РАЗРАБОТКА МОДЕЛИ ПРОГНОЗИРОВАНИЯ ДРАПИРУЕМОСТИ ТЕКСТИЛЬНЫХ МАТЕРИАЛОВ (2023)
В работе рассмотрены особенности измерения формообразующего свойства материала существующими инструментальными методами. Проанализированы зависимости характеристик и целевого признака. Рассмотрена программная реализация алгоритма решения задачи на основе регрессионных моделей машинного обучения. Проведен сравнительный анализ моделей. Определены возможные варианты решения задачи.
Идентификаторы и классификаторы
Драпируемость – свойство материала образовывать складки. Определение показателя драпируемости осуществляется с помощью дискового метода. Образец ткани или трикотажа вырезается в форме круга (1) и зажимается между двумя дисками (2), закрепленными на стержне (З). Края текстиля свисают естественным образом (рисунок 1). Когда над дисками располагают источник света, материал проецируется на бумагу. Хорошо драпирующийся текстиль будет иметь очень плотный контур с глубокими складками (рисунок 2, а). Проецируемая площадь будет намного меньше площади материала. На проекции образца шерсти (рисунок 2, б) можно увидеть пример плохой драпируемости.
Список литературы
-
Гаджиев Д. А. Усовершенствование метода определения драпируемости текстильных полотен // Материалы докладов 47 Международной научно-технической конференции преподавателей и студентов (Витебск, 23 апр. 2014 г.). Витебск: Изд-во ВГТУ, 2014. С. 437-439. EDN: WOETWX
-
Мохирева И. А., Серебрякова Л. А., Лаврушин Г. А. Новый подход к исследованию драпи-руемости нетканых материалов // Известия Дальневосточного Федерального университета. Экономика и управление. 1999. № 4 (12). С. 89-93.
-
Konstantinov A. V. Deep gradient boosting for regression problems = Градиентный бустинг для регрессионных задач // Вычислительная техника, телекоммуникации и управление. 2021. Т. 14, № 3. С. 7-19. DOI: 10.18721/JCSTCS.14301 EDN: CZBFQN
-
Вьюгин В. В. Математические основы машинного обучения и прогнозирования. М.: МЦМНО, 2013, 2018. 484 с.
-
Жерон О. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем: пер. с англ. СПб.: Вильямс, 2018. 688 с.
Выпуск
Другие статьи выпуска
Статья посвящена цифровизации взаимодействия участников учебного процесса. Разработана диаграмма вариантов использования, учитывающая необходимый функционал пользователей разрабатываемой системы. Рассматривается способ организации механизмов взаимодействия между преподавателями и студентами на базе системы управления взаимоотношениями с клиентами Битрикс24. Приводятся примеры реализации коммуникаций.
В статье рассмотрена концепция эффективной работы с данными, применяемая в программе Microsoft Power BI. Авторы рассматривают основные инструменты, использующиеся в программе, такие как Power Query, Power Pivot, Power View, Сервис Power BI. Использование каждого из них подчиняется концепции эффективной работы с данными, которая подразумевает использование алгоритма четырех шагов. Проведенный анализ указанных инструментов позволяет сделать вывод, что Microsoft Power BI является эффективным инструментом работы с данными и может быть использован в различных сферах деятельности.
Рассматривается задача модерации комментариев с фильтрацией негативного контента. Используется фреймворк PySpark для анализа тональности комментариев на основе библиотеки Apache Spark. Алгоритм считывает текст комментария и определяет его эмоциональный окрас. Инструментарий может использоваться на образовательных веб-сервисах, где можно фильтровать негативные комментарии и предотвращать их появление на сайте, что в свою очередь улучшает качество контента и безопасность для пользователей.
В работе проведено исследование метода контрольных карт для изучения случайного процесса, а также представлены правила их построения. Описаны методики применения контрольных карт для анализа стабильности учебного процесса. Выполнена программная реализация вычисления значений необходимых элементов карт и их отображения на графике. Полученные результаты могут быть полезны для улучшения качества образования и повышения эффективности учебных программ.
В работе проведен анализ существующих методов извлечения именованных сущностей из текстов на русском языке. Сформулированы эквивалентная задача классификации и правила разметки именованных сущностей. Предложены подходы, позволяющие повысить эксплуатационные качества классификаторов. Проведен численный эксперимент, в ходе которого обучено несколько моделей. Продемонстрированы преимущества использования предложенных подходов по отдельности и в совокупности.
Целью настоящей работы является использование методов математического моделирования и разработка математического обеспечения для оптимизации предварительно рассчитанного операционного плана с целью минимизации отклонения вовлечения компонентов в многопериодных смешениях от интегральных значений календарного плана НПЗ.
В работе исследуются методы анализа данных для оптимизации учебных процессов, представлены правила построения моделей анализа данных. Проводится предварительная обработка входящих данных для последующей подстановки в модель. Выполнена программная реализация алгоритма анализа данных и отображения данных на графике. Полученная модель анализа данных встроена в приложение для оптимизации составления расписания и повышения эффективности учебного процесса.
Издательство
- Издательство
- ОмГТУ
- Регион
- Россия, Омск
- Почтовый адрес
- 644050, Российская Федерация, г. Омск, пр-т Мира, д. 11
- Юр. адрес
- 644050, Российская Федерация, г. Омск, пр-т Мира, д. 11
- ФИО
- Корчагин Павел Александрович (Ректор )
- E-mail адрес
- info@omgtu.ru
- Контактный телефон
- +7 (381) 2653407
- Сайт
- https://omgtu.ru/