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

Published

on

The Ultimate Managed Hosting Platform

  1. Che cos’è __init__ in Python?
  2. Come funziona il metodo __init__()?
  3. Python __init__: sintassi ed esempi
  4. Tipi di __init__ Costruttore
  5. Uso di Python __init__
  6. Conclusione

Cos’è __init__ in Python?

Un costruttore di a classe in Python è delineato utilizzando la metodologia __init__. Il python __init__ è una metodologia riservata in Python che si comporta come un altro membro della categoria, inoltre le istruzioni scritte sotto la sua definizione sono usate per inizializzare i membri delle informazioni di una categoria in Python, cioè incorpora principalmente le istruzioni delle attività. Questa metodologia è comunemente nota come al momento dell’istanziazione di sofisticazione o della creazione di oggetti.

In caso di ereditarietà, la sottoclasse eredita la metodologia __init__ della classe inferiore insieme ai membri della classe accessibili opposti. Pertanto, la cosa della classe inferiore chiama regolarmente il costruttore python __init__ della classe inferiore al momento della sua creazione poiché è noto come costruttore della sottoclasse __init__.

Come funziona la tecnica __init__()?

La metodologia python __init__ viene affermata all’interno di una categoria e viene utilizzata per inizializzare gli attributi di un oggetto con la stessa rapidità con cui viene modellata la cosa. Considerando che fornendo la definizione per una metodologia __init__(self), un parametro predefinito, denominato ‘se stesso’ è tutto il tempo consegnato nella sua argomentazione. Questo sé rappresenta la cosa della categoria stessa. Come in qualche altra metodologia di una categoria, nel caso di __init__ inoltre ‘self’ viene utilizzato come variabile oggetto fittizia per assegnare valori ai membri di informazioni di un oggetto.

La metodologia __init__ è anche nota come double underscores init o dunder init poiché ha due underscore su entrambi i lati della sua identificazione. Questi doppi trattini bassi su ciascuno dei perimetri di init indicano che la strategia viene invocata e utilizzata internamente in Python, senza che sia necessario che sia conosciuta come esplicitamente dalla cosa.

Questa metodologia Python __init__ potrebbe o non potrebbe accettare argomenti per l’inizializzazione degli oggetti. Anche tu puoi incrociare gli argomenti predefiniti nel suo parametro. Tuttavia, sebbene non esista un’idea del genere di sovraccarico del costruttore in Python, è comunque possibile ottenere il polimorfismo nel caso dei costruttori in Python sull’idea del suo argomento.

Impara inoltre: Set in Python – Come creare un set in Python?

Init in Python: sintassi ed esempi

Siamo in grado di dichiarare una metodologia __init__ all’interno di una categoria in Python utilizzando la sintassi successiva:

class class_name():
          
          def __init__(self):
                  # Required initialisation for information members

          # Class strategies
                 …
                 …

Prendiamo un’istanza di una categoria denominata Instructor in Python e percepiamo il funzionamento della metodologia __init__() da essa più in alto.

class Instructor:
    # definition for init methodology or constructor
    def __init__(self, identify, topic):
        self.identify = identify
        self.topic = topic
     # Random member perform
    def present(self):
        print(self.identify, " teaches ", self.topic)
 T = Instructor('Preeti Srivastava', "Laptop Science")   # init is invoked right here
T.present()

Produzione:

Ora, per le situazioni in cui ti viene richiesto di raggiungere il polimorfismo con la metodologia __init__(), puoi seguire la sintassi successiva.

class class_name():
          
          def __init__(self, *args):
                   Situation 1 for *args:
                         # Required initialisation for information members
                  Situation 2 for *args:
                        # Required initialisation for information members
                
                    ………
                    ………

          # Class strategies
                 …
                 …

In questo caso, il tipo di argomento presentato piuttosto che *arg determinare quale tipo di inizializzazione deve essere adottata. Dai un’occhiata all’istanza fornita di seguito per ottenere una maggiore leggibilità su questo.

