{"product_id":"ieej-zt084237","title":"溶接溶融池のニューラルネットワークモデル","description":"\u003cp\u003e\u003cstrong\u003eカテゴリ: \u003c\/strong\u003e全国大会\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e論文No: \u003c\/strong\u003e4-237\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eグループ名: \u003c\/strong\u003e【全国大会】平成20年電気学会全国大会論文集\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e発行日: \u003c\/strong\u003e2008\/03\/19\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eタイトル(英語): \u003c\/strong\u003eNeural Network Model of Weld Pool in Welding\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e著者名: \u003c\/strong\u003e堂森雄平 (埼玉大学),佐野宙人 (埼玉大学),金子裕良 (埼玉大学)\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eキーワード: \u003c\/strong\u003eニューラルネットワーク\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e要約(日本語): \u003c\/strong\u003eアーク溶接において良好な溶接品質を得るため、溶接中の溶込み形状、特に溶込み深さをセンシングする必要がある。本研究では直接計測することが困難な片面突合せ溶接の溶込み深さを推定する目的で、溶接金属（溶融池）形状の動的変形を表現できるニューラルネットモデルを構築する。ニューラルネットワークモデルの入力は表溶融池幅、溶込み深さ、電流、溶接速度、ギャップ幅で出力は次周期における表溶融池幅、溶込み深さである。基礎溶接実験結果から教師データを作成しニューラルネットワークモデルを学習する。学習後のニューラルネットワークモデル出力と実験値を比較して、ニューラルネットワークモデルの性能を確認した。\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e原稿種別: \u003c\/strong\u003e日本語\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003ePDFファイルサイズ: \u003c\/strong\u003e1,492 Kバイト\u003c\/p\u003e","brand":"IEEJ-PDF","offers":[{"title":"PDFダウンロード（一般価格440円\/会員価格220円） \/ A4 \/ 1","offer_id":46397480403183,"sku":"IEEJ-ZT084237-PDF","price":440.0,"currency_code":"JPY","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0718\/9512\/2159\/files\/IEEJ-PDF_6146961f-bb17-4686-b3e7-86c139a39098.png?v=1744850531","url":"https:\/\/ieej.bookpark.ne.jp\/products\/ieej-zt084237","provider":"電気学会 電子図書館","version":"1.0","type":"link"}