura, hanno una grande impressione sul potere. Abbiamo studiato la connessione tra questi parametri sperimentalmente e ottenuto le circostanze migliori per acquisire robusto ”, ha affermato il professor Kashyzadeh.


Il calcestruzzo che utilizza gomma per pneumatici riciclata promette una spinta per l’economia circolare


Informazioni extra:

Kazem Reza Kashyzadeh et al, Previsione dell’energia di compressione concreta che utilizza una comunità neurale di nuova propagazione ottimizzata da un algoritmo genetico e valutazione del pavimento di risposta che contempla l’aspetto degli aggregati e delle situazioni di polimerizzazione, Edifici (2022). DOI: 10.3390/edifici12040438

Offerto da
Base russa per l’analisi primaria

Quotazione:
Il controllo del corso di produzione del calcestruzzo aumenterà la potenza del 30% (2022, 16 agosto)
recuperato il 16 agosto 2022
da https://techxplore.com/information/2022-08-concrete-strength.html

Questo documento è soggetto a copyright. Al di là di ogni onesto trattamento finalizzato alla ricerca o all’analisi personale, n
la metà potrebbe anche essere riprodotta senza il permesso scritto. Il materiale contenuto viene fornito esclusivamente per funzioni informative.

L'ultima piattaforma di hosting gestito

Collegamento sorgente

Il post Il controllo del processo di produzione del calcestruzzo aumenta la resistenza del 30% è apparso per la prima volta su Le ultime novità in fatto di intelligenza artificiale | Robotica AI | Notizie sull’apprendimento automatico.

The Ultimate Managed Hosting Platform

Source link

Continue Reading

Trending