دانلود مقاله ISI انگلیسی شماره 161592
ترجمه فارسی عنوان مقاله

ماشین آلات هسته ای احتمالی برای نظارت پیش بینی شده بر استرس های باقی مانده جوش در سیستم های انرژی

عنوان انگلیسی
Probabilistic kernel machines for predictive monitoring of weld residual stress in energy systems
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
161592 2018 17 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 8482 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 15 روز بعد از پرداخت 101,784 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 8 روز بعد از پرداخت 203,568 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Engineering Applications of Artificial Intelligence, Volume 71, May 2018, Pages 138-154

ترجمه کلمات کلیدی
ماشین آلات هسته ای احتمالاتی، رگرسیون فرآیند گاوسی، فراگیری ماشین، جوشکاری، استرسهای باقی مانده، رگرسیون بردار پشتیبانی،
کلمات کلیدی انگلیسی
Probabilistic kernel machines; Gaussian process regression; Machine learning; Welding; Residual stresses; Support vector regression;
پیش نمایش مقاله
پیش نمایش مقاله ماشین آلات هسته ای احتمالی برای نظارت پیش بینی شده بر استرس های باقی مانده جوش در سیستم های انرژی

چکیده انگلیسی

Predictive monitoring supports the a priori scheduling of critical component maintenance and contributes significantly in attaining a safe yet economic operation and management of complex energy systems by mitigating the risk of accidents and minimizing the number of operational pauses. The current work studies the learning ability of probabilistic kernel machines, and more particularly of Gaussian Processes (GP) equipped with various kernels for the estimation of weld residual stress profiles of stainless steel pipe welds. The GP models are tested on experimentally-obtained data of axial and hoop residual stresses in two different stainless-steel pipes. The results exhibit the ability of GP to accurately predict the weld residual stress profile in the axial and hoop direction by providing a predictive distribution, i.e., mean and variance values. Furthermore, performance of GP is compared to a non-probabilistic kernel machine, such as support vector regression (SVR) equipped with the same kernels, and to multivariate linear regression (MLR). Comparison results exhibit the robustness of GP over SVR and MLR with respect to prediction accuracy of weld residual stress in terms of root mean square error. With respect to a second metric, namely, correlation coefficient between measured and predicted values, GP is superior to SVR and MLR in the majority of the cases.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 8482 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 15 روز بعد از پرداخت 101,784 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 8 روز بعد از پرداخت 203,568 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.