class Instructor:
     def __init__(self, *args): 

         # Naming the instructor when a single string is handed
         if len(args)==1 & isinstance(args[0], str):
             self.identify = args[0]
         
         # Naming the instructor in addition to the topic    
         elif len(args)==2:
             self.identify = args[0]
             self.sub = args[1]
          
         # Storing the energy of the category in case of a single int argument
         elif isinstance(args[0], int):
             self.energy = args[0]
             
t1 = Instructor("Preeti Srivastava")
print('Title of the instructor is ', t1.identify)
 
t2 = Instructor("Preeti Srivastava", "Laptop Science")
print(t2.identify, ' teaches ', t2.sub)
 
t3 = Instructor(32)
print("Power of the category is ", t3.energy)

Produzione:

Tipi di __init__ Costruttore

Esistono principalmente tre forme di costruttori Python __init__:

  1. Costruttore predefinito __init__
  2. Costruttore __init__ parametrizzato
  3. __init__ con parametri predefiniti

1. Il costruttore __init__ predefinito

Il costruttore __init__ predefinito in Python è il costruttore che non si accontenta di alcun parametro, a parte ‘se stesso‘ parametro. Il ‘se stesso‘ è un oggetto di riferimento per quella classe. La sintassi per delineare un costruttore __init__ predefinito è la seguente:

class class_name():
          
          def __init__(self):
                  # Constructor statements

          # different class strategies
                 …
                 …

La sintassi per la creazione di un oggetto per una categoria con un costruttore __init__ predefinito è la seguente:

Object_name = class_name()

Esempio:

class Default():
    
    #defining default constructor
    def __init__(self):
        self.var1 = 56
        self.var2 = 27
        
    #class perform for addition
    def add(self):
        print("Sum is ", self.var1 + self.var2)

obj = Default()     # since default constructor doesn’t take any argument
obj.add()

Produzione:

2. Costruttore __init__ parametrizzato

Una volta che abbiamo bisogno di incrociare gli argomenti all’interno del costruttore di una categoria, utilizziamo la metodologia parametrizzata __init__. Accetta uno o più argomenti a parte il se stesso. Di seguito è riportata la sintassi adottata durante la definizione di un costruttore __init__ parametrizzato:

class class_name():
          
          def __init__(self, arg1, arg2, arg3, …):
                  self.data_member1 = arg1
                  self.data_member2 = arg2
                  self.data_member2 = arg2
                  ……
                  ……

          # different class strategies
                 …
                 …

Dichiariamo un’occasione per una categoria con un costruttore parametrizzato utilizzando la sintassi successiva:

Object_name = class_name(arg1, arg2, arg3,…)

Esempio:

class Default():
    
    #defining parameterised constructor
    def __init__(self, n1, n2):
        self.var1 = n1
        self.var2 = n2
        
    #class perform for addition
    def add(self):
        print("Sum is ", self.var1 + self.var2)

obj = Default(121, 136)              #Creating object for a category with parameterised init
obj.add()

Produzione:

3. La metodologia __init__ con parametri di default

Come forse già saprai, siamo in grado di incrociare argomenti predefiniti con un membro perform o un costruttore, sia esso un linguaggio di programmazione diffuso. Nello stesso identico metodo, Python ci consente inoltre di delineare una metodologia __init__ con parametri predefiniti all’interno di una categoria. Usiamo la sintassi successiva per attraversare un argomento predefinito in una metodologia __init__ all’interno di una categoria.

class ClassName:
         def __init__(self, *checklist of default arguments*):
             # Required Initialisations
    
        # Different member capabilities
                ……
               …….

Ora, passa all’istanza successiva per capire come funziona la metodologia __init__ con parametri predefiniti.

class Instructor:
    # definition for init methodology or constructor with default argument
    def __init__(self, identify = "Preeti Srivastava"):
        self.identify = identify
     # Random member perform
    def present(self):
        print(self.identify, " is the identify of the instructor.")
        
