Název: Deep learning methods for the acoustic emission methods to evaluate an onset of plastic straining
Autoři: Parma, Slavomír ; Kovanda, Martin ; Chlada, Milan ; Štefan, Jan ; Kober, Jan ; Feigenbaum, H. P. ; Plešek, Jiří
Typ dokumentu: Příspěvky z konference
Konference/Akce: Engineering Mechanics 2023 /29./, Milovy (CZ), 20230509
Rok: 2023
Jazyk: eng
Abstrakt: Development of phenomenological plasticity models, hardening rules, and plasticity theories relies on experimental data of plastic straining. The experimental data are usually measured as the stress–strain response of the material being loaded and do not provide any clues or information about the local response of\nmaterial. In this paper, we analyze the plastic deformation of the material using the acoustic emission method and current state-of-the-art neural network models such as the InceptionTime architecture.
Klíčová slova: acoustic emission; metal plasticity; neural networks; strain hardening
Číslo projektu: GA23-05338S (CEP)
Poskytovatel projektu: GA ČR
Zdrojový dokument: Engineering Mechanics 2023 : 29th International Conference, ISBN 978-80-87012-84-0, ISSN 1805-8248

Instituce: Ústav termomechaniky AV ČR (web)
Informace o dostupnosti dokumentu: Dokument je dostupný na externích webových stránkách.
Externí umístění souboru: https://www.engmech.cz/improc/2023/187.pdf
Původní záznam: https://hdl.handle.net/11104/0350003

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-538531


Záznam je zařazen do těchto sbírek:
Věda a výzkum > AV ČR > Ústav termomechaniky
Konferenční materiály > Příspěvky z konference