Informacja o cookies

Zgadzam się Nasza strona zapisuje niewielkie pliki tekstowe, nazywane ciasteczkami (ang. cookies) na Twoim urządzeniu w celu lepszego dostosowania treści oraz dla celów statystycznych. Możesz wyłączyć możliwość ich zapisu, zmieniając ustawienia Twojej przeglądarki. Korzystanie z naszej strony bez zmiany ustawień oznacza zgodę na przechowywanie cookies w Twoim urządzeniu.

Publikacje Pracowników Politechniki Lubelskiej
MNiSW
5
spoza listy
Status:
Autorzy: Szala Mirosław, Awtoniuk Michał
Dyscypliny:
Aby zobaczyć szczegóły należy się zalogować.
Rok wydania: 2019
Wersja dokumentu: Elektroniczna
Język: angielski
Numer czasopisma: 1
Wolumen/Tom: 710
Numer artykułu: 012016
Strony: 1 - 9
Web of Science® Times Cited: 3
Scopus® Cytowania: 10
Bazy: Web of Science | Scopus
Efekt badań statutowych NIE
Materiał konferencyjny: TAK
Nazwa konferencji: IV International Conference of Computational Methods in Engineering Science - CMES'19
Skrócona nazwa konferencji: CMES'19
Termin konferencji: 21 listopada 2019 do 23 listopada 2019
Miasto konferencji: Kazimierz Dolny
Państwo konferencji: POLSKA
Publikacja OA: TAK
Licencja:
Sposób udostępnienia: Witryna wydawcy
Wersja tekstu: Ostateczna wersja opublikowana
Czas opublikowania: W momencie opublikowania
Data opublikowania w OA: 19 grudnia 2019
Abstrakty: angielski
Artificial neural networks (ANN) are commonly used to solve many industrial problems. However, their application for cavitation erosion evaluation is a quite new attempt. Thus, the aim of this work was to elaborate the neural model of the cavitation erosion process of 34CrNiMo6 steel. Cavitation erosion tests were conducted with a usage of the ultrasonic vibratory method with stationary specimen that relies on the ASMT G32 standard. The proceeding damage of marked steel surface area was observed by means of a scanning electron microscope. Wear was evaluated with profiler measurements, image analysis of cavitation worn surface areas and weighing done in stated time intervals. The cavitation erosion results were analysed with Matlab software by Neural Network Toolbox. The developed neural model of cavitation erosion process that combines exposure time, roughness, area fraction of worn surfaces, and mass loss gives promising results.