Kovinske kapljice so osnova mnogih inovativnih kapljičnih izdelovalnih tehnologij, po katerih danes obstaja veliko povpraševanje v različnih industrijskih aplikacijah. V predstavljenem procesu laserskega tvorjenja kapljic je za pretaljevanje konca navpično podajane kovinske žice uporabljen anularni laserski žarek. Pod vplivom površinske napetosti, sile teže in interakcije med svetlobo in snovjo se iz pretaljenega konca žice oblikuje nihajoča viseča kapljica. Ločevanje viseče kapljice od trdnega dela žice, je kritična faza procesa laserskega tvorjenja kapljic, ki bistveno vpliva na dinamiko procesa. V članku so predstavljeni različni možni režimi ločevanja in povezani nelinearni pojavi, dinamike ter nestabilnosti procesa, ki so bili opaženi pri procesih tvorjenja posamične kapljice na zahtevo in pri neprekinjenem tvorjenju kapljic. Opisan je nelinearni model režima ločevanja masa-vzmet pri neprekinjenem tvorjenju kapljic, rezultati katerega se dobro ujemajo z meritvami.
B.04 Vabljeno predavanje
COBISS.SI-ID: 14026523Pri procesu laserskega tvorjenja kapljic uporabimo laserski blisk za tvorjenje kapljice iz kovinske žice in njeno ločitev. Z zaporedjem laserskih bliskov lahko tvorimo zaporedje kovinskih kapljic s kompleksno dinamiko. V tem prispevku obravnavamo dinamiko različnih režimov kapljanja v odvisnosti od moči ločilnega bliska. Dinamiko analiziramo in okarakteriziramo na podlagi eksperimentalnih časovnih vrst. S pomočjo rekonstrukcije prostora stanj iz časovnih vrst in Ljapunovih spektrov pokažemo, da lahko proces obravnavamo kot deterministični nizkodimenzionalni kaotični dinamični sistem. Nadalje s pomočjo rekurentnih diagramov in pripadajočih karakteristik podkrepimo slednji rezultat in ga nadgradimo z ugotovitvijo, da ima prehod med spontanim in prisilnim kapljanjem lastnosti prehoda kaos-kaos.
B.04 Vabljeno predavanje
COBISS.SI-ID: 14027035Delo obravnava topološki pristop k mobilni navigaciji robota s pomočjo povratnih nevronskih mrež (RNN). Uporabili smo posebno arhitekturo RNN za izboljšanje osnovnega topološkega pristopa. Nova RNN arhitektura selektivno zapahne predvidoma pomembne informacije in ignorira predvidoma nepomembne vhodne informacije. Preproste oblike reaktivnega vedenja se dopolnjujejo z naključnimi odločitvami za preklop med njimi v odločitvenih točkah. RNN se uči na zaporedju senzorskih vsebin in akcij robota. Ta pristop se uporablja za večstopenjsko napoved senzorične informacije in prepotovanih razdalj med odločitvenimi točkami, če imamo podano zaporedje odločitev na odločitvenih točkah. Tako je mogoče poiskati optimalno pot do izbranega cilja. Problem tega pristopa je, da se zaradi nezmožnosti oblikovati popolno reaktivno vedenje lahko pojavijo neželene situacije, kot so presežne odločitvene točke in nezanesljivo preklapljanje med tipi vedenja. Prikažemo, da je selektivna RNN zmožna znižati vpliv napačnih odločitvenih točk in tako izboljšati napoved.
F.02 Pridobitev novih znanstvenih spoznanj
COBISS.SI-ID: 1536707523Prispevek obravnava in primerja različne modele za kratkoročno napovedovanje odjema toplote v sistemu daljinskega ogrevanja. V študiji smo uporabili podatke odjema toplote in meteorološke vplivne spremenljivke za pet zaporednih zimskih sezonah daljinskega ogrevanja v Ljubljani. Izpeljali smo tudi dodatne informativne značilke za izboljšanje točnosti napovedi. Predikcijski modeli vključujejo linearne avtoregresijske modele, nevronske mreže in modele podpornih vektorjev. Modeli so razviti s ciljem napovedovanja prihodnjega odjema toplote s predikcijskim horizontom en dan vnaprej. Vrednotenje predikcijskih modelov temelji na posplošitveni napaki, pridobljeni na neodvisnem nizu testnih podatkov. Primerjava predikcijskih modelov kaže dobro uspešnost napovedovanja linearnega modela s postopno izbiro regresorjev (SR), ki uporablja le najpomembnejše vhodne spremenljivke. Delovanje SR modela smo izboljšali z uporabo modelov nevronskih mrež (NN) ter nevronskih modelov z neposrednim linearno povezavo (NNLL). Najboljši rezultat napovedovanja smo dobili s pomočjo ELM (extreme learning machines) modela. Rezultati kažejo na uporabnost NN, NNLL in ELM modelov za natančno napovedovanje odjema toplote, hkrati pa tudi razkrivajo praktične vidike uporabe NN in ELM modelov. Namreč, naključne inicializacije NN in ELM modelov zahtevajo za doseganje dobrih rezultatov napovedovanja več ponovitev postopka učenja. Poleg tega so ELM modeli občutljivi na razpon območja vhodnih spremenljivk, saj uteži skrite plasti modela niso nastavljive, ampak naključno izbrane. Samo v primeru ustreznega načrtovanja in učenja lahko NN in ELM modeli nudijo učinkovito orodje za napovedovanje odjema toplote daljinskega ogrevanja.
F.15 Razvoj novega informacijskega sistema/podatkovnih baz
COBISS.SI-ID: 14083867Napovedovanje rabe energije v sistemu daljinskega ogrevanja je ključnega pomena za premišljeno upravljanje z energetskimi viri in za zagotavljanje trajnostne energetske oskrbe. Raziskali smo, kateri dejavniki najbolj vplivajo na odjem toplote in na kakšne načine lahko izboljšamo točnost napovedovanja. Ugotovili smo, da imajo največji vpliv temperatura ozračja, pretekli odjem toplote in sončno sevanje. Razvili smo devet empiričnih modelov za napovedovanje odjema toplote v vročevodnem sistemu. Kot referenčna modela smo določili model random-walk in model temperaturne korelacije, nato pa smo razvili kompleksnejši regresijski model in več vrst avtoregresijskih modelov. Kakovost empiričnih modelov smo ocenili s pomočjo križnega vrednotenja na podlagi napake napovedi, ki je predstavljala srednjo absolutno normalizirano napako glede na maksimalno prenosno kapaciteto vročevoda. Kvaliteto napovedi odjema toplote smo izboljšali z uvedbo populacijskih značilk za dneve v tednu in dodatnih spremenljivk za upoštevanje rasti sistema ter sezonskega cikla. Za najkakovostnejši empirični model se je izkazal model iz skupine avtoregresijskih modelov (model SR), ki smo ga razvili s pomočjo metode postopne izbire regresorjev.
F.15 Razvoj novega informacijskega sistema/podatkovnih baz
COBISS.SI-ID: 13917723