Andere Kunden interessierten sich auch für
![Eigenschaften von Beton unter Verwendung von Brecherstaub als feines Aggregat]( "Eigenschaften von Beton unter Verwendung von Brecherstaub als feines Aggregat")
Eigenschaften von Beton unter Verwendung von Brecherstaub als feines Aggregat35,90 €![GIS für die Vorhersage von landwirtschaftlichen Produktionsergebnissen]( "GIS für die Vorhersage von landwirtschaftlichen Produktionsergebnissen")
GIS für die Vorhersage von landwirtschaftlichen Produktionsergebnissen49,90 €![Modellierung von Grundwasser]( "Modellierung von Grundwasser")
Modellierung von Grundwasser23,90 €![Die Ursprünge des Verhältnisses zwischen der Polizei und der Gemeinschaft]( "Die Ursprünge des Verhältnisses zwischen der Polizei und der Gemeinschaft")
Die Ursprünge des Verhältnisses zwischen der Polizei und der Gemeinschaft28,90 €![VON DER NEUROWISSENSCHAFT ZUR KÜNSTLICHEN INTELLIGENZ]( "VON DER NEUROWISSENSCHAFT ZUR KÜNSTLICHEN INTELLIGENZ")
VON DER NEUROWISSENSCHAFT ZUR KÜNSTLICHEN INTELLIGENZ68,90 €![Lernen und Behalten mit Hilfe von präinstruktiven Strategien]( "Lernen und Behalten mit Hilfe von präinstruktiven Strategien")
Lernen und Behalten mit Hilfe von präinstruktiven Strategien43,90 €![Verbesserung der naturwissenschaftlichen Leistungen in der Sekundarstufe mit Hilfe von ICT]( "Verbesserung der naturwissenschaftlichen Leistungen in der Sekundarstufe mit Hilfe von ICT")
Verbesserung der naturwissenschaftlichen Leistungen in der Sekundarstufe mit Hilfe von ICT71,90 €
In diesem Buch wird die Vorhersage des Betonmischungsverhältnisses mit Hilfe eines künstlichen neuronalen Netzwerkmodells vorgestellt. Ein künstliches neuronales Netzwerkmodell wurde entwickelt, trainiert und mit 359 Betonmischungsdatensätzen getestet. Diese Datensätze wurden von Betonfirmen bezogen, sortiert und verwendet, wobei 70 %, 15 % und 15 % für die Trainings-, Validierungs- bzw. Testphase verwendet wurden. Es wurde ein dreischichtiges Feed-Forward-Neuronalnetzmodell mit einem Backpropagation-Algorithmus verwendet. Die Eingabeschicht besteht aus 5 Knoten, die die Druckfestigkeit (28 Tage), den Feinheitsmodul, das Verhältnis der groben Gesteinskörnung, das Wasser-Zement-Verhältnis und die maximale Größe der Gesteinskörnung repräsentieren, sowie aus fünf Ausgabeparametern, nämlich Druckfestigkeit, Wasser, feine Gesteinskörnung, grobe Gesteinskörnung und Zementgehalt, die die erwartete Ausgabe darstellen. Das Ergebnis des ANN-Modells wurde mit anderen Ansätzen der Betonrezeptur verglichen und als angemessen erachtet. Der Fehler aus dem Vergleich zwischen den tatsächlichen Ausgabedaten und den vom Künstlichen Neuronalen Netz vorhergesagten Daten für die gesamten Ausgabeparameter betrug -0,00083. Die Ergebnisse zeigen den Nutzen, die Zuverlässigkeit und die Nützlichkeit des künstlichen neuronalen Netzes (ANN) für die genaue Vorhersage des Betonmischungsverhältnisses.