t1 = Instructor()                             #identify is initialised with the default worth of the argument
t2 = Instructor('Chhavi Pathak')    #identify is initialised with the handed worth of the argument
t1.present()
t2.present()

Produzione:

Uso di Python __init__

Come accennato in precedenza su questo blog e visto dagli esempi precedenti, la metodologia __init__ viene utilizzata per inizializzare gli attributi di un oggetto per una categoria. Ora abbiamo inoltre compreso come verrà raggiunto il sovraccarico del costruttore utilizzando questa metodologia. Vediamo ora come si comporta questa metodologia __init__ in caso di ereditarietà.

L’ereditarietà consente alla classe kid di ereditare la metodologia __init__() della classe mamma o papà insieme ai membri delle informazioni opposte e alle capacità dei membri di quella classe. La metodologia __init__ della mamma o del papà o della classe inferiore è denominata all’interno della metodologia __init__ del bambino o della sottoclasse. Nel caso in cui la classe mamma o papà richieda un argomento, il valore del parametro deve essere consegnato all’interno della metodologia __init__ della classe kid oltre al momento della creazione dell’oggetto per la classe kid.

class Individual(object):
    def __init__(self, identify):
        self.identify = identify
        print("Initialising the identify attribute")

class Instructor(Individual):
    def __init__(self, identify, age):
        Individual.__init__(self, identify)   # Calling init of base class
        self.age = age
        print("Age attribute of base class is initialised")
        
    def present(self):
        print("Title of the instructor is ", self.identify)
        print("Age of the instructor is ", self.age)
        
t = Instructor("Allen Park", 45)   # The init of subclass is named
t.present()

Produzione:

Dall’output di cui sopra, siamo in grado di suggerire l’ordine in cui i costruttori __init__ sono stati conosciuti ed eseguiti. La cosa ‘t’ chiama il costruttore della classe Instructor, che trasferisce la gestione di questo sistema al costruttore della classe Individual. Non appena __init__ di Individual termina la sua esecuzione, il management ritorna al costruttore della classe Instructor e ne termina l’esecuzione.

Conclusione

Quindi, per riassumere, __init__ è una metodologia riservata ai corsi in Python che si comporta principalmente come costruttori. In diverse frasi, questa metodologia in una classe Python viene utilizzata per inizializzare gli attributi di un oggetto. Viene invocato di routine al momento della creazione dell’occasione per una categoria. Questo costruttore __init__ viene richiamato tante istanze perché i casi vengono creati per una categoria. Siamo in grado di utilizzare una qualsiasi delle tre forme di costruttori __init__ – predefinito, parametrizzato, __init__ con parametro predefinito – secondo la necessità del nostro modulo di programmazione. Il ‘se stesso‘ è un parametro obbligatorio per ogni membro che si esibisce in una categoria, insieme alla metodologia __init__, in quanto è un riferimento all’occasione della categoria creata.

Sebbene Python non aiuti il ​​sovraccarico del costruttore, l’idea di sovraccarico del costruttore verrà eseguita utilizzando il file *arg che può essere utilizzato per passare numeri totalmente diversi di argomenti per vari oggetti di una categoria. Inoltre, siamo in grado di utilizzare le istruzioni if-else per inizializzare gli attributi in linea con i diversi tipi di argomenti all’interno del costruttore __init__. Per saperne di più Classi e oggetti in Pythonpuoi provare questo blog.

Ora abbiamo inoltre visto come funziona la metodologia __init__ di una categoria con l’ereditarietà. Siamo in grado di nominare semplicemente la metodologia __init__ della classe inferiore all’interno della metodologia __init__ della sottoclasse. Quando viene creato un oggetto per la sottoclasse, viene invocata la metodologia __init__ della sottoclasse, che richiama inoltre la metodologia __init__ della classe inferiore.



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